TEMPLATE DESIGN © RECONHECIMENTO DE ÍRIS USANDO FILTRO DE CORRELAÇÃO Volnei da Silva Klehm 1, Waldir S. S. Júnior 1,2 1 UFAM/CETELI/PPGEE, Universidade Federal do Amazonas, Manaus, AM, Brasil. 2 UFAM/CETELI/DET/PPGEE, Universidade Federal do Amazonas, Manaus, AM, Brasil. 1. Introdução A área de identificação biométrica computacional tem assumido um papel cada vez mais importante nos dias atuais, a cada dia faz-se mais presente no cotidiano tendo diversas aplicações onde a identificação robusta e eficaz se faz necessária. Um dos processos de identificação biométrica mais difundidos é o reconhecimento de impressões digitais, entretanto, tal método necessita contato e, portanto, exige o uso de um leitor específico e a confirmação de identidade não pode ser realizada a distância. Nesse contexto, identificações biométricas sem contato físico (ex. voz, face, expressão e íris) apresentam a vantagem de tornar possível o reconhecimento através de um conjunto de mídias ampliando significativamente as áreas em que a identificação biométrica pode se usada. Um dos métodos de destaque em reconhecimento biométrico sem contato é a identificação feita através de íris, o qual, apresenta um elevado grau de singularidade e informação biométrica. Aqui será explorado um método alternativo de reconhecimento conhecido como filtragem de correlação e a razão para tal escolha será justificada nas seções seguintes. 2. Projeto de Máquinas de Aprendizado Esta etapa far-se-á através do uso de imagens adquiridas por terceiros em outros trabalhos/instituições. A seguir alguns bancos de dados de imagens de íris serão descritos: 1.CASIA da Academia Chinesa de Ciências [4] contém 108 classes de íris sendo cada uma com 7 imagens, da mesma íris, fotografadas com iluminação infravermelha eliminando assim reflexos nas imagens. 2.UBIRIS [5] da Universidade de Beira Interior de Portugal, é dividido nas versões UBIRIS.v1 e UBIRIS.v2, contendo imagens 1877 imagens de 241 indivíduos e imagens de 261 indivíduos respectivamente, as imagens são fotografadas com luz visível Pré-processamento Apesar de quase nenhum pré-processamento ser necessário neste trabalho, visto que filtros de correlação apresentam robustez a maioria das distorções encontradas em aplicações reais de reconhecimento de íris (deslocamento, ruído, ocultação de parte do padrão de teste, etc.), uma etapa de pré-processamento onde as imagens de íris são normalizadas e seu padrão mapeado em coordenadas polares [6] é natural em diversos trabalhos (Figura 2) Seleção de Características 2.4. Escolha do Classificador Na equação anterior, Y representa a saída do correlacionador, H é o filtro projetado (o * indica conjugado complexo) e I é o padrão de teste. Assim sendo, o esquema básico do classificador aqui proposto será (Figura 4): 2.5. Treino do Classificador 2.6. Avaliação do Classificador 4. Referências Bibliográficas O objetivo básico da etapa de treinamento é de obter, no plano de correlação, um pico de energia bem definido na origem do mesmo e valores próximos de zero no restante. Tal processo deve atender critérios (métricas) pré-definidos os quais devem ter seus valores minimizados ou maximizados (dependendo do parâmetro) para um bom desempenho do filtro. Como exemplo de tais parâmetros de projeto temos: 1.PSR (“ peak-to-sidelobe ”) o qual tem objetivo de maximizar a relação entre a intensidade do pico central de energia e a região adjacente; 2.ACE (“ average correlation energy ”) que deve ser minimizado. Reconhecimento de padrões é o estudo de como máquinas podem observar o meio, aprender a distinguir padrões de interesse e tomar claras e boas decisões sobre as classes dos padrões [1]. O ciclo de projeto de uma máquina de aprendizado (classificador) é constituído de seis etapas básicas (coleta de dados, pré- processamento, seleção de características, seleção do modelo, treinamento e avaliação de desempenho) [2, 3] (Figura 1). As etapas do ciclo de projeto serão tradadas em detalhes de forma específica para o trabalho nas subseções seguintes Coleta de Dados Uma vantagem do uso de filtros de correlação neste trabalho é o fato de não ser necessário o uso de um método formal de extração de características. A própria imagem pré-processada seria suficiente para o para o bom funcionamento deste classificador. Figura 5 3. Conclusão [1] AKSOY, S. Introduction to Pattern Recognition. [S.l.]: Spring, [2] JAIN, A. K.; DUIN, R. P. W.; MAO, J. Statistical Pattern Recognition: A Review. IEEE Trans. On Pattern Analysis And Machine Intelligence, p. Vol. 22, no 1, [3] HAGAN, M. T.; DEMOTH, H. B.; BEALE, M. Neural Network Design. [S.l.]: PWS Publishing Company, [4] CASIA Iris Image Database. Disponivel em:. [5] UBIRIS database. Disponivel em:. [6] THORNTON, J.; SAVVIDES, M.; KUMAR, B. B. V. K. V. Robust Iris Recognition Using Advanced Correlation Techniques. [S.l.]: Springer, [7] KUMAR, B. V. K. V.; MAHALANOBIS, A.; JUDAY, R. Correlation Pattern Recognition. [S.l.]: Cambridge University Press, [8] KUMAR, V. K. V. B. Tutorial survey of composite filter designs for optical correlators. Appl. Opt., 31, –4801. [9] WILEY, J. Wiley Encyclopedia of Biomedical Engineering. [S.l.]: John Wiley & Sons, Com o advento dos processos de reconhecimento biométrico, novas abordagens têm se feito necessárias afim de reduzir o trabalho de processamento e melhorar a confiabilidade dos classificadores. Como exemplo dos principais desafios da identificação se citam: elevado custo e precisão dos equipamentos utilizados e dificuldade de compensação de distorções corriqueiras do processo de aquisição (rotações, translações, ruídos, etc.). O uso de filtros de correlação traz um modo promissor de tratamento desses desafios, tendo como ponto extra sua necessidade mínima de etapas de pré-processamento, mesmo em imagens bem distorcidas. Figura 2 Figura 1 Figura 3Figura 4