Кодиране на отличителната черта в биометричните технологии
За да се осигури точно разпознаване на индивиди, трябва да се извлече максимално много отличителна информация от ириса. Само значещите отличителни черти на ириса трябва да са кодирани така, че сравненията между шаблоните да може да се направи. Болшинство опознавателни системи на ириса използват декомпозиция на ирисовия образ за да се създаде биометричен шаблон, след което биометричния шаблон се кодира. Кодирания биометричен шаблон също така ще се нуждае от съответстващи и съчетаващи показатели, които да дават критерии за сходство между два шаблона на ириса. Тези показателе би трябвало да зададат диапазон от стойности чрез които да се сравняват шаблоните възпроизведени от едно и също око, известено като интра-клас(intra-class) сравнения, и друг диапазон от стойности когато сравняваме шаблони създадени от различни ириси, известени като интер-клас(inter-class) сравнения. Тези два случаи би трябвало да дадат ясни стойности, така че да може да се направи сравнението с високо доверие, че ще се определи дали два шаблона са от еднакви ириси, или от два различни ириса.Елементарна вълна кодиране (Wavelet Encoding). Wavelets могат да са използвани да разложат на съставни части данните в региона на ириса в компоненти които се появяват в различните резолюции. Wavelets имат преимуществото пред традиционното Фурие преобразуване в това, че честотните данни са локализирани, има възможност отличителните черти които се срещат в еднаква позиция и резолюция да бъдат сравнени. Броя на Wavelets филтрите, наречен банка на Wavelets, се прилагат към 2D региона на ириса. За всяка резолюция се прилага Wavelets със същата базисна функция. Изходът от Wavelet кодира ирисовия регион за да осигури компактност и диференциалност на представяне на ирисовия модел.
Gabor филтри. Gabor филтрите са способни да осигурят оптимално представяне на сигнал в пространствената и честотна област. Gabor филтъра е построен от модулиране на синусово(косинусово) Гаусово преобразуване. Този способ се прилага за да се осигури оптимална обща локалозация в пространствената и честотна област, понеже вълната на синуса е напълно локализирана в честотната област, но не е локализирана в пространствената област. Модулацията на синуса с Гаус осигурява локализация в пространството, макар, и със загуба на локализация в честотната област. Декомпозицията на сигнала се осъществява с използване на квадратурен чифт Gabor филтри, с реалната част определена от косинус модулиран от Гаус, и имагинерна част определена от синуса модулиран с Гаус.
Daugman демодулира изхода от Gabor филтра за да сгъстят(компресират) данните. Това се прави чрез квантуване на фазаовата информацията в четири нива, за всеки възможен квадрант в комплексната равнина. Това е било проектирано от Oppenheim и Lim. Тази фазова информация, (вместо амплитудна информация) носи най-значителната информация за образа. Печели се само полезната информация, която фазова информация ще позволи кодиране на информация в ириса, като се отхвърлят излишната информации както например, осветяване, което се представя от амплитудния компонент. Тези четири нива са представени с използване на два бита данни, така всеки пиксел в модела на нормализирания ирис отговаря на два бита данни в шаблона на ириса . Така се създава 256-байтов шаблон, който дава възможност за ефективно съхранение и сравнение на ириси. Daugman система използва полярни координати за нормализация
Log-Gabor филтър(Логаритмичен Gabor филтър). Неудобството на Gabor филтъра е това, че четения симетричен филтър ще има компонент на DC(квадратни импулси) всеки път, когато широчината на честотната лентата е по-голяма отколкото една октава [11]. Тъй като, компонент на нулево DC може да е получена за която и да било широчина на честотната лента от използване на Gabor филтър който е Гаус на логаритмична скала, това е известено като Log-Gabor филтър
Haar wavelet. Haar преобразуванието е едно от най-простите в wavelet математиката. То използва квадратни импулси за да апроксимира оригиналната функция. Основните функции за Haar wavelet на различните нива изглеждат като сигнали, изместени по x-оста. Тези функции се наричат нива. За да се премине от ниска резолюция към висока резолюция ние използваме точно тези нива, които извличат информацията, която е била загубена по време на трансформацията. Haar wavelet може да бъде обяснено като линейна комбинация на вектори, които се образуват при преминаване от по-висока към по-ниска резолюция, така че да запазват информацията от прехода.
Лапласово и Гаусово филтриране. За да кодира характерните черти на ириса, Wildes разлага на съставни части ирис региона чрез използване на Лапласово и Гаусово филтриране на ирисовия регион. Филтрираният образ е представен като Лапласова пирамида , която е способна да сгъсти (компресира) данните, така, че само значещите данни да останат. Детайлите на Лапласовата пирамиди са представени от Burt и Adelson. Лапласовата пирамида е построена за четири различна резолюционни нива за да се постигне компактен ирисов шаблон.
Хаминг растоянието дава мярката на колко бита разтояние са двата битови ирисови шаблона. Използване на Хаминг разстоянието над два битови модела, дава решение дали два ирис шаблона са от еднакви или от различни ирисови шаблона. В сравнението на битовете на ирис шаблоните на X и Y, Хаминг разстояние, HD, е определен като сумата на несъответствие на битовете (сума на изключителната-OR между X и Y) над N, общото число на битовете в ирисовия модел.
Нормализираната корелация е по-удобна в сравнение с стандартна корелация, понеже този способ дава отговор за местни изменения в интензивността на образа, които развалят изчислението при стандартната корелация.
Вижте също:
Постоянна връзка към статията (Permalink): Кодиране на отличителната черта в биометричните технологии: