Özellik çıkarma ve sınıflandırma algoritmaları kullanılarak iris tanıma

Abstract

Biyometrik tanıma sistemleri ile karşılaştırıldığında iris tanıma, iris yapısının benzersiz oluşu ve yapısını yaşlanmaya karşı koruması sebepleriyle tercih edilir. Bununla birlikte, düşük kaliteli iris görüntüleri, değişen aydınlatma koşullarında görüntü elde edilmesi, göz kapağının ve iris bölgesindeki kirpiklerin gürültü etkisi genel olarak iris tanıma sistemlerinin performansını olumsuz yönde etkilemektedir. Bu yazıda, göz görüntülerinde eliptik maske ile segmentasyon için yeni bir yöntem sunulmaktadır. Önerilen segmentasyon yönteminden sonra çıkarılan özellik vektörlerine 2 boyutlu ayrık dalgacık dönüşümü (2B-DD) uygulanır. MATLAB kullanılarak çıkarılan özellikler daha sonra WEKA (Makine öğrenmesi amacıyla Waikato üniversitesinde geliştirilmiş yazılım) platformunda eğitilmiş ve test edilmiştir. Yapay sinir ağları (YSA) sınıflamasının performansı, farklı makine öğrenme algoritmaları ve literatürde farklı özellik çıkarma yöntemleri ile karşılaştırılmıştır. Çalışma CASIA Thousand veritabanında uygulanmış ve rasgele seçilmiş 10 sınıf ile % 90.00 tanıma oranı elde edilmiştir. Her sınıftan 20 resim, tüm sınıflardan toplam 200 resim olarak gerçekleştirilmiştir. Bu resimlerin %70'i eğitim verileri ve %30'u test verileri olarak sınıflandırılmaktadır. 2B-DD (2 boyutlu ayrık dalgacık dönüşümü) ile çıkarılan özelliklere polinomsal çekirdek ön işlem adımı uygulanır. Deneysel sonuçlar önerilen yöntemin başarılı olduğunu ve diğer yöntemlere göre tercih edilebilir olduğunu göstermektedir.

The iris is preferred as a biometric property comparing other biometrics by courtesy of its stability and uniqueness. However, low-quality iris images, acquisition under varying lighting conditions, noise effect of eyelid and eyelashes on iris area have a negative impact on the performance of iris recognition systems in general. This paper presents a novel method for segmentation through an elliptic mask on eye images. The feature extraction is applied through 2 Dimensional Discrete Wavelet Transform after proposed segmentation method. The features extracted using MATLAB are then trained and tested on WEKA platform. The performance of Artifical Neural Network classification is compared with different machine learning algorithms as well as different feature extraction methods in the literature. The work is applied on CASIA Thousand database and %90.00 recognition rate is achieved with randomly selected 10 classes. Twenty pictures are used from each of the classes as a total of 200 pictures from all classes. 70 percent of these pictures are classified as training data and 30 percent of them as test data. PolyKernel preprocess step is applied to the pictures that are feature extracted by 2D DWT. The experimental results show that proposed method is a success and preferable to compare other states of the art methods.