Analysis of iris texture under pupil contraction/dilation for biometric recognition

Transcrição

1 Analysis of iris texture under pupil contraction/dilation for biometric recognition Jones Mendonça de Souza, Raissa Tavares Vieira, Adilson Gonzaga Departamento de Engenharia Elétrica e de Computação, Universidade de São Paulo EESC/USP Avenida Trabalhador São-Carlense, 400. São Carlos-SP jones_souza@usp.br; raissa@ieee.org; agonzaga@sc.usp.br. Abstract Biometric systems based on iris structure has been exploited since The pioneer in this area was the scientist John Daugman. His method was patented and is considered nowadays as the one with the best results for iris classification, but, the iris image under analysis must be acquired in controlled lighting environment. Several other methodologies were proposed in the literature focusing the iris texture classification by mean of static images, captured in cooperative environments. However, the image samples taken at non-cooperative environment as for iris recognition at a distance, for example, are subject to texture variations due to behavioral changes in the iris membrane. The objective of this paper is to analyze iris texture for biometric recognition, considering pupil dilation and contraction due to lightening variations. When the pupil moves, opening or closing it, the iris texture undergoes changes in its structure. We used a subset of iris samples with dilated and contracted pupils, analyzed by different descriptors. The results show that the Local Binary Pattern (LBP) descriptor has better performance than the traditional method developed by John Daugman when dilated and contracted pupils were taken together indicating a great potential for future applications in biometric iris recognition in non-cooperative environments. Keywords Texture Recognition; Image Processing; Iris recognition; Local Binary Pattern I. INTRODUÇÃO A autenticação biométrica tem sido importante para os sistemas de segurança em diferentes áreas. A biometria pode ser realizada utilizando diversas peculiaridades, como: face, voz, veias da mão e retina, entre outros. A identificação humana com base na íris é considerada atualmente um dos mais confiáveis neste seguimento, devido a este padrão possuir um fator maior de discriminação entre os demais, e por se manter estável ao longo da vida. Os passos básicos para um sistema clássico de reconhecimento de íris estão divididos como: (a) aquisição da imagem da íris, (b) localização, (c) normalização da região de interesse, (d) discriminação da textura e (e) classificação. Estes passos estão incluídos no algoritmo de Daugman [5], o método com maior índice de acertos no reconhecimento de íris ainda hoje. O algoritmo de Daugman [5] foi o primeiro a ser proposto na literatura para o reconhecimento de íris, sendo amplamente utilizado na maioria dos sistemas comerciais. A proposta do autor para localizar a região da íris na imagem foi utilizar o operador integro diferencial, que isola a região da esclera e pupila por meio de segmentação. Na etapa de normalização, o anel da íris é transformado de coordenadas cartesianas (x,y) para coordenadas polares (r, Ɵ), em uma região retangular. Os atributos de textura são então extraídos a partir da íris normalizada e sua codificação é representa em bits utilizando a transformada de Gabor. A última etapa realiza a comparação de duas amostras por meio da distância de Hamming, que discrimina os valores de similaridade entre os conjuntos. No entanto, o algoritmo de Daugman tem sido exaustivamente aplicado em imagens estáticas, ou seja, imagens adquiridas em ambientes cooperativos, com a iluminação controlada e na mesma distância focal. Em um ambiente deste tipo a pupila que regula o tamanho da íris no momento da aquisição terá sempre o mesmo raio ocasionando a mesma dimensão para a faixa de textura da íris a ser analisada, ou seja, a textura não sofre nenhuma influência entre duas imagens do mesmo usuário a serem comparadas. Não somente a faixa de textura da íris é reduzida quando da contração ou dilatação da pupila, mas também a forma como as trabéculas se contraem ou dilatam altera a distribuição das estruturas que formam a textura da íris. Em um ambiente não cooperativo, como por exemplo no reconhecimento de Íris a Distancia e em Movimento (Iris On the Move) [11] a iluminação ambiente resultará em diversos tamanhos da pupila devido à midríase (contração da pupila) resultante do excesso de luz incidente nos olhos. Recentes trabalhos na literatura vem explorando a classificação de íris em ambiente não cooperativo [1] [3] [4] [8] [13]. Este tipo de abordagem visa identificar o usuário a distância e/ou sem a cooperação. Diversos fatores podem comprometer o desempenho do sistema, como: (a) imagem de baixa resolução, (b) oclusões de pálpebras, (c) iluminação variada e (d) variação no diâmetro da pupila. Somente a influência da contração e dilatação da pupila no reconhecimento será tratada neste artigo. Ou seja, a proposta deste trabalho é investigar apenas a influência do diâmetro da pupila no reconhecimento biométrico da íris, comparando-se o desempenho do método convencional proposto por Daugman [5] com o descritor de textura local, Local Binary Pattern (LBP) [9][10]. O LBP foi proposto por Ojala et al [9] e sua metodologia baseia-se na análise de padrões binários locais de uma vizinhança WxW de uma imagem. A região é representada pelos elementos da vizinhança, amostrados ou não, mas, com apenas dois valores possíveis (0,1) que caracterizam a informação local de textura para um dado pixel de centro e os 128

2 seus vizinhos. Assim, os valores possíveis para representar a região são 2 8 = 256 unidades de textura. A partir de uma vizinhança é aplicado um limiar definido pelo valor do pixel central, que são multiplicados pelos pesos atribuídos aos pixels correspondentes e somados para se obter o código daquela região de textura. A estrutura deste artigo foi assim definida: a seção I apresentou uma introdução ao assunto a ser tratado e estabeleceu o objetivo do trabalho. Na secção II são apresentados os trabalhos relacionados ao reconhecimento de íris em ambientes não cooperativos. A seção III traz a metodologia proposta neste trabalho. Os resultados e discussões são apresentados na seção IV e as conclusões na seção V. II. TRABALHOS RELACIONADOS Como o reconhecimento de íris é uma das biometrias consideradas invasivas e que necessitam da cooperação do usuário a ser reconhecido, alguns autores têm investigado a eficiência de sistemas que permitam a identificação biométrica pela íris de maneira não cooperativa. Em Matey, J. et al [8] é proposto um novo dispositivo para o reconhecimento da íris a distância. Basicamente, os autores propõem capturar uma foto do rosto do usuário de alta resolução a 3 metros de distância, utilizando uma câmera Near Infrared (NIR). O trabalho refere-se ao uso de um dispositivo comercial fornecido pela empresa SRI Sarnoff. Em Dong, W. et al [4] é proposto um dispositivo para capturar uma imagem da íris a 3 metros de distância. O dispositivo possui uma câmera pan-tilt-zoom (PTZ) responsável por rastrear e focalizar a região do rosto em alta definição. As amostras foram capturadas em banda NIR com resolução de 2352x1728 pixels, em que é exigida a cooperação de usuário para se posicionar frente ao dispositivo. Os autores disponibilizaram na internet um banco de dados com 284 classes de íris, denominado de "Casia iris at distance". Arora, S. et al [1] utilizaram um subconjunto de amostras de [4] para executar testes usando o algoritmo de Daugman. Os autores propõem uma metodologia para classificar as duas íris (esquerda e direita) de forma simultânea, com metas para melhorar o desempenho na classificação de íris a distância. Os resultados foram baixos com taxa de Falsa Rejeição FRR = 32,90% e de Falsa Aceitação FAR = 2,8%. Em Souza e Fernandes [13] foi proposta uma nova metodologia para classificar uma íris em ambiente não cooperativo com base em um dispositivo móvel do tipo smartphone, em que as amostras foram capturadas a cerca de 1 metro de distância na banda visível, a partir de uma sequência de vídeo. A nova metodologia foi proposta para melhorar a precisão em um sistema não cooperativo de íris, em que são selecionadas apenas amostras com 40% de ruído. O ruído foi estimado a partir da etapa de normalização do algoritmo de Daugman, mapeando todas as oclusões existentes na região da íris. A metodologia foi aplicada na base de dados "Casia iris at distance". Os resultados experimentais mostraram que as imagens com até 40 por cento do ruído podem ser utilizadas como uma forma de melhorar a precisão destes sistemas. Depois de aplicar a metodologia foi obtido um aumento na precisão de 43,14% utilizando a base de dados "Casia iris at distance" e 28,66%, utilizando um banco de imagens proposto. Em Bashir, F. et al. [2] foi proposto o sistema Eagle-eyes, um protótipo com base em duas câmaras: uma câmera infravermelha e uma câmera na banda visível. A metodologia consiste em um sistema não cooperativo, em que o usuário é frequentemente monitorado a partir da câmera na banda visível, fornecendo informações sobre a localização espacial da face. A câmera infravermelha é movida por meios automáticos através de pan-tilt-unit (PTU), utilizando as informações do rosto adquiridas a partir da câmera na banda visível, que captura uma imagem local da íris a cerca de 6 metros de distância. Em Villar, J. D. et al. [14] é proposto um sistema de reconhecimento de íris a longa distância, a partir de 30 metros. O sistema utiliza a tecnologia wide-field-of-view (WFOV) para localizar um usuário a partir da detecção do rosto e olhos. Outra câmera, foi anexada a um telescópio de 8 polegadas, que realiza a captura da região da íris. Costa e Gonzaga [12] propõem investigar características da íris denominadas de "dinâmicas" por envolver a contração e a dilatação da pupila sob o efeito de variação da iluminação. Um dispositivo é construído baseado no reflexo consensual e os autores determinam algumas características discriminantes para o reconhecimento de íris que dependem da taxa de variação da pupila durante a contração (midríase) e dilatação da pupila. Este cenário mostra as dificuldades da classificação de íris em ambiente não cooperativo. Diversos fatores podem proporcionar uma queda no desempenho destes sistemas, como o ruído, oclusões de pálpebra, e o comportamento dinâmico da pupila (contração e dilatação). A. Aquisição das imagens III. METODOLOGIA Neste artigo é discutida a influência da dilatação e contração da pupila no reconhecimento de íris. Foram usadas imagens extraídas de sequencias de vídeo, capturadas sob ambiente controlado, simulando um ambiente não 129 Fig. 1. Dispositivo utilizado para aquisição da imagem da íris com contração da pupila.

3 cooperativo, a partir de um dispositivo desenvolvido. Para a aquisição das imagens de íris com contração e dilatação da pupila foi utilizado um dispositivo conforme mostrado na figura 1 e similar ao desenvolvido em [12]. O olho esquerdo recebe estímulos luminosos visíveis (luz branca) enquanto a imagem do olho direito é capturada e digitalizada em uma sequencia de vídeo sob iluminação NIR. Os dois lados do dispositivo relacionados com o olho esquerdo e direito são opticamente isolados um do outro. Assim, é possível extrair as características dos frames durante a contração ou dilatação da pupila sem a interferência de reflexos de luz. O protótipo foi construído com duas câmeras multiespectrais AD-080GE, com GigE Vision, que pertencem à todas as imagens, pois, este efeito depende de cada pessoa. Além disso, a aquisição controlada e cooperativa foi utilizada apenas para se comparar métodos de reconhecimento de íris com diferentes diâmetros da pupila, situação esta que ocorrerá em ambientes não controlados e não cooperativos. A figura 3 mostra os intervalos de tempo determinados pelo dispositivo de aquisição para a geração de imagens do olho com a pupila ora contraída e ora dilatada que serão usadas na metodologia proposta. Estes intervalos foram definidos empiricamente e podem ser modificados pelo software gerencial do dispositivo de aquisição. Assim, cada vídeo possui vários quadros da íris com pupila dilatada e outros quadros com pupila contraída. B. Geração do banco de imagens de íris Algumas sequencias de vídeo que apresentaram problemas Fig. 3. Intervalo de tempo definido para se obter a contração e dilatação da pupila. Fig. 2. Exemplo de aquisição de sequencia de vídeo pelo dispositivo. família JAI C3. O AD-080GE emprega dois CCDs, um para cor (Bayer) e outro para NIR (Near Infra Red) utilizando ópticas de prisma de modo que a câmera pode capturar objetos por sensor de cor visível e sensor infravermelho próximo, com o mesmo ângulo de visão. A câmera fornece uma taxa de 30 fps em resolução máxima de 1024 (h) x 768 (v) pixels ativos. Usando uma varredura parcial, a câmera pode alcançar taxas de renovação mais rápidas até 85 fps. Os CCDs de 1/3 " com 4,65 mm pixels quadrados oferece uma excelente qualidade de imagem. Neste trabalho foi gerado um banco de dados de 53 pessoas diferentes, com 4 sequencias de vídeo por pessoa por meio de coleta aleatória. A figura 2 mostra como o dispositivo é usado para digitalização de íris e consequente geração do banco de vídeos. O banco de dados gerado nessas condições está disponível na Internet [6] para uso em trabalhos de reconhecimento de íris. As imagens adquiridas por este dispositivo permitem a segmentação de texturas de íris com diversos diâmetros de pupila, desde totalmente contraídas até totalmente dilatadas. É importante ressaltar que a contração total e a dilatação total aqui referidas não significam o mesmo diâmetro da pupila a como foco, contraste e ruído foram descartadas dos experimentos. Descartando-se estas amostras, utilizou-se nos experimentos o total de 36 classes incluindo 119 sequencias de vídeo. Foram selecionados 50 quadros com a pupila contraída e 50 quadros com a pupila dilatada. Em ambos os casos, dilatadas e contraídas, foram separadas um subconjunto de 10 amostras para fase de treinamento, e 40 amostras para validação. Utilizou-se o algoritmo de Daugman para segmentar e normalizar as amostras gerando-se, assim, cinco base de dados com diferentes resoluções: 20x240, 30x360, 40x480, 50x600 e 60x720 pixels, como mostrado na figura 4. C. Comparação das amostras Para a fase de comparação, cada base de dados foi separada em três grupos: Fig. 4. Base de dados construída a partir das sequencias de vídeos adquiridas. a) contração x dilatação (5950 amostras com pupila contraída e 5950 imagens com pupila dilatada) b) dilatação x dilatação (5950 amostras com pupila dilatada) 130

4 c) contração x contração (5950 amostras com pupila contraída) Como o método de reconhecimento de íris de Daugman é considerado ainda hoje como o melhor para classificação de íris e grande parte dos sistemas comerciais o utilizam, é proposto neste trabalho comparar os resultados obtidos por esse método com os resultados obtidos pelo descritor de textura LBP, LBP ri e LBP riu2 [10] considerando os três grupos definidos com íris contraídas e dilatadas retiradas da sequencias de vídeo adquiridas pelo dispositivo. Dessa maneira, se poderá comprovar se a contração ou dilatação da pupila tem influência direta no desempenho do método tradicional de reconhecimento de íris, e mais, se o descritor de textura LBP e seus derivados é competitivo com Daugman neste ambiente. Para cada amostra de íris segmentada e normalizada conforme explicado no item III.B, foi aplicado o método de Daugman e também os descritores de texturas baseados no LBP. O método de Daugman fornece diretamente o resultado de desempenho baseado na Distância de Hamming. Já para o LBP, um histograma de códigos foi gerado para cada amostra, sendo cada uma comparada com as demais por meio da distância chi-quadrado, obtidas a partir da equação (1), em que S é a amostra de busca, M é a amostra armazenada na base, B é o número de bins do histograma, Sb é a frequência do nível de cinza de S, e Mb é a frequência do nível de cinza de M. Calcula-se, então os Verdadeiros Positivos (TP), ou o número de amostras corretamente classificadas, e os Falsos Negativos (FN), ou as amostras erroneamente classificadas, para todas as amostras de consulta. Foi utilizado o método de validação cruzada leave-one-out sendo a taxa de sucesso (Hit Rate) ou Sensibilidade calculada pela equação (2). IV. RESULTADOS E DISCUSSÃO Aplicando-se o algoritmo de Daugman no conjunto de amostras da base de dados foi observado uma queda de desempenho quando utilizados os subconjuntos (a) com a amostras com pupilas contraídas comparadas com as amostras com pupilas dilatadas, e (b) que utiliza cada amostra com pupila dilatada comparada a cada amostra com pupila também dilatada. Assim como já observado em outros trabalhos [7], concluiu-se que a pupila dilatada realmente reduz o desempenho do algoritmo de Daugman, o que pode ser considerado um fator de risco para sistemas não cooperativos. Além disso, nestes experimentos o descritor LBP apresentou melhores resultados, como apresentado nas Tabelas I e II. É de se notar a queda de desempenho do método de Daugman quando uma amostra com pupila contraída é comparada com amostras com pupilas dilatadas dentro do subconjunto (a). Utilizando-se o subconjunto (c) com a amostra de busca possuindo a pupila contraída enquanto as amostras alvo são imagens de íris com a pupila também contraída, o método de TABELA I. RESULTADOS DE SENSIBILIDADE (HIT RATE) PARA PUPILAS CONTRAÍDAS X DILATADAS Resolução das amostras Métodos 20x240 30x360 40x480 50x600 60x720 Daugman 93,23 93,41 93,88 94,00 94,12 LBP 95,32 97,05 97,14 97,00 96,94 LBP ri 8x1 80,35 89,44 92,91 95,02 94,82 LBP ri 8x2 76,03 85,67 88,14 90,11 90,61 LBP riu2 8x1 70,64 83,00 88,38 90,55 91,85 LBP riu2 16x2 74,08 85,05 88,44 89,70 91,05 Como o LBP básico não é adequado para texturas rotacionadas, o que pode acontecer em ambiente não cooperativo a partir do posicionamento da face do usuário, foram também aplicados nas amostras o LBP ri e LBP riu2 por serem variações propostas para texturas com rotação. Os parâmetros de amostragem dos pontos foram definidos para o LBP ri como P = 8, R = 1 e P = 8, R = 2. Para o LBP riu2 foram utilizados os parâmetros P = 8, R = 1 e P = 16, R = 2. Os resultados obtidos a partir desses descritores são comparados com os resultados obtidos pelo método de Daugman e discutidos na próxima seção. (1) (2) TABELA II. RESULTADOS DE SENSIBILIDADE (HIT RATE) PARA PUPILAS DILATADAS X DILATADAS Resolução das amostras Métodos 20x240 30x360 40x480 50x600 60x720 Daugman 95,97 96,00 96,12 96,25 96,43 LBP 96,05 97,35 97,29 97,35 97,00 LBP ri 8x1 41,05 45,41 46,88 48,00 47,79 LBP ri 8x2 40,79 43,26 44,58 45,44 46,26 LBP riu2 8x1 37,41 43,17 45,55 46,47 47,00 LBP riu2 16x2 39,35 43,79 44,94 45,64 46,17 TABELA III. RESULTADOS DE SENSIBILIDADE (HIT RATE) PARA PUPILAS CONTRAÍDAS X CONTRAÍDAS Resolução das amostras Métodos 20x240 30x360 40x480 50x600 60x720 Daugman 99,07 99,12 99,20 99,20 99,23 LBP 95,58 97,58 97,00 97,29 97,23 LBP ri 8x1 42,73 46,29 47,20 47,67 47,47 LBP ri 8x2 41,67 45,26 46,00 46,91 46,26 LBP riu2 8x1 38,85 43,91 45,79 45,79 46,44 LBP riu2 16x2 39,85 44,55 45,52 45,67 46,05 131

5 Daugman obteve resultado superior em relação ao LBP, como mostrado na Tabela III. Isso leva a crer que este método, considerado como o mais eficiente no reconhecimento de íris, tem seu desempenho otimizado quando a faixa de textura disponível para análise é relativamente grande, ou seja, com a contração da pupila. sob a curva ROC (Receiver Operating Characteristic) foi calculada para os experimentos realizados. Neste caso, utilizou-se para comparação de desempenho apenas o algoritmo de Daugman e LBP básico, pois foram os que obtiveram maiores sensibilidades. Na figura 5, é apresentada a curva ROC utilizando-se o subconjunto de amostras (contraída vs contraída), na figura 6 o subconjunto de amostras (contraída vs dilatada) e na figura 7 o subconjunto de amostras (dilatada vs dilatada). Para cada um dos métodos avaliados o custo computacional foi também calculado. Foi medido o tempo de execução dos algoritmos desde a leitura da amostra até sua classificação. O tempo foi estimado a partir de 1 amostra para 1 amostra (one-to-one) e de 1 amostra para as demais da base de dados (one-to-many). Na figura 8 é ilustrado o desempenho dos algoritmos em modo one-to-one, sendo possível visualizar o menor custo obtido pelo LBP. Considerando-se a busca oneto-many mostrado na figura 9, o método LBP riu2 8x1 apresentou menor custo computacional. Em ambos os experimentos o método de Daugman mostra alto custo computacional, apesar de sua eficiência. Fig. 5. Curva ROC para amostras contraídas vs contraídas Fig. 8. Custo computacional one-to-one Fig. 6. Curva ROC para amostras contraídas vs dilatadas Para avaliar o desempenho da metodologia proposta, a área Fig. 9. Custo computacional one-to-many Fig. 7. Curva ROC para amostras dilatadas vs dilatadas 132

6 V. CONCLUSÕES Este artigo apresentou uma análise de texturas de íris utilizando um conjunto de amostras com diferentes diâmetros da pupila. Estas amostras foram obtidas de maneira cooperativa e com iluminação controlada por meio de um dispositivo de aquisição de imagens desenvolvido. O objetivo foi simular o comportamento de íris adquiridas em ambiente não cooperativo considerando-se apenas o problema de dilatação e contração da pupila pela incidência de luz não controlada. Foram aplicados dois métodos para o reconhecimento de íris: o primeiro como proposto por John Daugman e cientificamente reconhecido como o mais eficiente na classificação de imagens de íris, e o segundo foi o uso de um descritor de textura denominado LBP e algumas de suas variações. Quando a comparação é realizada utilizando-se imagens de íris com pupilas dilatadas e contraídas, a Sensibilidade (ou Hit Rate) é reduzida para o método de Daugman com sensível ganho para o descritor de textura baseado no LBP. Além disso, o método de Daugman tem maior custo computacional em relação aos descritores avaliados neste trabalho. A eficiência do método de Daugman somente ultrapassa a casa de 99% de sensibilidade quando todas as imagens consideradas estão com as pupilas contraídas, ou seja, fornecendo maior faixa de textura da íris a ser analisada. Conclui-se que, em sistemas não cooperativos, devido ao fato de não se ter controle sobre a iluminação, a pupila deverá ter diâmetros diferentes em cada aquisição realizada, logo, tanto em eficiência (maior sensibilidade) quanto em tempo de execução (menor custo computacional) o descritor de texturas baseado no LBP é melhor indicado para o reconhecimento biométrico baseado em íris. Referências [1] ARORA, S. et al. Iris recognition under alcohol influence: A preliminary study. In: Biometrics (ICB), th IAPR International Conference on [S.l.: s.n.], p [2] BASHIR, F. et al. Eagle-eyes: A system for iris recognition at a distance. In: 2008 IEEE Conference on Technologies for Homeland Security. Waltham, MA, USA: IEEE, p [3] CHEN, R.; LIN, X.R.; DING, T.H. Iris segmentation for non - cooperative recognition systems, IET Image Processing, vol. 5, issue 5, 2011, pp [4] DONG, W.; SUN, Z.; TAN, T. A design of iris recognition system at a distance. In: Chinese Conference on Pattern Recognition. Nanjing, China: IEEE, v. 2, p [5] J. Daugman, How iris recognition works, in Proc. Int. Conf. Image Process., Dec. 2002, vol. 1, pp. I-33 I-36. [6] LAVI Iris Video DB2 - [7] Karendk. Hollingsworth, K. W. Bowyer, and P.J. Flynn, Pupil dilation degrades iris biometric performance Comput. Vis. Image Underst., vol. 113, no. 1, pp , Jan [8] MATEY, J. et al. Iris on the move: Acquisition of images for iris recognition in less constrained environments. Proceedings of the IEEE, v. 94, n. 11, p , nov [9] OJALA, T.; PIETIKäINEN, M.; HARWOOD, D. A comparative study of texture measures with classification based on featured distributions. Pattern Recognition, V. 29, n. 1, p , jan ISSN [10] OJALA, T.; PIETIKAINEN, M.; MAENPAA, T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns. Pattern Analysis and Machine Intelligence, IEEE Transactions on, v. 24, n. 7, p , Jul ISSN [11] PROENCA, H. On the feasibility of the visible wavelength, at-adistance and on-the-move iris recognition. In: Workshop on Computational Intelligence in Biometrics: Theory, Algorithms, and Applications. Hangzhou, China: IEEE, p [12] R. M. da Costa, A. Gonzaga.. Dynamic Features for Iris Recognition, IEE Transactions on System, Man, and Cybernetics, Part B: Cybernetics, Vol. 42, no. 4, pp , Aug [13] SOUZA, J. M. de; FERNANDES, M. M. Sistema dinâmico para reconhecimento de íris utilizando imagens de vídeo. In: Saúde, S. J. F. G.A.V. (Ed). Workshop on Industry Applications (WGARI) in SIBGRAPI 2012 (XXV Conference on Graphics, Patterns and Images). Ouro Preto, MG, Brazil: [s.n.], [14] VILLAR, J. D.; IVES, R.; MATEY, J. Design and implementation of a long range iris recognition system. In: Signals, Systems and Computers (ASILOMAR), 2010 Conference Record of the Forty Fourth Asilomar Conference on. [S.l.: s.n.], p ISSN