1 / 34

Identification des personnes par l’iris

Identification des personnes par l’iris. Emine Krichen INT. 26 Avril 2005, France Telecom RD, Issy les moulineaux . Processus de la reconnaissance par l’iris. Segmentation de l’iris Normalisation, prétraitement, rehaussement Codage/Extraction des paramètres Prise de décision.

donelle
Télécharger la présentation

Identification des personnes par l’iris

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Identification des personnes par l’iris Emine Krichen INT 26 Avril 2005, France Telecom RD, Issy les moulineaux

  2. Processus de la reconnaissance par l’iris • Segmentation de l’iris • Normalisation, prétraitement, rehaussement • Codage/Extraction des paramètres • Prise de décision

  3. Introduction • J. Daugman dépose son brevet en 1991 concernant l’identification par l’iris en utilisant un codage de phase des coefficients en ondelettes de Gabor. • R.Wildes propose en 1996 une solution alternative aux travaux de Daugman basée sur la corrélation sur 4 niveaux de résolution. • NLPR met à disposition des scientifiques la première base de donnée d’images d’iris en accès libre, CASIA V01. 108 personnes, 7 images par personne. (2003)

  4. Introduction • Les modes d’acquisitions : • En proche infrarouge (700-900nm). • En lumière visible • Les résolutions • 480*640 – 280*320 • Un rayon d’iris de 100 pixels • Les protocoles d’acquisitions • 35 à 50 cm entre l’œil et l’objectif • En intérieur

  5. Comparaison infrarouge / lumière visible lumière visible infrarouge • Peu de texture • Plus de reflets

  6. Motivations • Utilisation de la lumière visible • Utilisation de caméra standard • Fusion de modalités : entre l’iris et le visage, la forme de l’œil…

  7. Algorithmes d’identification par l’iris : Segmentation

  8. Segmentation de l’iris

  9. Transformée de Hough • Une fonction à votes • Utilisée après détection des points de contours.

  10. Détecteur de contour circulaire • Maximiser le gradient le long d’un cercle

  11. Segmentation de l’iris par TH

  12. Segmentation de l’iris : Méthode hybride Détecteur de contour circulaire Transformée de Hough

  13. Segmentation de l’iris par la méthode des contours actifs • Aucune supposition sur la forme géométrique de l’iris • La pupille n’est pas parfaitement circulaire • L’iris est souvent caché par les paupières • Calculer un champ de vecteurs de gradients et imposer une forme de départ

  14. L’iris segmenté par les contours actifs

  15. Résumé • Transformée de Hough • Détecteur de contour circulaire • Méthode hybride : Binarisation de l’image +transformée de Hough pour la détection de l’iris + CED pour la détection de la pupille • Contours actifs

  16. Algorithmes d’identification : Normalisation, rehaussement

  17. Normalisation : Transformation pseudo polaire

  18. Détection des cils, paupières et reflets

  19. Normalisation / rehaussement

  20. Algorithmes d’identification : Codages

  21. La méthode des ondelettes • Base 2D d’ondelettes de Gabor • Paramètre en coordonnés polaires (ρ,θ). • 4 niveau de résolution • 2048 coefficients pour coder l’iris J. Daugman, “How iris recognition works”, Proceedings of the International Conference on Image Processing, 2004

  22. Notre approche : Paquets d’ondelettes • Analyser toute l’image à chaque niveau de résolution • Augmenter la taille de la fenêtre de l’ondelette mère • 1664 coefficients pour coder l’iris

  23. Analyse de texture Transformée de Haar I (x, y) =maximum (hg(x, y), gh(x, y)) Texture extraire de l’iris

  24. Algorithmes d’identification : Décision

  25. Approche : ondelettes/paquets Codage par ondelette Deux codes provenant de personnes différentes Codage par paquets

  26. Distance de Hamming Si HD > Seuil  Deux iris proviennent de deux personnes différentes Si HD < Seuil  Deux iris proviennent de la même personne

  27. Processus de corrélation Mesure de similarité pour un template

  28. Bases de données • IrisINT : lumière visible. 70 personnes 700 images. • CASIA : Proche infrarouge, 108 personne 7 images par personne

  29. Algorithmes développés • Démodulation de phase : ondelette et paquets. • Calcul des coefficients d’ondette obtenus par la base de filtres de Gabor ou de paquets de Gabor. • Codage de la phase des coefficients complexes de Gabor par le principe de quatre quadrants • Analyse de texture et corrélation : • filtrage de l’image par l’ondelette de Haar • extraction de la texture de l’iris en utilisant les informations hautes fréquences verticales et horizontales • Processus de corrélation sur les images de textures basé sur le calcul du PSR entre des templates provenant des images de références et de tests.

  30. Courbe ROC (IrisINT)

  31. Courbe DET (Méthode de corrélation ) EER = 0.07

  32. Mode dégradé Image originale Image dégradée

  33. Courbes DET (CT vs DP) DP EER = 8.1 EER = 2.3 CT

  34. Conclusion • Identification de l’iris en mode dégradé • lumière visible • Paquets d’ondelettes • Corrélation de texture

More Related