Биометрическая безопасность необходима от домашней безопасности до коммерческого применения, от государственных / частных организаций до военных приложений. Его спрос увеличился, особенно после теракта 11 сентября. На рынке доступно множество биометрических систем. Чаще всего используются аутентификация человека по отпечатку пальца. Однако эту биометрическую характеристику легко подделать. Еще одна популярная черта, которая обычно используется для аутентификации человека, - это система распознавания лиц. Но он не может распознать объект, если он / она закрыл свое лицо, то есть доступно только частичное лицо, также с изменением возраста характеристики биометрической системы на основе лица ухудшаются. Ирис и сетчатка считаются наиболее безопасными чертами, которые могут безошибочно аутентифицировать человека в этих сценариях.
Биометрическая система на основе сетчатки глаза использует уникальные узоры на кровеносных сосудах сетчатки человека. Сетчатка человека представляет собой тонкую ткань, состоящую из нервных клеток, расположенных в задней части глаза.
Капилляры - это самые маленькие кровеносные сосуды сетчатки, отвечающие за перенос крови. Сложная структура этих кровеносных сосудов делает их уникальными для каждого человека. Эта уникальная характеристика делает сетчатку глаза полезным биометрическим признаком.
Однако, чтобы распознать человека, использующего сетчатку, необходимо захватить изображение сетчатки и сегментировать кровеносный сосуд, чтобы его структура соответствовала сохраненному изображению кровеносного сосуда в базе данных. В этом уроке я обсудил сегментацию кровеносного сосуда по изображению сетчатки.
У меня есть одно изображение сетчатки и ее истинное изображение, как показано на рисунке 2.
Алгоритм сегментации заключается в извлечении сложной структуры кровеносного сосуда из изображения сетчатки. Алгоритм, используемый для сегментации изображения, представляет собой реализацию MATLAB из статьи [1]. Программа считывает изображение сетчатки глаза, сегментирует его и вычисляет P, N и T:
- Процент пикселей кровеносных сосудов, которые правильно классифицируются как кровеносные сосуды. Обозначается как P.
- Процент пикселей фона, который правильно классифицируется как фон. Обозначается как Н.
- Правильно классифицируются проценты пикселей. Обозначается Т.
Например, предположим, что в маске 100 пикселей, 10 пикселей - сетчатка, а 90 пикселей - фон. В результате сегментации 12 пикселей являются сетчаткой (только 8 - истинной сетчаткой и 4 - ложной сетчаткой), а 88 пикселей - фоном. (только 86 - истинный фон и 2 - ложный фон.) Тогда P = 8/10 = 80%; N = 86/90 = 95,56%; Т = (8 + 86) / 100 = 94%.
Полученное изображение после сегментации показано на рисунке 3.
Значение P, N и T рассчитывается, как показано ниже.
Значение P составляет: 56,71%
Значение N составляет: 99,31%.
Значение T составляет: 95,50%.
Вывод:
По рассчитанным значениям P, N и T мы можем сказать, насколько эффективен алгоритм для правильной сегментации изображения сетчатки. Используя этот алгоритм, мы получили хороший результат. Анализируя визуально достоверное изображение, показанное на рисунке 2, и сегментированное изображение, показанное на рисунке 3, мы можем сказать, что алгоритм способен успешно извлекать сложную структуру кровеносного сосуда. Дальнейшее улучшение может быть выполнено для выявления очень тонких кровеносных сосудов.
Исходный код этого метода находится в моем репозитории GitHub.
Использованная литература:
[1] T.W. Ридлер, С. Кальвард, Определение пороговых значений изображения с использованием метода итеративного выбора, IEEE Trans. Система, человек и кибернетика, SMC-8 (1978) 30–632.
