Распознавание по ушной раковине используя вейвлеты

Авторы: M. Ali, M. Y. Javed and A. Basit
Перевод: Дырул А. И.
Источник http://digital.liby.waikato.ac.nz/conferences/ivcnz07/papers/ivcnz07-paper16.pdf

Аннотация

 Ухо - новичок в биометрических методах идентификации. Различные методы идентификации по ушам использовались для улучшения существующих алгоритмов. В продолжение этих усилий, предлагается новый метод распознавания. Изображение уха вырезаются вручную из фотографии. После этого вейвлет-преобразование используется для извлечения функции и использования евклидова расстояния. Результаты, достигнутые с помощью предложенного метода показали вероятность распознавания до 0,94.

Введение

 Биометрия является наукой, в которой лицо является основой физиологических особенностей или поведенческих характеристик [1]. Физиологический характеристики включают в себя отпечатки пальцев, радужную оболочку (сканирование сетчатки), сканирование лица, термограмма лица, отпечаток ладони, ухо и т. д. в то время как поведенческие характеристики состоят из опознания походки, запаха, распознания голоса и проверки подписи. Результаты полученые в области биометрии при помощи одного или нескольких средств показывают, что биометрические методы являются гораздо более точными, чем традиционные методы.
Другие, чем точность, всегда были определенные проблемы, которые остаются связанными с существующими традиционных методов. В качестве примера рассмотрим собственность и знания. Оба они могут быть распространены, украдены, забыты, скопированы и.т.д. Однако опасность сводится к минимуму в случае использования биометрических средств [2].

 Биометрия используется во всех типах системы безопасности. В связи с развитием технологий атак, возникает необходимость поиска новых средства для использования в качестве автономного устройства или приложения совместно с существующими системами. Для того, чтобы создать новый класс в биометрии, необходимо, чтобы выполнялось условие универсальности и особенности для каждого человека. Также эти условия не должны изменяться с течением времени[3]. Очевидно, что уши отвечают всем требованиям, что делает их приемлимыми для использования в биометрии. Ухо имеет ряд биометрических  преимуществ перед лицом: сокращение пространственное разрешение, более равномерное распределение цветов и меньшая зависимость к выражению и ориентации лица.
 
    В данной работе для идентификации человека по уху используются вейвлеты.
Остальная часть работы организована следующим образом. В втором разделе "История темы и похожие работы" описываются работы связанные с идентификацией по уху. Третий раздел включает в себя предварительную обработку в соответствии с разделом четыре. В разделе пять представленые результаты и замечания, в шестом разделе сделаны выводы.

История темы и похожие работы

    Ухо было впервые использовано для идентификации личности Iannarelli [4], который использовал ручной метод для выявления изображений ушей. Были изучены более 10.000 образцов  ушей, чтобы доказать своеобразие уха. Структура уха радикально не изменяеться с течением времени. В медицинской литературе [4] содержится информация, что ухо растет равномерно после первых четырех месяцев со дня рождения и изменения не происходят в возрасте от 8 до 70. Виктор и др.[5] и Чжан и др.. [6] использовали собственное ухо для идентификации. Полученные результаты были различными в обоих случаях. Результаты Чанг показывают никакой разницы при использовании уха или лица найдено было,а результаты Виктора показали, что использование ушей  хуже сказывается на результате чем лицо. В соответствии с мнением Чанга , разница в результате может быть связана с использованием различного качества изображений. Морено и др.. [2] использовали двухмерные изображения ушей с тремя подходами нейронных сетей (Борда, Байеса, Весовые байесовской комбинации) для признания. В работе использовалось 6 изображений из 28 человек, верная работа алгоритма была зарегистрирована в 93% случаев. Чен и др. [7] исследовали двухитерационный алгоритм на 30 испытуемых с использованием их 3D изображения уха, которые были вручную обработаны. Результаты показали 2 несоответствия из 60 изображений.
       
    Методика предпринятая для распознавания уха показана на рис.1. Основными блоками являются блоки предварительной обработки, выделения признаков, подготовки кадров и соответствия. Подробная информация приведена в следущих разделах.

Шаги предлагаемого метода
Рис.1 Шаги предлагаемого метода

Предварительная обработка

    Изображения с серьгами и другими артефактами и окклюзиями с волосками не были обработаны в этой исследовательской работе. Каждое изображение прошло следующие шаги до функции обработки.
  • Изображение уха вырезается вручную из полного изображения головы человека.
  • вырезанное изображение изменяется.
  • Цветное изображение преобразуется в оттенки серого изображения.
      Вырезание производилось вручную, автоматизация этого процесса проводится.  Размеры вырезанного ушного изображения отличаются. Для того, чтобы найти то же
ряд особенностей от каждого изображений, все изображения имели фиксированный размер 64 * 64 пикселей. Каждое изображение было преобразовано из RGB в градации серого (или в оттенки серого). На рис.2 показано изображение на последем этапе предварительной обработки.демонстрирует выход в конце предварительном этапе. Рис 2 (a) показывает, реальное изображение в базе данных, вырезанное изображение показано на рисунке 2 (b). Рисунок 2 (с) и рис 2 (d) являются измененый размер и обсцвеченный соответственно.

Работа алгоритма

Рис.2 (a)Изображение в базе данных (b)Вырезанное изображение (c) сжатое изображение (d) Обесцвеченное изображение


Выделение признаков и сопоставление

    После нормализации  изображения уха, следующим шагом является функция выделения. Новой техники осуществляется для функции выделения с использованием вейвлет-преобразования Хаара [9]. Вейвлет Хаара  второго уровня применяется для изображения и приближении коэффициентов второго уровня сохраненных в векторную строку. Этот вектор имеет размер 256 байт, что и требуется для обработки изображения уха.
Эти векторы используются для проверочной базы данных. В процессе обучения,берутся номера изображений, а затем функция вектора каждого образа сохраняется в подготовленную базу данных наряду с средним числом подготвливаемых изображений. Для соответствия, вектор тестового изображения рассчитывается используя евклидово расстояние для всех обученных векторов. Изображения соотвествующие минимальному значению евклидова расстояния совпадали с образом при рассмотрении.

Экспериментальные результаты и обсуждение

    Предложенный подход реализован в MATLAB 7.0 на компьютере с 1,6 ГГц процессором Intel и 256 Мб ОЗУ. В экспериментах использовались изображения из базы данных ушей университета Нотр-Дам[8] . База данных содержит в общей сложности 464 изображения с разрешением 1200 * 1600 пикселей, содержащая 114 пациентов с ухом с видом сбоку и углом обзора от -90 и -75.
Набор из 32 людей был использован для проведения экспериментов имеющих шесть и более изображений каждого. Рис. 3 показывает, результаты ряда учебных изображений против правильного распознавания. Как видно из рисунка, если число учебных изображений увеличивается, то увеличивается и распознавание изображения признание скорости. Для двух учебных изображений, правильность распознавания достигает 78,5%, а если система имеет три тренирочных изображения изображения, то точность составляет 84,2%.

Скорость распознавания

Рис.3 Скорость распознавания

    Аналогичным образом, когда число учебных изображений равно четырем, правильность распознавания составляет 90,2% , в то время как оно доходит до 94,3%, число обучающих изображений должно равняться пяти. Время затраченное на подготовку трех изображений из набора составляет 3,8 секунд, в то время она увеличилась до 4,8 секунды и 6,1 секунд для подготовки данных с четырьмя и пятью изображениями соответственно. Учебного времени для полного набор из 32 людей колеблется от 2,8 до 6,1 секунд в то время как и признание время для полного набора изображения варьируется от 7,5 до 9,1 секунд, соответственно, как показано на Рис. 4.

Время анализа

Рис.4 Время анализа

   Изображения, используемые в этой экспериментальной работы без вращения. В будущей работе, уха изображения будут ориентированы на же положении, в предварительном этапе. Ожидается, что этот процесс повысит результаты распознавания. Теперь результаты будут сравнены с работы другим исследователем в том же поле, используя различные методы. Результаты получены с использованием предлагаемого метода лучше, чем аль Морено и др.. [2]. его результат дал 93%, тогда как наш метод правильного распознавания составил 94,3%. Аналогично с работой Чена. [7] Чена получает два неправильных изображения из 60 (т.е. 96,6%). Скорость выше, потому что число изображения, используемых в его эксперименте были  намного меньше.

Выводы

 Ухо совсем недавно стало пользоваться популярностью среди ученых занимающихся биометрией. В данной работе новый метод распознавания человека предлагается на основе изображений человеческого уха  с использованием вейвлет-преобразования. Изображения ушей  обрезаны вручную и изменяется до фиксированного размера путем преобразования в оттенки серого. После этого  используется вейвлета Хаара преобразование второго уровня используется для извлечения функция из изображения. База данных используется для обучения и классификации. Она основана на использовании евклидового расстояния. Полученные результаты сопоставлены с рание проведенными работами.

Благодарности

  Авторы хотели бы поблагодарить г-н Saqib Masood за его ценные предложения. Мы также выражаем благодарность научно-исследовательской лаборатории в университете Нотр-Дам за предоставление  биометрических данных по e запросу.

Список литературы

[1] Basit, A., Javed, M. Y. and Anjum, M. A., “Efficient iris recognition method for human  identification”, ENFORMATIKA, pp. 24-26, vol 1, 2005.

[2] Moreno, B., Sanchez, A., Velez, J., F., “On the Use of Outer Ear Images for Personal Identification in Security Applications”, IEEE 33rd Annual International Carnahan Conference on Security Technology, pp. 469-476, 1999.

[3] Jain, A., Hong, L., Pankati, S., “Biometric Identification”, Communications of the ACM, vol. 43, No. 2, pp. 91-98, 2000.

[4] Iannarelli, A., in: “Ear Identification”, Paramont Publishing, 1989.

[5] Victor, B., Bowyer, K., and Sarkar, S., “An Evaluation of Face and Ear Biometrics,” Proc. 16th Int’l Conf. Pattern Recognition, pp. 429- 432, 2002.

[6] Chang, K., Bowyer, K. and Barnabas, V., “Comparison and Combination of Ear and Face Images in Appearance-Based Biometrics,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 25, pp. 1160-1165, 2003.

[7] Chen, H., and Bhanu, B., “Contour Matching for 3D Ear Recognition”, Proc. Seventh IEEE Workshop Application of Computer Vision, pp. 123-128, 2005.

[8] Http:\\www.UNDBiometricsDatabase.htm, 2005

[9] Burrus, C., Gopinath, R., and Guo, H., “Introduction to Wavelets and Wavelet Transforms”, Prentice Hall, New Jersy, 1998