Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky
Zpracování obrazu: Nové metody lokalizace a rozpoznávání oční duhovky Teze habilitační práce
2011
Ing. Michal Dobeš, Ph.D.
1
Obsah Představení autora Vybrané publikace Citace dle Web of Science: Seznam publikací / Publications Teze habilitační práce Zpracování obrazu: Nové metody lokalizace a rozpoznávání oční duhovky Abstract Úvod Lokalizace oční duhovky Současný stav a cíle Způsob realizace Výsledky a srovnání s jinými přístupy Rozpoznávání oční duhovky Motivace a současný stav Navrhované řešení Výsledky a srovnání s jinými metodami Současná práce Teze habilitační přednášky Zpracování obrazu a biometrická data Úvod – druhy biometrických dat Metoda pro vyhledávání očí v obličeji Předzpracování obrazu Lokalizace potenciálních očí pomocí modifikované Houghovy transformace Výsledky Oční duhovka jako biometrika Obrazová data, entropie a vzájemná informace Výsledky Závěr a přínos autora Vybrané reference
3 4 4 5 8 9 9 9 10 10 10 11 12 12 12 13 14 16 17 17 18 18 18 21 22 23 24 26 27
2
Představení autora Autor vystudoval Elektrotechnickou fakultu Českého vysokého učení technického v Praze, studium zakončil s vyznamenáním, Ing. v roce 1987, červený diplom. Postgraduální studium absolvoval na Fakultě elektrotechniky a informatiky Vysokého učení technického v Brně, obor Kybernetika a informatika, Ph.D. v roce 2000, disertační práce: „Rozpoznávání obrazu se zaměřením na identifikaci osob dle otisků prstů“. Od roku 1991 pracuje jako odborný asistent na Katedře informatiky Přírodovědecké Fakulty Univerzity Palackého v Olomouci. V letech 1990 – 1991 pracoval jako projektant hardware v podniku Teplotechna Olomouc. V letech 1987 – 1990 pracoval jako vývojový pracovník v podniku Tesla Hloubětín v Praze ve vývoji vysílačů a technologií pro satelitní komunikaci. Hlavním odborným zájmem autora je zpracování a analýza obrazu a signálu. Autor absolvoval několik zahraničních stáží a podílel se rovněž na řešení grantů. K odborným činnostem patří i zvané přednášky a vyžádané recenze pro zahraniční časopisy. Zahraniční stáže: • Instituto de Optica, C.S.I.C., Spanish National Research Council – (Španělská akademie věd, 2008, 3 měsíce). • Johns Hopkins University, Center for Talented Youth, USA, instruktor programu (2003, 2004, 2005, celkem 6 měsíců). • Studijní pobyt IAESTE, Hispano Olivetti, Barcelona, Španělsko (1985). Zvané přednášky: Technical University of Vienna (2008), Instituto de Optica Madrid, Spanish National Research Council (2008). Vyžádané recenze: Pattern Recognition Letters (IF 1.6), Optica Applicata (IF 0.24), Image and Vision Computing (IF 1.5), Elsevier, Neurocomputing, a další. Publikace: Michal Dobeš je autorem více než 30 publikací, seznam vybraných publikací je uveden dále. Časopisecké publikace (8), z toho 3 impaktované zahraniční, 4 české, kniha (1) česká (BEN technická literatura), kapitola v zahraniční knize Wiley. Z dalšího jmenujme účast a publikace na mezinárodních a národních vědeckých konferencí: cca 20. Pedagogické působení: • Praxe – 19 let (od 1991), výuka informatiky, vedení diplomových prací, semináře. • Předměty přednášené a vyučované v posledních 5 letech: Analýza a zpracování obrazu, Počítačová grafika, Základy počítačové grafiky, Algoritmická matematika 3, 4, Informatika, Computer science, Geometrie 1, Počítačová geometrie 2 (OpenGL), Úvod do programování 1,2 JAVA. Vedení diplomových prací (více než 10 obhájených prací v posledních 5 letech, v současné době 7 diplomantů), diplomové semináře 4. a 5. ročník. • Zavedení nového předmětu: „Analýza a zpracování obrazu“.
3
Vybrané publikace Včetně impakt factoru (IF) a citací dle Web of Science (WoS). 1. Dobes, M., Machala, L., Furst T. Blurred Image Restoration: A Fast Method of Finding the Motion Length and Angle. Digital Signal Processing, Vol. 20(6), Elsevier, ISSN: 1051-2004. p.1677-1686, (2010). Impact Factor 1.486
2. Dobes, M., Machala, L., Tichavský, P., Pospíšil, J., Human Eye Iris Recognition Using the Mutual Information, Optik, 115(9), Elsevier, ISSN 0030-4026, 399-405 (2004). Impact factor 0.56. Citace dle WoS: 17.
3. Dobes, M., Martinek, J., Skoupil, D., Dobešová, Z., Pospíšil, J., Human eye localization using the modified Hough transform, Optik, 117(10), Elsevier, ISSN 0030-4026, p.468-473 (2006). Impact factor 0.56. Citace dle WoS: 6.
4. Dobes M., Basics of Information Theory, “Optical and Digital Image Processing:Fundamentals and Applications”, Ed. Cristobal, G. Schelkens, P. and Hugo Thienpont, H., p.49-69, Wiley (2011). ISBN: 978-3-527-40956-3. (Book chapter).
5. Dobeš M., Zpracování obrazu a algoritmy v C#, Ben technická literatura, (2008) ISBN 97880-7300-233-6 (Book, in Czech). 6. Dobes, M., Machala, L., Mikes, J., Iterative Restoration and the Stopping Criteria, Proc. of The 11th World Multi-Conference on Systemics, Cybernetics and Informatics, Orlando Florida, July 8-11, Volume II. ISBN-10: 1-934272-16-7, 192-196 (2007).
Citace dle Web of Science: 23 WoS citací na články 12 WoS citací na vytvořenou Iris databázi Dobeš M., Machala L.: The database of human iris images http://phoenix.inf.upol.cz/Iris (2005). Ostatní citace nevyhledávány systematicky (více než 4)
4
Seznam publikací / Publications Knihy a kapitoly v knize / Books and book chapters 1.
2.
Dobes M., Basics of Information Theory, “Optical and Digital Image Processing:Fundamentals and Applications”, Ed. Cristobal, G. Schelkens, P. and Hugo Thienpont, H., p.49-69, Wiley (2011). ISBN: 978-3-527-40956-3. (Book chapter). Dobeš M., Zpracování obrazu a algoritmy v C#, Ben technická literatura, (2008) ISBN
978-80-7300-233-6 (Book, in Czech). Články v časopisech / Journal Papers 3.
Dobes, M., Machala, L., Furst T. Blurred Image Restoration: A Fast Method of Finding the Motion Length and Angle. Digital Signal Processing, Vol. 20(6), Elsevier, ISSN: 1051-2004. p.1677-1686, (2010). Impact Factor 1.486.
4.
Dobes, M., Eye Registration Using a Fast Mutual Information Algorithm. In: Eurasip Biosignal (2008), ISSN 1211-412X.
5.
Dobes, M., Martinek, J., Skoupil, D., Dobešová, Z., Pospíšil, J., Human eye localization using the modified Hough transform, Optik, 117(10), Elsevier, ISSN 0030-4026, p.468473 (2006). Impact factor 0.56. Citace dle WoS: 6.
6.
Dobes, M., Machala, L., Tichavský, P., Pospíšil, J., Human Eye Iris Recognition Using the Mutual Information, Optik, 115(9), Elsevier, ISSN 0030-4026, 399-405 (2004). Impact factor 0.56. Citace dle WoS: 17.
7.
Dobeš, M., Závodný, M. Vyhledávání v obraze a Houghova transformace. Rozhledy matematicko-fyzikální, JČMF, MFF UK a FJFI ČVUT Praha. ISSN 0035-9343. Vol.85 (1), p. 17-22 (2010), (in Czech).
8.
Závodný, M., Dobeš, M., Metapost a Houghova transformace. Rozhledy matematickofyzikální, JČMF, MFF UK a FJFI ČVUT Praha. ISSN 0035-9343. Vol.85 (3), 10-19, (2010), (in Czech).
9.
Dobeš, M., Rozpoznávání obrazu: neurčitost a informace, Matematika-fyzikainformatika, 13(1), Prometheus s.r.o, MŠMT, Praha, ISSN - 1210-1761, 42-49, (2003), (in Czech).
10.
Dobeš, M., Co je a k čemu slouží jazyk XML, Matematika-fyzika-informatika, 11(9), Prometheus s.r.o, MŠMT, Praha, ISSN - 1210-1761 , 555-561 , (2002), (in Czech).
Články v konferncích / Papers in conference proceedings 11.
Dobes, M., Machala, L., Mikes, J., Iterative Restoration and the Stopping Criteria, Proc. of The 11th World Multi-Conference on Systemics, Cybernetics and Informatics, Orlando Florida, July 8-11, Volume II. ISBN-10: 1-934272-16-7, 192-196 (2007).
12.
Dobes, M., Machala, L., Restoration of Motion Blurred Images, Proceedings of Spring Conference on Computer Graphics in cooperation with Eurographics, Budmerice, Slovakia, April 26-28, ISBN 978-80-223-2292-8, 97-103 (2007). To appear in ACM Digital Library in 2010.
13.
Dobeš, M.,Comparison of Discrete Cosine Transform and Wavelet Transform Compression Algorithms, Proceedings of the 6-th International Conference APLIMAT, Bratislava, February 2007, ISBN 978-80-969562-8-9, 55-61 (2007).
5
14.
Dobeš, M., Comparisson of Statistical Methods in Steganography, Proceedings of the 6th International Conference APLIMAT, Bratislava, February 2007, ISBN 978-80-9695628-9 , 55-61. (2007).
15.
Dobeš, M., Sklenář, V., Dobešová, Z., Debluring of Photographic Images, Proceedings of the 5-th International Conference APLIMAT, Bratislava, February 7-10 2006, ISBN 80967305-5-X , 55-61 (2006).
16.
Dobešová, Z., Dobeš, M.,GML Data Manipulation in Autodesk Map, Proceedings of International Symposium GIS Ostrava 2006, VSB - Technical University of Ostrava, ISSN 1213-2454 (2006).
17.
Dobeš, M., Sklenář, V., Dobešová, Z., Image Enhancement Using Wiener Filtration, Proceedings of 13th Annual Conference Technical Computing Prague 2005, November 15, 2005 Humusoft Prague, ISBN 80-7080-577-3, 29 (2005).
18.
Skoupil, D., Andrýsek, M., Dobeš, M., Global Seismic Monitoring Network for Classroom Use, Proceedings of Integrating New Technologies in Science and Education, VII International Conference Computer Based Learning in Science, CBLIS 2005, Žilina, July 2-6, 2005. Editors: Zacharias C. Zacharia, University of Cyprus, Nicosia, Cyprus, 242-251 (2005).
19.
Dobešová, Z., Dobeš, M., Learning material creating aspects, Proceedings of International Symposium GIS Ostrava 2005, VSB - Technical University of Ostrava, ISSN 1213-2454 (2005).
20.
Dobeš, M., Dobešová, Z., Morphological Enhancement of Medical Images. of Systems, Proceedings of XXVI International Autumn Colloquium ASIS 2004, Advanced Simulation, Ostrava, ISBN 80-86840-03-4 (2004).
21.
Dobeš, M., Dynamic Libraries for Matlab, Proceedings of XI Matlab Conference, Prague, ISBN 80-7080-526-9 (2003).
22.
Dobeš, M., Alignment of Grayscale Fingerprint Images by Means of Mutual Information, Proceedings of XXII International Colloquium ASIS 2000 Advanced Simulation of Systems, Ostrava, ISBN 80-85988-51-8 , 67-72 (2000).
23.
Dobeš, M., Modeling Transformation in Matlab, Proceedings of ASIS'98 International Conference MARQ, Krnov, ISBN 80-85988-26-7, 51-56 (1998).
24.
Dobeš, M., Zbořil, F., Přístupový systém založený na otiscích prstů, Sborník z letní školy: Informační systémy a jejich aplikace, FAST VUT Brno, Ruprechtov, ISBN 80-214-12054, 36-41 (1998).
25.
Dobeš, M., Zkušenosti s instalací a správou operačního systému Windows NT, Pedagogický software '98, sborník přednášek a programů, České Budějovice, ISBN 8085645-30-0, 186-188 (1998).
26.
Dobeš, M., Snášel,V., Využití signatur pro realizaci databáze otisků prstů, Sborník z letní školy: Informační systémy a jejich aplikace, FAST VUT Brno, Ruprechtov, ISBN 80214-0894-4, 15-23 (1997).
27.
Dobeš,M., Batůšek, R., Software pro zpracování obrazu, Pedagogický software '97, sborník přednášek a programů, České Budějovice, ISBN 80-5645-26-2, 9-10, (1997).
28.
Batůšek, R., Dobeš, M., Object Oriented Design in the Image Filtration, Proceedings of 12. Spring Conference on Computer Graphics, Comenius University, Bratislava, Slovakia, 2(15 ), ISBN 80-223-1032-8 (1996).
29.
Dobeš, M., Pre-processing of the Fingerprint Image, WSCG'96, The Fourth International Conference in Central Europe on Compute Graphics and Visualization 96, Vol. I., Plzeň, ISBN 80-7082-238-4, 65-70 (1996).
6
30.
Dobeš, M., Comparison of Different Thinning Algorithms for a Fingerprint Image, Sborník prací studentů a doktorandů, VUT Brno, 59-62 (1996).
Kapitola ve skriptu / Textbook chapter Dobešová, Z., Dobeš, M., Sbírka příkladů Autodesk MAP 3D. Univerzita Palackého, Olomouc, ISBN 80-244-1255-1 (2005).
31.
Teze / Thesis
Fingerprint Image Recognition for the Identification of Individuals. Ph.D. thesis,Technical University of Brno, 2000, 100 pp.
7
Teze habilitační práce
8
Zpracování obrazu: Nové metody lokalizace a rozpoznávání oční duhovky Abstract Two new biometric methods form the core of the work. They are described in detail in Chapter 3 of the thesis. The Iris localization method is based on the modified Hough transform. The localization success of the method was 99.5% of finding a single eye (CVL database) and over 94% of finding both eyes. The Iris recognition method is based on the theory of mutual information. The correct match rate of 99.05% was achieved. Both methods are comparable with or better than other published methods. The created iris database is widely used by foreign authors. Chapter 4 of the thesis describes the image reconstruction. Klíčová slova: zpracování obrazu, rozpoznávání oční duhovky, lokalizace oční duhovky Keywords: image processing, iris recognition, iris localization
Úvod Habilitační teze přednstavují práci autora v oblasti zpracování obrazu a metody řešené v posledním období. Dvě metody, které se věnují biometrii, jsou popsány podrobněji. Jde o lokalizaci očí v obličeji a rozpoznávání oční duhovky. Metoda popisující lokalizaci očí je popsána v kapitole 3.1 habilitační práce a je zaměřena na rychlé vyhledání očí v obličeji. Řešení bylo publikováno v [Dobes06]. Rozpoznávání obrazů očních duhovek je popsáno v kapitole 3.2. Jde o nový efektivní způsob založený na výpočtu vzájemné informace a entropie. Byla řešena aplikace vzájemné informace v případě interpolací hodnot a malého množství dat. Relevantní části byly vyřešeny a publikovány v [Dobes04]. Další práce autora je sumarizována v kapitole 4 a týká se obrazové fúze a rekonstrukce obrazu [Dobes10]. Články byly publikované v impaktovaných časopisech [Dobes10] IF 1.486 a [Dobes04, Dobes06] IF 0.56 a citovány na Web of Science (23 citací na články a 12 dalších citací na databázi).
9
Lokalizace oční duhovky První popisovaná metoda se věnuje lokalizaci oční duhovky v obrazu lidského obličeje. Za tímto účelem byla využita Houghova transformace, která byla adekvátně modifikována s cílem dosáhnout co nejrychlejší lokalizace (real time). Metoda byla testována na veřejně dostupných databázích [Aleix, CVL]. Současný stav a cíle Rozpoznávání různých částí lidského obličeje patří důležitým úlohám rozpoznávání obrazu. Lokalizace očí je užitečná v systémech pro identifikaci, v medicínské praxi při studiu anomálií nebo v systémech pro monitorování. Zařízení pro lokalizaci popisovaná v literatuře pracují často v infračerveném spektru, neboť lokalizace je v této oblasti nejúčinnější. Někdy je vyžadován minimální rozměr oka (100 pixels [Daug3]). Byly publikovány různé metody pro vyhledávání pozice očí: [Haro00], sledování ve videosekvencích [Subramanya03], Sirohey aplikoval detektor rohů [Sirohey02], speciální infračervené zařízení použil Zhu [Zhu02]. V této práci bylo cílem správně lokalizovat oči v obrazu obličeje bez speciálních zařízení, a pokud možno v reálném čase. Lokalizace zahrnuje detekci středů a poloměrů očních duhovek a nalezení pozice očních víček viditelných v obrazu obličeje. Předpokládá se, že oční duhovka má kruhový tvar a podobně i oční víčko tvoří část kružnice. Bylo také zkoumáno, jak různé způsoby předzpracování ovlivňují správnost nalezení pozice. Byly použity typy obrázků, kde byl viditelný celý obličej, část obličeje zahrnující oči a nos a obličej s částí těla. Pro správné rozpoznání bylo vyžadováno, aby oči byly v obraze viditelné a měly poloměr minimálně osm pixelů. Způsob realizace Proces lokalizace se skládal z následujících kroků : 1. Předzpracování 2. Detekce hran 3. Lokalizace potenciálních očí pomocí modifikované Houghovy transformace 4. Selekce očí a očních víček Ve fázi předzpracování byl zkoumán rovněž vliv barevné komponenty, která ovlivňuje účinnost lokalizace. Nejlepších výsledků bylo dosaženo v červené složce, proto byla v případě barevných obrazů použita červená složka. Metody předzpracování byly testovány na obrazech se záměrně špatnou expozicí, kde se nejlépe uplatnila metoda lokání ekvalizace histogramu. Důležitým úkolem je správná detekce hran. K tomuto účelu byl použit Cannyho detektor hran. Výstupem z tohoto detektoru je dvouúrovňový obraz, kde hodnota 0 reprezentuje pozadí a 1 hrany. Při použití hranového detektoru je zároveň zaznamenán směr hrany v každém bodě reprezentujícím hranu. Tato informace byla využita při modifikaci Houghovy transformace. Hrany získané po hranové detekci odpovídají různým křivkám obsaženým v obraze. Pro detekci kružnice, která představuje vnější obrys duhovky, jsou uvažovány pouze hranové body v obraze (tj.s hodnotou jasu 1), body pozadí (s hodnotou 0) nejsou uvažovány. V reálném obraze jsou tvary po předzpracování nekompletní (chybějící pixely) nebo naopak pixely tvoří shluky, a tedy netvoří kompletní kružnici. Naším cílem je identifikovat tvary náležející kružnicím. Houghova transformace je výpočetní způsob pro nalezení křivek daného
10
tvaru v obraze. Požadovaná křivka musí být specifikována pomocí parametrů. V Houghově transformaci jsou uvažovány souřadnice (x, y) každého hranového bodu. Houghova transformace může být zobecněna pro hledání křivek obecnějších tvarů. Podobně jako lze pomocí parametrů definovat přímku, lze definovat i kružnici. V případě kružnice máme tři parametry (r , xc , yc ) , poloměr r a střed ( x c , y c ) . Počet parametrů určuje dimenze akumulátoru a výpočetní složitost roste s počtem dimenzí. Výpočetní složitost může být redukována na základě určitých předpokladů a apriori znalostí. Modifikace Houghovy transformace spočívala v dekompozici využívající akumulátorů s menším počtem dimenzí. V první fázi byly nalezeny pouze možné středy s využitím dvourozměrného akumulátoru. Poté byla Bressenhamovým algoritmem ověřována koincidence případných kružnic. Zde byl využit pouze jednorozměrný akumulátor. Pozice očních víček byla hledána jako kruhový oblouk (analogicky jako kružnice). V této fázi bylo ověřováno, zda je kruhový oblouk představující oční víčko koincidenční s kružnicí představující oko, dále vzájemná pozice očí (poměr mezi poloměrem oční duhovky a vzdáleností mezi středy očí) a jasová symetrie duhovky. Podrobnosti jsou uvedeny v habilitační práci. Výsledky a srovnání s jinými přístupy V prezentované metodě [Dobes06] byla dosažena maximální úspěšnost lokalizace alespoň jednoho oka 99.5% a úspěšnost lokalizace obou očí 94.9%. Použité databáze [Aleix, CVL] jsou veřejně přístupné na internetu.
Obr. 1. a) Příklad tváře a b) výsledek lokalizace očí (Poděkování Purdue University, databáze Aleix). Výsledky jsou srovnatelné s ostatními publikovanými metodami. Pro srovnání je uveden výsledek několika metod publikovaných jinými autory: Lim [Lim01] uvádí 88.2% správně nalezených , Zhu [Zhu02] uvádí 95.5%.
11
Rozpoznávání oční duhovky Motivace a současný stav Bylo publikováno mnoho metod týkajících se identifikace na bázi srovnávání očních duhovek. Mezi nejvýznamnější patří [Daug93, Daug94, Daug01, Daug03, Bol98, Mach01, Lim01, San02, Liam02, Ma02a, Ma02b, Tisse02]. Tyto metody jsou zajímavé buď z hlediska efektivity nebo proto, že přinášejí zajímavé myšlenky. Jedním z nejjednodušších měřítek podobnosti je metoda lineární korelace, která ovšem postihuje pouze lineární závislosti. Navrhovaná metoda prezentuje nový přístup k rozpoznávání dvou obrazů oční duhovky pomocí teorie informace. Je zaměřena na použití vzájemné informace k rozpoznávání v případě malého množství dat. Při řešení bylo zkoumáno, jaké množství dat je potřebné k rozlišení dvou obrazů oční duhovky, jak počítat vzájemnou informaci v případě transformací kde dochází k interpolaci jasových hodnot. Metody registrace obrazů pomocí vzájemné informace [Viola97, Collignon98, Pluim00] potřebují velké množství dat k výpočtu, a jsou tedy časově náročné. Navrhované řešení
Obr.2. Proces rozpoznávání oční duhovky. Na Obr.2 je ilustrován stručný postup řešení. Na vstup přichází digitalizovaný obraz. Jsou určeny vnitřní a vnější okraje oční duhovky a aproximovány soustřednými kružnicemi. Oblast, která se účastní rozpoznávání, je na obrázku znázorněna osmi čtverci. Tato oblast je vybrána tak, aby nebyla ovlivněna očními víčky, řasami a odrazem blesku ze snímacího zařízení. Oblast zájmu je uložena v databázi společně s informací o pozici a geometrických vlastnostech oční duhovky. Informace o pozici středu a poloměru duhovky byly získány automaticky a liší se pro každý jednotlivý obraz. Rovněž je třeba vzít v úvahu rozdílné poloměry duhovky náležející stejnému oku vlivem různé vzdálenosti oka od snímacího zařízení. To znamená, že nasnímané obrazy je třeba normalizovat vzhledem k jednotnému vnějšímu poloměru duhovek. Během procesu verifikace je oblast zájmu ze vzoru sesouhlasena (registrována) s oblastí zájmu zkoumaného obrazu. Sesouhlasení oblastí se provádí ve smyslu maximalizace vzájemné informace mezi oblastmi. Rozhodnutí, zda obraz oka patří stejné nebo jiné osobě, je provedeno na základě porovnání hodnoty vzájemné informace s vhodně zvoleným prahem. 12
Hovoříme-li o vzájemné informaci počítané z diskrétních obrazů, máme na mysli její odhad. V případě dostatečného množství dat by se pro odhad vzájemné informace dal použít známý vztah [Cover92]: K
K
K
i =1
j =1
i =1
I ( A, B) = −∑ pi log pi − ∑ p j log p j + ∑
K
∑ j =1
pij log pij
kde pi , p j jsou marginální pravděpodobnosti vzhledem k A, respektive B a pij je sdružená pravděpodobnost (sdružená distribuce) vzhledem k (A, B). V diskrétním případě jsou pravděpodobnosti nahrazeny relativními četnostmi. K je velikost abecedy, u obrazu počet jasových úrovní použitých pro výpočet distribuce (tvorbu histogramu). V případě, kdy dochází k interpolaci jasových hodnot v obraze, prezentují někteří autoři [Viola97, Maes97, Pluim00] přesnější postupy pro neceločíselné a interpolované hodnoty (partial volume interpolation). Tyto postupy jsou vhodné, pokud je k dispozici velké množství dat. Protože doba zpracování je v identifikačních systémech důležitá, byly hledány postupy výpočtu odhadu vzájemné informace vhodné pro zpracování menšího množství dat. Proto byl použít postup výpočtu vzájemné informace, který se ukázal vhodnější pro oblast zájmu, která obsahovala malé množství dat. Pro výpočet odhadu vzájemné informace bylo použito neekvidistantní dělení histogramu. Výsledky a srovnání s jinými metodami Metoda byla ověřena na databázi obsahující 384 obrazů očních duhovek od 64 osob (3 levé, 3 pravé). V literatuře se pro hodnocení výsledků používají termíny False Reject Rate (FRR) a False Accept Rate (FAR). FRR značí počet případů, které měly být přijaty a byly nesprávně zamítnuty (chyba prvního druhu). FAR vyjadřuje počet případů, které měly být zamítnuty a byly nesprávně přijaty (chyba druhého druhu). Tyto chyby závisí na zvoleném prahu ρ = ρ 0 vzájemné informace. Zde ve stručnosti uvádím výsledky, kdy bylo dosaženo minimálního součtu chyby prvního a druhého druhu FAR ( ρ 0 ) + FRR ( ρ 0 ) : FAR = 0.26% , FRR = 0.69% , FAR( ρ 0 ) + FRR( ρ 0 ) = 0.95% .
Výsledky jsou sovnatelné nebo lepší než v literatuře publikované práce [Mach01], [Daouk02], [Mur01], [Ma02a, Ma02b], [Ali03], [Sanchez02], [Lim01], [Zhang04]. Podrobný popis metody a výsledky jsou uvedeny v habilitační práci.
13
Současná práce Současná práce je sumarizována v kapitole 4 habilitační práce a týká se převážně rekonstrukce obrazu a obrazové fúze.
Obr.3. a) Originální obraz s neznámými parametry rozmazání. b) Rekonstruovaný obraz pomocí vypočteného konvolučního jádra. (Poděkování UTIA CSAV za poskytnutí originálu obrazu). Rozmazání obrazu je často způsobeno pohybem kamery. Některé rekonstrukční metody (např. Wienerova nebo Lucy-Richardsonova) využívají informace o směru a velikosti pohybu obsažené v konvolučním jádru. Správné určení jádra má vliv na kvalitu rekonstrukce. Navržená metoda publikovaná v [Dobes10c] určuje směr a velikost rozmazání obrazu. Metoda je založena na výpočtu a analýze spektra ve frekvenční doméně. Příklad rekonstruovaného obrazu, kdy k výpočtu bylo použito spočtených parametrů, je na Obr. 3.
14
15
Teze habilitační přednášky
16
Zpracování obrazu a biometrická data Úvod – druhy biometrických dat S rozvojem výpočetní techniky nabývají biometrická data stále většího významu. Nejrozšířenějším použitím biometrických dat je pravděpodobně identifikace osob. Biometrická data se také využívají k analýze nemocí (oční duhovka nebo sítnice, DNA) nebo k jiným účelům jako je např. zkoumání bdělosti řidiče sledováním jeho obličeje a očí. Mezi nejznámější biometrická data patří: • otisk prstu, • oční duhovka, • oční sítnice (retina), • geometrie ruky, • obličej nebo jeho termogram, • hlas, • podpis a jeho dynamika, • analýza pohybu, • termogram žil, • DNA a další. Pokud je biometrika použita k identifikaci, liší z pohledu: • jednoznačnosti (uniqueness), • univerzálnosti (universality), • životnosti (permanence), • jednoduchosti a vhodnosti sběru dat (collectability), • akceptovatelnosti z pohledu osoby, od které se data získávají (acceptability), • kvality/výkonnosti identifikace (performance). Z těchto důvodů patří v praxi v přístupových systémech identifikace dle otisků prstů nebo oční duhovky k nejrozšířenějším. Rovněž způsob pořízení těchto biometrických dat je pro člověka akceptovatelný. Oční duhovku označuje Daugman [Daugman03] jako biometriku s nejvyšší jednoznačností. V této přednášce jsem se zaměřil na dvě oblasti použití biometrických dat: vyhledávání očí v obličeji a na identifikaci osob dle oční duhovky. Vyhledávání očí v lidském obličeji je založeno na modifikované Houghově transformaci. Pro identifikaci osob dle oční duhovky jsem vycházel z teorie vzájemné informace.
17
Metoda pro vyhledávání očí v obličeji Za účelem vyhledání očí v obličeji budeme předpokládat, že vnější okraj oční duhovky má tvar kružnice a podobně že oční víčka tvoří část kružnice. Z tohoto modelu jsem vycházel při lokalizaci. Lokalizací v tomto smyslu budeme rozumět nalezení parametrů těchto kružnic, tj. středů a poloměrů. Model tedy předpokládá se, že při snímání osoby jsou oči viditelné zepředu. Postup lokalizace lze stručně shrnout následovně: Snímek je předzpracován a ve snímku jsou detekovány pixely náležející hranám. V této fázi zpracování je zároveň uložena informace o směru hrany procházející každým hranovým pixelem. Tato informace je použita v další fázi zpracování k modifikaci Houghovy transformace. Pomocí modifikované Houghovy transformace jsou určeny středy kružnic, které by mohly potenciálně patřit očím, a teprve poté jsou nalezeny poloměry kružnic. Obdobným způsobem jsou hledána oční víčka a po jejich nalezení je verifikována koincidence poloh. V závěru jsou ještě ověřeny další faktory jako je jasová symetrie oka a vzájemná vzdálenost očí. Předzpracování obrazu Barevná složka, ve které jsou snímky snímány, má vliv na účinnost lokalizace. Na základě testů byla pro zpracování použita červená složka, která vykazovala největší úspěšnost (99,5% na databázi CVL). Předzpracování bylo záměrně testováno na obrazech se špatnou expozicí. Jako nejvhodněji byla vybrána metoda lokání ekvalizace histogramu kde pro použité obrazy (vybrané snímky z databáze Yale) vycházela optimální velikost masky 25x25 pixelů. Výsledek předzpracování ukazuje následující obrázek.
Obr. 1. Původní a předzpracovaný (Poděkování Yale [Yale] za poskytnutí originálu). Po předzpracování následuje detekce hran. Detekce hran byla provedena pomocí Cannyho detektor hran [Canny86]. Výstupem z Cannyho detektoru je dvouúrovňový obraz, kde hodnota 0 reprezentuje pozadí a 1 hrany. Během detekce hran je zároveň zaznamenána informace o směru hrany v každém bodě reprezentujícím hranu. Tato informace je dále využita při modifikaci Houghovy transformace pro nalezení kružnic. Lokalizace potenciálních očí pomocí modifikované Houghovy transformace Po předchozích operacích s obrazem jsme získali množinu bodů (náležejících detekovaným hranám v obraze). Některé body spolu souvisí a tvoří útvary, které chceme hledat: kružnice. U reálných obrazů dochází k tomu, že hledané linie útvarů jsou v obraze přerušeny (např. po detekci hran), některé body patří jiným útvarům nebo představují šum [Gon02]. Z množiny bodů daných souřadnicemi ( x, y ) je třeba vybrat podmnožinu, která se
18
co nejvíce blíží hledanému útvaru: v našem případě kružnici nebo úsečce. K tomu lze použít Houghovu transformaci, která byla ve svém původním návrhu použita pro detekci úsečky, resp. přímky. Princip Houghovy transformace stručně vysvětleme na detekci přímky. Přímka y = ax + b v rovině (x, y) je určena svými parametry a, b. V této reprezentaci by se a blížilo nekonečnu pro vertikálních linie, proto se použije vyjádření přímky v normálovém tvaru (obr.2 a):
ρ = x cos ϕ + y sin ϕ kde ρ je kolmá vzdálenost od přímky k počátku souřadnic a φ je úhel mezi osou x a kolmým vektorem vzhledem k úsečce. Body tvořící danou přímku v rovině (x, y) musí mít stejné ρ = ρ’ a φ = φ’, což se projeví jako “násobný“ bod (ρ’, φ’) v prostoru parametrů (ρ , φ), viz obr.2. b. Prostor parametrů (ρ , φ) je uvažován jako diskrétní (ρj, ϕ i ), kde i = 1,2,K, M , j = 1,2,K, N . Pro každý bod (x, y) ze zkoumané množiny bodů je měněna hodnota ϕ i , dopočítán parametr ρj. Násobnost bodů je evidována v dvourozměrném poli nazývaném akumulátor A[ρj, ϕ i ] obr.2. c. Maximální hodnota v akumulátoru A[ρj, ϕ i ] potom indikuje přímku, která je tvořena nejvíce body v obraze.
Obr.2. Princip Houghovy transformace. a) reprezentace přímky v normálovém tvaru, b) prostor parametrů, c) akumulátor. Např. třem bodům ( x1 , y1 ) , ( x 2 , y 2 ) , ( x3 , y 3 ) ležícím na přímce s parametry (ρ’, φ’) na obr. a) by v akumulátoru odpovídala hodnota A[ρ’, φ’] =3.
19
Detekce očí Pro nalezení oční duhovky potřebujeme detekovat kružnici. Kružnici lze v rovině ( x, y ) zadat předpisem: ( x − xc ) 2 + ( y − yc ) 2 = r 2 ,
kde r je poloměr a ( x c , y c ) je střed.
Obr. 3. Použití modifikované Houghovy transformace pro detekci očí. (Poděkování Purdue University za poskytnutí originálu před detekcí). Máme tedy tři parametry (r , xc , yc ) . Počet parametrů má vliv na počet dimenzí akumulátoru a roste výpočetní složitost. Výpočetní složitost lze snížit úpravou výpočetních postupů a na základě předpokladů daných apriori znalostmi. Modifikace Houghovy transformace spočívala v rozložení procesu do dvou kroků a v dekompozici využívající akumulátorů s menším počtem dimenzí. Nejprve jsou nalezeny všechny potenciální středy kružnic. V dalším kroku je spočteno, zda se kolem potenciálního středu vyskytuje kružnice.
Obr. 4. Hledání středů kružnic (převzato z [Dobes06]) Takový postup lze aplikovat, pokud známe kolmý směr k předpokládané křivce v každém bodě. Z tohoto důvodu byl při hranové detekci zároveň evidován i směr hrany ψ
20
v každém detekovaném bodě. Možné středy kružnic ( x c , y c ) mohou ležet na úsečkách kolmých ke směru hran hledaných kružnic (na Obr.4. ϕ = ψ ± 90° ). Potenciální středy jsou tedy dány rovnicí: xc = x + r cos ϕ , yc = y + r sin ϕ . Předpokládáme, že poloměr duhovky je omezen a středy mohou ležet pouze ve vzdálenosti r ∈ rmin , rmax
oběma směry od zkoumaného bodu ( x, y ) ležícího na případné kružnici. Pro
daný bod ( x, y ) je φ dáno a xc , yc jsou dopočítány v daném rozsahu r. Násobnost spočtených bodů ( x c , y c ) je evidována v akumulátoru A[ x c , y c ] . V akumulátoru nalezneme nejvyšší hodnoty a jim odpovídající středy ( x c , y c ) . V případě hledání duhovek bylo na základě empirických zkušeností uvažováno 150 nejvyšších hodnot. Pro takto vybrané středy byl Bressenhamovým algoritmem verifikován počet bodů představujícími kružnice s možnými poloměry r ∈ rmin , rmax . K evidenci koincidenčních bodů stačí jednorozměrný akumulátor A[r ] . Hodnota v akumulátoru byla normována počtem bodů, které by tvořily skutečnou kružnici v diskrétním obraze. Maximální hodnoty v akumulátoru odpovídají poloměru nejpravděpodobnějších kružnic: rc = arg(max( A[r ]) Tj. rc je nalezený rádius a ( x c , y c ) střed kružnice. Selekce očí a očních víček
Pozice očních víček byla hledána jako kruhový oblouk (analogicky jako kružnice). V této fázi byla ověřována vzájemná pozice očí a očních víček (poloha kruhového oblouku představující oční víčko s pozicí kružnic představující oko), vzájemná pozice očí (poměr mezi poloměrem oční duhovky a vzdáleností mezi středy očí) a jasová symetrie duhovky. Výsledky
Následující tabulka ukazuje úspěšnost lokalizace obou očí a alespoň jednoho oka. Tabulka 1. Výsledky lokalizace Databáze Velikost obrazu
Počet obrazů
Lokalizace obou očí [%]
Lokalizace jednoho oka [%]
AR
768x576
279
94.9
98.2
CVL
640x480
226
93.1
99.5
21
Oční duhovka jako biometrika
Obr. 5. Oční duhovka. Oční duhovka (iris) je část oka, která obklopuje zornici. Mezi používanými biometrickými daty se vyznačuje mimořádnými vlastnostmi [Daugman01]: • jednoznačností (vyšší než u otisku prstu) • stabilitou (je permanentní během celého života) • je nepřenositelná (chirurgicky) • snímání je jednoduché a přijatelné pro člověka Zde se budeme zabývat rozpoznáním obrazů dvou duhovek. Originál (vzor) je uložen v databázi a je srovnáván se snímaným obrazem. Rozhodnutí, zda se oba obrazy shodují, je provedeno na základě výpočtu vzájemné informace. Postup rozpoznání je ilustrován na následujícím obrázku.
Obr. 6. Proces rozpoznání dvou duhovek. Oční duhovka obsahuje velké množství detailů, a proto jsem navrhl rozpoznávání pomocí vzájemné informace. Vzájemnou informaci a entropii jako míru neurčitosti původně rozpracoval Shannon v souvislosti s teorií informace a přenosu dat. U biometrických dat se dá vzájemná informace využít jako míra podobnosti. Výhodou je, že vzájemnou informaci lze použít na obraz přímo (rozumí se bez předzpracování [Cover92]).
22
Obrazová data, entropie a vzájemná informace
Entropie vyjadřuje míru neurčitosti. Máme-li experiment, kde náhodná veličina může nabývat K možných hodnot A1 , A2 ,..., AK , lze vyjádřit entropii jako „průměrnou“ neurčitost: K
H ( A) = −∑ p( Ai ) log p( Ai ) i =1
kde p ( Ai ) je pravděpodobnost výskytu Ai . Např. jasové úrovně v obraze mohou nabývat hodnot A1 , A2 ,..., AK , a pravděpodobnost p ( Ai ) je nahrazena relativní četností výskytu jednotlivých úrovní Ai . Dvě náhodné veličiny A, B mohou být buď vzájemně nezávislé a celková (sdružená) entropie je potom H ( A, B ) = H ( A) + H ( B) . Nebo jsou vzájemně závislé a celková entropie je menší než součet entropií: H ( A, B) = H ( A) + H A ( B) , zde H A ( B ) vyjadřuje podmíněnou entropii (je třeba pravděpodobnosti, B je podmíněno výsledkem A), viz Obr. 6.
brát
v úvahu
podmíněné
Obr. 6. Vztah mezi entropií, podmíněnou entropií a vzájemnou informací. Rozdíl mezi entropií samotnou a její podmíněnou entropií se nazývá vzájemná informace: I ( A, B) = H (B ) − H A ( B) . Vzájemnou informaci lze rovněž vyjádřit jako rozdíl součtu entropií a sdružené entropie známým vztahem: I ( A, B) = H ( A) + H ( B) − H ( A, B) = K
K
K
i =1
j =1
i =1
I ( A, B) = −∑ pi log pi − ∑ p j log p j + ∑
K
∑ j =1
pij log pij
Kde pi a p j jsou marginální pravděpodobnosti vztahující se k A, respektive k B a pij je sdružené rozdělení pravděpodobnosti vztahující se k (A, B). U obrazů jsou pravděpodobnosti reprezentovány relativními četnostmi uloženými do jednorozměrných histogramů (marginální) nebo dvojrozměrného histogramu (sdružené). V případě rozpoznávání obrazu je situace ztížena. Obrazy jsou vůči sobě vzájemně posunuty, rotovány a vlivem různé vzdálenosti oka od kamery je třeba provést i změnu měřítka. Po těchto transformacích, kde se používá interpolace jasových hodnot, dostáváme neceločíselné souřadice. Někteří autoři tuto situací řeší metodou nazývanou „Partial Volume Interpolation“ [Viola97, Pluim00]. Nevýhodou je potřeba velkého množství dat a značná
23
časová náročnost metody při registraci obrazů. Proto jsem hledal jiný způsob odhadu vzájemné informace, který by byl z důvodu rychlosti použitelný i na menším objemu dat. Postup výpočtu odhadu vzájemné informace (přesněji tzv. relativní entropie) spočívá ve dvou krocích . V prvém je postupně vytvořen sdružený histogram, kdy observační prostor je dělen neekvidistantně. V dalším kroku je spočten odhad vzájemné informace. Teoretický základ pro takový způsob odhadu vzájemné informace je uveden v [Dar99a, Dar99b, Dar00]. Z provedených měření vyplynulo, že neekvidistantní dělení histogramu je výhodnější než ekvidistantní dělení jak z hlediska časové náročnosti, tak z hlediska přesnosti. Protože duhovky jsou vzájemně natočené a souřadnice středů nelze z okrajů duhovky spočítat zcela přesně, bylo maximum vzájemné informace I(A, B) získáno registrací obrazů pomocí iterativního Nealder-Meadova algoritmu. Výsledky
Metoda byla ověřována na databázi veřejně dostupné na Internetu [Dobes05] obsahující 384 duhovek od 64 osob (3 levé, 3 pravé). Distribuce pro stejné a různé duhovky v závislosti na vypočtené vzájemné informaci I(A,B) jsou uvedeny na následujícím obrázku. Pro lepší vizualizaci byla závislost upravena vztahem ρ = 1 − exp(−2 I ) (Vztah pouze transformuje výsledek do intervalu < 0,1 > , kdy při výpočtu vzájemné informace I byl použit přirozený logaritmus).
Obr. 7. Distribuce: a) test různých duhovek (imposter) b) test stejných duhovek (genuine). V literatuře se výsledky rozpoznávání často hodnotí pomocí tzv. False Reject Rate (FRR) a False Accept Rate (FAR). U testování stejných duhovek značí FRR počet nesprávně odmítnutých vzhledem k počtu testovaných případů (měly být přijaty, ale nebyly). U testu různých značí FAR počet falešně přijatých vzhledem k počtu testovaných případů (neměly být přijaty, ale byly). Rozhodnutí, zda jde o stejné / různé duhovky, je poté provedeno porovnáním s hodnotou vhodně zvoleného prahu ρ . Chyba závisí na volbě prahu. V podstatě jde o chybu prvního a druhého druhu. Závislost FAR( ρ ) and FRR( ρ ) na zvoleném prahu je na následujícím obrázku.
24
Obr. 8 Závislost chyby FAR( ρ ) a FRR( ρ ) na zvoleném prahu ρ . Zvolený práh určuje, zda spíše připustíme větší chybu falešně přijatých nebo naopak odmítneme případy, které měly být přijaty. Někdy se uvádí i hodnota prahu ρ = ρ 0 , při které je součet chyby FAR ( ρ 0 ) + FRR ( ρ 0 ) minimální. Tyto hodnoty jsou uvedeny v následující tabulce. Tabulka 2. Hodnoty prahu pro minimální součet chyb.
ρ0 0.715
FAR( ρ 0 ) [%]
FRR( ρ 0 ) [%]
FAR( ρ 0 ) + FRR( ρ 0 ) [%]
0.26
0.69
0.95
Pro úplnost uveďme ještě v literatuře zmiňovanou hodnotu Correct Match Rate danou vztahem CMR = (1 − [ FAR ( ρ 0 ) + FRR ( ρ0 )]) ⋅100 [%] . Pro uvedenou tabulku vychází CMR = 99.05%. Uvedené výsledky jsou lepší nebo srovnatelné s výsledky uváděnými v literatuře: [Mach01], [Daouk02], [Mur01], [Ma02a, Ma02b], [Ali03], [Sanchez02], [Lim01], [Zhang04].
25
Závěr a přínos autora Habilitační teze shrnují přehled práce za poslední období. Hlavním přínosem autora je návrh a realizace nových metod pro zpracování obrazu. Dvě metody týkající se biometrických dat tvoří jádro práce. U metody lokalizace duhovek bylo dosaženo úspěšnosti 99.5%, kdy bylo nalezeno alespoň jedno oko (CVL databáze), a více než 94% pro nalezení obou očí. U metody rozpoznávání duhovek bylo správně rozpoznáno 99.05% ( FAR = 0.26% a FRR = 0.69% ). Přínosem je, že metody jsou nové a jejich výsledky jsou srovnatelné nebo lepší než metody publikované v literatuře. Obě metody byly předvedeny na zvaných přednáškách: Technical University of Vienna a Instituto de Optica C.S.I.C. Madrid, Spanish National Research Council (2008). Výsledky byly publikované v impaktovaných časopisech [Dobes04, Dobes06]. Na tyto články je 23 citací na Web of Science. Přínosem práce je nový a v literatuře předtím nepublikovaný způsob rozpoznávání oční duhovky pomocí odhadu vzájemné informace. Dalším přínosem je vytvoření biometrické databáze, o jejímž používání ve světě svědčí 12 citací na Web of Science. Byly publikovány i vědecky populární články týkající se obou navržených metod [Dobes03, Dobes10a]. Výsledky další práce týkající se rekonstrukce obrazu byly rovněž publikovány v impaktovaném časopise [Dobes10c].
26
Vybrané reference [Ali03]
Ali, J.M.H., Hassanien A.E., An Iris recognition System to Enhance E-security Envirnment Based on Wavelet Theory. Advanced Modeling and Optimization, 5 (2005).
[Boles98]
Boles, W., Boashash, B., A human identification technique using images of the iris and wavelet transform, IEEE Trans. Signal Processing, 46(4), 1185-1198 (1998).
[Canny86]
Canny, J., A computational approach to edge detection, IEEE Trans. Pattern Analysis and Machine Intelligence, 8(6), 679-698 (1986).
[Collignon98] Collignon, A., Multimodality medical image registration by maximization of mutual information, Ph.D. thesis, Catolic University of Leuven. Leuven, Belgium (1998). [Cover91]
Cover, T.M., Thomas, J.A., Elements of Information Theory, J. Wiley and Sons, Chichester (1991).
[Daouk02]
Daouk, C. H., El-Esber, L. A., Kammoun, F. D., Al Alami, M. A., Iris Recognition, IEEE ISSPIT 2002, Marakesh, 558-562 (2002).
[Dar98]
Darbellay, G.A., Predictability: an information theoretic perspective. In: Procházka A, Uhlíř J, Rayner PJW, Kingsbury NG (Eds), Signal Analysis and Prediction, Birkhauser, Boston, 249-262 (1998).
[Dar99a]
Darbellay, G.A., An estimator for the mutual information based on a criterion for independence, Journal of Computational Statistics and Data Analysis, 32, 1-17 (1999).
[Dar99b]
Darbellay, G.A, Vajda, I., Estimation of the information by an addaptive partitioning of the observation space, IEEE Trans. Information Theory, 45 (4), 1315-1321 (1999)
[Dar00]
Darbellay, G.A., Tichavský, P., Independent component analysis through direct estimation of the mutual information. In: ICA’2000 Proc., Second International Workshop on Independent Component Analysis and Blind Signal Separation, Helsinki, Finland, 69–75 (2000).
[Daugman93] Daugman, J., High Confidence Visual Recognition of Persons by a Test of Statistical Independence, IEEE Trans. Pattern Anal. Mach Intell., 15 (11), 1148-1161 (1993). [Daugman94] Daugman, J.G., Biometric Personal Identification System Based on Iris Analysis, U.S. Patent No. 5,291,560 U.S. Government, Washington (1994). [Daugman95] Daugman, J., Downing, C., Demodulation, Predictive Coding, Spatial Vison, J. Opt. Soc. Amer. A, 12 (4), 641-660 (1995). [Daugman01] Daugman, J.G., Statistical richness of visual phase information: Update on recognizing persons by iris patterns, International Journal of Computer Vision, 45(1), 25-38 (2001). [Daugman03] Daugman, J., The Importance of Being Random: Statistical Principals of Iris Recognition, Pattern Recognition, Elsevier, 36 (2), 279-291 (2003).
27
[DeMartin01] De Martin-Roche, D., Sanchez-Avila, C., Sanchez-Reillo, R., Iris recognition for biometric identification using dyadic wavelet transform zero-crossing, Security Technology, IEEE 35th International Carnahan Conference, 272-277 (2001). [Dobes00]
Fingerprint Image Recognition for the Identification of Individuals. Ph.D. thesis, Technical University of Brno, 2000, 100 pp.
[Dobes04]
Dobes, M., Machala, L., Tichavsky, P., Pospisil, J., Human Eye Iris Recognition Using the Mutual Information, Optik, Elsevier, 115 (9), 399-405 (2004).
[Dobes06]
Dobes, M., Martinek, J., Skoupil, D., Dobesova, Z., Pospisil, J., Human Eye Localization Using the Modified Hough Transform, Optik, Elsevier, 117 (10), 468-473 (2006).
[Dobes08]
Dobes, M., Eye Registration Using the Fast Mutual Information Algorithm, Proceedings of the 19th International EURASIP Conference BIOSIGNAL (2008).
[Dobes08b]
Dobeš, M., Image Processing and Algorithms in C#. BEN technical publishing, Prague (2008) (in Czech).
[Dobes03]
Dobeš, M., Rozpoznávání obrazu: neurčitost a informace, Matematika-fyzikainformatika, 13(1), Prometheus s.r.o, MŠMT, Praha, ISSN - 1210-1761, 4249, (2003) (in Czech).
[Dobes10a]
Dobeš, M., Závodný, M. Vyhledávání v obraze a Houghova transformace. Rozhledy matematicko-fyzikální, JČMF, MFF UK a FJFI ČVUT Praha. ISSN 0035-9343. Accepted for publication (2009/2010). (Article in Czech).
[Dobes10c]
Dobes, M., Machala, L., Furst T. Blurred Image Restoration: A Fast Method of Finding the Motion Length and Angle. Digital Signal Processing, Vol. 20(6), Elsevier, p.1677-1686, (2010). Impact Factor 1.486.
[Gon02]
Gonzales, R.C., Woods, R.E., Digital Image Processing, Prentice Hall, Upper Saddle River, New Jersy (2002).
[Haro00]
Haro, A., Flickner, M., Essa, I., Detecting and tracking eyes by using their physiological properties, dynamics and appearance. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Hilton Head Island, South Carolina, 163-168 (2000).
[Lim01]
Lim, S., Lee, K., Byeon, O., Kim, T., Efticient Iris Recognition through Improvement of Feature Vector and Classifier, ETRI. Journal, 23 (2), 61-70 (2001).
[Ma02a]
Ma, L., Wang, Y., Tan, T., Iris recognition based on multichannel Gabor filtering. In: Proc. of the Fifth Asian Conference on Computer Vision, Vol. I, 279-283 (2002).
[Ma02b]
Ma, L., Wang, Y., Tan, T., Iris recognition using circular symmetric filters. In: Proc. of the Sixteenth International Conference on Pattern Recognition, Vol. II, 414-417 (2002).
[Mach01]
Machala, L., Pospíšil, J., Proposal and verification of two methods for evaluation of the human iris video-camera images, Optik, 112 (8), 335-340 (2001).
28
[Maes97]
Maes, F., at al., Multimodality Image Registration by Maximization of Mutual Information, IEE Transaction on Medical Imaging, 16(2), 187-198 (1997).
[Mur01]
Muroň, A., Koiš, P., Pospíšil, J., Identification of persons by means of the Fourier spectra of the optical transmission binary models of the human irises, Optics Communications ,192(3-6), 161-167 (2001).
[Nel65]
Nelder, J.A., Mead, R., A simplex method for function minimization, Computer Journal , 7(4), 308-313 (1965).
[Pluim00]
Pluim, J.P.W., Maintz, J.B.A., Viergever, M.A., Interpolation artefacts in mutual information-based image registration, Computer Vision and Image Understanding, Volume 77 Issue 9, Elsevier, 211-232 (2000).
[Ruz03]
Růžičková K., Eye iris recognition using mutual information, thesis UP Olomouc (2003), in Czech, supervised by Dobeš, M.
[Sanchez02]
Sanchez-Avila, C., Sanchez-Reillo, R., de Martin-Roche, D., Iris-based biometric recognition using dyadic wavelet transform, IEEE Aerospace and Electronic Systems Magazine, 17(10), 3–6 (2002).
[Sirohey02] Sirohey, S., Rosenfeld, A., Duric, Z., A method of detecting and tracking irises and eyelids in video, Pattern Recognition ,35, 1389–1401 (2002). [Sonka08]
Šonka, M., Hlaváč, V., Boyle, R., Image Processing, Analysys, and Machine Vision, Thomson Learning, Toronto (2008 ).
[Subramanya03] Subramanya, A., Kumaran, R., Gowdy, R., Real time eye tracking for human computer interfaces. In: Proceedings of the IEEE International Conference on Multimedia and Expo, Baltimore, (2003). [Viola97]
Viola, P., Wells, W., Alignment by maximisation of mutual information, International Journal of Computer Vision, 24(2), 137-154 (1997).
[Zhu02]
Zhu, Z., Fujimura, K., Ji, Q., Real-time eye detection and tracking under various light conditions. In: ACM ETRA Symposium, New Orleans, LA, USA, 139–144 (2002).
Databases: [Dobes05]
Dobeš M., Machala L.: The database of human iris images (2005) http://phoenix.inf.upol.cz/Iris
[AR]
The AR Face Database: Martinez Aleix, Benavente Robert. CVC Technical Report #24, Computer Vision Centre, Purdue University, West Lafayette, Indiana June (1998). http://rvl1.ecn.purdue.edu/~aleix/aleix_face_DB.html
[CVL]
CVL Face Database: Franc Solina, Peter Peer, Borut Batagelj, Samo Juvan, Jure Kovac (2003) http://www.lrv.fri.uni-lj.si/facedb.html
[Yale]
Yale Face Database B: Georghiades, A.S. and Belhumeur, P.N. and Kriegman, D.J. From Few to Many: Illumination Cone Models for Face Recognition under Variable Lighting and Pose. IEEE Trans. Pattern Anal. Mach. Intelligence 23(6), 643-660 (2001). http://cvc.yale.edu/projects/yalefacesB/yalefacesB.html
29
