Идентификация человека по геометрии ладони Научный руководитель: проф. Попов А.А.

реклама
Идентификация человека
по геометрии ладони
Студент:
Крестьянинова О.О.
Научный руководитель: проф. Попов А.А.
Постановка задачи
Изучить все этапы создания
биометрической системы;
 написать приложение для идентификации
человека по геометрии ладони;
 исследовать качество распознавания
биометрической системы в зависимости
от используемого алгоритма
классификации и метрической функции;
 определить оптимальный набор
параметров биометрической системы.

2
Биометрические параметры
Рассматриваются следующие 20
биометрических параметров:
1. – 5. длины пальцев;
6. – 10. ширина пальцев на уровне
середины их длины;
11. – 14. ширина пальцев на уровне
восьмой части их длины
(исключая большой палец);
15. ширина ладони у основания четырех пальцев;
16. толщина пальцев на уровне середины их длины;
17. толщина пальцев на уровне восьмой части их
длины;
18. – 20. расстояния между впадинами пальцев.
3
Установка для сбора данных
4
Сбор базы данных
Приняло участие 100 человек.
Сделано 5 снимков для каждого.
5
Предобработка изображений
Для выделения ладони в двух
проекциях на изображении применяется
алгоритм
адаптивной
пороговой
обработки.
Полученное черно-белое изображение
используется
для
выделения
биометрических параметров.
6
Алгоритм адаптивной
пороговой обработки
H0: пиксель принадлежит фону.
H1: пиксель принадлежит объекту.
Пусть пиксель K с центром в данной области имеет координаты
K(i,j).
K становится пикселем H1 тогда, когда для r  0, s , где s  (2D  1)( 2 D  1)  1
выполняется условие:
Z r  f (i, j )  T
где T играет роль порогового значения, а Z r средняя локальная
яркость, определяющаяся по формуле:
Zr 
1
 f (ir  m, jr  n)
(2 D  1)( 2 D  1) 1 m ,n1
где f (ir , jr ) – яркость в точке K r с координатами (ir , jr ) .
7
Алгоритм адаптивной
пороговой обработки
Выбор порогового значения T
Вычисляются
максимальное
и
приращения яркости относительно
пикселя:
~
f max  f max  Z
где
f max 
max
f min  f min
f min 
f (i  a, j  b)
 D  a ,b  D
Если f max  f min , то
Если f max  f min, то
min
~
Z
f (i  a, j  b)
 D  a ,b  D
2
1~
f min  Z )
3
3
1
2~
T   ( f min  Z )
3
3
T (
минимальное
центрального
  (0;1]
8
Выделение контура
1.
2.
Нахождение первой точки,
принадлежащей контуру;
формирование контура, путем
последовательного поиска следующей
точки принадлежащей контуру.
9
Выделение контура
Для формирования контура, изображение
просматривается блоком в четыре точки.
В зависимости от расположения черных и
белых точек в этом блоке, принимается
решение о его дальнейшем продвижении и
сохранении точки в контуре.
10
Дополнительные точки
11
Используемые метрики

d
Абсолютная
q
i 1

d
 q  r 
Евклидова

Метрика Минковского

Равномерная метрика
 ri
i
i 1
2
i
i
d
p
 q  r 
i 1
i
i
max q
i 1... d
i
p
,p4
 ri
12
Используемые метрики
Взвешенные метрики


Взвешенная абсолютная
d
qi  ri
i 1
i

Взвешенная евклидова
d

qi  ri 2
i 1

 i2
Взвешенная метрика Минковского
d
qi  ri p , p  4
 
 Взвешенная равномерная метрика
p
i 1
max
i 1... d
2
i
q i  ri
i
13
Веса во взвешенных метриках
Название биометрического параметра
длины пальцев
ширина пальцев на уровне середины их
длины
ширина пальцев на уровне восьмой части их
длины
ширина ладони у основания четырех пальцев
толщина пальцев на уровне середины и
восьмой части их длины
расстояние между впадинами пальцев
Вес
0.3
1
0.5
1
1.25
0.25
14
Исследуемые алгоритмы
классификации
Метод k-ближайших соседей;
 метод голосования;
 комбинация метода k-ближайших
соседей и метода голосований;
 метод ближайшего соседа с
использованием оценки параметров;
 алгоритм AdaBoost.

15
Анализ качества
распознавания
Коэффициент ложного доступа (КЛД)
 Коэффициент ложного отказа доступа
(КЛОД)

КЛД 
КЛОД 
число людей, получивших доступ ошибочно
число исследуемых образцов
число людей, не получивших доступ ошибочно
число исследуемых образцов
16
Созданное приложение

Вкладка «Идентификация»
17
Созданное приложение

Вкладка «Добавление в базу данных»
18
Созданное приложение
Вкладка «Исследования»
19
Созданное приложение

Вкладка «Исследования»

Возможность выбора набора используемых биометрических
параметров при идентификации
20
Созданное приложение

Вкладка «Исследования»

Возможность выбора алгоритма классификации
21
Созданное приложение

Вкладка «Обновление Базы данных»
22
Исследования
Цель исследования:
получение показателей качества распознавания
биометрической системы в зависимости от:
•
алгоритма классификации;
использованной метрики;
порогового значения;
набора используемых биометрических параметров.
• получение биометрической системы с хорошим
качеством распознавания.
Критерий оптимальности: min(f(КЛД,КЛОД),
где f(КЛД,КЛОД) = 10・КЛД + КЛОД
23
Метод k-ближайших соседей
Метод k-ближайших соседей
0.25
0.2
0.15
0.1
КЛД
КЛОД
0.05
0
Евклидова
Взвешенная
Евклидова
Абсолютная
Взвешенная
абсолютная
Минковского
Взвешенная Равномерная
Минковского
Взвешенная
равномерная
24
Метод голосования
Метод голосования
0.25
0.2
0.15
0.1
КЛД
0.05
КЛОД
0
Евклидова
Взвешенная
Евклидова
Абсолютная
Взвешенная
абсолютная
Минковского
Взвешенная Равномерная Взвешенная
Минковского
равномерная
25
Комбинация метода KNN и
метода голосований
Комбинированный метод
0.3
0.25
0.2
0.15
0.1
КЛД
0.05
0
КЛОД
Евклидова
Взвешенная
Евклидова
Абсолютная
Взвешенная Минковского Взвешенная Равномерная Взвешенная
абсолютная
Минковского
равномерная
26
Метод ближайшего соседа с
оценкой параметров
Метод ближайшего соседа с оценкой параметров
0.5
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
КЛД
КЛОД
Евклидова
Взвешенная
Евклидова
Абсолютная
Взвешенная
абсолютная
Минковского
Взвешенная
Минковского
Равномерная
Взвешенная
равномерная
27
Алгоритм AdaBoost
AdaBoost
0.25
0.2
0.15
0.1
КЛД
0.05
0
КЛОД
Евклидова
Взвешенная
Евклидова
Абсолютная
Взвешенная
абсолютная
Минковского
Взвешенная
Минковского
Равномерная
Взвешенная
равномерная
28
Заключение






Изучены все этапы разработки биометрической
системы
Выбор биометрических параметров
Сборка экспериментальной установки
Сбор базы данных
Обработка изображений
Написание приложения

Проведены исследования качества распознавания
биометрической системы в зависимости от
используемых алгоритмов классификации и
метрической функции

Наилучший результат был показан методом голосований (КЛД=0.004, КЛОД=0.014) – с
применением взвешенной равномерной метрики.
Было получено, что наибольший вклад в качество распознавания вносят параметры
связанные с абсолютными величинами ладони.

29
Скачать