شناسایی اثر اگشت با استفاده از شبکه عصبی

شناسایی اثر اگشت با استفاده از شبکه عصبی

اسلاید 1: 1اثر انگشت بعنوان الگوی برآمدگی ها و فرو رفتگی های سطح انگشت شناخته می شود شناسایی اثر انگشت از روی برخی مشخصه های آن که جزئیات (Minutae) نام دارند انجام می شود.این جزئیات عبارتند از تقاطع، انتهای رگه، نقطه، جزیره، سیخ، دوشاخه، پل و رگه دماغی. در بیشتر سیستم های تشخیص اثر انگشت (AFIS)، دو نوع برجسته از نقاط ویژه به دلیل دوام و پایداری بکار می رود که عبارنتد از انتهای رگه و دوشاخهجزئیات

اسلاید 2: 2جزئیات یک اثر انگشت باید در مقابل بریدگی، کوفتگی، کبودی و هرگونه آسیب بدون تغییر باقی بمانند.محل قرارگیری انگشت، بسته شدن بخش کوچکی از انگشت، سنسورهای بکار رفته در نمونه گیری و اعوجاج (انحنا و کجی) از مورادی هستند که می توانند سبب بروز خطا شوند.اما الگوی شیارها و رگه های یک اثر انگشت، علاوه بر منحصر بفرد بودن، تا حد زیادی نسبت به موارد فوق پایدار هستند.استفاده از الگوی رگه ها در شناسایی

اسلاید 3: 3تصویر اثر انگشتاگر اثر انگشت را بعنوان یک تصویر سیاه و سفید در نظر بگیریم، آنرا می توان بصورت یک سیگنال دوبعدی با مولفه (x,y) بصورت محورهای مکانی پیوسته بیان کرد که مقدار تصویر در هر نقطه نیز معرف روشنایی آن نقطه است و بصورت f(x,y) بیان می شود.تصویر اثر انگشت f(x,y) را می توان با نمونه برداری روی محور افقی و عمودی بصورت یک تصویر گسسته f(x,y) تعریف کرد.یک اثر انگشت را می توان با یک ماتریس M N بیان کرد. در این ماتریس هر کدام از مولفه ها یک پیکسل از تصویر هستند. نرخ نمونه برداری تصویر نیز تعداد پیکسل ها و در واقع ابعاد ماتریس را مشخص می کند.مقدار روشنایی تصاویر بنابر نیاز، به تعداد سطوح روشنایی L کوانتیزه (تقسیم کردن به بخش های قابل شمارش) می شوند که می تواند در محدوده 0 تا 1 و یا 0 تا 255 قرار گیرد.

اسلاید 4: 4در شکل زیر، تصویر یک اثر انگشت با مقادیر روشنایی صفر و یک مشاهده می کنید.

اسلاید 5: 5الگوریتم پیشنهادیبا توجه به اینکه در اثر انگشت ها الگوی رگه ها و شیارها متفاوت می باشند، ماتریس تصویر آنها نیز با یکدیگر متفاوت است. بنابراین می توان با توجه به ماتریس تصویر یک اثر انگشت، آنرا از اثر انگشت های مشابه تشخیص داد.در این روش به منظور جلوگیری از مقایسه دو نمونه مغایر که امری بیهوده است، اثر انگشت ها بر اساس روش های موجود بصورت بصورت دلخواه طبقه بندی می شوند و برای تشخیص هر طبقه از یک شبکه عصبی استفاده می شود. به این صورت که ماتریس تصویر اثر انگشت را به یک بردار سطری تبدیل نموده و از آن بعنوان الگوی ورودی شبکه های عصبی استفاده می شود. با دادن نمونه های مختلف از یک اثر انگشت به شبکه های عصبی، این شبکه ها پس از آموزش قادرند بر اساس الگوی رگه ها و شیارها و بر اساس ماتریس تصویر، اث انگشت را با دقت بسیار بالایی شناسایی کنند.

اسلاید 6: 6در این شکل، فلوچارت روش پیشنهادی را مشاهده می کنید.

اسلاید 7: 7پیاده سازینرم افزار متلب (MATLAB) به دلیل تطبیق پذیری و دقت بالای خواندن اشکال گرافیکی، گزینه مناسبی برای پیاده سازی این پروژه ها می باشد.ابتدا تصویر اثر انگشت خوانده شده و ماتریس آن با ابعاد m n استخراج می شود. طبق استاندارد های جهانی، یک اثر انگشت باید با دقت 500 dpi , 8 bpp نمونه برداری شود که یک تصویر 512 × 512 را با 256 سطح خاکستری نتیجه می دهد.بنابراین مقادیر m و n برابر 512 می باشند. آرایه های این ماتریس از نوع اعداد صحیح بدون علامت 8 بیتی بوده و مقداری بین 0 تا 256 دارد. سپس صفحات اول و دوم ماتریس را کنار هم قرار داده و یک ماتریس دوبعدی با ابعاد 2n m بدست آورده و سپس این ماتریس را به یک ماتریس سطری با ابعاد 2n m 1 تبدیل می کنیم.حال این بردار را که از نوع 8unit می باشد، به برداری با دقت مضاعف از نوع double تبدیل می کنیم و تمام عناصر آن را بر 255 تقسیم نموده تا برداری با عناصر بین 0 و 1 بدست آید.مراحل فوق را برای تمامی اثر انگشت های موجود در بانک داده تکرار نموده و آنها را در یک ماتریس 190 (1 m 2n) ذخیره نموده و از آن به عنوان الگوی ورودی شبکه عصبی استفاده می کنیم.

اسلاید 8: 8انتخاب شبکه عصبیشبکه ی عصبی که برای تشخیص گروه به کار می رود از نوع پرسپترون چند لایه بوده و دارای 2n m 1 ورودی، 38 لایه میانی و 19 لایه خروجی می باشد، که هر خروجی مربوط به نام گروه مربوطه خواهد بود.بدین ترتیب، تمام اثر انگشت ها به شبکه عصبی وارد گردیده و شبکه برای تشخیص گروه، آموزش می بیند.برای جستجوی اثر انگشت در هر گروه نیز از یک شبکه عصبی MLP با 2n m 1 نرون ورودی، 20 لایه میانی و 10 نرون خروجی استفاده شده است.در این شبکه نیز خروجی مربوط به هر اثر انگشت برابر با یک و بقیه خروجی ها -1 خواهند بود.

اسلاید 9: 9آموزش شبکه های عصبیوزن لایه اول ماتریس را که دارای ابعاد (1 m 2n) 30 است را V و وزن لایه دوم را که دارای ابعاد 1 ×30 می باشد را W در نظر می گیریم.مراحل آموزش شبکه عصبی به صورت زیر است:1- مقادیر اولیه ضرایب وزنی و بایاس (سوگیری) بصورت تصادفی می باشد. این وزن ها بین 0.5- و 0.5 انتخاب می شوند. نرخ آموزش نیز 0.1 انتخاب می شود.2- برای خر زوج آموزشی ورودی، مراحل 3 تا 8 انجام می شود.3- هر الگوی آموزشی ورودی را به شبکه اعمال کرده و سیگنال حاصل به لایه بعدی (لایه پنهان) باز پخش می گردد.4- سیگنال net هر نرون Z در لایه میانی از رابطه زیر محاسبه می گردد:

اسلاید 10: 10سپس تابع تحریک سیگموید یک قطبی، روی آن اعمال شده و خروجی هر نرون محاسبه می شود.در ادامه این سیگنال، طبق رابطه زیر به نرون لایه خروجی ارسال می گردد:5- سیگنال net نرون خروجی، طبق رابطه زیر محاسبه می شود:سپس تابع تحریک سیگموید یک قطبی، روی آن اعمال شده و خروجی شبکه عصبی طبق رابطه زیر بدست می آید:

اسلاید 11: 116- اختلاف بین خروجی شبکه عصبی و خروجی واقعی محاسبه شده و سیگنال خطا از رابطه زیر بدست می آید:در این رابطه t1 ، خروجی قابل قبول شبکه عصبی می باشدکه شماره گروه اثر انگشت را نشان می دهد.چون مشتق تابع سیگموند یک قطبی طبق رابطه زیر می باشد:سپس با توجه به روابط زیر، اختلاف وزن های لایه خروجی بدست می آید:

اسلاید 12: 127- ورودی دلتا برای واحدهای لایه میانی طبق رابطه زیر محاسبه می شود:سپس مقدار سیگنال خطا برای هر نرون لایه میانی طبق رابطه زیر محاسبه خواهد شد:

اسلاید 13: 138- در ادامه، اختلاف وزن لایه میانی طبق 4 رابطه زیر بدست می آید:در این روابط j=1 30 و i= 1 … 1 m 2n می باشد.9- بررسی شرط توقف.

اسلاید 14: 14دقتاز بررسی 285 نمونه، برنامه 190 نمونه ای که شبکه عصبی با آنها آموزش دیده بود را به درستی تشخیص داد.پس از اینکه برخی از نمونه ها را با استفاده از نرم افزار تغییر داده و جزئیات را دستکاری کرده و حتی قسمتی از آنها را حذف نمودیم، اما باز هم اثر انگشت تشخیص داده شد.از 95 نمونه ای که شبکه عصبی با آن آموزش ندیده بود، 91 مورد آن به درستی تشخیص داده شد. در نتیجه نرخ خطای این روش، 96% می باشد که بسیار مناسب است. نرخ خطای آموزش شبکه عصبی پس از چند مرحله آموزش به 0/000065 رسید..در این شکل، نمودار کاهش نرخ خطا را مشاهده می کنید:

اسلاید 15: 15نتیجه گیریدر این روش استفاده از شبکه های عصبی برای جستجوی ماتریس تصاویر سبب می گردد، حتی بدون پیش پردازش تصویر که در سایر روش ها باید صورت گیرد، مقایسه با دقت بسیار بالا انجام پذیرد.با این روش شناسایی تصاویر نویزی، مخدوش و حتی تصاویر ناقص و تکه شده که در سایر روش ها امکان پذیر نیست، به سادگی انجام می شود.