SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS

Transcrição

1 SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: Marapoama SP. Telefone: (17) / (17) bozolijr@yahoo.com.br 2. Departamento de Ciências da Computação Faculdade de Filosofia Ciências e Letras de Catanduva Rua Maranhão nº. 898, Centro, CEP: Catanduva SP. Telefone: (17) / (17) osvaldo@fafica.br Resumo Este trabalho propõe um método para a segmentação da íris. O método, inicialmente, identifica o centro e o raio da pupila através de filtros morfológicos. Após, utilizando os valores de cores referentes à área da pupila, captura-se a região inferior da íris e extraem-se as características da íris utilizando-se a transformada de wavelets. Os resultados apresentados demonstram a eficiência da metodologia proposta. 1. Introdução O reconhecimento de pessoas por meio da íris tem sido promissora nas últimas décadas, uma vez que a mesma apresenta grandes riquezas de características únicas. Uma dessas características é um tecido que aparenta dividir a íris em forma radial, que recebe esta forma permanente no oitavo mês de gestação e não sofre nenhuma influência genética, isto significa que mesmo os gêmeos idênticos têm íris diferentes. A íris, ainda, não está sujeita aos efeitos do envelhecimento, tornando-a um identificador estável e seguro [1]. O olho, diz o ditado, é o espelho da alma, e não é surpresa que a íris carrega características peculiares de cada pessoa, sendo seu aspecto visual o resultado direto da sua estrutura em multicamadas, que é complexa e formada por músculos que controlam as ações da pupila, vasos sanguíneos e pigmentação de tecidos epiteliais (DAUGMAN,2004).

2 Este trabalho propõe a segmentação da íris em três etapas: localização do centro e do raio da pupila, captura da região inferior da íris e a extração de características da íris. 2. Segmentação da íris Analisando-se as imagens do Banco CASIA [3], identificam-se valores padrões de pixels da região da pupila. Substituindo-se esses valores pelo valor 255 (cor branca na escala de cinza), a região da pupila torna-se uma grande concentração de pixels brancos (ver Figura 1-b). Para tornar a concentração desses pixels brancos mais próxima ao formato da pupila, aplicam-se dois filtros morfológicos. O primeiro, o filtro morfológico fechamento [4] (ver Figura 1-c), e o segundo, o filtro morfológico abertura [4] (ver Figura 1-d). As aplicações destes filtros fazem com que os valores dos pixels que compõe a íris sejam alterados. Para que não haja a perda das características da íris, toma-se a imagem original da íris (ver Figura 1-a) e troca-se os valores dos pixels da pupila, constituídos pelos pixels na cor branca da Figura 1-d, pelo valor 255 gerando uma nova imagem (ver Figura 1-e). a) b) c) d) e) Figura 1: Etapas do processamento, onde temos a imagem original, seguida pelas etapas neste processo. 2.1 Localizar o Centro e o Raio da Pupila Para localizar o centro da pupila, varre-se a imagem, verticalmente de cima para baixo, para identificar o primeiro pixel da pupila, denominado pl (primeira linha) e o último pixel da pupila, denominado ul (última linha) e calcula-se o ponto médio entre pl e ul, denominado cm (coluna média) do centro da pupila (ver Figura 2). Para encontrar o ponto lm (linha média) do centro da pupila, se fixa o ponto cm e busca-se o primeiro ponto pc (primeira coluna) e o ponto uc (última coluna) do centro da pupila. Encontra-se o ponto médio entre pc e uc que define lm. Obtem-se, desta forma, o centro(lm,cm) da pupila (ver Figura 2). O raio r da pupila é definido pela subtração pl de lm (ver Figura 2).

3 pl pc lm centro(lm,cm) uc ul cm Figura 2: Identificação dos pontos 2.2 Localização da Íris Este trabalho, propõe localizar a parte inferior da íris pelo fato da pálpebra e os cílios causarem interferências na extração de característica da íris. Para localizar a área correspondendo à parte inferior da região da íris, toma-se os valores r (raio da pupila), (lm,cm) (ponto que corresponde ao centro da pupila) e aplica-se o algoritmo (ver Figura 3-a): Se r < 25 então largura = 2 * r Senão largura = r p1_x = lm p1_y = cm r largura p2_x = lm p2_y = cm + r + largura pm_x = lm + r + largura Portanto, a região da parte inferior da íris (ver Figura 3-b) é definida pelo retângulo (p1_x, p1_y, pm_x, p2_y). a) b) Figura 3: Pontos utilizados para realizar o corte na imagem

4 2.3 Extração de Características Apesar de existirem muitas técnicas de análise multivariada, todas têm como objetivo a redução da complexidade do problema em questão. Essas técnicas podem reduzir o número de variáveis a serem computadas, ou eliminar variáveis difíceis de serem observadas ou medidas, garantindo que as informações relevantes não sejam perdidas. Para extrair estas características, utilizou-se o método da transformada wavelets (textura), utilizando a escala negativa que destaca os valores absolutos da imagem. A transformada wavelets geram valores aplicados apenas nas linhas horizontais (ver Figura 4-b), nas linhas verticais (ver Figura 4-c) e nas linhas diagonais (ver Figura e-d) da imagem. Figura parte inferior b) c) d) Figura 4: À esquerda imagem da parte interior da íris, seguida pelas imagens resultantes da transformada de wavelets. Com o objetivo de obter um subespaço de dimensões reduzidas sobre as imagens codificadas, aplica-se o método estatístico Principal Component Analysis PCA [5] que captura os principais pontos que descrevem a imagem de forma global. 3. Validação da Proposta Para validação da proposta implementaram-se cinco aplicações constituídas pelas imagens do banco CASIA, com diferentes níveis de luminosidade. Na primeira aplicação implementou-se um sistema PCA com as imagens originais do banco CASIA (ver Figura 5-a). Na segunda aplicação implementouse um sistema PCA com imagens originais da parte inferior da íris (ver Figura 5-b) obtidas pelo método proposto. Na terceira aplicação implementou-se um sistema PCA com a transformada de wavelets na horizontal das imagens originais da parte inferior da íris (ver Figura 5-c). Na quarta aplicação implementou-se um sistema PCA com a transformada de wavelets na vertical das imagens originais da parte inferior da íris (ver Figura 5-d). Na quinta aplicação implementou-se um sistema PCA com a transformada de wavelets na diagonal das imagens originais da parte inferior da íris (ver Figura 5-e).

5 Figura Original Figura com corte Wavelets Horizontal Wavelets Vertical Wavelets Diagonal Figura 5: Amostra das imagens processadas A Figura 6 mostra a curva precision x recall dos cinco sistemas implementados. Pode-se verificar que: O sistema PCA com a transformada de wavelets na diagonal das imagens originais da parte inferior da íris apresentou um melhor desempenho em relação ao sistema PCA com imagens originais da parte inferior da íris; O sistema PCA com as imagens originais do banco CASIA apresentou um melhor desempenho em relação ao sistema PCA com a transformada de wavelets na diagonal das imagens originais da parte inferior da íris. O sistema PCA com a transformada de wavelets na vertical das imagens originais da parte inferior da íris apresentou um melhor desempenho em relação ao sistema PCA com as imagens originais do banco CASIA. O sistema PCA com a transformada de wavelets na horizontal das imagens originais da parte inferior da íris apresentou um melhor desempenho em relação ao sistema PCA com transformada de wavelets na vertical das imagens originais da parte inferior da íris

6 Figura 6: Precision-Recall Conclusões Este trabalho propôs um novo método de segmentação da íris, identifico-se o centro e o raio da pupila através de filtros morfológicos, capturou-se a parte inferior da íris. A metodologia se mostra eficiente com a extração dos valores absolutos na horizontal como pode ser observado na Figura 6 com a curva precision-recall. Referências Bibliográficas [1]-DAUGMAN, J. Demodulation by Complex-Valued Wavelets for Stochastic Pattern Recognition, Int l J. Wavelets, Multiresolution and Information Processing, Vol. 1, no. 1, pp. 1-17, [2]-DAUGMAN, J. How Iris Recognition Works. IEEE Transactions on circuits and systems for video technology, Vol. 14, N.º1, p.21-31, Jan [3]-CASIA Iris Image Database. Disponibilizado pela Academia Chinesa de Ciências. Disponível em: < acesso em: 13 de abril de [4]-GONZALEZ, R. D.; WOODS, R. E.; EDDINS, S. L. Digital Image Processing Using MATLAB, 2004.B [5]-Smith, L. I., (2002), A tutorial on Principal Components Analysis.