O reconhecimento de íris extrai as características da íris humana para fornecer uma tecnologia de identificação biométrica. Uma grande parte dos sistemas que operam com a
tecnologia de reconhecimento de íris está baseada nas pesquisas e patentes detidas por Daugman (DAUGMAN, 2008).
O reconhecimento de íris está baseado em suas características, que podem ser observadas com iluminação no espectro visível ou infravermelho. Entre estas características estão: collerette, sulcos, criptas, sardas e liséré, que serão apresentadas com mais detalhes no capítulo 3.
A Tabela 3 apresenta um comparativo entre algumas abordagens existentes, relacionando seus autores e os métodos utilizados para a segmentação e extração de características para o reconhecimento da íris.
Tabela 3: Comparativo – abordagens para o reconhecimento da íris.
Autor Método de Segmentação Método de Extração de
Características
Referência
Daugman operador integro-diferencial filtro de Gabor bidimensional Daugman, 1992 Wildes et al. detecção de borda baseada
no gradiente e transformada
de Hough
laplaciano do filtro Gaussiano
Wildes et al., 1997
Boles et al. --- cruzamento-por-zero da
transformada wavelet
Boles et al., 1998 Zhu et al. --- filtro de Gabor e
transformada wavelet bidimensional
Zhu et al., 2000
Lim et al. --- transformada wavelet de Haar
Lim et al., 2001 Liam et al. Limiarização Redes neurais Liam et al., 2002 Tisse et al. decomposição pelo
gradiente, transformada de Hough e operadores integro- diferenciais
conceito de imagem analítica (transformada bidimensional
de Hilbert)
Tisse et al., 2002
Chen e Yuan dimensão fractal Chen e Yuan, 2003 Ma et al. detecção de borda baseada
no gradiente e transformada
de Hough
filtros de Gabor com simetria par e multicanal
Ma et al., 2004
Booney et al. plano-bit (bit-plane), morfologia binária e desvio padrão da intensidade
--- Booney et al., 2004
Noh et al. --- Componente de Identificação Independente Multi-
resolução (M-ICA)
Noh et al., 2005
Zaim conhecimentos de atributos anatômicos e informação do gradiente
--- Zaim, 2005
Arvacheh e Tizhoosh modelo de controle ativo e algoritmo iterativo
Xu et al. áreas locais --- Xu et al., 2006 Passi e Kumar limiarização, filtragem e
detecção de bordas
filtro Log-Gabor Passi e Kumar, 2007 Monro et al. --- Cruzamento por zero da
transformada discreto do cosseno (DCT)
Monro et al., 2007
Conti et al. detecção de bordas extração das micro- caracterísitcas
Conti et al., 2007 Choras Limiarização e detecção de
bordas
--- Choras, 2007 Hollingsworth, Peters,
Bowyer e Flynn
detecção de borda baseada no gradiente e transformada
de Hough
filtro Log-Gabor Hollingsworth et. al., 2009
Do ponto de vista da extração de características, os métodos existentes podem ser divididos em três principais categorias: métodos baseados na fase (phase-based methods), métodos baseados na representação do cruzamento por zero (zero-crossing representation- based methods) e métodos baseados na análise da textura (texture analysis-based methods).
Nos métodos baseados na fase, os algoritmos propostos por Daugman (DAUGMAN, 1992, 1993, 2001, 2004) para o reconhecimento de íris aparecem nos principais trabalhos. O sistema proposto por Daugman utiliza um operador integro-diferencial para localizar as fronteiras da íris, que se baseia na ascensão do gradiente para ajustar os contornos circulares. A codificação (representação) da íris é feita através da aplicação da transformada wavelet bidimensional de Gabor. Para medir a dissimilaridade entre as íris é computada a distância de Hamming entre o par correspondente de representações. Na seção 4.2 do capítulo 4 serão apresentados mais alguns detalhes do referido método.
No trabalho de Noh e colegas (NOH et al., 2005) as características da íris são extraídas por uma Análise de Componentes Independentes em Multi-resolução (M-ICA), ao invés de utilizar o método convencional baseado nas wavelets 2D de Gabor, para gerar uma representação compacta (cinco vezes menor que a obtida pelas wavelets de Gabor). Os coeficientes das expansões ICA são utilizados como vetores de características. No entanto, o fraco desempenho do M-ICA para separação em classes acaba comprometendo a acurácia do método. Chen e Yuan (CHEN & YUAN, 2003) utilizam um algoritmo baseado na dimensão fractal para extrair as características da íris. Através do particionamento da região da íris em pequenos blocos, as características da dimensão fractal local são calculadas para formar o código da íris e posteriormente os padrões são comparados usando uma abordagem baseada em agrupamento e redes neurais.
Os principais trabalhos que utilizam métodos baseados na representação do cruzamento por zero estão fundamentados no trabalho de Wildes et al. (WILDES, 1997), que utilizam detecção de borda baseada no gradiente e a transformada de Hough para localizar a íris na imagem. A representação faz uso de uma decomposição em bandas de passagem resultante do laplaciano do filtro Gaussiano, implementado na prática através da construção de uma pirâmide Laplaciana. O grau de semelhança é avaliado com base na correlação normalizada entre as representações da íris adquirida e a do banco de dados. Boles e Boashash (BOLES & BOASHASH, 1998) utilizam o cruzamento por zero da transformada wavelet em vários níveis de resolução, calculada sobre círculos concêntricos na íris, para gerar um sinal unidimensional (1D). Estes sinais são comparados com características do modelo usando diferentes funções de dissimilaridade. Roche e colegas (ROCHE et al., 2001) utilizam uma abordagem semelhante. Em outra abordagem, Ma e colegas (MA et al., 2004) utilizam filtros de Gabor multicanal com simetria par para capturar informação da textura local da íris, que será usada para gerar um vetor de características de comprimento fixo. A comparação está baseada na distância Euclidiana entre os vetores correspondentes das duas íris. Monro e colegas (MONRO et al., 2007) apresentam um método para confronto de íris usando os cruzamentos por zero de uma transformada discreta do cosseno (DCT) unidimensional como uma forma de extração de características para posterior classificação. A DCT de uma série de caminhos angulares sobrepostos é obtida das imagens da íris normalizada e um pequeno conjunto de coeficientes é usado para formar os vetores de sub-características. O código de íris é gerado como uma sequência de muitas dessas sub-características e a classificação é realizada utilizando a métrica da distância de Hamming ponderada.
Para extração de características, Zhu e colegas (ZHU et al., 2000) utilizam filtros de Gabor e transformada wavelet bidimensional (2D). Esta abordagem faz uso da classificação por distância Euclidiana ponderada para a identificação. O método proposto é invariante a rotação e a translação e apresenta tolerância à iluminação. Lim e colegas (LIM et al., 2001) utilizam a transformada wavelet de Haar para obter o vetor de características e um método de aprendizagem LVQ (Learning Vector Quantization) para treinar uma rede neural com uma inicialização do vetor de peso para a seleção do vencedor.
Liam e colegas (LIAM et al., 2002) utilizam limiarização para distinguir a íris da pupila e regiões vizinhas. Após a segmentação, a íris é reconstruída em um formato retangular e redes neurais são utilizadas para o reconhecimento dos padrões. Booney e colegas (BOONEY et al., 2004) apresentam uma técnica para extração de padrões da íris utilizando o plano de bits (bit-plane) menos significativo. A morfologia binária é aplicada ao plano de bits
para determinar a fronteira da pupila, enquanto que a fronteira límbica (íris/esclera) é identificada através da avaliação do desvio padrão da intensidade na imagem, nos eixos vertical e horizontal.
Outro método de classificação da íris, apresentado por Proença e Alexandre (PROENÇA & ALEXANDRE, 2007), visa o reconhecimento não-cooperativo, ou seja, o processo de reconhecimento automatizado de indivíduos usando imagens de íris capturadas à distância, sob condições de iluminação menos controladas e sem a sua participação ativa. O método proposto divide a imagem da íris segmentada e normalizada em seis regiões, faz uma extração de características e comparação independente para cada região, combinando cada valor de dissimilaridade através de uma regra de classificação. A estratégia de classificação requer o cálculo de um conjunto de limiares de dissimilaridade ótimos que minimizem a taxa de erro.
Os métodos baseados na análise de textura visam identificar uma determinada característica da íris em particular. A abordagem proposta por Conti e colegas (CONTI et al., 2007) apresenta um sistema que utiliza quatro micro-características (núcleo, collarette, vales e raios) para a identificação. Essa abordagem utiliza técnicas de detecção de bordas para determinar as fronteiras da íris, computando os parâmetros de dois círculos. A íris segmentada é normalizada para posterior extração das micro-caracterísitcas. Arvacheh e Tizhoosh (ARVACHEH & TIZHOOSH, 2006) apresentam um modelo de controle ativo para detectar a fronteira da pupila visando melhorar o desempenho de sistemas de reconhecimento de íris. Dois tipos de modelos de forças de controle, interna e externa, são projetados para ativar adequadamente o contorno e localizá-lo sobre a fronteira da pupila. Também é apresentado um algoritmo iterativo desenvolvido para capturar o limbus e as pálpebras. O algoritmo procura iterativamente as fronteiras do limbus e das pálpebras e exclui as áreas das pálpebras que cobrem a íris. Os contornos das pálpebras são modelados como curvas elípticas e a procura se baseia no contorno esperado em diferentes graus de abertura dos olhos. Tisse e colegas (TISSE et al., 2002) utilizam uma combinação de decomposição pelo gradiente, transformada de Hough, operadores integro-diferenciais para a localização da íris e a transformada bidimensional de Hilbert para extrair informação da textura da íris.
Um método para segmentação automática da íris baseado em áreas locais é apresentado por Xu e colegas (XU et al., 2006). O método proposto é dividido em três partes principais. A primeira encontra a região de um retângulo local, no qual a intensidade média é mínima e o estende para localizar a pupila. A seguir, seleciona dois pequenos setores da área local que incluem a fronteira externa da íris para localizá-la. Por último transforma a íris de
um sistema de coordenadas polares para cartesianas e a normaliza para um tamanho fixo, para compensar os efeitos da contração da íris causados pela variação no tamanho da pupila e remover a não-concentricidade da íris e da pupila. Outra abordagem que localiza e segmenta a íris automaticamente é proposta por Zaim (ZAIM, 2005). Primeiramente, para localização do centróide do olho é aplicada uma técnica de crescimento de região circular. Diversas características geométricas do olho são usadas para restringir a construção de um modelo no espaço polar da imagem. Para extração das fronteiras da íris o modelo emprega conhecimentos de atributos da sua anatomia, bem como informação do gradiente. Choras (CHORAS , 2007) também propõe um algoritmo para localização da íris, onde a detecção da pupila é realizada através de uma limiarização simples e uma operação de detecção de borda. As fronteiras interna e externa são localizadas utilizando as diferenças de intensidade entre pupila, íris e esclera, bem como o formato circular da pupila e da íris.
Hollingsworth, Bowyer e Flynn utilizam implementações baseadas nas abordagens de Daugman (DAUGMAN, 1993) e Wildes (WILDES, 1997) para segmentação e codificação das imagens da íris. No entanto, uma das principais linhas de pesquisa do grupo está voltada para o desenvolvimento de algoritmos para melhorar a acurácia da biometria da íris (HOLLINGSWORTH, 2009, 2009b, 2009c, 2009d). O grupo também apresenta diversos estudos relacionados à degradação do desempenho do reconhecimento de íris por diversos fatores, entre eles, a degradação causada pela dilatação da pupila (HOLLINGSWORTH, 2009a).
Passi e Kumar (PASSI & KUMAR, 2007) também apresentam uma técnica para melhorar o desempenho de sistemas de reconhecimento de íris usando informação cohort e qualidade-do-usuário como ponderações para a comparação. O método utiliza técnicas de limiarização, filtragem e detecção de bordas para segmentar a íris, que depois é submetida a uma normalização. A extração de características utiliza a informação da fase, que é obtida pela filtragem da imagem realçada através de um filtro Log-Gabor.
Diversos trabalhos, entre eles alguns dos citados anteriormente (NOH et al., 2005; PASSI & KUMAR, 2007; MA et al., 2004; ZHU et al., 2000; BOONEY et al., 2004; etc.), utilizaram o banco de imagens de íris CASIA (versão 1.0) para testes e realização de experimentos. Cabe ressaltar, no entanto, que Phillips e colegas (PHILLIPS et al., 2007) fazem uma recomendação para que o referido banco de imagens não seja mais utilizado em pesquisas biométricas da íris. O banco original que contava com 2255 imagens foi substituído por uma versão disponível atualmente com 756 imagens e neste último, a pupila foi substituída manualmente em todas as imagens por uma região circular com intensidade
constante, para eliminar os efeitos causados pela reflexão especular dos dispositivos de iluminação infravermelho.
3. ANATOMIA DA ÍRIS E TÉCNICAS PARA O PROCESSAMENTO DE