شناسایی اثر اگشت با استفاده از شبکه عصبی

صفحه 1:


صفحه 2:
3 000 ‏ا ا‎ oo per Se 1 ‏مما ا ا‎ در ۱ ‏ع ا‎ creed ۳ eae 

صفحه 3:
Pe eR SP CRNer TRE] ‎See TCR Re Ce eS e Te 1 eee nee Se Re Tal ed‏ ا ل ‎Bee Stree) dc Ca et Se eR Oy ree SS] Rene a TU ee ek ree SCC SS SE Uc‏ مورادی هستند که می توانتد سبب بروز خطا شوند. ‎CCE IEC ECT ES EE eROe TTA Ee Ran Tee er ee Mer i Enor AC Me PRCT ET CSET Satyr] ‎ ‎ 

صفحه 4:
تصویر اثر انگشت ] Ne Senne ces ru Re Mee So en eer Eres ‏ا‎ Renae Sie ‏بصورت محورهاى مكانى ييوسته بيان كرد كه مقدار تصوير در هر نقطه نيز معرف روشنايى آن نقطه است و بصورت (لإ,9)] بيان‎ ‏می شود.‎ ۱ renee eee Te BT eR OTCs SL tod Te ‏ا‎ ‎Breer Bree IV ROR OLE LCSW IE ICY Yerere Yer Pees Tor Maren Leelee ree Toe ee ke 1 BAP CNY Ree Rec prea ere Veer Te CEST (C8) ne RC Te eon ete aad verre) Saved eee NEL een ok SES) ee et eer Se 0 eRe See Si ey 

صفحه 5:


صفحه 6:
الي با توجه به اینکه در اثر انگشت ها الگوی رگه ها و شیارها متفاوت می باشند. ماتریس لل ا ا م ا ا ل ا ا ل در اين روش به منظور جلوگیری از مقایسه دو نمونه مغایر که امری بیهوده است. اثر انگشت ها بر اساس روش های موجود. ‎USE Ghee al‏ ل ورزر از يك شبكه عصبى استفاده مى شود. به اين صورت كه ماتریس تصویر اثر انگشت را به یک بردار سطری تبدیل نموده و از آن بعنوان الگوی ورودی شیکه های عصبی استفاده می شود. م ل ا ا ‎Cer gun‏ ۱ شيارها و بر اساس ماتريس تصوير: اث انكشت را با دقت بسيار بالايى شناسايى كنند. 

صفحه 7:
در این شکل, فلوچارت روش پیشنهادی را مشاهده می‌کنید. 

صفحه 8:
ی ترم افزار متلب (10۵۲1۸8) به دلیل تطبیق پذیری و دقت بالای خواندن اشکال گرافیکی, گزینه مناسبی برای پیاده سازی اين پروژه ها می باشد. ۱ باید با دقت ۵۰۰ ۵0۳ 8 , 010 نمونه برداری شود که یک تصویر ۵۱۲ < ۵۱۲ را با ۲۵۶ سطح خاکستری نتیجه می دهد. بنابراین مقادیر ۲0 و 0 برایر ۵۱۲ می باشند. آرایه های این ماتریس از نوع اعداد صحیح بدون علامت ۸ بیتی بوده و مقداری بین ۰ تا ۲۵۶ دارد. سپس صفحات اول و دوم ماتریس را کنار هم قرار داده و یک ماتریس دوبعدی با ابعاد ۳۵ 20 بدست آورده و 1 ‎eestor ne og‏ ۳ 1 .هه" تقسيم نموده تا بردارى با عناصر بين ه و ‎١‏ بدست آيد. ۱ ‏ا ا ااا ا ل اا‎ Cat eR CCN 0rd ۱ 

صفحه 9:
انتخاب شبکه عصبی شبكدى عصبى كه براى تشخيص كروه به كار مى رود از نوع يرسيترون جند لايه بوده و داراى 1 017 20 ورودى. ,سا لايه میانی و ‎۱٩‏ لایه خروجی می باشد. که هر خروجی مربوط به نام گروه مربوطه خواهد بود. ب. 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 ۲۸1۴ با 1 ۲۲ 20 نرون ورودی, ۲۰ لایه میانی و ۱۰ نرون 05110106 در این شبکه نیز خروجی مربوط به هر اثر انگشت برابر با یک و بقیه خروجی ها -۱ خواهند بود. 

صفحه 10:
Peele Tes وزن لایه اول ماتریس را که دارای ابعاد (۱ 20 ۲) ۳۰ است را ۷ و وزن لایه دوم را که دارای ایعاد ۱ ۳۰ می باشد را ۷۷ در نظر مى كير مراحل آموزش شبکه عصبی به صورت زیر است: ۱ - مقادیر اولیه ضرایب وزنی و بایاس (سوگیری) بصورت تصادفی می باشد. این وزن ها بین ۰.۵- و ۰.۵ انتخاب می شوند. نرخ ‎ese eae ar‏ 000000 ۲- برای خر زوج آموزشی ورودی. مراحل ۳ تا ۸ انجام می شود. ۱ (ele Ce SEU rege ‏ا ا‎ Tens) nC ea OS Te rere Mes rs Tim eee ey ae ee ee cere 

صفحه 11:
۱ Arend ۱ SE eC ne ee orer kee ۱ eC ere Sexe) eat Cera) 

صفحه 12:
۶- اختلاف بین خروجی شبکه عصبی و خروجی واقعی محاسبه شده و سیگنال خطا از رابطه زیر بدست می آید: 6,=(t,-Y,) 0-9, < ‎y a‏ رب ‎1 ‎ ‏در این رابطه 1] ۰ خروجی قابل قبول شبکه عصبی می باشدکه شماره گروه اثر انگشت را نشان می دهد. ۱ ‏ی تا ‎SSE‏ ‎ 

صفحه 13:
۷- ورودی دلتا برای واحدهای لایه میانی طبق رابطه زیر محاسبه می شود: سپس مقدار سیگنال خطا برای هر نرون لایه میانی طبق رابطه زیر محاسیه خواهد 

صفحه 14:
8- در ادامه: اختلاف وزن لايه ميانى طبق عا رابطه زير بيدست مى آب راين روابط 30 1-[ و20 5 1...1 320000 

صفحه 15:
دفت ‎a Ce ee |‏ ربب ‎BRNO‏ ‎ra ene eer cr Ree rey eee‏ 0 داده و جزئیات را دستکاری کرده و حتی قسمتی از آنها را حذف ا ‎NRO‏ ۹( ‎Beefeater fee ICES RD Cente Seen ‏ا‎ IAS) ROTOR UEES TS CICS ese feel eeet cere ot er speed keer ‏ا‎ eee oT PENCE ‎ ‎ ‎ 

صفحه 16:


جزئیات اثر 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 ( )Minutaeنام 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 ( ،) AFISدو نوع برجسته از نقاط ویژه به دلیل دوام و پایداری بکار می رود که عبارنتد از انتهای رگه و دوشاخه 1 استفاده از الگوی رگه ها در شناسایی جزئیات 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 ،سنسKKورهای بکKKار رفتKKه در نمونKKه گKKیری و اعوجاج (انحنKKا و کجی) از مورادی هستند که می توانند سبب بروز خطا شوند. اما الگوی شیارها و رگه های یک اثر انگشت ،عالوه بر منحصر بفرد بودن ،تا حد زیادی نسبت به موارد فوق پایدار هستند. 2 تصویر اثر انگشت اگر اثر انگشت را بعنوان یک تصویر سیاه و سفید در نظر بگKKیریم ،آنرا می تKKوان بصKKورت یKKک سKKیگنال دوبعKKدی با مولفKKه ()x,y بصورت محورهای مکانی پیوسته بیان کرد که مقدار تصویر در هر نقطه نیز معرف روشنایی آن نقطه اسKKت و بصKKورت ) f(x,yبیان می شود. تصویر اثر انگشت ) f(x,yرا می توان با نمونه برداری روی محور افقی و عمودی بصورت یک تصویر گسسته ) f(x,yتعریف کرد. یک اثر انگشت را می توان با یک ماتریس M Nبیان کرد .در این ماتریس هر کدام از مولفه ها یKKک پیکسKKل از تصKKویر هسKKتند. 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 Lکوانتیزه (تقسیم کردن به بخش های قابKKل شKKمارش) می شKKوند کKKه می تواند در محدوده 0تا 1و یا 0تا 255قرار گیرد. 3 در شکل زیر ،تصویر یک اثر انگشت با مقادیر روشنایی صفر و یک مشاهده می کنید. 4 الگوریتم پیشنهادی با توجه به اینکه در اثر انگشت ها الگوی رگه ها و شیارها متفاوت می باشند ،ماتریس تصویر آنها نKKیز با یکKKدیگر متفKKاوت اسKKت. 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 بیهKKKوده اسKKKت ،اثر انگشKKKت ها بKKKر اساس روش های موجKKKود بصورت بصورت دلخواه طبقه بندی می شوند و برای تشخیص هر طبقه از یک شبکه عصبی اسKKتفاده می شKKود .بKKه این صKKورت کKKه ماتریس تصویر اثر انگشت را به یک بردار سطری تبدیل نموده و از آن بعنوان الگوی ورودی شبکه های عصبی استفاده می شKKود. با دادن نمونه های مختلف از یک اثر انگشت به شبکه های عصبی ،این شبکه ها پس از آموزش قادرند بر اساس الگوی رگKKKه ها و شیارها و بر اساس ماتریس تصویر ،اث انگشت را با دقت بسیار باالیی شناسایی کنند. 5 در این شکل ،فلوچارت روش پیشنهادی را مشاهده می کنید. 6 پیاده سازی نرم افزار متلب ( ) MATLABبه دلیل تطبیق پذیری و دقت باالی خواندن اشکال گرافیکی ،گزینه مناسبی بKKKKKرای پیاده سازی این پروژه ها می باشد. ابتدا تصویر اثر انگشت خوانده شده و ماتریس آن با ابعاد m nاستخراج می شود .طبق استاندارد های جهانی ،یKKک اثر انگشKKت باید با دقت dpi , 8 bpp 500نمونه برداری شود که یک تصویر 512 × 512را با 256سطح خاکستری نتیجه می دهد. بنابراین مقادیر mو nبرابر 512می باشند .آرایه های این ماتریس از نوع اعداد صحیح بدون عالمت 8بیتی بوده و مقKKداری بین 0تا 256دارد .سپس صفحات اول و دوم ماتریس را کنار هم قرار داده و یک ماتریس دوبعدی با ابعاد 2n mبدسKKKت آورده و سپس این ماتریس را به یک ماتریس سطری با ابعاد 2n m 1تبدیل می کنیم. حال این بردار را که از نوع 8unitمی باشد ،به برداری با دقت مضاعف از نوع doubleتبدیل می کKKKنیم و تمام عناصر آن را بKKKر 255تقسیم نموده تا برداری با عناصر بین 0و 1بدست آید. مراحل فوق را برای تمامی اثر انگشت های موجود در بانک داده تکرار نموده و آنها را در یک ماتریس 2n 1( 190 )mذخیره نموده و از آن به عنوان الگوی ورودی شبکه عصبی استفاده می کنیم. 7 انتخاب شبکه عصبی شبکه ی عصبی که برای تشخیص گروه به کKKار می رود از نKKوع پرسپترون چنKKد الیKKه بKKوده و دارای 2n m 1ورودی 38 ،الیKKه میانی و 19الیه 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 MLPبا 2n m 1نرون ورودی 20 ،الیKKKKKKKKه میانی و 10نرون خروجی استفاده شده است. در این شبکه نیز خروجی مربوط به هر اثر انگشت برابر با یک و بقیه خروجی ها 1-خواهند بود. 8 آموزش شبکه های عصبی وزن الیه اول ماتریس را که دارای ابعاد ( 30 )m 2n 1است را Vو وزن الیه دوم را که دارای ابعاد 30× 1می باشKKد را W در نظر می گیریم. مراحل آموزش شبکه عصبی به صورت زیر است: - 1مقادیر اولیه ضرایب وزنی و بایاس (سوگیری) بصورت تصادفی می باشد .این وزن ها بین -0.5و 0.5انتخاب می شوند .نرخ آموزش نیز 0.1انتخاب می شود. -2برای خر زوج آموزشی ورودی ،مراحل 3تا 8انجام می شود. - 3هر الگوی آموزشی ورودی را به شبکه اعمال کرده و سیگنال حاصل به الیه بعدی (الیه پنهان) باز پخش می گردد. -4سیگنال netهر نرون Zدر الیه میانی از رابطه زیر محاسبه می گردد: 9 سپس 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 الیه خروجی ارسال می گردد: -5سیگنال netنرون 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: 10  - 6اختالف بین خروجی شبکه عصبی و خروجی واقعی محاسبه شده و سیگنال خطا از رابطه زیر بدست می آید: در این رابطه ، t1خروجی 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 ،اختالف وزن های الیه خروجی بدست می آید: 11  -7ورودی دلتا برای واحدهای الیه میانی طبق رابطه زیر محاسبه می شود: سپس مقدار سیگنال خطا برای هر نرون الیه میانی طبق رابطه زیر محاسبه خواهد شد: 12  -8در ادامه ،اختالف وزن الیه میانی طبق 4رابطه زیر بدست می آید: در این روابط j=1 30و 2n i= 1 … 1 mمی باشد. -9بررسی شرط توقف. 13 دقت از بررسی 285نمونه ،برنامه 190نمونه 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 دسKKتکاری کرده و حKKتی قسKKمتی از آنها را حKKذف نمودیم ،اما باز هم اثر انگشت تشخیص داده شد. از 95نمونه ای که شبکه عصبی با آن آموزش ندیKKده بKKود 91 ،مKKورد آن بKKه درسKKتی تشKKخیص داده شKKد .در نتیجKKه نرخ خطKKای این روش %96 ،می باشد که بسیار مناسب است .نرخ خطای آموزش شبکه عصبی پس از چند مرحله آموزش به 0/000065رسید.. در این شکل ،نمودار کاهش نرخ خطا را مشاهده می کنید: 14 نتیجه گیری در این روش استفاده از شبکه های عصبی برای جستجوی ماتریس تصاویر سبب می گردد ،حتی بدون پیش پردازش تصKKویر کKKه در سایر روش ها باید صورت گیرد ،مقایسه با دقت بسیار باال انجام پذیرد. با این روش شناسایی تصاویر نویزی ،مخدوش و حتی تصاویر ناقص و تکه شده که در سایر روش ها امکان پذیر نیست ،بKKKه سادگی انجام می شود. 15