Universitatea din Bucureşti

Facultatea de Matematică şi Informatică

Şcoala Doctorală de Informatică

Rezumat
Metode de Recunoaştere a Irisului

Conducător de doctorat: Student-doctorand:

Prof. Univ. Dr. Denis Enăchescu Noaică Cristina

Bucureşti, 2019
 Cuprins

Introducere 1
Contribuţii 2
Structura Tezei 2
Listă de publicaţii 4
Bibliografie 5
 Introducere

Biometria reprezintă totalitatea tehnologiilor care au rolul de a identifica, de a verifica,

respectiv de a autoriza accesul la anumite servicii pe baza unor trăsături fizice sau
comportamentale, numite trăsături biometrice. Aceste trăsături trebuie să se supună unor axiome
foarte importante, aşa cum reiese şi din cartea “Encyclopedia of Biometrics” [35]:

1. Unicitatea (en. uniqueness) datelor biometrice. Pentru a putea crea un sistem biometric
care să ofere siguranţă, datele biometrice utilizate trebuie să fie diferite pentru oricare doi indivizi.

2. Permanenţa (en. permanence) datelor biometrice. Pentru a putea permite accesul, ulterior
înrolării, la serviciile protejate de un sistem biometric, datele biometrice trebuie să nu varieze
semnificativ într-o perioadă scurtă de timp.

3. Colectibilitatea (en. collectability). Orice trăsătură biometrică utilizată trebuie să poată

fi accesată oricând şi de oricâte ori este nevoie.

4. Repetabilitatea (en. repeatability). Toate cele trei axiome de mai sus sunt satisfăcute
pentru orice individ chiar dacă condiţiile de achiziţie a datelor biometrice sunt variate.

În lucrarea “An Introduction to Biometric Recognition” [28], Anil Jain şi coautorii săi
indică faptul că, pe lângă cele patru axiome enumerate mai sus, ar mai fi încă trei, a căror
satisfacere este de dorit pentru orice sistem biometric implementat în lumea reală. Aceste trei
axiome sunt:

1. Performanţa (en. performance). Care se referă la “acurateţea şi rapiditatea recunoaşterii

care pot fi obţinute, resursele necesare pentru a obţine acurateţea şi rapiditatea recunoaşterii dorite,
precum şi factorii operaţionali şi de mediu care influenţează acurateţea şi viteza
recunoaşterii” [28].

2. Acceptabilitatea (en. acceptability). Care “indică măsura în care oamenii sunt dispuşi să
accepte utilizarea unui anumit identificator biometric în vieţile lor de zi cu zi” [28].

3. Eludarea (en. circumvention). Care “reflectă uşurinţa cu care un sistem poate fi păcălit
prin metode fraudulente” [28].

Deoarece s-a dovedit experimental că toate aceste axiome pot fi satisfăcute, sistemele
biometrice au câştigat popularitate şi încredere de-a lungul anilor, iar experienţa personală din
ultimii ani ȋmi arată că momentul ȋn care vor ȋnlocui ȋn totalitate parolele este foarte aproape. Cum
irisul respectă cu uşurinţă toate axiomele enumerate mai sus, iar problemele deschise (de exemplu,
nevoia de a îmbunătăţi performanţa de recunoaştere a irisului, date fiind probleme care apar în
mod normal în situaţiile de recunoaştere cu constrângeri limitate, cum ar fi prezenţa diferitelor
tipuri de zgomot; eliminarea tendinţelor de cercetare cu privire la aşa numita ȋmbătrânire a
şabloanelor biometrice; sau ȋmbunătăţirea rezultatelor de segmentare a imaginilor) erau departe de

1
a fi ȋncheiate, am decis să ȋmi concentrez atenţia asupra sa ȋn munca mea de cercetare din timpul
studiilor de doctorat.

Contribuţii

Am abordat două probleme din biometria irisului, şi anume segmentarea, respectiv

recunoaşterea irisului.

Contribuţiile referitoare la segmentarea irisului (Capitolul 2: Segmentarea irisului),

prezentate ȋn această teză, au fost ȋn totalitate personale.

Am implementat un segmentator, numit ACSTL V1, pentru imagini din baza LG2200 [10],
cu care am obţinut o acurateţe de 96.12 pe ȋntreaga bază de date. Segmentatorul este format din
două componente de procesare: una de procesare de imagini şi una de identificare a marginilor
irisului, reprezentate de segmentator prin două cercuri interioare.

Deoarece pe alte baze de date rezultatele de segmentare erau mai slabe, am modificat cele
două componente ale segmentatorului, astfel ȋncât să se adapteze ȋn mod automat la toate
caracteristice specifice altor tipuri de baze: efecte de blur, privire ȋn lateral (en. off-angle),
necentrate (en. off-centre), ocluzii, lentile de contact, lentile cosmetice şi aşa mai departe. Acest
segmentator se numeşte ACSTL V2 şi a fost testat pe patru baze de date cu imagini de iris,
dovedind că ȋl depăşeşte pe predecesorul său atât ȋn performanţă, cât şi ȋn ceea ce priveşte timpul
mediu de execuţie.

În timpul evaluării rezultatelor de segmentare ale ACSTL V1, a fost observată o eroare de
segmentare, care este specifică segmentatoarelor care reprezintă marginile irisului prin două
cercuri interioare. Eroarea a fost numită Eroare de Excentricitate şi a fost analizată prin efectuarea
unor teste de recunoaştere a irisului, pornind de la segmente de iris care au diferite valori ale acestei
erori (EDE = 0, EDE ≤ 2, EDE > 2). Testele au arătat că influenţa EDE există şi că este mai
puternică, aşa cum ne şi aşteptăm, pentru segmentele de iris care au EDE > 2.

Contribuţiile referitoare la recunoaşterea irisului (Capitolul 3: Recunoaşterea irisului) au

fost realizate sub ȋndrumarea domnilor profesori coautori şi au constat ȋn (I) implementare
neuronului prezentat ȋn Figura 37, cu rolul de a demonstra capacitatea unui singur neuron de a
recunoaşte mai multe clase; (II) implementarea şi testarea IrisNet pornind de la modelul reţelei
IIV; respectiv (III) implementarea şi testarea reţelei ART.

Structura Tezei

Teza este structurată ȋn patru capitole, după cum urmează.

În Capitolul 1, cel introductiv, fac o prezentare scurtă a domeniului şi arăt care sunt
motivele pentru care am ales să studiez recunoaşterea irisului, respectiv care sunt bazele de date
pe care voi lucra.

2
 În Capitolul 2 mă concentreaz asupra problemei de segmentare a irisului. Mi-am propus
să creez un segmentator care să nu depindă de o anumită setare a parametrilor pentru a oferi
rezultate bune atunci când este rulat asupra unor imagini care provin de la senzori diferiţi. De
aceea, prezint ȋn prima secţiune a acestui capitol un segmentator, pe care ȋl numesc ACSTL V1, şi
arăt cum el, fără a fi parametrizat ȋn vreun fel, oferă rezultate de segmentare de o acurateţe similară
cu cea a algoritmilor consideraţi state of the art pentru baza LG2200.

Acurateţea segmentatorului pe alte baze cu imagini de iris s-a dovedit experimental a fi una
scăzută, motiv pentru care a fost ȋmbunătăţit prin modificarea atât a modului de procesare a
imaginilor, cât şi a algoritmului de identificare a marginilor irisului. Detalii despre acest nou
segmentator sunt oferite ȋn cea de-a doua secţiune a Capitolului 2.

În timpul dezvoltării ACSTL V1, a fost identificată o anumită eroare de segmentare, nouă
ȋn literatura de specialitate, numită Eroare de Detecţie a Excentricităţii. Ea a fost observată, aşa
cum indică şi numele, tocmai deoarece segmentatorul consideră irisul ca putând fi reprezentat prin
două cercuri excentrice. În ultima secţiune a Capitolului 2, analizez influenţa pe care această
eroare o poate avea pe de o parte asupra recunoaşterii irisului (folosind o reţea PNN – Probabilistic
Neural Network), iar pe de altă parte chiar asupra segmentării (sau, mai bine zis, dacă luarea ei ȋn
considerare ȋn timpul segmentării poate conduce la o ȋmbunătăţire semnificativă a rezultatelor de
segmentare).

În ȋncheierea acestui capitol prezint o posibilă versiune 3 a segmentatorului. În ACSTL V3

se face o integrare a EDE ȋn mecanismul de selectare a cercurilor interioare corespunzătoare
irisului, pornind de la ACSTL V2. Dacă ACSTL V1 şi V2 sunt potrivite atât pentru ȋnrolarea cât
şi pentru autentificarea utilizatorilor ȋntr-un sistem biometric de recunoaştere a irisului, noul
algoritm este potrivit doar pentru sistemele biometrice care fac autentificare de utilizatori, deoarece
necesită existenţa unor informaţii de segmentare corecte pentru fiecare utilizator ȋn parte.

În Capitolul 3 arăt cum pot fi aplicate câteva metode de ȋnvăţare atât supervizată, cât şi
nesupervizată ȋn recunoaşterea irisului. Prezint, ȋn prima secţiune a acestui capitol, rezultate de
recunoaştere obţinute cu două tipuri de reţele supervizate, numite IIV, respectiv irisNet. Arăt cum
ele, cel mai important, pot să identifice cu uşurinţă coduri de iris (informaţie rezultată ȋn urma
aplicării unui filtru) care provin de la persoane care nu a fost văzute ȋn timpul antrenării reţelelor,
respectiv de la persoane care pretind ȋn mod necinstit o identitate biometrică.

În cea de-a doua secţiune a Capitolului 3, prezint rezultate de recunoaştere obţinute cu o

reţea neurală care aparţine paradigmei de ȋnvăţare nesupervizată: ART de tipul 1. Experimentele
sunt efectuate cu coduri de iris provenite din mai multe baze de date, iar reţeaua a clasificat corect
fiecare cod de iris ȋn parte.

În Capitolul 4 prezint situaţia actuală din state of the art şi fac o comparaţie ȋntre rezultatele
obţinute de mine (atât ȋn ceea ce priveşte segmentarea irisului, cât şi ȋn ceea ce priveşte
recunoaşterea acestuia) şi cele raportate ȋn literatura de specialitate. Indic, de asemenea câteva
direcţii posibile de continuare a muncii mele de cercetare actuale.

3
 Listă de publicaţii

[1] C.M. Noaica, Enachescu, D., 2015, An Iris Recognition System Based on a Modified
Adaptive Resonance Network, DACS
[2] C.M. Noaica, Penariu, P.S. and Stroescu, V.C., 2016, August. Iris Segmentation in the
Last Decade–A Survey. In International Workshop Soft Computing Applications (pp. 426-
444). Springer, Cham.
[3] C.M. Noaica, 2016, August. A Circular Eccentric Iris Segmentation Procedure for
LG2200 Eye Images. In International Workshop Soft Computing Applications (pp. 411-
425). Springer, Cham.
[4] C.M. Noaica, Analysis of the Eccentricity Detection Error in Iris Recognition, 30th IBIMA
Conference, 8-9 November 2017, Madrid, Spain, ISBN: 978-0-9860419-9-0
[5] C.M. Noaica, 2018, September. Improving ACSTL Iris Segmentation Method. In 2018
20th International Symposium on Symbolic and Numeric Algorithms for Scientific
Computing (SYNASC) (pp. 454-457). IEEE.
[6] N. Popescu-Bodorin, C.M. Noaica, P.S. Penariu, Iris Recognition with 4 or 5 Fuzzy Sets,
in Proc. of IFSA-EUSFLAT 2015 (16th World Congress of the International Fuzzy
Systems Association & 9th Conference of the European Society for Fuzzy Logic and
Technology), June 30 - July 3rd, Gijon, Asturias, Spain, pp. 1438-1445, ISSN: 1951-6851,
DOI: 10.2991/ifsa-eusflat-15.2015.204, Atlantis Press, 2015.

4
 Bibliografie

[7] M.A. Abdullah, S.S. Dlay, W.L. Woo, Fast and accurate method for complete iris segmentation with active
contour and morphology, in Imaging Systems and Techniques, 2014 IEEE Intl. Conf. on, pp. 123-128, 2014.
[8] A.J. Ayer, Language, Truth, and Logic, Victor Gollancz Ltd., London, 1936.
[9] Y. Alvarez-Betancourt, M. Garcia-Silvente, A fast Iris Location based on aggregating gradient approximation
using QMA-OWA operator, in Fuzzy Systems, 2010 IEEE Intl. Conf. on, pp. 1-8, IEEE, July 2010.
[10] A.S. Al-Waisy, R. Qahwaji, S. Ipson, S. Al-Fahdawi, and T.A. Nagem, 2018. A multi-biometric iris
recognition system based on a deep learning approach. Pattern Analysis and Applications, 21(3), pp.783-802.
[11] Bath University Iris Image Database, URL: http://www.smartsensors.co.uk/irisweb/
[12] A. Basit, M.Y. Javed, S. Masood, Non-circular pupil localization in iris images. In Emerging Technologies,
2008, ICET 2008. 4th Intl. Conf. on, pp. 228-231, IEEE, October 2008.
[13] C.A. Bastos, T.I. Ren, G.D. Cavalcanti, Analysis of 2D log-Gabor filters to encode iris patterns, in Tools
with Ar-tificial Intelligence (ICTAI), 2010 22nd IEEE Intl. Conf. on, Vol. 2, pp. 377-378, IEEE, October
2010.
[14] Bertillon, Alphonse. La couleur de l'iris. Masson, 1886.
[15] CASIA, http://biometrics.idealtest.org/dbDetailForUser.do?id=4
[16] ND-CrossSensor-Iris-2013, https://sites.google.com/a/nd.edu/public-cvrl/data-sets.
[17] J. Canny, 1987. A computational approach to edge detection. In Readings in computer vision (pp. 184-203).
Morgan Kaufmann.
[18] C.H. Chen, Chu, C.T. (2009), ‗High performance iris recognition based on 1-D circular feature extraction
and PSO–PNN classifier‘, Expert Systems with Applications, 36(7), 10351-10356.
[19] Y. Chen, M. Adjouadi, A. Barreto, N. Rishe, J. Andrian, A computational efficient iris extraction approach
in unconstrained environments, in Biometrics: Theory, Applications, and Systems, BTAS 2009, IEEE 3rd
Intl. Conf. on, pp. 1-7, IEEE, September 2009.
[20] C.F. Costa Filho, M.G. Costa, Iris segmentation exploring color spaces, in Image and Signal Processing
(CISP), 2010 3rd International Congress on, Vol. 4, pp. 1878-1882, IEEE, October 2010.
[21] J.G. Daugman, Biometric Personal Identification System Based on Iris Analysis, U.S. Pattent 5291560 / 1991
/ 1994.
[22] J.G. Daugman, High confidence visual recognition of persons by a test of statistical independence, IEEE
transactions on pattern analysis and machine intelligence, Vol. 15, No. 11, pp.1148-1161, 1993.
[23] J.G. Daugman, How Iris Recognition Works, in Proc. 2002 IEEE Intl. Conference on Image Processing, vol
1, pp.33-36, Rochester, New York, USA.
[24] A.B. Dehkordi, Abu-Bakar, S.A., 2015. Adaptive Fuzzy Switching Noise Reduction Filter for Iris Pattern
Recognition. Jurnal Teknologi, 73(1).
[25] M. Essam, M.A. Elnaby, M. Fikri, and F.A. El-Samie, A fast accurate algorithm for iris localization using a
coarse-to-fine approach, in Electronics, Communications and Computers (JEC-ECC), 2012 Japan-Egypt
Confe-rence on, pp. 63-67, IEEE, March 2012.
[26] S.P. Fenker, K.W. Bowyer, Experimental Ev idence of a Template Aging Effect in Iris Biometrics,
Applications of Computer Vision (WACV), 2011 IEEE Workshop on Applications of Computer Vision,
pages 232-239, January 2011.
[27] S.P. Fenker, K.W. Bowyer, Analysis of Template Aging in Iris Biomet rics, In Proc. CVPR Biometrics
Workshop, June 2012.
[28] S.P. Fenker, E. Ort iz, K.W. Bowyer, Template Aging Phenomenon in Iris Recognition, IEEE Access, Vol.
1, 2013, pp. 266-274.
[29] A. Gangwar, A. Joshi, A. Singh, F. Alonso-Fernandez and J.Bigun, IrisSeg: A Fast and Robust Iris
Segmentation Framework for Non-Ideal Iris Images, International Conference on Biometrics (ICB), 2016
[30] P. Grother, J.R. Matey, E. Tabassi, G.W. Quinn, M. Chumakov, IREX VI: Temporal Stability of Iris
Recognition Accuracy (Iris Ageing), Information Access Division, Nat ional Institute of Standards and
Technology, NIST, July 24, 2013.

5
[31] H. Gu, Qiao, S. and Yang, C., 2011, October. An efficient iris localization algorithm based on standard
deviations. In 2011 IEEE International Workshop on Open-source Software for Scientific Computation (pp.
126-130). IEEE.
[32] H. Hofbauer, Alonso-Fernandez, F., Bigun, J. and Uhl, A. (2016) ‗Experimental analysis regarding the
influence of iris segmentation on the recognition rate‘, IET Biometrics, 5(3), 200-211.
[33] Iris Segmentation Groundtruth, Halmstad University,
http://islab.hh.se/mediawiki/index.php/Iris_Segmentation_Groundtruth
[34] A.K. Jain, Ross, A. and Prabhakar, S., 2004. An introduction to biometric recognition. IEEE Transactions on
circuits and systems for video technology, 14(1).
[35] L. Jiang, Y. Zhang, W. Li, A novel iris location method for fast iris recognition, in Image and Signal
Processing, CISP 2009, 2nd International Congress on, pp. 1-5, IEEE, October 2009.
[36] A.A. Kerim, and Mohammed, S.J., 2014. New iris feature extraction and pattern matching based on statistical
measurement. Int. J. Emerg. Trends Technol. Comput. Sci, 3(5), pp.226-231.`
[37] T.Z. Khan, P. Podder, M.F. Hossain, Fast and efficient iris segmentation approach based on morphology and
geometry operation, in Software, Knowledge, Information Management and Applications (SKIMA), 2014
8th Intl. Conf. on, pp. 1-8, IEEE, December 2014.
[38] V. Kumar, A. Asati, A. Gupta, Iris localization based on integro-differential operator for unconstrained infra-
red iris images, in Signal Processing, Computing and Control, 2015 Intl. Conf. on, pp. 277-281, IEEE, 2015.
[39] R.D. Labati, V. Piuri, F., Scotti, Agent-based image iris segmentation and multiple views boundary refining,
in Biometrics: Theory, Applications, and Systems, BTAS 2009. IEEE 3rd Intl. Conf. on, pp. 1-7, IEEE, 2009.
[40] C. Li, Zhou, W. and Yuan, S., 2015. Iris recognition based on a novel variation of local binary pattern. The
Visual Computer, 31(10), pp.1419-1429.
[41] S.Z. Li, 2009. Encyclopedia of Biometrics: I-Z (Vol. 2). Springer Science & Business Media.
[42] L. Ma, Wang, Y. and Tan, T., 2002, August. Iris recognition using circular symmetric filters. In Object
recognition supported by user interaction for service robots (Vol. 2, pp. 414-417). IEEE.
[43] L. Masek, P. Kovesi. MATLAB Source Code for a Biometric Identification System Based on Iris Patterns.
The School of Computer Science and Software Engineering, The University of Western Australia. 2003.
[44] C.M. Noaica, Enachescu, D., 2015, An Iris Recognition System Based on a Modified Adaptive Resonance
Network, DACS
[45] C.M. Noaica, Penariu, P.S. and Stroescu, V.C., 2016, August. Iris Segmentation in the Last Decade–A
Survey. In International Workshop Soft Computing Applications (pp. 426-444). Springer, Cham.
[46] C.M. Noaica, 2016, August. A Circular Eccentric Iris Segmentation Procedure for LG2200 Eye Images. In
International Workshop Soft Computing Applications (pp. 411-425). Springer, Cham.
[47] C.M. Noaica, Analysis of the Eccentricity Detection Error in Iris Recognition, 30th IBIMA Conference, 8-
9 November 2017, Madrid, Spain, ISBN: 978-0-9860419-9-0
[48] C.M. Noaica, 2018, September. Improving ACSTL Iris Segmentation Method.
[49] A. Paton, 2001. “Fingerprint” Faulds: The Rehabilitation of Henry Faulds (1843–1930). Journal of medical
biography, 9(3), pp.132-136.
[50] N. Popescu-Bodorin, C.M. Noaica, P.S. Penariu, Iris Recognition with 4 or 5 Fuzzy Sets, in Proc. of IFSA-
EUSFLAT 2015 (16th World Congress of the International Fuzzy Systems Association & 9th Conference of
the European Society for Fuzzy Logic and Technology), June 30 - July 3rd, Gijon, Asturias, Spain, pp. 1438-
1445, ISSN: 1951-6851, DOI: 10.2991/ifsa-eusflat-15.2015.204, Atlantis Press, 2015.
[51] N. Popescu-Bodorin, V.E. Balas, Fuzzy Member-ship, Possibility, Probability and Negation in Bio-metrics,
Acta Polytechnica Hungarica, vol. 11, issue 4, pp. 79-100, 2014.
[52] N. Popescu-Bodorin, L. State, Cognitive Binary Logic - The Natural Unified Formal Theory of Propositional
Binary Logic, CoRR abs/1106.2352, 2010.
[53] N. Popescu-Bodorin, V.E. Balas, From Cognitive Binary Logic to Cognitive Intelligent Agents, Intel-ligent
Engineering Systems (INES), 2010 14th International Conference on, pp.337-340, 5-7 May 2010.
[54] N. Popescu-Bodorin, V.E. Balas, Comparing Haar- Hilbert and Log-Gabor based iris encoders on Bath Iris
Image Database, in Proc. 4th Intl. Workshop on Soft Computing Applications, pp. 191-196, IEEE Press, July
2010.

6
[55] H. Proença, L.A. Alexandre, Iris segmentation methodology for non-cooperative recognition, in Vision,
Image and Signal Processing, IEE Proceedings, Vol. 153, No. 2, pp. 199-205, IET, April 2006.
[56] A. Radman, K. Jumari, N. Zainal, Fast and reliable iris segmentation algorithm, Image Processing, IET, Vol.
7, No. 1, pp.42-49, 2013.
[57] M. Shamsi, A.R. Kenari, Iris boundary detection using an ellipse integro differential method, in Computer
and Knowledge Engineering (ICCKE), 2012 2nd International eConference on, pp. 1-5, IEEE, 2012.
[58] D.F. Specht, (1990), ‗Probabilistic neural networks‘, Neural networks, 3(1), 109-118.
[59] R.M. Sundaram, Dhara, B.C. (2011), ‗April. Neural network based Iris recognition system using Haralick
features‘, Electronics Computer Technology (ICECT), 2011 3rd International Conference on, Vol. 3, 19-23,
IEEE.
[60] A.M. Turing, Computing machinery and intelli-gence, Mind, 59, 433-460, 1950.
[61] S. Umer, B.C. Dhara, B. Chanda, A fast and robust method for iris localization, in Emerging Applications of
In-formation Technology (EAIT), 2014 Fourth Intl. Conf. of, pp. 262-267, IEEE, 2014.
[62] H.L. Wan, Z.C. Li, J.P. Qiao, B.S. Li, Non-ideal iris segmentation using anisotropic diffusion, Image
Processing, IET, Vol. 7, No. 2, pp.111-120, 2013.
[63] H. Xu, Vuskovic, M., 2004, July. Mahalanobis distance-based ARTMAP network. In 2004 IEEE
International Joint Conference on Neural Networks (IEEE Cat. No. 04CH37541) (Vol. 3, pp. 2353-2359).
IEEE.
[64] N. Yager, T. Dunstone, Worms, chameleons, phan-toms and doves: New additions to the biometric
menagerie, Automatic Identification Advanced Technologies, 2007 IEEE Workshop on, pp. 1–6, June 2007.
[65] N. Yager, T. Dunstone, The Biometric Menagerie, IEEE Transactions on Pattern Analysis and Ma-chine
Intelligence, vol. 32, no. 2, February 2010, pp. 220 - 230, ISSN 0162-8828, doi 10.1109/TPAMI.2008.291.
[66] L.A. Zadeh, Fuzzy Sets as a Basis for a Theory of Possibility, Fuzzy Sets and Systems, nr. 1 /1978, pp. 3-28,
North-Holland Publishing Company.
[67] Z. Zhou, P. Yao, Z. Zhuang, J. Li, A robust algorithm for iris localization based on radial symmetry and
circu-lar integro differential operator, Intl. Conf. on Industrial Electronics and Applications, pp. 1742-1745,
2011.