Documente Academic
Documente Profesional
Documente Cultură
LUCRARE DE LICENȚĂ
Bucureşti 2016
Cuprins
1. Introducere ............................................................................................................ 4
1.1. Generalităţi........................................................................................................ 4
1.2. Obiectivele lucrării ........................................................................................... 5
1.3. Structura lucrarii ............................................................................................... 6
2. Segmentarea regiunii irisului ................................................................................ 7
2.1. Generalităţi........................................................................................................ 7
2.2. Tehnici utilizate în metodele de segmentare tradiţionale ................................. 7
2.2.1. Operatorul integro-diferenţial al lui Daugman ........................................... 7
2.2.2. Transformata Hough .................................................................................. 8
2.2.3. Metode de detectare a contururilor .......................................................... 10
2.2.4. Filtrul median ........................................................................................... 16
2.3. Implementare .................................................................................................. 16
2.3.1. Localizarea şi delimitarea pupilei ............................................................ 16
2.3.2. Delimitarea exterioară a irisului ............................................................... 20
3. Normalizarea ...................................................................................................... 23
3.1. Principii generale ............................................................................................ 23
3.2. Modelul “rubber sheet” al lui Daugman ......................................................... 24
4. Codificarea caracteristicilor şi compararea şabloanelor ..................................... 25
4.1. Principii generale ............................................................................................ 25
4.2. Transformata wavelet ..................................................................................... 25
4.3. Filtre Gabor ..................................................................................................... 26
4.4. Filtre Log-Gabor ............................................................................................. 27
4.5. Laplacianul unei gaussiene (LoG) .................................................................. 28
4.6. Diferenţa a două gaussiene (DoG) .................................................................. 30
4.7. Algoritmul SIFT ............................................................................................. 31
4.7.1. Generalităţi ............................................................................................... 31
4.7.2. Identificarea punctelor de extrem local .................................................... 32
4.7.3. Localizarea punctelor cheie ..................................................................... 33
4.7.4. Determinarea orientării ............................................................................ 33
4.7.5. Determinarea descriptorilor caracteristici ................................................ 34
4.7.6. Compararea punctelor cheie..................................................................... 34
4.8. Implementare .................................................................................................. 35
4.8.1. Mascarea pixelilor corespunzători genelor .............................................. 35
2
4.8.2. Egalizarea histogramei regiunii irisului ................................................... 35
4.8.3. Împărţirea regiunii irisului în subdiviziuni .............................................. 36
4.8.4. Detectarea punctelor cheie şi calculul descriptorilor ............................... 37
4.8.5. Compararea şabloanelor ........................................................................... 38
5. Protocol de testare şi rezultate obţinute .............................................................. 41
5.1. Principii generale ............................................................................................ 41
5.2. Optimizarea parametrilor algoritmului SIFT .................................................. 43
5.3. Testarea metodei implementate cu parametrii optimi ..................................... 45
6. Bibliografie ......................................................................................................... 47
3
1. Introducere
1.1. Generalităţi
Una din cele mai precise şi sigure metode de identificare a persoanelor este cea bazată
pe caracteristicile irisului. Acestea prezintă un grad foarte ridicat de unicitate şi, spre
deosebire de caracteristicile feţei, rămân neschimbate pe tot parcursul vieţii. Irisul este un
muşchi ce ajustează dimensiunea pupilei, controlând în acest mod cantitatea de lumină ce
intră prin aceasta. Irisul se află în spatele corneei, calotă transparentă ce înveleşte ochiul
uman, iar în spatele irisului se găseşte cristalinul, umoarea sticloasă şi apoi retina, pe aceasta
formându-se imaginea inversată, transformată în impulsuri nervoase de către celule
specializate. Impulsurile nervoase sunt transmise apoi de nervul optic la creier. Irisul îşi
începe formarea în cea de-a treia săptămâna a sarcinii, iar elementele distinctive se
definitivează în săptămâna a opta, în timp ce procesul de pigmentare are loc şi în primii ani
după naştere. Informaţiile necesare măsurătorilor biometrice sunt colecţionate analizând
textura irisului, contururile din modelul acestuia şi motivele decorative. Dimensiunea pupilei
variază între 10% şi 80% din dimensiunea irisului, acesta având o dimensiune medie de
12mm. Chiar dacă pigmentarea irisului, ce îi determină culoarea, are o legătură genetică,
detaliile din modelul irisului sunt complet aleatoare şi necorelate. Textura irisului este
percepută şi vizualizată în mod diferit la spectre diferite ale luminii incidente, cauza fiind
fenomenul de reflexie şi absorţie a undelor electromagnetice în testuri. Irisul este scanat, de
regulă, de la o distanţă mai mică de 1m, prin intermediul unei camere digitale, în cele mai
multe cazuri utilizându-se lumina artificială, generată de LED-uri infraroşii, pentru o detectare
cât mai eficientă a caracteristicilor texturii irisului şi pentru a nu provoca discomfort
utilizatorului.
4
Utilizând diverse tehnici de procesare a imaginii, algoritmii ce stau la baza identificării
analizează textura irisului şi o codifică, generând un şablon ce se poate stoca într-o bază de
date. Aceste şabloane conţin o reprezentare matematică a informaţiei colectate. Atunci când
se doreşte identificarea unui individ, iniţial se fotografiază ochiul, apoi este generat şablonul
iar acesta este comparat cu celelalte şabloane stocate în baza de date.
În dezvoltarea noii metode s-a folosit librăria OpenCV (Open Source Computer
Vision Library), atât pentru uşurinţa în dezvoltare cât şi pentru posibilitatea folosirii unor
tehnologii noi din domeniul vederii artificiale. Conform site-ului oficial [3], OpenCV conţine
mai mult de 2500 de algoritmi optimizaţi ce pot fi folosiţi pentru obiective precum detecterea
şi recunoaşterea feţelor, identificarea obiectelor, clasificarea mişcărilor persoanelor în video-
uri, urmărirea obiectelor ce se deplasează, crearea de modele 3D, identificarea imaginilor
similare într-o bază de date etc. Algoritmii sunt dezvoltaţi nativ în C++, iar librăria are
interfeţe în C++, C, Python, Java şi MATLAB. În altă ordine de idei, în alegerea tehnicilor
utilizate în implementarea metodei proprii s-a luat în considerare oferta de algoritmi a librăriei
OpenCV, incercandu-se pe cât posibil utilizarea acestora în locul unor metode tradiţionale
întâlnite în cadrul altor studii de specialitate. Atât pentru uşurinţa şi rapiditatea dezvoltării, cât
şi pentru faptul că este tot mai popular, ca limbaj de programare a fost ales Python.
Pentru a testa rezultatele obţinute, s-au folosit imagini din baza de date CASIA (The
Chinese Academy of Sciences – Institute of Automation). Aceasta este una din cele mai
importante şi cuprinzătoare baze de date folosită pentru testarea metodelor de identificare a
persoanelor pe baza irisului, fiind utilizată în numeroase lucrări ştiinţifice. Baza de date
conţine, în versiunea folosită CASIA-IrisV4, peste 54.000 de fotografii cu globul ocular,
imagini făcute în lumină infraroşie, în format JPEG, în tonuri de gri pe 8 biţi. Baza de date
cuprinde 6 subseturi, în lucrarea de faţă utilizându-se setul CASIA-Iris-Lamp, acesta
5
cuprinzând fotografii în care dimensiunea pupilei variază între valorile limită, testând
robusteţea metodei de extragere a informaţiilor bazate pe textura irisului [4].
Lucrarea de faţă este structurată pe etapele diferite ale metodelor de recunoaştere pe baza
caracteristicilor irisului. Astfel, Capitolul 1 prezintă atât noţiuni introductive în domeniul
sistemelor biometrice şi al recunoaşterii irisului, precum şi obiectivele pe care lucrarea şi le
propune. De asemenea, sunt prezentate ideile şi principalele instrumente care au stat la baza
dezvoltării metodei propuse.
6
2. Segmentarea regiunii irisului
2.1. Generalităţi
Una din cele mai întâlnite metode de delimitare a regiunii irisului în imaginea
ochiului este operatorul integro-diferenţial inventat de John Daugman in anul 1993 [5].
Această metodă realizează atât localizarea regiunilor irisului şi pupilei, cât şi detectarea
arcurilor de cerc ce separă ochiul de pleoape, acestea obturând de regulă o parte din imaginea
irisului.
Dens(r) = ∮
Imaginea achiziţionată este notată cu I(x,y), iar cu (x0, y0) se notează coordonatele
centrului pupilei. Domeniul de integrare este delimitat de un cerc de rază variabilă r cu centrul
în (x0, y0). Această integrală măsoară gradul de intensitate al regiunii interioare cercului de
rază r. Valoarea razei r variază între 0 şi o valoare maximă, astfel că viteza de variaţie a
valorii integralei se modifică brusc în momentul în care valoarea razei r devine mai mare
decât valoarea razei pupilei. În momentul în care valoarea lui r devine mai mare decât
valoarea razei cercului ce defineşte graniţa exterioară a irisului, viteza de variaţie a valorii
integralei Dens(r) îşi modifică din nou, brusc, valoarea. Viteza de variaţie a valorii integralei
se convolutioneaza cu o funcţie gaussiană de deviaţie standard σ, notată cu Gσ(r). Această
operaţie are rolul de a îmbunătăţii estimarea, reducând variaţiile cauzate de zgomot astfel
încât măsurătoarea să fie cât mai precisă. Rezultatul va avea valori extreme pentru aceleaşi
valori ale lui r pentru care viteza de variaţie definită mai sus ia valori extreme. Astfel,
operatorul integro-diferenţial al lui Daugman devine:
| ∮ |
Cel mai simplu caz al utilizării transformatei Hough este detectarea liniilor drepte din
cadrul unei imagini. De regulă, o linie dreaptă reprezentată prin ecuaţia poate fi
reprezentată în spaţiul parametrilor ca un punct . Din cauza problemei puse de
reprezentarea liniilor verticale, a fost propusă ca metodă de reprezentare a liniilor drepte
forma normală Hesse: , unde reprezintă distanţa de la origine la cel mai
8
apropiat punct de pe linie, iar reprezintă unghiul dintre axa Ox şi linia ce uneşte originea de
acel punct.
Aşadar, orice linie din imagine are asociată o pereche . Transformata Hough
pentru linii drepte foloseşte pentru detectare o matrice, numită acumulator, fiecare poziţie în
această matrice reprezentând o pereche de valori cuantizate . Pentru fiecare pixel din
imagine, transformata Hough analizează vecinătatea acestuia şi determină posibilitatea ca
pixelul respectiv să aparţină unei linii. Dacă răspunsul este afirmativ, se vor calcula parametrii
şi ai acelei linii şi se va incrementa valoarea elementului corespunzător din accumulator.
Cele mai probabile linii sunt apoi extrase determinând maximele locale din spaţial
acumulatorului.
9
bidimensional, fiecare element reprezentând coordonatele centrelor. Având valoarea razei
fixată, pentru fiecare punct al contururilor se defineşte un cerc cu centrul în acest punct,
având rază cunoscută. Punctele în care se intersectează un număr suficient de astfel de cercuri
vor reprezenta centrele cercurilor finale returnate, de rază stabilită. Algoritmul este sugerat în
figura următoare:
Pentru fiecare din cele 4 puncte (colorate în alb) de pe cercul ce trebuie detectat, arătat
în figura din partea stângă, se va determina un cerc cu centrul în acest punct şi raza stabilită.
Matricea acumulator va fi utilizată pentru a urmări punctele de intersecţie şi numărul de
cercuri ce se intersectează în fiecare punct. Maximul local din matricea acumulator (punctul
roşu din centrul figurii din partea dreaptă) va reprezenta poziţia cercului iniţial, ce a fost
detectat.
10
Detectarea muchiilor sau contururilor (Edge detection) reprezintă procesul ce
identifică punctele în care se produc schimbări abrupte sau discontinuităţi ale intensităţii
imaginii. Aceste discontinuităţi delimitează obiectele ce se află într-o imagine. Există mai
multe metode de a detecta margini, cele mai multe dintre ele încadrându-se în următoarele
două categorii:
Detectori care folosesc operatori de gradient. Aceştia detectează muchiile
analizând minimele şi maximele derivatei de ordin întâi a imaginii.
Detectori laplacieni, ce analizează derivatele de ordin doi ale imaginii, căutând
punctele în care aceasta are valoarea 0.
Gradientul unei imagini într-un anumit punct reprezintă un vector a cărui mărime şi
direcţie ilustrează variaţia maximă de intensitate în acel punct (pixel). Vectorul gradient este
definit în funcţie de derivatele parţiale ale funcţiei imagine :
| | √( ) ( )
11
Fig. 2.2.3.1.2. Gradientul semnalului
Se observă că derivata de ordin întâi are valoare maximă în zona în care se află muchia
în semnalul iniţial. Această metodă de detectare a muchiilor face parte din familia detectorilor
cu operatori de gradient, una din cele mai întâlnite tehnici de acest tip fiind reprezentată de
metoda Sobel. Un anumit punct din imagine este declarat ca făcând parte dintr-o muchie dacă
valoarea gradientului depăşeşte o valoare de prag. Mai mult decât atât, în punctele în care
derivata de ordin întâi are valori maxime, derivata de ordin doi are valoarea 0. Prin urmare, o
altă metodă de a detecta muchiile este prin determinarea zerourilor derivatei de ordin doi.
Aceste metode poartă numele de laplaciene. Derivata de ordin doi a semnalului iniţial este
ilustrată în figura următoare:
∑ ∑
12
Practic, operaţia de corelare presupune poziţionarea măştii „deasupra imaginii‟, cu
centrul pe poziţia pixelului de modificat, şi însumarea produselor dintre intensităţile pixelilor
imaginii şi valorile kernelului de pe aceleaşi poziţii.
∑ ∑
[ ] [ ]
13
2.2.3.3. Operatorul Laplace
Acest tip de operator aproximează derivata de ordin doi a imaginii, determinând doar
magnitudinea gradientului, acesta având aceleaşi proprietăţi în toate direcţiile şi astfel fiind
invariant la rotaţia imaginii. Laplacianul este definit prin relaţia:
[ ] sau [ ]
Operatorul Laplacian necesită mai puţine calcule, dar este foarte sensibil la zgomot,
analizând derivata de ordin doi a imaginii. De asemenea, în funcţie de valoarea de prag, poate
detecta la anumite contururi din imagine muchii duble [9].
Acesta este considerat în literatura de specialitate [20] ca fiind cel mai performant
detector de contur. Obiectivele detectorului Canny sunt următoarele:
Detectare performantă, prin aceasta urmărindu-se obţinerea unei probabilităţi
mici de eroare în detectarea punctelor ce reprezintă cu adevărat muchii şi
totodată obţinerea unei probabilităţi mici de detectare a muchiilor false. Cum
cele două probabilităţi depind strict de raportul semnal-zgomot, acest criteriu
implică maximizarea acestui raport, incercandu-se detectarea a cât mai multe
muchii reale posibile.
O localizare precisă, urmărindu-se marcarea ca muchie a punctelor cât mai
apropiate de centrul muchiei reale. În consecinţă, muchiile detectate trebuie să
fie cât mai apropiate de cele reale.
Minimizarea numărului de răspunsuri pentru o singură muchie. Acest criteriu
este în strânsă legătură cu primul, urmărindu-se ca zgomotul imaginii să nu
creeze muchii false.
[ ]
| | | | | |
15
Un dezavantaj al metodei de detectare Canny este acela că filtrul gaussian aplicat, în
încercarea de a reduce zgomotul din imagine, va afecta şi zonele de muchie, cauza fiind faptul
că atât zgomotul cât şi muchiile au frecvenţe înalte. Pentru a atinge o performanţă ridicată în
detectarea muchiilor, este necesară aplicarea unui filtru adaptiv, ce va adăuga un efect de
netezire mare zgomotului dar un efect de netezire cât se poate de mic muchiilor.
De cele mai multe ori, în aplicaţiile din domeniul vederii artificiale, înainte de
aplicarea metodelor de detectare a muchiilor se aplică imaginii originale un filtru ce are
scopul de a reduce zgomotul. Unele din cele mai întâlnite filtre utilizate sunt filtrul gaussian,
descris mai sus, şi filtrul median. Acest filtru are avantajul că reduce zgomotul imaginii,
păstrând într-o măsură destul de mare zonele corespunzătoare muchiilor neafectate. Astfel
este îmbunătăţit semnificativ rezultatul metodei de detectare a contururilor.
2.3. Implementare
În cadrul imaginilor utilizate din baza de date CASIA, intensitatea pupilei este destul
de consistentă, făcând posibilă localizarea acesteia în cadrul imaginilor. Imaginile bazei de
16
date sunt în format alb-negru, iar tonul de gri al fiecărui pixel este reprezentat pe 8 biţi, astfel
că acesta poate lua valori din intervalul [0,255], 0 semnificând tonul negru, cel mai închis, iar
255 semnificând tonul alb. Dacă analizăm histogramele imaginilor, se poate observa că
primul maxim local este cauzat de mulţimea pixelilor ce reprezintă regiunea pupilei, aceasta
fiind, de regulă, cea mai închisă regiune a imaginii.
Fig. 2.3.1.1. Exemple de histograme ale imaginilor din baza de date CASIA
Astfel, în urma experimentelor, s-a constatat că, de regulă, regiunea pupilei este
reprezentată de pixeli ce iau valori în intervalul [20,60], în funcţie de imaginea selectată. În
consecinţă, s-a ajuns la concluzia că regiunea pupilei ar putea fi delimitată provizoriu prin
filtrarea pixelilor cu un ton de gri mai închis decât o valoare de prag fixată, operaţie ce poartă
numele de threshold. Cu toate acestea, s-a constatat că există cazuri în care genele sau
zgomotul imaginii pot obstrucţiona regiunea pupilei, îngreunând delimitarea precisă a
acesteia. Astfel, înainte de aplicarea acestei filtrări a pixelilor cu tonuri închise s-a decis
aplicarea unui filtru care să reducă zgomotul imaginii, dar în acelaşi timp să afecteze cât mai
puţin liniile de contur ce separă pupila de regiunea irisului. A fost aleasă utilizarea filtrului
median (descris mai sus în aceasta lucrare), acesta îndeplinind cel mai bine criteriile
menţionate. Efectul aplicării filtrului median asupra imaginii este ilustrat în figura următoare:
17
Fig. 2.3.1.3. Aplicarea threshold-ului
18
În urma aplicării transformatei Hough pentru detectarea cercurilor (descrisă mai sus în
cadrul acestei lucrări) se obţine, de regulă, un număr variabil de cercuri, în funcţie de valoarea
de prag selectată a matricii acumulator. Mai jos, în figura din partea stângă sunt reprezentate
cercurile cu cele mai multe voturi detectate de transformata Hough aplicată unei imagini
rezultate în urma aplicării detectorului de contur Canny. În figura din partea dreaptă sunt
transpuse aceste cercuri imaginii originale.
În urma experimentelor, s-a constatat însă că aplicarea metodelor descrise mai sus cu
parametrii constanţi nu este suficient de robustă. De exemplu, valoarea optimă de prag a
operaţiei de filtrare a pixelilor de intensitate scăzută (threshold) diferă de la o imagine la altă.
De asemenea, pixelii ce definesc genele au aproximativ aceeaşi intensitate ca cei ce definesc
regiunea pupilei. Pentru ca aceasta să fie delimitată cât mai precis de restul imaginii, trebuie
să fie ales un nivel de netezire potrivit aplicat iniţial de filtrul gaussian, astfel încât să fie
redus pe cât posibil zgomotul cauzat de genele ochiului, dar totodată să nu afecteze
dimensiunea regiunii pupilei. Presupunând că nivelul de netezire şi valoarea de prag a
detectorului Canny au fost alese corespunzător, din cauza compromisurilor acceptate în
efectuarea acestor operaţii sau din cauza altor motive, cum ar fi faptul că ochiul poate fi
parţial închis, conturul ce defineşte regiunea pupilei poate reprezenta o formă mai puţin clară
de cerc. Astfel, este necesară alegerea unei valori de prag optime a matricii acumulator a
transformatei Hough.
Metoda implementată presupune iterarea prin mai multe nivele ale filtrului median şi
valori de prag ale detectorului de contur, rezultând un set de imagini filtrate peste care se va
aplica transformata Hough. Având în vedere faptul că această transformată va asocia fiecărui
posibil cerc un anumit scor de potrivire, s-a ales căutarea dinamică a valorii de prag a matricii
acumulator pentru care, din întregul set de imagini filtrate, se obţine un număr de cercuri ce
depăşeşte o valoare fixată. Având această mulţime formată din cele mai probabile cercuri,
cercul final returnat a fost ales ca o medie a acestora, astfel: poziţia centrului pe orizontală va
fi egală cu media poziţiilor pe orizontală a centrelor cercurilor, poziţia centrului pe axa
verticală va fi media poziţiilor centrelor pe verticală, iar raza cercului va fi egală cu media
razelor cercurilor mulţimii.
19
2.3.2. Delimitarea exterioară a irisului
Aproximarea precisă a graniţei exterioare a irisului este însă mai dificil de realizat
decât aproximarea cercului ce defineşte pupila, principalul motiv fiind diferenţa destul de
mică de intensitate între regiunea irisului şi cea a scleroticii. De asemenea, aproximarea
conturului exterior cu un cerc poate fi îngreunată de faptul că irisul poate fi incomplet
reprezentat din cauza închiderii parţiale a ochiului (irisul este obstrucţionat de pleoape) sau a
obstructionarii cauzate de gene. Cu toate acestea, s-a constatat că o metodologie similară cu
cea a delimitării pupilei poate da rezultate destul de bune.
20
Spre deosebire de cazul delimitării pupilei, unde detectorul Canny se aplică unei
imagini binare, în alb şi negru, obţinute în urma aplicării unei operaţii de threshold, în situaţia
delimitării irisului detectorul Canny este aplicat direct imaginii rezultate în urma filtrării
mediene. Din această cauză este esenţială alegerea optimă a valorilor de prag utilizate în
procesul cu histerizis al detectorului. În urma experimentelor, s-a constatat ca valoarea
minima de prag a detectorului poate fi fixată pe 0, fără a avea consecinţe negative
semnificative. Cu toate acestea, valoarea maximă de prag optimă diferă de la o imagine la
alta.
Cercul medie este calculat apoi, la fel ca în cazul delimitării pupilei, în funcţie de
mulţimea filtrată a cercurilor. Filtrarea cercurilor detectate este ilustrată în figura de mai jos.
Cercurile considerate satisfăcătoare sunt reprezentate în culoarea verde, iar cele eliminate sunt
colorate în albastru:
22
În figurile de mai jos se pot observa rezultatele metodei complete de segmentare a
regiunii irisului. În culoare roşie este reprezentat cercul ce defineşte graniţa interioară a
irisului cu regiunea pupilei, iar cercul verde reprezintă graniţa exterioară a irisului cu regiunea
scleroticii. Cele două cercuri galbene sunt concentrice cu cercul ce delimitează pupila, având
raza în funcţie de raza pupilei. Cercul de culoare galbenă interior pupilei defineşte distanţa
limită a centrelor cercurilor ce definesc graniţa exterioară faţă de centrul pupilei. Cu alte
cuvinte, la aplicarea transformatei Hough pentru detectarea cercurilor de graniţă exterioară au
fost păstrate doar cercurile al căror centru s-a aflat în acest cerc galben interior pupilei. Cercul
galben exterior pupilei defineşte raza minima a cercurilor ce definesc graniţa exterioară. La
aplicarea transformatei Hough pentru detectarea cercurilor ce delimitează irisul de regiunea
scleroticii au fost păstrate doar cercurile a căror rază a fost mai mare decât raza acestui cerc
galben exterior pupilei.
3. Normalizarea
Următoarea etapă în cadrul unora din sistemele de identificare pe baza irisului este
reprezentată de normalizarea regiunii segmentate. Aceasta presupune transformarea imaginii
segmentate astfel încât să aibă dimensiuni fixe, pentru a facilita compararea. Inconsistenţa
dimensiunilor irisului poate fi cauzată de comprimarea acestuia şi dilatarea pupilei în funcţie
de nivelul de luminozitate la care este expus ochiul. Alte cauze pot fi variaţia distanţei de la
care este capturată imaginea, înclinarea capului sau rotaţia ochiului în cadrul globului ocular.
Etapa de normalizare permite ca elementele de unicitate ce caracterizează irisul să aibă
aceleaşi coordonate în imaginea rezultată, chiar dacă fotografiile au fost achiziţionate în
23
condiţii diferite. În acest context, un fapt important de care trebuie ţinut cont la normalizare
este că pupila nu este întotdeauna concentrică cu regiunea irisului.
Modelul omogen aplicat de Daugman [10] este una din cele mai utilizate metode de
segmentare. Acesta asociază fiecărui punct din regiunea irisului o pereche de coordonate
polare , unde este cuprins în intervalul , iar este un unghi în intervalul .
( )
cu şi definiţi prin:
Şablonul generat în procesul de codificare trebuie să fie alcătuit după reguli stabilite,
având la bază un set de parametrii, astfel încât la compararea cu alte astfel de şabloane să
rezulte o măsură de similitudine. Această măsură rezultată trebuie să fie diferită în cazul în
care se compară şabloane de la aceeaşi persoană faţă de cazul în care se compară şabloane de
la persoane distincte, astfel încât să se poată lua o decizie clară în privinţa identificării.
Filtrele Gabor reprezintă una din cele mai folosite metode de extragere a
caracteristicilor unei texturi, analizând informaţia spectrală a imaginilor. Alte domenii de
utilizare ale filtrelor Gabor sunt: recunoaşterea feţelor, recunoaşterea formelor sau detectarea
contururilor.
26
Filtrul Gabor este un filtru trece-bandă, iar pentru a extrage informaţiile
corespunzătoare mai multor benzi de frecvenţă este utilizat un set (numit şi banc) de filtre
Gabor. Frecvenţa centrală a benzii de trecere este reprezentată de frecvenţa semnalului
sinusoidal complex, iar lăţimea benzii este specificată de deviaţia standard a distribuţiei
gaussiene. În setarea parametrilor unui filtru Gabor se pot varia intervalul benzii de trecere,
orientarea semnalelor sau dimensiunea regiunii analizate din imagine. În urma analizei cu
filtre Gabor se obţin anumiţi vectori de trăsături ce caracterizează imaginea studiată.
( )
( )
Deşi filtrele Gabor au o performanţă destul de bună în a extrage atât informaţia spaţio-
temporală a semnalelor cât şi informaţia spectrală, în anumite condiţii acesta nu este un filtru
ideal. La benzi de trecere mai mari decât un interval limită, filtrul Gabor va introduce o
componentă medie diferită de 0. Acest lucru poate fi evitat dacă se foloseşte un filtru Gabor
cu o distribuţie gaussiană la scară logaritmică. Acest tip de filtru se numeşte Log-Gabor, în
[13] arătându-se că utilizarea acestuia în extragerea caracteristicilor unei imagini este realizată
cu performanţe mai bune decât în cazul folosirii unui filtru Gabor original. Motivul este acela
că în cazul utilizării filtrului Gabor se pot scăpa din vedere semnalele cu frecvenţe foarte
înalte, fiind totodadata nevoie de un număr mare de filtre pentru a acoperi o gamă largă de
frecvenţe. Dacă distribuţia gaussiană este reprezentată la scară logaritmică, aceasta va avea o
pantă mai puţin abruptă spre infinit, uşurând astfel detectarea frecvenţelor înalte.
27
4.5. Laplacianul unei gaussiene (LoG)
Filtrul Log (“Laplacian of Gaussian”) este utilizat în scopul detectării contururilor din
imagine.În acest caz, operatorul Laplace, ce aproximează derivata de ordin doi a funcţiei de
intensitate a imaginii, este aplicat unei imagini „netezite‟ de o aproximare a unui filtru
gaussian. Acest filtru are rolul de a reduce zgomotul imaginii, reducând astfel sensibilitatea
operatorului Laplace. Datorită proprietăţii de asociativitate a operaţiei de convoluţie, filtrul
Gaussian şi filtrul Laplace se pot convoluţiona înainte de momentul rulării, astfel aplicându-se
imaginii un singur filtru ce va efectua ambele operaţii şi reducându-se numărul de operaţii
aritmetice efectuate [14].
28
Fig. 4.5.1. Filtru LoG 2D
[ ]
De notat este faptul că dimensiunea matricii kernel, în acest caz 9x9, nu depinde de
valoarea deviaţiei standard a gaussienei, acestea două fiind mărimi independente.
Dimensiunea măştii utilizate influenţează strict precizia de aproximare discretă a filtrului
aplicat, în timp ce valoarea deviaţiei standard σ influenţează nivelele de „netezire‟ şi de
reducere a zgomotului aplicate de acest filtru.
În figura următoare se poate observa forma răspunsului unui filtru Log unidimensional
la detectarea unei variaţii de tip treaptă a funcţiei de intensitate:
29
Fig. 4.5.2. Răspunsul unui filtru Log 1D la variaţii treaptă ale intensităţii
În literatura de specialitate sunt prezentate cazuri în care filtrul Log este aproximat
prin simpla diferenţă a unor distribuţii gaussiene cu deviaţii standard diferite. Filtrul ce
efectuează această operaţie poartă numele de filtru DoG (“Difference of Gaussians”).
Aplicând o filtrare gaussiană unei imagini, sunt eliminate componentele spaţiale de frecvenţe
înalte, filtrul Gauss fiind un filtru trece-jos. Efectuând operaţia de scădere între intensităţile a
două imagini obţinute prin filtrări gaussiene cu deviaţii standard diferite se păstrează doar
componentele spaţiale ce au o frecvenţă între aceste valori, rezultând astfel un filtru trece-
bandă asemănător filtrului Log [15]. În funcţie de valorile alese ale deviaţiilor standard, acest
filtru poate determina muchiile imaginii.
( )
30
Fig. 4.6.1. Distribuţii gaussiene 1D şi diferenţa lor
4.7.1. Generalităţi
31
4.7.2. Identificarea punctelor de extrem local
Filtrele Log sunt destul de costisitoare din punct de vedere al resurselor necesare, în
algoritmul SIFT utilizându-se filtre DoG (descrise mai sus în această lucrare) ce aproximează
filtrele Log printr-o diferenţă a două gaussiene cu deviaţii standard diferite. Primul pas
constă, aşadar, în convoluţionarea imaginii cu filtre gaussiene având diferiţi factori de scală,
operaţie reprezentată de relaţia:
32
După ce au fost obţinute imaginile DoG, acestea sunt analizate în căutarea punctelor
de extrem local în spaţiul tridimensional definit de axele x, y şi axa factorilor de scală, astfel:
fiecare pixel este comparat atât cu cei 8 pixeli aflaţi în vecinătatea sa pe aceeaşi scală, cât şi
cu cele 2 grupuri de câte 9 pixeli aflaţi în imaginile corespunzătoare factorilor de scală
alăturaţi. Dacă pixelul reprezintă un punct de extreme local, atunci el este considerat un
posibil punct cheie. În figura următoare este ilustrat modul de căutare al punctelor de extrem
local în imaginile DoG:
Sunt analizaţi vectorii gradient ai pixelilor învecinaţi din imaginea obţinută în urma
filtrării gaussiene. Determinarea orientării unui punct cheie este sugerată în figura următoare:
33
În urma unor reguli se determină una sau mai multe orientări dominante. În cazul în
care se găsesc mai multe orientări dominante, sunt create noi puncte cheie ce au aceaşi poziţie
şi factor de scală ca cel original, fiecăruia fiindu-i asociată una din aceste orientări calculate.
Această abordare are ca scop un câştig de robusteţe al operaţiei de comparare a descriptorilor.
În unele cazuri însă, în a doua imagine se găseşte un al doilea punct cheie situat la o
distanţă apropiată de distanţa faţă de primul. În această situaţie, D. Lowe [16] recomandă ca,
dacă raportul dintre distanţa minima şi distanţa faţă de al doilea punct cheie este mai mare de
0.76, potrivirea să fie anulată. În studiul sau, D. Lowe notează că astfel sunt eliminate
aproximativ 90% din potrivirile false şi doar 5% din potrivirile adevărate. Metoda sugerată de
D. Lowe este ilustrată în imaginea de mai jos:
34
Fig. 4.7.6.1. Filtrarea potrivirilor în funcţie de distanţele între descriptorii punctelor
cheie
4.8. Implementare
În cadrul metodei implementate a fost aleasă utilizarea algoritmului SIFT, acesta fiind
disponibil în librăria OpenCV. Datorită proprietăţilor sale de invarianţă de scală şi de rotaţie a
imaginii nu a fost nevoie de normalizarea regiunii segmentate a irisului.
35
operaţie are rolul de a mări contrastul, îmbunătăţind astfel performanţa algoritmului de
extragere a caracteristicilor reprezentative. În imaginea de mai jos este ilustrat efectul
operaţiei de egalizare a unei histograme oarecare:
Împarţirirea irisului în mai multe regiuni are rolul de a impune anumite condiţii
geometrice la compararea punctelor cheie detectate. În mod logic, putem presupune că poziţia
unui punct cheie este aproximativ aceeaşi pe harta regiunii irisului în cadrul unor imagini
diferite. Cu alte cuvinte, un anumit element caracteristic irisului nu se poate afla pe partea
dreaptă a acestuia într-o imagine, iar în alta să se afle pe partea stângă. Prin această tehnică
sunt eliminate posibile potriviri false între puncte cheie detectate în două imagini diferite. De
36
asemenea, viteza efectuării comparaţiilor este redusă, algoritmul SIFT comparând punctele
cheie doar dacă acestea fac parte din aceeaşi regiune a irisului.
Cele 3 regiuni ale irisului au fost determinate în funcţie de coordonatele polare ale
pixelilor, astfel:
Partea stângă a regiunii irisului cuprinde pixelii aflaţi pe o direcţie ce formează
cu axa orizontală un unghi cuprins între şi
Partea dreaptă a regiunii irisului cuprinde pixelii aflaţi pe o direcţie ce
formează cu axa orizontală un unghi între şi
Partea inferioară a irisului cuprinde pixelii aflaţi pe o direcţie ce formează cu
orizontala un unghi cuprins între şi
Astfel, cele trei zone ale regiunii irisului cuprind şi benzi comune de pixeli,
încercându-se reducerea pierderilor de informaţie cauzate de variaţii minore de rotaţie.
Procesul de divizare a regiunii irisului este ilustrat în figura următoare:
În urma experimentelor, s-a constatat că algoritmul SIFT poate detecta puncte cheie
false în apropierea zonelor de graniţă ale regiunilor, astfel că a fost implementată o metodă ce
filtrează aceste puncte cheie în funcţie de poziţia lor în imagine. Punctele cheie detectate
37
iniţial (imaginile din partea stângă a fiecărei perechi) şi apoi cele filtrate (imaginile din partea
dreaptă) sunt reprezentate în figura de mai jos:
După filtrarea punctelor cheie detectate sunt calculaţi descriptorii pentru fiecare din
acestea. La final, este salvat un obiect-şablon ce conţine punctele cheie şi descriptorii fiecărei
regiuni în parte, precum şi coordonatele cercurilor de delimitează regiunea irisului. În acest
mod, pe lângă coordonatele în cadrul imaginii ale punctului cheie, putem afla şi poziţia
relativă sau coordonatele polare ale acestuia în cadrul regiunii irisului.
38
Fig. 4.8.5.1. Reprezentarea potrivirilor înainte şi după filtrarea recomandată
Primul pas în cadrul operaţiei de filtrare constă în analiza potrivirilor şi crearea unui
vector de diferenţe unghiulare. Presupunând că şabloanele comparate provin de la acelaşi iris,
majoritatea potrivirilor detectate vor fi adevărate. Din cauza variaţiilor de rotaţie ale
39
imaginilor achiziţionate, punctele cheie ce definesc o potrivire nu vor fi pe aceeaşi direcţie
raportat la axa orizontală. În cazul potrivirilor reale însă, diferenţa dintre direcţiile celor două
puncte cheie va fi aproximativ aceeaşi pentru fiecare pereche. Astfel, după analiza
diferenţelor de direcţie între punctele cheie ce formează o potrivire, se pot elimina perechile a
căror diferenţă a direcţiilor se abate peste o valoare de prag de la diferenţa mediană a setului
total de diferenţe.
40
5. Protocol de testare şi rezultate obţinute
Setul utilizat cuprinde imagini ale globurilor oculare a 411 indivizi. Pentru fiecare din
cei doi ochi ai unui individ au fost achiziţionate câte 20 de imagini, în coditii de iluminare
diferite, ilustrându-se astfel mărimi variate ale pupilei şi respectiv ale irisului. Astfel, setul
conţine un total de: 411 x 2 x 20 = 16440 imagini. În cadrul testării au fost folosite exclusiv
imagini corespunzătoare ochilor drepţi ai indivizilor.
Pentru a măsura nivelul de separare al celor două distribuţii s-ar putea măsura distanţa
dintre acestea (în cazul implementării de faţă ca număr de potriviri). Cu toate acestea, în cazul
algoritmilor de recunoaştere a irisului cele două distribuţii cel mai probabil se întrepătrund,
datorită unor valori aberante sau din cauza performanţelor slabe ale metodei dezvoltate. O
măsură de performanţă utilizată în studiile din domeniu poartă numele de “decidabilitate”,
această valoare calculându-se în funcţie de parametrii celor două distribuţii astfel:
| |
41
unde reprezintă decidabilitatea, reprezintă media distribuţiei intra-class,
defineşte media distribuţiei inter-class, iar şi reprezintă deviaţiile standard ale
distribuţiilor intra-class, respectiv inter-class. Cu cât este mai mare această valoare a
decidabilitatii, cu atât separarea dintre cele două distribuţii este mai evidentă, rezultând într-o
performanţă mai bună a procesului de identificare.
Astfel, dacă se stabileşte o valoare de prag pe axa absciselor celor două distribuţii, la
compararea a două şabloane se poate lua o decizie dacă acestea reprezintă acelaşi iris sau nu.
Cu toate acestea, după cum a fost menţionat mai sus, cele două distribuţii (intra-class şi inter-
class) au de cele mai multe ori un interval în care se suprapun, însemnând că există un anumit
număr de identificări greşite (“false accepts”) şi un anumit număr de neidentificari eronate
(“false rejects”), rezultate deşi cele două şabloane comparate ilustrau de fapt acelaşi iris. În
studiile de specialitate, aceste două mărimi poartă numele de “FRR” (“false reject rate”) şi
“FAR” (“false accept rate”), fiind ilustrate în figura de mai jos [20]:
Fig. 5.1.1. Valorile FAR şi FRR pentru două distribuţii intra-class şi inter-class în
funcţie de o valoare de prag stabilită
42
5.2. Optimizarea parametrilor algoritmului SIFT
Datorită dimensiunilor mari ale tabelului obţinut, mai jos sunt reprezentate doar
perechile de parametrii pentru care au fost obţinute cele mai mari 10 valori ale decidabilitatii.
În imaginile de mai jos se poate observa distribuţia decidabilitatii în funcţie de cei doi
parametrii, în cadrul celor 28 de teste.
43
Fig. 5.2.1. Distribuţia decidabilitaţii obţinute în cadrul testelor
Se poate observa că valorile maxime ale decidabilitaţii (reprezentate prin culoarea roşu
închis) sunt întâlnite pentru perechile de parametrii notate în tabelul de mai sus. Analizându-
se parametrii optimi obţinuţi, se observă că valoarea de prag 0.88 a raportului distanţelor între
descriptori este destul de îndepărtată de cea recomandată de D. Lowe (acesta a recomandat în
lucrarea [16] utilizarea valorii 0.76 în cadrul filtrării). De altfel, media de potriviri obţinute în
cadrul comparaţiilor inter-class a fost pentru această pereche optimă , o valoare destul
de mare a potrivirilor false (deoarece comparaţiile inter-class reprezintă irisuri diferite).
Cu toate acestea, s-a notat că reducând nivelul de filtrare aplicat, creşterea numărului
de potriviri false este compensată de o creştere mai mare a potrivirilor reale, obţinute în cadrul
comparaţiilor intra-class, rezultând per total un nivel de separare ridicat al distribuţiilor de
comparaţie. Media numărului de potriviri obţinute în cadrul comparaţiilor intra-class a fost de
66.41. De asemenea, se poate observa că şi abaterea diferenţei unghiulare permise de 10° este
destul de mare, intervalul total de abatere fiind de 2*10°=20°, în timp ce regiunile în care a
fost împărţit irisul sunt definite de arcuri de cerc cu un unghi la centru de 50°. Aşadar, această
filtrare impune, la rândul ei, constrângeri destul de slabe, fapt ce pune la îndoială eficienţa
metodei de filtrare implementate.
44
Aşadar, obţinându-se parametrii optimi ai proceselor de filtrare a potrivirilor detectate
de algoritmul SIFT ( pentru valoarea de prag a raportului distanţelor între descriptori şi
pentru abaterea de la diferenţa unghiulară permisă), următorul pas constă în testarea
performanţei întregului algoritm de identificare pe baza caracteristicilor irisului.
În figura de mai jos, distribuţia comparaţiilor inter-class obţinută în urma testului este
reprezentată în culoarea galbenă, iar cea a comparaţiilor intra-class este ilustrată în albastru:
45
Fig.5.3.2. Măsurile de eroare obţinute
46
6. Bibliografie
[1] J. Daugman. Biometric personal identification system based on iris analysis. United
States Patent, Patent Number: 5,291,560, 1994.
[2] R. Wildes. Iris recognition: an emerging biometric technology. Proceedings of the
IEEE, Vol. 85, No. 9, 1997.
[3] Documentatie OpenCV: http://opencv.org/about.html, accesat: Iunie, 2016
[4] Documentatie baza de date CASIA:
http://biometrics.idealtest.org/dbDetailForUser.do?id=4, accesat: Iunie, 2016
[5] Curs Online: http://www.tc.etc.upt.ro/teaching/stii/curs_STII_2008.pdf,
accesat: Iunie, 2016
[6] Documentatie transformata Hough: https://en.wikipedia.org/wiki/Hough_transform,
accesat: Iunie, 2016
[7] R. Wildes, J. Asmuth, G. Green, S. Hsu, R. Kolczynski, J. Matey, S. McBride. A
system for automated iris recognition, Proceedings IEEE Workshop on Applications of
Computer Vision, Sarasota, FL, pp. 121-128, 1994.
[8] Raman Maini, Dr. Himanshu Aggarwal. Study and Comparison of Various Image
Edge Detection Techniques.
[9] Zbăganu Alexandra, Stănoiu Iulia. Tehnici de detectie de contur.
[10] S. Sanderson, J. Erbetta. Authentication for secure environments based on iris
scanning technology. IEE Colloquium on Visual Biometrics, 2000.
[11] Studiu online. Sistem biometric multimodal de autentificare:
http://ares.utcluj.ro/PN2-ID-904_files/PN2-ID-904_files/sinteza2008.pdf, accesat: 2016
[12] Curs online. Transformata Wavelet:
http://ctmtc.utcluj.ro:8080/sites/pni/SACCDAV/Curs/Curs07_saccdmm.pdf, accesat: 2016
[13] D. J. Field. Relations between the statistics of natural images and the response
properties of cortical cells. J. Opt. Soc. Am. A, 1987, pp. 2379-2394.
[14] Studiu online. Laplacian of Gaussian:
http://homepages.inf.ed.ac.uk/rbf/HIPR2/log.htm, accesat: Iunie, 2016
[15] Michael W. Davidson, Mortimer Abramowitz. Molecular Expressions Microscopy
Primer: Digital Image Proccessing – Difference of Gaussians Edge Enhacement Algorithm,
Olympus America Incs., and Florida State University
[16] D. Lowe. Distinctive image features from scale-invariant key points, Inti Journal of
Computer Vision, vol. 60, no. 2, pp. 91-110,2004.
[17] Documentatie Algoritm SIFT în OpenCV:
http://docs.opencv.org/3.0.0/d5/d3c/classcv_1_1xfeatures2d_1_1SIFT.html#details,
accesat: 2016
[18] Tutoriale online OpenCV:
http://opencv-python-tutroals.readthedocs.io/en/latest/, accesat: 2016
[19] Documentatie Algoritm BFMatcher în OpenCV:
http://docs.opencv.org/3.0.0/d3/da1/classcv_1_1BFMatcher.html, accesat: 2016
[20] Libor Masek. Recognition of human iris patterns for biometric identification, Ph.D.
thesis, Technical Report, The school of Computer Science and Software Engineering, The
University of Western Australia, 2003.
[21] Izem Hamouchene, Saliha Aouat. A New Texture Analysis Approach for Iris
Recognition, 2014 AASRI Conference on Circuit and Signal Processing (CSP 2014).
47
[22] L. Latha, S.Thangasamy. A Robust Person Authentication System based on Score
Level Fusion of Left and Right Irises and Retinal Features, Procedia Computer Science 2
(2010) 111-120.
[23] Lin Ma, Kuanquan Wang, David Zhang. A universal texture segmentation and
representation scheme based on ant colony optimization for iris image processing, Computer
and Mathematics with Applications.
[24] C.M.Patil, Sudarshan Patilkulkarni. An Efficient Process of Recognition of Human
Iris based on Contourlet Transforms, Procedia Computer Science 2 (2010) 121-126.
[25] Poornima. S, C. Rajavelu, Dr. S. Subramanian. Comparisons and a Neural Network
Approach for Iris Localization, Procedia Computer Science 2 (2010) 127-132.
[26] Zhongliang Luo. Iris Feature Extraction and Recognition Based on Wavelet-Based
Contourlet Transform, Procedia Engineering 29 (2012) 3378-3582.
[27] K. Seetharaman, R. Ragupathy. Iris Recognition for Personal Identification System,
Procedia Engineering 38 (2012) 1531-1546.
[28] Jinghui Li, Bairui Tao, Yanchum Wang, Xibing Li. Research and Implementation of
Iris Recognition Algorithm, Procedia Engineering 29 (2012) 3353-3358.
[29] XiaoZhou Chen, ChangYin Wu, LiangLin Xiong, Fan Yang. The Optimal Matching
Algorithm for Multi-Scale Iris Recognition, Energy Procedia 16 (2012) 876-882.
[30] Prateek Verma, Maheedhar Dubey, Praveen Verma, Somak Basu. Daughman’s
Algorithm Method For Iris Recognition – A Biometric Approach, International Journal of
Emerging Technology and Advanced Engineering, 2012.
[31] Milena Bueno Pereira Carneiro, Antonio Claudio P. Veiga, Edna Lucia Flores and
Gilberto A. Carrijo. Solutions for Iris Segmentation, Federal University of Uberlandia –
Department of Electrical Engineering, Brazil.
[32] P. Radu, K. Sirlantzis, G. Howells, S. Hoque, F. Deravi. A versatile Iris Segmentation
Algorithm, School of Engineering and Digital Arts, University of Kent, Canterbury, United
Kingdom.
[33] Adrian Burlacu. Algoritmi de procesare a imaginii pentru aplicaţii de urmărire a
obiectelor în mişcare, Teză de doctorat, 2009.
[34] Gao Xiaoxing, Feng Sumin, Cui Han. Enhanced Iris Recognition Based on Image
Match and Hamming Distance, International Journal on Smart Sensing and Intelligent
Systems Vol. 8, No.2, Iunie 2015.
[35] Kevin W. Bowyer, Karen Hollingsworth, and Patrick J. Flynn. Image Understanding
for Iris Biometrics: A Survey, Computer Vision and Image Understanding 110 (2), 281-307,
Mai 2008.
[36] Alexandru Isar. Securitatea transmiterii informaţiei prin Internet – Curs, Facultatea
de Electronică şi Telecomunicaţii, Universitatea Politehnică Bucuresti.
[37] Oad Percy, Ahmad Waqas. Iris localization using Daugman’s algorithm, Bleckinge
Institute of Technology.
[38] Dr. Ing. Ionuţ Mironică. Interfaţa Vizuală Om-Masina; Analiza şi recunoasterea
gesturilor – Laboratorul de Analiză si Prelucrarea Imaginilor, Facultatea de Electronică şi
Telecomunicaţii, Universitatea Politehnică Bucuresti.
[39] Michael Boyd, Dragoş Carmaciu, Francis Giannaros, Thomas Payne, William Snell.
Iris Recognition – MSc Computing Science Group Project, Imperial College London, 2010.
[40] Paul Ungureanu, Liviu Goraş. Contribuţii la prelucrarea imaginilor cu aplicaţii în
clasificarea şi recunoaşterea formelor, Teză de doctorat, Universitatea Tehnică „Gheorghe
Asachi” din Iaşi, 2010.
[41] David G. Lowe. Distinctive Image Features from Scale-Invariant Keypoints,
Computer Science Department, University of British Columbia, 2004.
[42] Fernando Alonso-Fernandez, Pedro Tome-Gonzalez. Virginia Ruiz-Albacete, Javier
Ortega-Garcia. Iris Recognition Based on SIFT Features.
48
[43] Craig Belcher, Yingzi Du. Region-based SIFT approach to iris recognition, Optics
and Lasers in Engineering 47 (2009) 139-147.
[44] Rishabh Parashar, Sandeep Joshi. Comparative Study of Iris Databases and UBIRIS
Database for Iris Recognition Methods for Non-Cooperative Environment, International
Journal of Engineering Research & Technology, Iulie-2012.
[45]Sunita Lokhande, Vishram N. Bapat. Iris Recognition for Biometric Identification
using Wavelet Packet Decomposition, International Journal of Engineering Research &
Technology, Iunie-2012.
[46] Manisha M. Khaladkar, Sanjay R. Ganorkar. Comparative Analysis for Iris
Recognition, International Journal of Engineering Research & Technology, Iunie-2012.
[47] Kshamaraj Gulmire, Sanjay Ganorkar. Iris Recognition Using Gabor Wavelet,
International Journal of Engineering Research & Technology, Iulie-2012.
[48] Amrita (Student, Punjabi University, Patiala), Jsapreet Singh Cheema, Nirvair Neeru.
Detection and Removal of Noises in Iris Recognition System – A Review, International Journal
of Engineering Research & Technology, Aprilie-2013.
[49] Rajeev Gupta, Ashok Kumar. A study of Iris Template ProtectionTechniques for a
Secure Iris Recognition System, International Journal of Engineering Research & Technology,
Februarie-2015.
[50] Gurmail Kaur, Mr. Deepinder Singh. Iris Recognition as a Biometric Tool in
Unconstrained Environments, International Journal of Engineering Research & Technology,
Ianuarie-2016.
49