Спросить
Войти
МУЛЬТИМОДАЛЬНАЯ БИОМЕТРИЧЕСКАЯ СИСТЕМА РАСПОЗНАВАНИЯ ЛИЧНОСТИ ПО ЛИЦУ И РАДУЖНОЙ ОБОЛОЧКЕ
ГЛАЗА
MULTIMODAL BIOMETRIC RECOGNITION SYSTEM BASED ON FUSION
OF FACE AND IRIS
УДК-004
Еремин Андрей Андреевич
студент, МГТУ им. Н.Э. Баумана, Россия, г. Москва Eremin Andrey Andreevich eremin96@mail.ru
Аннотация
Слияние нескольких биометрических характеристик объединяет сильные стороны унимодальных биометрических систем и повышает точность распознавания биометрической системы. В данном исследовании используется лицо и радужная оболочка глаза в качестве модальностей биометрической системы. Алгоритмы распознавания личности выделяют признаки лица и радужной оболочки глаза независимо друг от друга, а затем происходит объединение полученных решений. В предлагаемом методе используется метод главных компонент для извлечения черт лица и логарифмические фильтры Габора для радужной оболочки глаза. Оценки соответствия для лица и радужной оболочки глаза нормализуются с помощью нормализации min-max, а затем для слияния двух результатов распознавания применяется правило взвешенной суммы. Тестирование разработанной мультимодальной биометрической системы было произведено с помощью объединенной базы данных биометрических изображений, состоящей из подмножества FERET для
лиц и CASIA-Iris-Thousand для радужных оболочек глаз.
Annotation
Fusion of multiple biometrics combines the strengths of unimodal biometrics to achieve improved recognition accuracy. In this study, face and iris biometrics are used as modalities of recognition system. The recognition algorithms extract the facial and iris features independently of each other, and then their resulting scores are combined. The proposed method uses the principal component analysis (PCA) for facial features extraction and Gabor logarithmic filters for iris. The facial and iris scores are normalized by min-max normalization method, and then a weighted sum rule is applied to merge these two recognition results. Testing process of developed multimodal biometric system was carried out using a combined database of biometric images consisting of a subset of FERET for the face and CASIA-Iris-Thousand for the iris.
Мультимодальность способна решать проблемы, связанные с унимодальной биометрией, которые влияют на производительность систем, такие как повреждения, отсутствие уникальности и зашумленность данных. Например, в распознавании лиц изменения в условиях освещения, позы и выражения ведут к снижению качества распознавания [1], а в распознавании радужной оболочки похожий список артефактов может ухудшить точность распознавания радужной оболочки [2]. Фактически, мультимодальная технология объединения различной биометрической информации извлекает информацию из нескольких биометрических признаков для повышения эффективности распознавания и преодоления ограничений, присущих одной биометрической характеристике.
Многие мультимодальные биометрические методы и стратегии были предложены в [3-6]. В этих работах сочетание различных биометрических
характеристик используется для принятия единого решения о распознавании. Идея состоит в том, чтобы снизить коэффициенты ошибок первого и второго рода, используя как можно больше информации от каждой биометрической модальности. В качестве модальностей были выбраны особенности лица и радужной оболочки глаза, поскольку распознавание лица является дружественным и не требует физического контакта пользователя с системой, тогда как распознавание радужной оболочки глаза является наиболее точной биометрической характеристикой на сегодняшний день среди всех биометрических систем [7].
Объединение информации для мультимодальной биометрической системы может быть выполнено на четырех различных уровнях: уровне датчика, уровне признаков, уровне сравнения и уровне принятия решения [1,8]. Уровень сравнения соответствия более популярен среди всех уровней объединения из-за легкости доступа и объединения получившихся оценок. В этом методе разные методы классификации могут давать разные оценки, такие как расстояния или метрики соответствия с различными мерами распределения плотности вероятности и различной точностью. Для того чтобы объединить оценки соответствия (здесь и далее - ОС), необходима нормализация, поскольку полученные ОС из разных модальностей не являются однородными [9]. Идея нормализации ОС заключается в том, чтобы привести оценки к единому диапазону [0,1], при котором можно провести слияние ОС ради получения общей оценки от двух независимых алгоритмов. Затем такая оценка сравнивается с установленным пороговым значением. При превышении порога пользователь считается нераспознанным.
Разработка мультимодальной системы была выполнена с использованием методов объединения информации на уровне сравнения. В этой статье была применена комбинация ОС по лицу и радужной оболочке (РОГ), основанная на правиле взвешенных сумм, для объединения нормализованных оценок соответствия каждой модальности. Для нормализации используется метод minmax, чтобы нормализовать оценки соответствия от лица и радужной оболочки до диапазона [0, 1]. Этот надежный и эффективный метод был впервые представлен в [10] и очень хорошо работает для оценок с шумом на этапе обучения. Нормализация min-max представлена следующим образом:
где: Sfr - ОС до нормализации;
Sk - ОС после нормализации;
тах - максимально возможное значение ОС (тах < порог Т);
min - минимально возможное значение ОС.
Правило взвешенных сумм является одной из простейших стратегий объединения, применяемой на мерах сходства для отдельных классификаторов, в которых для каждой модальности используются разные веса во время процесса слияния [10]. Веса в формуле (2) в сумме дают 1. Сумма (s) оценок соответствия представлена в виде:
где: - взвешенная оценка соответствия для лица; - взвешенная оценка соответствия для РОГ; - веса для лица и РОГ соответственно.
Соответствующие работы [11,12] демонстрируют проблемы размерности и избыточности при объединении на уровне выделения признаков, что приводит к снижению производительности. Предложенная схема для мультимодальной биометрической системы распознавания лица и радужной оболочки глаза использует объединение информации на уровне сравнения. В целом, предлагаемая схема состоит из шести этапов, как показано на рисунке 1.
Sfr - min
ws = w± * Sf + w2 * Si ,
Рисунок 1. Схема работы алгоритма объединения биометрической информации от двух алгоритмов распознавания личности
Предварительная обработка изображений выполняется на изображениях лица и радужной оболочки с использованием различных методов для каждой биометрии. Изображения радужной оболочки затем обнаруживаются и кодируются в прямоугольную форму. Затем предложенная схема извлекает признаки лица и радужной оболочки, используя метод главных компонент для лица и логарифмические фильтры Габора для РОГ. Как только оценки соответствия для каждого набора данных биометрических изображений получены, они будут проходить серию процедур нормализации. Нормализация шт-шах применяется к оценкам перед объединением. На четвертом этапе предлагаемой системы слияние нормализованных ОС лица или радужной оболочки выполняется с использованием правила взвешенных сумм. Используемые веса - 0,65 для РОГ и 0.35 для лиц, так как радужная оболочка глаза является более точной биометрической модальностью. Веса для модальностей генерируются из формулы (3):
где: wm - вес для ОС искомой модальности;
ет - значение ошибки БЕЯ для искомой модальности;
М - количество алгоритмов, участвующих в объединении.
На пятом этапе метод к-ближайших соседей используется для классификации индивидуумов после слияния их нормализованных данных о лице и радужной оболочке. Метод к-ближайших соседей является сравнительно простым методом классификации. К достоинствам метода можно отнести простоту реализации и возможность введения различных модификаций. Также есть возможность интерпретировать классификацию объекта путем предъявления человеку-рецензенту ближайшего объекта или нескольких. 3. Результаты экспериментов
ЭЕТ-кривые (характеристики компромисса ошибок) являются графиками зависимости параметра РЫМЯ(Т) от РМЯ(Т). Для заданного вектора из N истинных оценок соответствия и частота ложных несоответствий рассчитывается как доля ниже некоторого порогового значения Т:
РЫМЯ(Т) = 1 -Н(щ - Т), (4)
где: Н(х) - единичная шаговая функция;
Н(0) - функция, принятая за 1.
Таким же образом, для заданного вектора из N ложных оценок соответствия у частота ложных совпадений рассчитывается как доля выше некоторого порогового значения Т:
РМЯ(Т) = 1-^11Н(у1-Т) (5)
Такого рода кривые используются производителями биометрических систем для наглядной демонстрации рабочих характеристик системы; независимые исследователи также строят такие кривые при сертификации биометрических устройств. В этой статье РЫМЯ(Т) и РМЯ(Т) нанесены на график с условиями РМЯи ^ 1 и РМКЬ настолько низким, насколько это поддерживается числом сравнений «самозванцев» N. Это несколько выше, чем
«правило трех», потому что образцы не являются независимыми из-за повторного использования изображений.
Для тестирования была создана объединенная база данных FERET+CASIA-4-Thousand. Так как лица из базы данных FERET и глаза из базы данных CASIA-4-Thousand в реальности принадлежат разным людям, пары лицо + РОГ составлялись вручную для каждого субъекта (первый субъект из БД FERET + первый субъект из БД CASIA-4-Thousand и т.д).
На рисунке 2 нанесена характеристика компромисса ошибок. Шкалы являются логарифмическими, чтобы показать декады FMR. Исследователи для сравнения производительности алгоритмов используют один из нескольких приемов: рассматривают значения ошибки FNMR при фиксированном FMR или ищут коэффициент равной вероятности ошибки EER (Equal Error Rate). Для первого случая часто берут значение 1*10-5. При таком значении FMR, значение FNMR становится равным 0,0232. Что же касаемо EER, его можно определить с помощью трассировки графика с целью найти одинаковое значение для обеих осей координат. Для разработанной мультимодальной биометрической системы коэффициент EER равен 0,012. Перед постановкой данного эксперимента было проведено тестирование алгоритмов распознавания по отдельности. Алгоритм распознавания лица был протестирован на базе данных FERET, а алгоритм распознавания радужной оболочки глаза - на базе данных CASIA-Iris-Thousand. EER для алгоритма распознавания по лицам вышел равным 0,027, EER для радужной оболочки глаза - 0,015. Таким образом, можно сделать вывод, что объединение биометрических модальностей в одну систему приводит к повышению суммарной точности распознавания пользователей.
о.ово -о.ово S z
d) ¿2 ra
False rriaích rale (FMR)
Рисунок 2. DET-кривая для разработанной мультимодальной
биометрической системы 4. Заключение и выводы
Предлагаемый метод использует метод главных компонент для выделения признаков лица и логарифмические фильтры Габора для выделения признаков радужки. Алгоритм объединения биометрической информации на основе нормализации min-max и методом слияния на основе правила взвешенных сумм дает лучшие результаты по сравнению с унимодальными системами распознавания по лицу или радужной оболочке глаза. Эксперимент был проведен с помощью объединенной базы данных FERET и CASIA, где для каждого субъекта вручную составлена пара изображений лица и глаза. В результате были получены значения ошибок первого и второго рода: FNMR равно 0,0232 при фиксированном значении FMR, равным 1*10-5. Коэффициент EER равен 0,012, что является лучшим показателем в сравнении с унимодальной биометрией. Для дальнейшего повышения надежности метода в модель можно включить алгоритм оценки качества зарегистрированных в системе изображений.
Literature
