منصة الرسائل والاطاريح: تحديد هوية الشخص بناءً على الاندماج العميق لميزات القزحية وأساليب التعلم الآلي

الخلاصة

يوفر نظام القياسات الحيوية الية تحديد هوية الفرد بناءً على ميزة أو خاصية فريدة يمتلكها الفرد. يعد التعرف على قزحية العين أحد أكثر تقنيات تحديد الهوية تمثيلا في التعرف على القياسات الحيوية ، والذي يستخدم على نطاق واسع في مختلف المجالات. تعتمد هذه الأنظمة على سمات نسيج قزحية العين ، والتي تتميز بالثراء والعشوائية والتفرد ، بالإضافة إلى الثبات ، وهذا يجعل أنظمة التعرف على قزحية العين أكثر دقة وموثوقية. المشاكل في صور قزحية العين (مثل الجودة الرديئة وصور قزحية غير خطية مشوهة) تجعل مهمة التعرف أكثر صعوبة وتحديًا. كما أن الضوضاء المتأصلة في صور قزحية العين تسبب تدهورًا كبيرًا في كفاءة التمييزاو التعرف على الشخص. كل هذه المشاكل تفتح تحديات في موضوع التعرف على قزحية العين. وبالتالي ، من المهم تطوير نظام فعال ودقيق للتعرف على قزحية العين يعزز دقة التعرف. لتلبية هذه الاحتياجات ، في هذه الرسالة ، يتم اقتراح نظام تحديد قزحية العين الذي يعتمد على العثور على مجموعة من ميزات قزحية العين التي تعزز دقة النظام. في السنوات الأخيرة ، حقق التعلم العميق أداءً عالياً في العديد من مهام الرؤية الحاسوبية ، مثل تصنيف الصور ، والتجزئة الدلالية ، واكتشاف الأشياء. لذلك ، تم الاعتماد على تقنيات التعلم العميق لاستخراج ملامح نسيج القزحية. لاستخراج الميزات ، يتم استخدام تقنية التعلم العميق التي تمثلها الشبكة العصبية التلافيفية (CNN). تم تصميم شبكة CNN بحيث تتكون من عدة طبقات لاستخراج الميزات. من خلال مراحل التدريب والاختبار ، يتم تمرير صورة العين المدخله عبر سلسلة من مراحل المعالجة الرئيسية (وهي تحديد القزحية, تحويل الشكل الدائري للقزحية إلى مستطيل واستخراج الخصائص). ان تحديد القزحية هو عملية فصل منطقة القزحية عن باقي أجزاء العين. يتم تحديد منطقة قزحية العين من خلال إيجاد حدود البؤبؤ أولاً باستخدام مجموعة من عمليات معالجة الصور. ثانيًا ، يتم تطبيق طريقة لتحديد الحدود الخارجية لمنطقة القزحية. لتجاوز المشاكل التي تنشأ بسبب التغيير الطبيعي في حجم البؤبؤ ، يتم إعادة تشكيل القزحية الدائرية وتعيينها لتكون مستطيلة. تقع القزحية بين الحدقة والصلبة البيضاء ، لذا فهي ذات شكل حلقي وحجم غير مستقر ، لذلك هناك حاجة لعملية أخرى لتحويلها إلى مستطيل ثابت الأبعاد يسهل استخلاص معالمه. هذه العملية تسمى Normalization. لإظهار تأثير الميزات المستخرجة بواسطة نموذج CNN المقترح ، تم استخدام عدة طرق لتحديد هوية الشخص. كانت الطريقة الأولى في التصنيف هي استخدام الشبكة العصبية الاصطناعية (ANN) ممثلة بالطبقة المتصلة بالكامل في نموذج CNN ومصنف SoftMax. الثاني يشمل التصنيف باستخدام الحد الأدنى من المسافة الإقليدية. في هذه الطريقة ، يتم استخدام الميزات المستخرجة في مرحلة التدريب لبناء قالب لكل شخص بناءً على تطبيق طريقة اندماج الميزات المعتمدة على حساب متوسط قيم عينات التدريب لكل شخص ويتم حفظها في قاعدة بيانات التدريب. طريقة التصنيف الثالثة هي استخدام آلة متجه الدعم (SVM). تم اختبار النظام المطور على قاعدتي بيانات (CASIA-1 و CASIA-4). كانت نتائج الطريقة الأولى 98.89 و 98.5 ل CASIA-V1 و CASIA-V4 على التوالي. كانت نتائج الطريقة الثانية 96.29٪ و 95.83 لـ CASIA-V1 و CASIA-V4 على التوالي. كانت نتائج الطريقة الثالثة 99.54٪ و 98.83٪ للطريقة CASIA-V1 و CASIA-V4 على التوالي.