چند است.
در بیشتر سامانه های بیومتریک مرحله ثبت نام در سامانه از مرحله تشخیص هویّت جدا شده است زیرا در مرحله ثبت نام باید مسئله اینکه آیا فرد قبلاً در سامانه ثبت نام کرده است یا نه، مد نظر قرار میگیرد تا از ثبت نام یک فرد در سامانه با چند هویّت مختلف جلوگیری شود و قابلیت اطمینان سامانه بالا میرود. در حالی که در مرحله تشخیص هویّت مسئله مهم فقط یافتن فرد از بین کدهای ذخیره شده در پایگاه داده است.

7- Identification
8- Verification

بیومتریک های متداول عبارتند از:
1. استفاده از اثر انگشت
2. استفاده از تصاویر صورت
3. استفاده از تصاویر عنبیه چشم
4. استفاده از هندسه دست
5. استفاده از بو یا خواص شیمیایی
6. استفاده از تصاویر شبکیه
7. استفاده از امضاء
8. استفاده از صدا
9. استفاده از اثر کف دست

مقایسه چند مشخصه بیومتریک براساس هفت عامل مهم در توصیف مشخصه های بیومتریک در جدول زیر آمده است:
جدول(2-1) مقایسه تکنولوژی های متنوع
مشخصه بیومتریک
آسیب پذیری
قابلیت پذیرش
عملکرد
قابلیت جمع آوری
دوام
تمایز
جهانی بودن
DNA
L
L
H
L
H
H
H
گوش
M
H
M
M
H
M
M
چهره
H
H
L
H
M
L
H
دما نگار
L
H
M
H
L
H
H
اثر انگشت
M
M
H
M
H
H
M
کف دست
M
M
M
H
M
M
M
عنبیه
L
L
H
M
H
H
H
ضربه کلید
M
M
L
M
L
L
L
بو
L
M
L
L
H
H
H
شبکیه
L
L
H
L
M
H
H
امضاء
H
H
L
H
L
L
L
صدا
H
H
L
M
L
L
M

2-2. زمینه های پیدایش
در سال 1936 چشم پزشکی به نام Frank Burch پیشنهاد تشخیص افراد از طریق الگوی قرنیه را عنوان کرد. در سال 1987 دو چشم پزشک دیگر به نام های آرن سفیر و لئونارد فلوم این ایده را ثبت کرده و در سال 1989 از جان داگمن خواستند تا برای خلق الگوریتم‌های واقعی برای شناسایی افراد بر اساس عنبیه کوشش کند. الگوریتم هایی که داگمن در سال 1994 به ثبت رساند، پایه ای برای تمامی سیستم های امروزی شناسایی افراد بر اساس عنبیه شد.
به طور کلی نرم افزارهای تشخیص عنبیه براساس تکنیک های پیشرفته ریاضی مانند موجک و سخت افزار RealTime با دوربین های وضوح بالا به کار گرفته شده اند. Daugman از فیلترهای گابور برای تولید کد خصوصیت باینری استفاده کرد و تبدیل ویولت گابور را برای استخراج ویژگی عنبیه بکار برد و از اطّلاعات فاز بافت استفاده کرد سپس با تعیین اینکه خروجی فاز تبدیل گابور در کدام قسمت از محور مختصات است، هر پیکسل یک دو بیتی اختصاص داد و یک کد 256 بایتی تولید کرد (داگمن 9،2002). همچنین Wilds از تبدیل هاف برای تعیین محل عنبیه استفاده کرد (والدز 34،1994).Wang و همکاران هم از فیلترهای گابور برای گرفتن مشخصات عنبیه استفاده کردند و سپس از یک شبکه عصبی LVQبرای طبقه بندی استفاده کردند (وانگ و همکاران 37،2005). همچنین تکنیک های جدید دیگری بر پایه شبکه های عصبی احتمالی انجام شد و نتایج تشخیص خوبی بدست آمد. لیم و دیگران سامانه پیشنهادی خود را بر مبنای موجک هار طراحی کردند و برای استخراج بردار ویژگی از جزئیات قطری خروجی اعمال موجک هار بر تصویر عنبیه استفاده کردند (لیم و دیگران 30،2001) و (چن 2009،6). DO و همکارانش نشان دادند تبدیل کانتورلت یک تبدیل چند مقیاسه و جهتی است که می تواند برای نمایش مرزهای قوسی شکل استفاده شود (دو و همکاران 2001،21) و (دو 2001،20). Tieniu tan و همکارانش از فیلترهای Gabor چند کاناله برای استخراج ویژگی استفاده کردند. (تان و همکاران 16،2003) و (سان2005،37). Tan نیز محل تغییرات سریع در تصویر عنبیه را با استفاده از تبدیل ویولت متعامد در دو سطح به دست آورده و پس از تبدیل به کد باینری از آن به عنوان بردار ویژگی استفاده کرد (تان 17،2004). وایلدز هرم لاپلاسی با چهار سطح رزولوشن متفاوت را بکار برد و از همبستگی نرمالیزه شده برای مقایسه بین تصویر ورودی و تصویر پایگاه داده استفاده کرد (وایلدز 34،1994).Kaushik Roy از تبدیل ویولت دوبچیز برای انتخاب ویژگی در تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم GA استفاده نمود (روی 2011،15). Dae sik jeong از روش AdaBoost برای ناحیه بندی تصاویر عنبیه غیر ایده آل استفاده نمود(جیونگ 7،2010).Szewczyk از معکوس کننده ویولت متعامد دو بعدی برای استخراج ویژگی در شناسایی عنبیه استفاده نمود (زیوزیک 27،2010). فرصتی و همکاران، به مقایسهdataset های متفاوت برای بهینه سازی براساس کلونی زنبور پرداختند (فرصتی و همکاران 10،2012). GU Hong و همکاران، طبقه بندی Featureهای عنبیه را براساس شبکه عصبی SVM غیر متقارن انجام دادند (هانگ و همکاران 2005،11) .تهیر و همکاران، استخراج ویژگی را براساس الگوریتم TS پیاده سازی نمودند (تهیر و همکاران 32،2007). Guang-zhu و همکاران، متدی براساس ICM برای استخراج و انتخاب ویژگی های عنبیه ارائه دادند (گیوانگ 4،2008) . Park و همکاران، روشی براساس Score level fusion با استفاده از SVM برای شناسایی عنبیه بکار بردند (پارک و همکاران 13،2007). Fritz و همکاران، از دیدگاه تئوری Game برای شناسایی عنبیه استفاده کردند (فریتز 22،2009). Peihuali و همکاران، شناسایی عنبیه را براساس RANSAC انجام دادند ( Peihuali 25،2012) Pundlik و همکاران، قطعه بندی عنبیه غیرایده آل را براساس گراف Cut انجام دادند (اندلیک 2010،31). Ma و همکاران، ناحیه بندی را براساس الگوریتم ACO برای تصاویر عنبیه بکار بردند (ما و همکاران 19،2009).
2-3. عنبیه و ساختار آن
به حلقه رنگی اطراف مردمک چشم عنبیه میگویند. عنبیه درست در پشت قرنیه و جلوی لنز قرار گرفته است، از ماهیچه‌های کشنده و اسفنکتر که اندازه مردمک را تغییر می‌دهند، استفاده می‌کند تا میزان نوری را که وارد چشم می‌شود، تنظیم کند. عنبیه برای کنترل میزان نوری که وارد چشم شده و به شبکیه برخورد می‌کند، اندازه مردمک را بزرگ و کوچک می‌کند. عنبیه از دو بخش بافت قدامی و لایه مخاطی خلفی تشکیل شده که بافت قدامی در واقع نقطه تمرکز تمام سیستم‌های خودکار تشخیص از طریق عنبیه است. سطح جلویی عنبیه به دو بخش ناحیه مردمکی و مویرگی تقسیم می‌شود که بوسیله طوقه9 از یکدیگر جدا می‌شوند. طوقه در واقع محل همپوشانی ماهیچه‌های اسفنکتر و کشنده است که به شکل یک خط زیگزاگ عجیب دیده می‌شود، جزئیات بافت این دو ناحیه به صورت معمول با یکدیگر متفاوت است. با بزرگ و کوچک شدن مردمک، حفره‌های Crypt که در واقع بافت‌هایی بیضوی و گودال مانند در ناحیه اطراف طوقه هستند، امکان ورود و خروج سریع مایعات بافتی به عنبیه را فراهم می‌کنند. یک سری خطوط شعاعی که مشتمل بر نوارهایی از جنس بافت متصل کننده هستند و در اطراف Crypt قرار دارند، با منقبض شدن
9- Collarette
مردمک کشیده و مستقیم شده و با باز شدن مردمک به حالت موجی شکل جمع می‌شوند. شیارهای هم مرکز نزدیک بخش بیرونی ناحیه مویرگی هنگام باز شدن مردمک عمیق‌تر شده و باعث چین خوردن عنبیه می‌شود. این شیارهای همگرا به سادگی در عنبیه‌های تیره قابل تشخیص است. مرز مردمکی10 و مرز میان بافتی11 محدوده فضایی عنبیه را مشخص کرده و در تصاویر دو بعدی چشم به تمیز دادن عنبیه از سایر ساختارهای بصری نظیر مژه‌ها، پلک‌ها، سفیدی چشم و مردمک کمک می‌کنند. تصاویر طیف نزدیک مادون قرمز12 از سطح جلویی عنبیه، الگوهای پیچیده‌ای را نمایش می‌دهند که سیستم‌های کامپیوتری می‌توانند از آن‌ها برای تشخیص هویّت افراد استفاده کنند. از آنجا که پرتوهای NIR می‌توانند از سطح عنبیه رد شوند، خواهند توانست جزئیات پیچیده بافت‌های داخل عنبیه را حتی در تیره رنگ‌ترین عنبیه‌ها آشکار کنند. پیچیدگی بافت عنبیه و تنوع آن در چشم‌های مختلف دانشمندان را به این نتیجه رساند که عنبیه افراد منحصر به فرد است. همچنین عنبیه تنها اندام داخلی بدن است که به‌طور عادی از بیرون هم قابل رؤیت است. بنابراین، برخلاف اثر انگشت و اثر کف دست، شرایط محیطی نمی‌توانند به سادگی بر آن تأثیر گذاشته یا الگوی آن را تغییر دهند. جزئیات غنی بافتی که در سطح خارجی عنبیه نهفته است، معیارهای بیومتریک قدرتمندی را برای تشخیص هویّت افراد فراهم می‌کنند .تشخیص هویّت از طریق عنبیه به عنوان یک فناوری بیومتریک قابل اعتماد و قدرتمند، توانسته است توجّه زیادی را به خود جلب کند. بافت پیچیده عنبیه و ثبات آن، نوید بخش استفاده هر چه بیشتر از سیستم‌های تشخیص هویّت بر مبنای عنبیه در کاربردهای متنوع و گوناگونی نظیر کنترل مرزها، تحقیقات دادگاهی و رمزنگاری است.

این مطلب رو هم توصیه می کنم بخونین:   منبع تحقیق درباره بورس اوراق بهادار، بورس اوراق بهادار تهران، معنادار بودن

10- Pupillary
11- Limbus
12- NIR

تصویر (2-1) تصویری از نمای جلوی عنبیه
2-4. بررسی پایداری بافت
تصوّر کلی بر این است که خواص موجود در عنبیه به واسطه تغییرات ژنتیک تصادفی و منحصر به فرد هستند و مطالعات تجربی در مقیاس های کلان هم این نظریه را در بین جمعیّت مورد مطالعه تأیید میکند. الگوی یکتای عنبیه از زمان جنینی شکل گرفته و در تمام عمر تقریباً بدون تغییر باقی میماند، شناسایی عنبیه حتی زمانی که بخش کوچکی از کل چشم قابل رویت باشد مقدور است زیرا عنبیه شامل اطّلاعات منحصر به فردی به مراتب بیشتر از مجموع اطّلاعات جمع آوری شده از انگشتان، چهره و کف دست یک انسان خواهد بود. شناسایی از روی عنبیه یک روش تشخیص هویّت بسیار قوی است زیرا عنبیه در طول زندگی هر فرد تقریباً بدون تغییر باقی میماند و امکان خدشه یا صدمه به آن بسیار پایین است. برخی از مشخصات این تکنیک منحصر به فرد پایداری، دقّت، سرعت، مقیاس پذیری و قابلیت اطمینان آن است.

تصویر(2-2) تصویری از بافت چشم

سیستم تشخیص هویّت بر‌اساس عنبیه از انطباق الگوها برای مقایسه دو تصویر عنبیه استفاده کرده و یک امتیاز تطابق را ارائه می‌کند که درجه تطابق یا عدم تطابق دو تصویر را نشان می‌دهد. براساس سوابق مطالعات بیومتریک عنبیه به طور ذاتی بین افراد مختلف متفاوت است. حتی عنبیه دوقلوهای همسان هم تفاوت‌های ساختاری از خود نشان می‌دهند که نشأت گرفته از تأثیر عوامل اتفاقی بر روند شکل‌گیری بافت‌ها است. آزمایش‌هایی که در مقیاس وسیع انجام شده است، قابلیت تشخیص هویّت افراد را بر‌اساس بانک اطّلاعاتی از انواع الگوهای عنبیه تأ‌یید می‌کند. یکی از این آزمایش‌ها که روی بانک اطّلاعاتی مشتمل بر 632500 تصویر عنبیه – تهیه شده از 316250 داوطلب از 152 کشور مختلف – انجام شده است، تأیید می‌کند که ایجاد یک سیاست تصمیم‌گیری که نرخ تشخیص اشتباه آن صفر باشد، کاملاً امکان‌پذیر است. البتّه، این نرخ بر‌اساس کیفیّت تصاویر عنبیه تهیّه و پیش‌بینی شده است، که کیفیّت این تصاویر باید به دقّّت کنترل شود تا از وضوح الگوهای بافتی قرنیه اطمینان حاصل شود.
2-5. چگونگی کارکرد سیستم بیومتریک عنبیه
همان‌گونه که تصویر (2-3) نشان می‌دهد، اغلب سیستم‌های تشخیص هویّت بر اساس عنبیه از پنج بخش پایه تشکیل شده‌اند که در نهایت به اتخاذ تصمیم درست منجر می‌شوند.
واحد ثبت: به کمک یک دوربین CCD تک رنگ حساس به پرتو نزدیک مادون قرمز تصویر دو بعدی از چشم تهیه می‌کند. در اغلب سیستم‌های تشخیص عنبیه فرد باید چشم خود را در فاصله شش اینچی دوربین قرار دهد. یک منبع خارجی نور نزدیک مادون قرمز، که به‌طور معمول در کنار سیستم ثبت قرار گرفته عنبیه را روشن می‌کند. سیستم ثبت، یک سری تصویر از چشم تهیّه می‌کند و کیفیّت تصاویر را بررسی کرده و تصویری را که حاوی اطّلاعات مناسبی از عنبیه است، انتخاب می‌کند که این تصویر خود در ادامه وارد مراحل دیگری از

دسته‌ها: No category

دیدگاهتان را بنویسید