Irisgjenkjenning under varierende forhold

Abstract

NORSK: Biometriske systemer er definert som teknologier som måler og analysere menneskets fysiske kjennetegn. De mest brukte kjennetegnene er hentet fra fingeravtrykk, retina og iris, ansiktsmønster og hånd målinger. Irisgjenkjenning er ansett som den mest pålitelige av disse biometriske teknologiene. Nå til dags bruker de mest komersielle iris identifikasjonsystemene algoritmer utviklet av Daugman. Disse algoritmene gir perfekt gjenkjenning, men er bare testet under optimale forhold. Vårt mål i dette arbeidet er å teste Daugman’s og andre filteralgoritmer som er foreslått i litteraturen under varierende forhold og sammenligne deres ytelse. Denne rapporten er skrevet for masteroppgaven som er gjennomført våren 2007. Oppgaven tar for seg irisgjenkjenning under varierende forhold. Målet med oppgaven er å undersøke under hvilke forhold det er mulig med irisgjenkjenning, og hvem filteralgoritme som egner seg best under ugunstige forhold. Irisgjennkjennings prosessen består hovedsaklig av fire steg. Det første steget er å sementere irisen ut av bildet som består av øyet og en del av ansiktet, her lokaliseres irismønsteret. Steg to er normaliseringen, her blir irismønsteret hentet ut og skalert til en forhåndsdefinert størrelse. Steg tre er kodingsfasen, her blir detaljene i irisen filtrert, hentet ut og representert i en iriskode. Det siste steget er sammenligningen, her blir to iriskoder sammenlignet og en likhetsverdi blir beregnet. I denne oppgaven har vi fokusert på koding og filteralgoritmene, i steg tre, under forskjellige ugunstige forhold. Vi har brukt opensource koden til Libor Masek og utvidet denne med forskjellige filteralgoritmer. Filteralgoritmene som inngår i analysen er: to Haarfilter som genererer iriskoder på 702 og 87-bit, et Log-Gabor filter og et Laplacian of Gaussian filter som genererer iriskoder på 9600 bit. Filteralgoritmene har blitt testet mot en database bestående av 500 irisbilder. Bildene i databasen har blitt simulert ved forskjellige nedbrytingsmodeller. Vi har brukt fire forskjellige nedbrytingsmodeller: Lagt til Gaussian støy og blur, forandret lysintensiteten og rotert bildene. Det har blitt gjort to forskjellige målinger: False Acceptance Rate (FAR) og False Rejection Rate (FRR). Den første blir beregnet ved å gjøre interklasse-sammenligninger, mens den andre blir beregnet ved å gjøre intraklassesammenligninger. Totalt i eksperimentet har det blitt utført nærmere sju millioner sammenligninger. Basert på eksperimentresultatene som er oppnådd i dette arbeidet, kan vi konkludere med at ytelsen til alle algoritmene som er testet blir veldig berørt av nedbrytingene. Hovedårsaken til dette er sensitiviteten i segmenteringen til slike nedbrytinger, som førte til segmenteringfeil i mange av bildene. Eksperimentresultatene viste også at Log-Gabor og Laplacian of Gaussian filterene er best under optimale forhold. Under ikke optimale forhold oppnådde vi totalt best resultat med 702-bit Haarfilter under de fleste nedbrytingsmodellene. Dette kan skyldes at 702-bit Haarfilteret henter ut detaljer fra irisen basert på færre men mer synlige og fremstående detaljer, noe som gjør dette filteret mer robust under slike forhold.

ENGELSK: Biometric systems refer to technologies that measure and analyze human physical characteristics. The most widely used characteristics are extracted from fingerprints, irises and retinas, facial patterns and hand measurements. Iris recognition is regarded as the most reliable biometric of these characteristics. Nowadays, most of the commercial iris-based identification systems use algorithms developed by Daugman. The Daugman advertised recognition rate are excellent. They are however, very likely measure under ideal conditions. Our main goal in this work is to test Daugman and other filtering algorithms proposed in the literature under varying conditions and compare their performances. This document describes the work done for the master thesis during the spring 2007. The thesis focuses on iris-based identification under various conditions. The aim of this project is to examine under which conditions iris recognition is possible, and which filtering algorithm performs best under each unfavorable condition. The iris recognition process usually consists of four major steps. The first step is to segment the iris out of the image containing the eye and part of the face, which localizes the iris pattern. Step two is the normalization, here the iris pattern will be extracted and scaled to a predefined size. Step tree is the encoding phase, here the details of the iris are filtered, extracted and represented in an iris code. The last step is the comparison, where two iris codes will be compared and a similarity score is computed. In this thesis we have focused on the encoding and filter algorithms, in step tree, under different unfavorable conditions. We used the open source code of Libor Masek and extend it with different filtering algorithms. The filters which were included in the analysis are: two Haar filter, one Log-Gabor filter and one Laplacian of Gaussian filter; which generate iris codes with sizes 702 bit, 87 bit, 9600 bit and 9600 bit respectively. The filtering algorithms have been tested using a database of 500 iris images. The images in the database have been corrupted using different degradation models. We used four different degradation models: additive Gaussian noise and blur, changing the light intensity and rotating the images. Two performance measures were used: the False Acceptance Rate (FAR) and False Rejection Rate (FRR). The first is estimated using inter-class comparisons while the second is estimated using intra-class comparisons. The total number of comparisons performed in the experiments are approximately seven million comparisons. Based on the experimental results we obtained in this work, we can conclude that the performance of all the tested algorithms is dramatically affected by the degradations. The major cause of the performance drop is the sensitivity of the segmentation process to such degradations. These degradations introduce segmentation errors in many of the images. The experimental results also show that the Log-Gabor and Laplacian of Gaussian filters are best under optimal conditions. Under non-optimal conditions however, the Haar filter with 702 bit representation achieves close to best result under most of the degradation models. This maybe due to the fact that it extracts the iris characteristics based on fewer but most prominent details in the iris which are relatively more robust to degradations.