ارزیابی الگوریتم های انطباق اثرانگشت با مثلث بندی دلونی به کمک روش های مبتنی بر بافت

امروزه طیف وسیعی از سیستم ها به یک سیستم تایید هویت مجهز شده اند. یکی از روش های متداول برای شناسایی هویت افراد استفاده از ویژگیهای بیومتریک میباشد. به عنوان مثال اثر انگشت و یا ساختار عنبیه چشم از ویژگی های بیومتریک میباشند. آنچه در این مقاله مورد توجه قرار میگیرد، شناسایی افراد ازطریق اثر انگشت میباشند. یکی از روش های ساختاری برای انطباق اثرانگشت افراد، استفاده از مثلث بندی دلونی است. مثلث بندی دلونی یکی از ساختارهای شناخته شده در زمینه هندسه محاسباتی است که در حوزه بینایی کامپیوتر کاربرد دارد. در این مقاله از روش های آماری انطباق بافت از قبیل کد LBP و ماتریس همرخداد به همراه مثلث بندی دلونی برای ارایه یک الگوریتم ترکیبی انطباق اثرانگشت استفاده خواهیم‍کرد. در نهایت از روش های انطباق بافت ذکر شده استفاده می کنیم و با انجام آزمایش های گوناگون برروی 12 پایگاه داده FVC نشان میدهیم، مثلث‍هایی که از نظر خواص هندسی بر هم منطبق هستند از نظر بافت بر هم منطبق نمی باشند. این مساله ضریب اطمینان پایین این الگوریتم ها را نشان می دهد.

الگوریتم های انطباق اثرانگشت را  می توان به سه دسته کلی زیر تقسیم کرد

1- تطبیق بر اساس همبستگی بین تصاویر

2- تطبیق بر اساس مینوژه

3- تطبیق بر اساس بافت

منظور از مینوژه، نقاطی است که در آن شیارهای روی انگشتان دچار ناپیوستگی می شود. تاکنون انواع مختلفی مینوژه معرفی شده است. دو نوع متداول از آن ها در شکل زیر نشان داده شده است

هر مثلث بندی دلونی دارای خواص جالبی است بطوریکه در بسیاری از حوزه های بینایی کامپیوتر کاربرد دارد. خواص آن به صورت زیر است

1-     شبکه مثلث بندی دلونی یکتا است. درواقع، اگر یک مجموعه نقطه  داده شده باشد تنها یک مثلث بندی دلونی برای آن قابل تعریف است

2-     وجود نویز در تعریف هریک از نقاط، منجر به تخریب سراسری کل شبکه نمی شود. بنابراین، الگوریتم هایی که بر اساس مثلث بندی دلونی معرفی می شوند تاحدی نسبت به نویز مقاوم خواهند بود.

3-     تعداد مثلث های ساخته شده در این مثلث بندی از مرتبه O(n) است که در آن n تعداد کل نقاط است.

مثلث بندی  دلنونی به کمک دوگان دیاگرام ورونی در زمان O(nlogn) محاسبه می گردد.

کدهای LBP به نوعی بیان کننده بافت تصاویر است و در بسیاری از کارهای شناسایی چهره کاربرد دارد. این کد برای تک تک پیکسل های تصویر بدست می آید. هر پیکسل را به عنوان پیکسل مرکزی در نظر می گیریم و سطح خاکستری آن را محاسبه می کنیم.  مقدار سطح خاکستری پیکسل مرکزی به عنوان حد آستانه عمل می کند. سپس سایر پیکسل های اطراف پیکسل مرکزی که به شعاع r از آن قرار دارند با مقدار پیکسل مرکزی مقایسه می شود. چناچه مقدار سطح خاکستری آن ها از مقدار پیکسل مرکزی بیشتر باشد به آن کد یک و در غیر اینصورت کد صفر انتساب می‍دهیم. ترتیتب سریال کد پیکسل های مجاور در خلاف جهت عقربه های ساعت، معادل یک کد LBP برای هر پیکسل مرکزی خواهد بود.

 

روشی دیگر برای استخراج اطلاعات در مورد بافت هر تصویر، محاسبه ماتریس همرخداد می باشد. تعداد سطر و ستون های این ماتریس برابر  با تعداد سطوح خاکستری تصویر می باشد. این ماتریس برای هر یک از جهات افقی، عمودی، مورب راست و یا مورب چپ تعریف می گردد. درایه i و j ام ماتریس همرخداد افقی، بیانگر تعداد جفت پیکسل هایی است که در وضعیت افقی و در فاصله d از یکدیگر قرار دارند و اولین پیکسل دارای سطح خاکستری i و دومین پیکسل دارای سطح خاکستری j  است. با اعمال میانگین گیری بر روی 4 ماتریس محاسبه شده، می توان این ماتریس‍ها را نسبت به تغییر جهت تصاویر، پایدار ساخت.

منبع:

ارزیابی الگوریتم های انطباق اثرانگشت با مثلث بندی دلونی به کمک روش های مبتنی بر بافت

استخراج ویژگی از تصاویر بافتی

همانگونه که قبلا هم گفته شد روشهای مختلفی برای استخراج ویژگی از تصاویر بافتی ارائه شده که یکی از ساده ترین و پر کاربرد ترین آنها، روش های مبتنی برالگوی دودویی محلی است که به دلیل سادگی در پیاده سازی و استخراج ویژگیهای مناسب با دقت طبقه بندی بالا، بیشتر مورد استفاده بوده است.

روش الگوی دودویی محلی، روشی غیر پارامتریک می باشد که باید در آن تعداد نقاط همسایگی P و شعاع همسایگی R مشخص شود. یکی از مشکلات روش الگوهای دودویی محلی تعداد ویژگی های استخراج شده بوده که برابر2^p  است. روش الگوی دودویی محلی مزایای مختلفی دارد یکی از این مزیت ها، سادگی آن می باشد. ضمن اینکه قابلیت استخراج اطلاعات محلی را با دقت بالا دارد و چون از تفاضل سطوح خاکستری استفاده می کند، نسبت به تغییرات یکنوای سطوح خاکستری غیرحساس است.

در روش واریانس محلی در هر همسایگی مقدار واریانس نقاط همسایگی محاسبه شده و یک توصیفگر جدید بنام واریانس محلی حاصل می شود. در برخی از مقالات از ترکیب الگوی دودویی محلی و واریانس محلی ویژگی هایی با نتایج بهتر طبقه بندی تولید شده است. محمدحسین شکورو فرشاد تاجریپور در مقاله ای به نام الگوی انتروپی محلی جهت استخراج ویژگی های تصاویر بافتی از یک روش جدید استفاده نمودند. روش آنها بر روی دسته های TC10 و TC12(t) و TC13 از پایگاه داده Outex اعمال شده است. همچنین از پایگاه CUReT و UIUC نیز جهت تست سیستم استفاده نموده اند. روش پیشنهادی آنها در مقایسه با الگوی دودویی محلی و واریانس محلی به نویز مقاوم تر بوده و همچنین ترکیب آن با الگوی دودویی محلی نتایج بسیار بهتری نسبت به ترکیب واریانس محلی با الگوی دودویی محلی تولید می کند. این روش ضمن اینکه کلیه ویژگی های مثبت روش های موجود مانند غیرحساس بودن به چرخش و تغییرات روشنایی را دارد، نسبت به نویز نیز بسیار مقاوم می باشد.

منبع

http://jmvip.sinaweb.net/article_33505.html