تشخیص هویت از روی عنبیه چشم با شبکه عصبی مصنوعی و موجک گسسته

فایل این در 6 صفحه با فرمت PDF قابل دریافت می باشد

  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این :

چکیده :

یکی از مباحث مهم در جامعه امروزی که دغدغه بسیاری از کارشناسان و همچنین کاربران می باشد بحث امنیت و تشخیص و تایید هویت است.امروزه در امور مربوط به امنیت اماکنی مانند دانشگاه ها، فرودگاه ها، وزارتخانه ها و حتی شبکه های کامپیوتری استفاده از روش های بیومتریک در تشخیص هویت یا تایید هویت افراد بسیار متداول شده است. سیستم های پیشرفته حضور و غیاب ادارات، سیستم های محافظتی ورود خروج اماکن خاص، نوت بوک های مجهز به Finger Print و ... از روش های مختلف تشخیص هویت بیومتریک استفاده می کنند. در این بحث سعی می کنیم به طور مختصر ، مروری بر بیومتریک داشته باشیم. و توضیحات مختصری در مورد پروژه و تصویر دیجیتال مطرح کنیم انسان ها از دیرباز و به طور طبیعی از ویژگی های بیومتریک دیگران مانند صورت و صدا‬ یا دست خط برای شناسایی و تشخیص هویت ﺁن ها استفاده می کرده اند. در جوامع امروزی‬ تشخیص هویت افراد به ویژه در مورد مسایل امنیتی اهمیت زیادی پیدا کرده است. با پیشرفت‬ سریع تکنولوژی بسیاری از ابزارهای مورد نیاز برای رسیدن به این هدف در دسترس ما‬ ‫قرار دارند.‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬ ‫تحﻘیﻘات و پیشرفت های به دست ﺁمده در دهه های اخیر فصل جدیدی را در تایید و تشخیص‬ هویت ﺁغاز کرده است و در نتیجه ﺁن روش های اتوماتیک بر پایه ویژگی های فردی انسان ها‬ پایه گذاری شده اند. سامانه های بیومتریک جدید دارای قابلیت تشخیص هویت افراد با سرعت‬ ‫و دقت و اطمینان و راحتی و همچنین ارزانی بالا را در اختیار ما قرار داده اند.‬‬ ‬پژوهش انجام شده در این مقاله شامل تحلیل یک سامانه شناسایی جدیدو ارائه روشی بر‬ مبنای تحلیل تصاویر عنبیه چشم می باشد. در این روش، ابتدا ویژگی های بافتی عنبیه با استفاده از تبدیل موجک گسسته (DWT) و تابع پایه Haar استخراج می شوند. سپس ویژگی های استخراج شده به عنوان ورودی به یک شبکه عصبی مصنوعی (ANN) با ساختار چندلایه پرسپترون (MLP) داده می شوند تا فرآیند طبقه بندی انجام گیرد. پایگاه داده CASIA-IrisV4 برای ارزیابی روش پیشنهادی استفاده شد. نتایج نشان داد که روش پیشنهادی با دقت “98.7%” و نرخ خطای برابر با “0.8%”، عملکرد برتری نسبت به روش های پایه مانند گابور و SVM دارد. کلیدی ترین نوآوری این پژوهش، کاهش ابعاد داده ها با موجک گسسته و افزایش سرعت پردازش بدون افت دقت است. این روش قابلیت پیاده سازی در سیستم های امنیتی بلادرنگ را دارد. ‬‬‬

نویسندگان

عباس روستایی

گروه مهندسی کامپیوتر دانشکده مهندسی برق و کامپیوتر دانشگاه ملی مهارت ملایر ایران

مراجع و منابع این :

لیست زیر مراجع و منابع استفاده شده در این را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود لینک شده اند :
  • Jain, A. K., Ross, A., & Prabhakar, S. (2004). An ...
  • [2] Daugman, J. (2004). How iris recognition works. *IEEE Transactions ...
  • [3] Daugman, J. (1993). High confidence visual recognition of persons ...
  • [4] Bolle, R. M., Connell, J. H., Pankanti, S., Ratha, ...
  • [5] Boles, W. W., & Boashash, B. (1998). A human ...
  • [6] Li, M., et al. (2020). Iris recognition using neural ...
  • [7] CASIA-IrisV4 Database. (2023). Institute of Automation, Chinese Academy of ...
  • [8] Daugman, J. (2007). New methods in iris recognition. *IEEE ...
  • [9] Bowyer, K. W., & Hollingsworth, K. (2008). A survey ...
  • [10] Proença, H., & Alexandre, L. A. (2007). Iris recognition: ...
  • [11] Wildes, R. P. (1997). Iris recognition: an emerging biometric ...
  • [12] Rahman, M. A., et al. (2015). Iris recognition using ...
  • [13] Liu, C., & Wechsler, H. (2002). Gabor feature based ...
  • [14] Mallat, S. (2008). *A wavelet tour of signal processing: ...
  • [15] Burges, C. J. (1998). A tutorial on support vector ...
  • [16] Beltran, N., et al. (2018). Iris recognition using discrete ...
  • [17] Zhang, T., et al. (2019). Iris recognition using Gabor ...
  • [18] He, K., et al. (2016). Deep residual learning for ...
  • [19] Goodfellow, I., et al. (2016). *Deep learning*. MIT press. ...
  • [20] Chen, Y., et al. (2020). Iris recognition using Gabor ...
  • نمایش کامل مراجع