Procesamiento de imágenes para la etapa de Segmentación en Sistemas de Reconocimiento Biométrico...

1

Procesamiento de imágenes para la etapa de Segmentación en Sistemas de

Reconocimiento Biométrico del Iris Jaime O. Viridiana1 , Simancas A. Eric2 , Robles C. Daniel2.

1 Estudiante de la Maestría en TICs (Tecnologías de la Información y Comunicaciones), Universidad Politécnica de Pachuca, e-mail de contacto [email protected], 2 Profesores Investigadores de la Maestría en TICs,

Universidad Politécnica de Pachuca.

Resumen: Los sistemas biométricos basados en el reconocimiento de patrones biométricos utilizan

imágenes para extraer información significativa que servirá como patrón de reconocimiento; estos

sistemas requieren que las imágenes adquiridas sean lo más clara posible, pues de lo contrario el

desempeño de los sistemas biométricos es limitado. En los sistemas de reconocimiento del iris al

analizar imágenes de los ojos; nos encontramos con factores de ruido como las pestañas, los párpados y

las reflexiones que dificultan la segmentación y se convierten en problemas frecuentes que limitan el reconocimiento en los sistemas biométricos.

Para resolver esta problemática se analizaron técnicas que permiten lograr una segmentación del

iris discriminando las problemáticas antes mencionadas y así ayudar a desarrolladores de

sistemas biométricos en las fases posteriores a la segmentación con la confianza de haber obtenido

información significativa en esta etapa; además se presenta la evaluación de tales técnicas mediante

programas en MatLab aplicadas en imágenes obtenidas de la base de datos UBIRIS.v1. En el

presente trabajo se muestra un análisis del Algoritmo de Canny, CHT (Transformada de Hough Circular) y de un Algoritmo para la Detección de

Reflexiones, los cuales en su conjunto nos permiten realizar una buena segmentación del iris

(sin los factores de ruido mencionados anteriormente). Además se presentan los

resultados obtenidos al analizar las imágenes mediante el código en MatLab del Algoritmo de

Canny, CHT y Detección de Reflexiones; igualmente se describe la forma en que éstos fueron

desarrollados.

Palabras claves: biométria, mapa de bordes,segmentación.

I. INTRODUCCIÓN

Los sistemas biométricos basados en el reconocimiento del iris han tenido un gran

auge debido a su alta precisión en la identificación de personas, para lo cual se

requiere de imágenes con ciertas características, por ejemplo: que sean

nítidas, en escala de grises o a color, que se aprecie claramente el ojo humano, entre

otras. Frecuentemente en la imagen a utilizar, el iris está acompañado de

pestañas, párpados y reflexiones; todos estos son factores que influyen dentro de un sistema

biométrico y que pueden ser descartados mediante técnicas de procesamiento de imágenes, y en consecuencia obtener aquella sub-parte que sea únicamente iris; con esto,

además de evitar la adquisición de componentes no deseados se puede facilitar la

etapa de extracción de características en los sistemas biométricos, pues se cuenta con imágenes en las que se puede apreciar el iris

claramente. En las secciones posteriores se realiza el análisis y evaluación de técnicas

de procesamiento de imágenes que permitan lograr una segmentación del iris que sirva de

apoyo en las etapas de desarrollo de un sistema biométrico utilizando el iris. La

evaluación de las técnicas de procesamiento

Memorias del “2do. Congreso Nacional de Tecnologías de la Información”, Universidad del SABES, San José Iturbide, Gto., México, 29 y 30 de Agosto del 2014.

2

de imágenes utilizadas se realizó mediante el uso del programa de cómputo MatLab y la base de

datos UBIRIS.v1. En secciones posteriores se muestra un análisis de los algoritmos de

Canny, CHT y de un Algoritmo para la Detección de Reflexiones, los cuales en su conjunto nos

permitirán realizar una buena segmentación del iris (sin los factores de ruido

mencionados anteriormente). Además se presentan los resultados obtenidos de los

códigos de los algoritmos de Canny, CHT y Detección de Reflexiones; igualmente se

describe la forma en que éstos fueron desarrollados.

II. MÉTODOS

En este trabajo se utilizaron tres técnicas para la segmentación del iris y las

reflexiones presentes en una imagen, para ello fue necesario revisar la teoría de cada

una de las técnicas para segregar cada etapa de su desarrollo mediante el lenguaje de

simulación MatLab; al igual que se comprendió su funcionamiento para poder hacer las

modificaciones correspondientes a nuestras necesidades y proponer soluciones a la hora de

localizar el iris en imágenes de ojos de la Base de datos UBIRIS.v1: los algoritmos

analizados fueron: Algoritmo de Canny, CHT y un algoritmo para la Detección de

Reflexiones; los cuáles se explican acontinuación:

ALGORITMO DE CANNY El Algoritmo de Canny fue desarrollado por

John Canny en 1986 (Canny, 1986) , el cual nos permite detectar los bordes presentes en una imagen. Los bordes están formados por pixeles

entre los que existen cambios bruscos en los niveles de intensidad. Este algoritmo utiliza

la primera derivada, la cual toma el valor de cero en las regiones donde no varía la

intensidad de los pixeles y toma un valor constante en toda la transición de

intensidad. Un cambio de intensidad se manifiesta como un cambio brusco en la primera derivada, la detección de bordes reduce

significativamente la cantidad de datos a procesar. El Algoritmo de Canny consta de tres

etapas principales: cálculo del gradiente, supresión no máxima e histéresis de umbral

(Jaramillo, Fernández y Martínez, 2000), (Valverde, 2007).

A. Cálculo del Gradiente En esta etapa, primeramente, se aplica un

filtro gaussiano a la imagen de entrada para eliminar ruido; a esta operación se le conoce

como suavizado. Un suavizado excesivo causará que se pierdan detalles de la imagen y por lo

tanto, que haya problemas en la detección de bordes. Posteriormente se obtiene el

gradiente G de la imagen f(x, y) mediante la expresión (Valverde, 2007)

()

Después se calcula la magnitud y la orientación del gradiente para cada pixel a

través de las fórmulas (2) y (3), respectivamente (Tejedor, 2009), (Valverde,

2007)

|G|= ( G√ x ² + Gy ²) = |Gx |+ | Gy| () φ(x, y)= tan-1(Gy / Gx) ()

donde Gx es el gradiente en la dirección vertical y, por lo tanto, detecta los bordes

verticales; Gy es el gradiente en la dirección horizontal y detecta los bordes horizontales.

A partir de la magnitud y orientación del gradiente se obtienen dos imágenes: Em y Eo,

respectivamente; las cuales tienen utilidad en la etapa de Supresión no máxima.

B. Supresión No Máxima

Una vez obtenidas las imágenes Em y Eo de la fase anterior, el siguiente paso es

relacionar la orientación del gradiente (Eo) con una dirección que pueda ser trazada en una

imagen. Cada componente en Eo puede tener una de las cuatro direcciones posibles: 0°, 45°,

90° o 135° con respecto al eje horizontal;


3

dependiendo de la dirección a la que esté más cerca. Después de que las direcciones son

conocidas, si cada elemento en Em es menor que al menos uno de sus vecinos en una dirección

determinada, entonces su valor es establecido a cero y ese pixel no es considerado como

candidato a borde; de otro modo, tal elemento sí es tomado en cuenta para formar parte del

borde. El resultado de esta supresión es la imagen In (Em ya con los valores establecidos a

cero) con los bordes adelgazados y que sirve como entrada para la siguiente etapa

(Tejedor, 2009), (Valverde, 2007).C. Histéresis de Umbral

En esta etapa se utilizan dos umbrales, uno superior (t2 ) y uno inferior (t1 ). Los elementos en In que tienen valores: mayores que

t2 , son considerados como borde definitivo; menores que t1 , son descartados como parte del

borde y son fondo definitivo; o menores que t2 y mayores que t1 , son considerados como borde siempre y cuando estén conectados a otros pixeles que ya son parte del borde (mayores

que t2 ). Todos los puntos que ya se cuentan como borde y como fondo forman una imagen final que

se llama Mapa de Bordes (Jaramillo et al., 2000), (Tejedor, 2009), (Valverde, 2007).

TRANSFORMADA DE HOUGH La Transformada de Hough es un algoritmo

que permite localizar figuras geométricas dentro de una imagen a través de una ecuación

paramétrica. La imagen de entrada es, generalmente, un mapa de bordes del cual se

obtienen las ecuaciones de las figuras que se desean encontrar. Todas las combinaciones de

valores de parámetros de la ecuación que representa la forma que se desea detectar en

la imagen constituyen el espacio paramétrico dónde se realizará la búsqueda. Si las formas

buscadas se describen mediante una ecuación con tres parámetros, entonces se tiene un

espacio de búsqueda tridimensional, como en el caso de un círculo. En la imagen se pude

detectar cualquier forma correspondiente a alguna de las combinaciones de parámetros

existentes en el espacio discretizado

(Escolano, Cazorla y Alfonso, 2003). Ya construido el espacio paramétrico se

establece qué combinaciones de parámetros tienen una mayor evidencia de pertenecer a una

forma existente en la imagen de entrada. Para hacer esto cada punto de la imagen vota por todas las ecuaciones correspondientes a formas a las que pertenezca dicho punto. Los votos son almacenados en un arreglo

acumulador, el cual contiene todas las combinaciones de los parámetros; el número

máximo de votos en el arreglo acumulador corresponde a los parámetros del círculo

buscado (Lodin, Ghiurcau y Lodin, 2010), por lo tanto, las formas que obtengan un mayor

número de votos serán aquellas que estarán dibujadas.

A. CHT Para definir la CHT se debe expresar el círculo mediante una ecuación paramétrica y

se puede utilizar la ecuación

(x-a)2 + (y-b) 2 = r2 ()

donde (a, b) es el centro del círculo y r su radio. De esta forma se tiene un espacio

paramétrico tridimensional. Escolano, Cazorla y Alfonso (2003) proponen un

algoritmo para guiar la votación en el caso de la CHT, el cual se puede apreciar en la Tabla 1.

Algoritmo de votación para CHT Para cada (a ,b ,r)

Votosabr ← 0 Para cada pixel (x, y) de la imagen de entrada

Para cada coordenada x del centro a Para cada coordenada y del centro b r←√((x-a)2 + (y-b)2) Votosabr ← Votosabr +1

Devolver Votos Tabla 1 Votación para la CHT

Al final nos quedaremos con los círculos descritos por las ecuaciones con los valores

de los parámetros que hayan obtenido un mayor número de votos, que serán los que describan

las formas que aparecen en la imagen. Se debe establecer un umbral de votos para considerar


4

que un círculo existe en la imagen (Escolano et al., 2003), (Wildes, 1997).

ALGORITMO DE DETECCIÓN DE REFLEXIONES Para detectar reflexiones en una imagen se

debe comparar el valor de intensidad de un pixel con un umbral (ver expresión () ), si el valor del pixel es mayor que el umbral,

entonces ese pixel será considerado como

reflexión, de lo contrario será descartado como tal ( Zamudio, 2010):

donde f(x, y) es el valor de la intensidad del pixel y t es el valor del umbral; se propone

asignar al umbral un valor cercano a los tonosblancos.

III. RESULTADOS Se realizaron simulaciones del Algoritmo

de Canny, de la CHT y del Algoritmo de Detección de Reflexiones en MatLab utilizando

UBIRIS. Se tomaron como base tres imágenes de UBIRIS.v1 correspondientes a personas diferentes (ver Figura 1 ), con el fin de

observar el comportamiento de los algoritmos sobre el iris en circunstancias diversas.

Figura 1 Imágenes tomadas de UBIRIS.v1: a) Persona No. 1, b) Persona No. 2, y c) Persona No. 3.

ALGORITMO DE CANNY

A. Obtención del Gradiente A las imágenes de la Figura 1 se les aplicó

un filtro gaussiano para obtener la imagen suavizada correspondiente dónde se pudo

apreciar el efecto de borrosidad causado( Flores y Méndez, 2009 ). El suavizado se llevó

a cabo con el fin de eliminar posible ruido, tal como los bordes de pecas, poros de la piel,

brillos, etc.; y para que las imágenes

resultantes de esta operación sirvieran cómo entrada para el cálculo del gradiente () . Se

debe tener cuidado de no realizar un suavizado excesivo (imagen muy borrosa) pues se pueden

perder detalles importantes en la imagen original y provocar una detección de bordes no

óptima. Después del suavizado y del cálculo del gradiente, se consiguieron las imágenes Em

(ver Figura 2 ) y Eo (ver Figura 3 ), las cuales sirvieron como entrada de la siguiente fase

del Algoritmo de Canny.

Figura 2 Magnitud del Gradiente: a) Persona No. 1, b) Persona No. 2, y c) Persona No.

Figura 3 Orientación del Gradiente: a) Persona No. 1, b) Persona No. 2, y c) Persona No. 3.

B. Supresión No Máxima La imagen In que resultó de esta etapa (ver

Figura 4 ) ya mostró contornos más delgados en comparación con los que se pueden apreciar en

las imágenes de la Figura 2.

Figura 4 Supresión No Máxima: a) Persona No. 1, b) Persona No. 2, y c) Persona No. 3.

C. Histéresis de Umbral En esta última etapa se tomó como entrada la

imagen In de la fase anterior y después de las comparaciones de sus elementos con los


f(x, y) > t ()

5

umbrales se obtuvieron las imágenes de la Figura 5 , las cuales presentan los bordes

detectados en las imágenes originales.

Figura 5 Histéresis de Umbral: a) Persona No. 1, b) Persona No. 2, y c) Persona No. 3.

Transformada de Hough Circular (CHT) En la Figura 6 se presenta el código

desarrollado que implementa el algoritmo de la CHT (mostrado en la Tabla 1 ) para hallar los

límites de la pupila y del iris; se puede observar el proceso de recorrido de la imagen

de entrada (mapa de bordes) y el proceso de votación para el arreglo acumulador de la

pupila y del iris. Los radios máximos corresponden a los rangos de los círculos que

se pudieran construir.

Figura 6 Código de la implementación de la CHT

Para cada imagen de la Figura 1 se aplicó el código de la Figura 6 y se hallaron los

círculos mostrados en la Figura 7 . En el caso de la Figura 7 a se encontraron los círculos

correspondientes al iris y la pupila, los cuales coincidieron casi por completo con los

límites límbico y pupilar reales, pues en la parte superior de la imagen se pudo apreciar

que el círculo trazado para el iris abarcó una porción muy pequeña de la esclera y pestañas.

En la Figura 7 b también se hallaron los círculos del iris y la pupila, sin embargo, se

logró ver que la circunferencia perteneciente a la pupila también incluyó una parte pequeña

del iris, mientras que el círculo del iris abarcó una fracción considerable del párpado

superior y pestañas. En la Figura 7c nuevamente se localizaron los círculos

pertenecientes a la pupila y al iris, mientras que el círculo interno encajó en su totalidad con el límite real, el círculo externo

únicamente lo hizo en las partes laterales del iris abarcando fragmentos de los párpados

superior e inferior.

Figura 7 Círculos encontrados por CHT: a) Persona 1, b) Persona 2, y c) Persona 3.

ALGORITMO DE DETECCIÓN DE REFLEXIONES Para cada imagen de la Figura 1 se obtuvo un

histograma que sirvió para calcular los umbrales necesarios en la detección de

reflexiones. En la Figura 8 se muestran los resultados de aplicar la expresión () con los

umbrales: 240, 220 y 170, respectivamente.

Figura 8 Detección de Reflexiones: a) Persona 1, b) Persona 2, y c) Persona 3

IV. DISCUSIÓN En las imágenes de la Figura 5 se pudo ver

que los bordes detectados permitieron apreciar los contornos pertenecientes al

iris, párpados, pestañas y reflexiones; aunque tales bordes no se mostraron como


6

líneas continuas en su totalidad, pues se alcanzaron a notar pequeños huecos entre

ellos, y por lo tanto, esto causaría problemas en el algoritmo de la CHT para poder hallar los

parámetros de los círculos (coordenadas del centro y radios) correspondientes al iris y a

la pupila; es por esto que se implementaron operaciones morfológicas para cerrar las

líneas abiertas de la Figura 5 , dando como resultado las imágenes de la Figura 9 en las

que ya se apreciaron líneas finas continuas y se removieron pixeles aislados para reducir la cantidad de puntos a analizar durante la

CHT.

Figura 9 Cerrar contornos mediante operaciones morfológicas: a) Persona No. 1, b) Persona No. 2, y c)

Persona No. 3.

A partir de la información recopilada y de lo observado en la Figura 7 , se pudo ver que

aunque la CHT es una técnica buena en la detección de círculos no siempre arrojará una

segmentación que coincida en su totalidad con los límites reales del iris, pues depende

fuertemente del mapa de bordes que reciba para su funcionamiento. Además, entre más pixeles

contenga el mapa de bordes, mayor será el tiempo de cómputo que requiera la ejecución de

la CHT, pues ésta realiza cálculos matemáticos para cada elemento del mapa de

bordes; por ello se sugiere quitar aquellos pixeles que no sean parte fundamental del mapa

y así se lograría reducir el tiempo de procesamiento de la CHT.

En las imágenes de la Figura 8 se variaron los valores del umbral hasta que se logró

localizar las reflexiones presentes en el iris. Cuando se utilizan umbrales para

detectar reflexiones es frecuente que algunas partes claras de la imagen, como párpados y

esclera, sean marcadas como reflexiones, esto se pudo apreciar en la Figura 8 b y Figura 8c.

V. CONCLUSIÓN En este trabajo se hizo un análisis del

funcionamiento del Algoritmo de Canny, la Transformada de Hough Circular y de un

Algoritmo de Detección de Reflexiones, además se realizaron códigos en MatLab de dichas

técnicas utilizando imágenes de la Base de Datos UBIRIS.v1 y se describe cómo fueron

desarrollados. Las imágenes arrojadas de las simulaciones del Algoritmo de Canny muestran

bordes con líneas no continuas en su mayoría, por lo que se trabajó para eliminar los huecos

existentes mediante la aplicación de operaciones morfológicas. Los resultados de

la CHT muestran que se pueden hallar los círculos que representan al iris (tanto

interno como externo) aunque no siempre estos coincidirán en su totalidad con los límites

pupilar y límbico reales (debido a la naturaleza no perfectamente circular del iris

y de la pupila; y además de que sus círculos no son concéntricos). El algoritmo de Detección

de Reflexiones localizó la mayoría de las reflexiones presentes en las imágenes, sin

embargo, también consideró parte de los párpados y de la esclera como parte de éstas

(por los resultados obtenidos podemos hacer una segmentación previa con los resultados de

la reflexión para eliminar información no deseada). El Algoritmo de Canny, la CHT y el algoritmo de Detección de Reflexiones junto

con los Filtros de Gabor (se aplicarán para detectar las pestañas presentes en el área del

iris) permitirán realizar una buena segmentación del iris.

AGRADECIMIENTOS El Consejo Nacional de Ciencia y

Tecnología, CONACYT, otorgó una beca a laC. VIRIDIANA JAIME ORTEGA con número(CVU/Becario): 490458/275007 para la

realización de sus estudios de posgrado en el programa MAESTRÍA EN TECNOLOGÍAS DE LA

INFORMACIÓN Y COMUNICACIONES en la Universidad Politécnica de Pachuca.


7

REFERENCIAS Canny, J., 1986. A Computational Approach to

Edge Detection. Pattern Analysis and MachineIntelligence, 8(6), pp. 679-898.

Escolano, F., Cazorla, M. A. y Alfonso, M. I., 2003. Inteligencia artificial: modelos, técnicas y áreas

de aplicación. Madrid, España: Thomson.

Flores, A. y Méndez, A. A., 2009. Detección Estable de los Bordes de la Oreja en Imágenes

2D. Computación y Sistemas, 13(2), pp. 195-208.

Jaramillo, M., Fernández, J. y Martínez, E., 2000. Implementación del Detector de Bordes

de Canny sobre Redes Neuronales Celulares. Universidad de Extremadura, España.

Lodin, A., Ghiurcau, M. V. y Lodin, A., 2010. Automatic Iris Location Using Hough Transform. Carpathian Journal of Electronic and

Computer Engineering, 3, pp. 49-52.

Tejedor, J., 2009. Análisis comparativo de algoritmos en segmentación de iris. Tesis de

maestría, Universidad Carlos III de Madrid,España.

Valverde, J., 2007. Detección de bordes mediante el algoritmo de Canny. Escuela

Académico Profesional de Informática. Universidad Nacional de Trujillo, Trujillo,

Perú.

Wildes, R. P., 1997. Iris Recognition: An Emerging Biometric Technology. Proceedings of

the IEEE, 85(9), pp. 1348- 1363.

Zamudio, L. M., 2010. Reconocimiento del iris como identificación biométrica utilizando

video. Tesis de maestría, Instituto Politécnico Nacional, Tijuana, Baja

California, México.


Procesamiento de imágenes para la etapa de Segmentación en Sistemas de Reconocimiento Biométrico...

Documents

Transcript of Procesamiento de imágenes para la etapa de Segmentación en Sistemas de Reconocimiento Biométrico...