Identificação de pessoas por reconhecimento de iris utilizando decomposição em sub-bandas e uma rede neuro-fuzzy

• Main Author: Ferreira, Denilson Palhares
• Other Authors: UNIVERSIDADE ESTADUAL DE CAMPINAS
• Format: Others
• Language: Portuguese
• Published: [s.n.] 1998
• Subjects: Reconhecimento de padrões; Redes neurais (Computação); Biometria; Processamento de imagens
• Online Access: FERREIRA, Denilson Palhares. Identificação de pessoas por reconhecimento de iris utilizando decomposição em sub-bandas e uma rede neuro-fuzzy. 1998. 151p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Conputação, Campinas, [SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/259563>. Acesso em: 25 jul. 2018.; http://repositorio.unicamp.br/jspui/handle/REPOSIP/259563

Orientadores: Marcio Luiz de Andrade Netto, Max Henrique Machado Costa === Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Conputação === Made available in DSpace on 2018-07-25T09:55:05Z (GMT). No. of bitstreams: 1 Ferreira_DenilsonPalhares_M.pdf: 7550296 bytes, checksum: d68b95111ae579d7db7db386562ffebf (MD5) Previous issue date: 1998 === Resumo: Apresenta-se, neste trabalho, um sistema de identificação de pessoas baseado em seus padrões de íris. Estruturalmente este sistema pode ser dividido em dois módulos: o módulo de extração de características, no qual os padrões de íris são decompostos em subbandas e o módulo de identificação, em os padrões são identificados por uma rede "neuro-fuzzy . No módulo responsável pela extração de características, um determinado padrão de íris é decomposto em 67 sub-bandas. Inicialmente, os filtros em quadratura bidimensionais (2D QMF) são aplicados sobre toda a imagem gerando quatro sub-bandas. Em seguida, escolhe-se a sub-banda de baixa freqüência nas duas direções (LL) e aplicam-se os filtros 2D QMF recursivamente sobre todas as sub-bandas até a obtenção de sub-bandas com (16x16) coeficientes. Neste ponto, a energia média de cada sub-banda é calculada e as sub-bandas são ordenadas em ordem decrescente de energia. A seguir, determinam-se quais sub-bandas serão utilizadas. Para tanto, aplica-se o procedimento descrito acima sobre um conjunto de dez padrões de íris diferentes e escolhem-se as 32 sub-bandas mais energéticas de cada padrão. Destas 320 sub-bandas, escolhem-se as 20 sub-bandas que apareceram com maior freqüência. Estas 20 sub-bandas de cada padrão são utilizadas para treinar a rede "neuro-fuzzy". Após treinada, a rede "neuro-fuzzy" é utilizada pelo módulo responsável pela identificação. O desempenho do sistema de identificação baseia-se nas taxas de aceitação de autênticos e de rejeição de impostores. Este trabalho apresenta resultados de simulações do sistema em que as taxas de aceitação de autênticos foram, em média, superiores a 90% e as taxas de aceitação de impostores inferiores a 10% === Abstract: In this work we develop a system that identifies a person by his or her iris pattern. Structurally this system can be divided in two modules: (1) the feature extraction one, performed via wavelet-based subband decomposition, and (2) the identification task module, performed by a neuro-fuzzy network. In the feature extraction module, an iris pattern is decomposed in 67 subbands. InitialIy,2D Quadrature Mirror Filters (2D QMF) are applied to the whole image and four subbands are generated. Then the low-low (LL) subband is further decomposed and the 2D QMF are applied recursively to all subbands until we obtain subbands with (16x16) coeficients. At this point, the energy of each subband is calculated and the subbands are ordered in decreasing mode. Then we determine which subbands should be applied to the identification module. To do so we use the procedure described above with a sample of ten different iris patterns. The 32 subbands with most energy are then chosen from each pattern. From this group of 320 subbands we choose the 20 subbands that occur most frequently. These 20 subbands of each iris pattern are then used to train the neuro-fuzzy network. After the training phase, the neuro-fuzzy network is used by the identification module. This work presents results of simulations of the algorithms and estimates of the authentic recognition rate and the imposter rejection rate. The estimated authentic recognition rates were, on average, above 90% and the imposter recognition rates below 10% === Mestrado === Automação === Mestre em Engenharia Elétrica