ceel2010 03 - MÉTODO DE PRÉ-PROCESSAMENTO PARA AUMENTAR A EFICIÊNCIA DE UM SISTEMA

MÉTODO DE PRÉ-PROCESSAMENTO PARA AUMENTAR A EFICIÊNCIA DE

UM SISTEMA DE RECONHECIMENTO DE ÍRIS E PERMITIR A

CONSTRUÇÃO DE TEMPLATES MENORES

Milena B. P. Carneiro, Antônio C. P. Veiga, Edna L. Flores, Gilberto A. Carrijo

Universidade Federal de Uberlândia, Faculdade de Engenharia Elétrica, Uberlândia – MG

milenabueno@yahoo.com

Resumo – Sistemas biométricos devem apresentar uma

alta eficiência, uma vez que sua utilização geralmente

envolve a segurança do acesso a lugares e informações

confidenciais. A íris é um importante elemento

biométrico que está sendo cada vez mais utilizado. O

método proposto neste trabalho contribui com o aumento

da eficiência de um sistema de reconhecimento de íris e

oferece uma alternativa para reduzir o espaço em disco

necessário para armazenar os códigos usados para

representar as irises. É proposto um algoritmo de pré-

processamento, baseado na utilização de Algoritmos

Genéticos, que escolhe os pixels que serão amostrados

durante a etapa de normalização com o objetivo de

extrair a maior quantidade de informações relevantes da

íris. Foram utilizados, para teste, dois bancos de imagens

de íris públicos e nos dois casos o método proposto

atingiu resultados interessantes.

Palavras-Chave – Reconhecimento de íris, biometria,

amostragem de pixels, algoritmo genético.

A PRE-PROCESSING METHOD TO

IMPROVE THE EFFICIENCY OF AN IRIS

RECOGNITION SYSTEM AND ALLOW

THE CONSTRUCTION OF SMALLER

TEMPLATES

Abstract - In biometric systems the recognition efficiency

must be a priority once the applications usually involve

access security to places and information. The iris is an

important biometric element and is being more and more

used for automatic recognition. The method proposed in

this work aims to contribute in the increase of the

reliability of an iris recognition system and also offers an

alternative to reduce the disk space necessary to store the

codes used to represent the iris features. It is proposed a

pre-processing algorithm, based on Genetic Algorithms,

that choose the pixels which will be sampled during the

normalization stage of the iris recognition system. Two

public iris image databases were used for test, and in

both cases, the proposed method reached interesting

results.1

Keywords – Iris recognition, biometry, pixels sampling,

genetic algorithm.

I. INTRODUÇÃO

A crescente preocupação com a segurança tem contribuído

com o aumento da utilização de sistemas biométricos para

identificação humana. A íris é um elemento biométrico de

destaque uma vez que sua estrutura possui uma grande

quantidade de detalhes que permitem a construção de

sistemas extremamente confiáveis.

Uma importante tarefa de um sistema de reconhecimento

biométrico é a extração das informações contidas na íris

(características da íris). Entretanto, antes que os algoritmos

de extração e codificação de características possam ser

aplicados, deve haver um processo de normalização que faz

uma seleção (amostragem) dos pixels da imagem

produzindo, geralmente, uma representação retangular da

região da íris.

Este trabalho propõe um método diferenciado, baseado na

aplicação de Algoritmos Genéticos para selecionar os pixels

da imagem da íris que concentram a maior quantidade de

informações relevantes. O objetivo é aumentar a eficiência

do sistema de reconhecimento de íris e, também, reduzir o

tamanho do template binário.

As etapas de processamento envolvidas em um sistema de

reconhecimento de íris são apresentadas na próxima seção.

Na seção III, a importância, os objetivos e as motivações

para o desenvolvimento deste trabalho são apresentados. O

método proposto neste artigo e sua implementação através de

algoritmos genéticos são explicados nas seções IV e V. Na

seção VI os resultados experimentais obtidos com a

utilização de dois diferentes bancos de imagens de íris são

apresentados e na seção VII o trabalho é concluído.

II. ETAPAS DE PROCESSAMENTO

O processo de reconhecimento de íris é relativamente

complexo e envolve diversas etapas de processamento, como

ilustrado na Figura 1. A primeira delas corresponde à

localização da região da íris na imagem do olho que também

envolve a extração das regiões corrompidas pelas pálpebras

superior e inferior, pelos cílios e pelos reflexos especulares.

Para processar esta etapa, foi utilizado o operador integro-

diferencial proposto por Daugman [1] que localiza os dois

círculos que definem a região da íris.

Uma vez que a região da íris foi localizada ela deve passar

por um processo de normalização. Esta etapa é responsável

por resolver o problema das inconsistências dimensionais

Pré-visualização parcial do texto

Baixe ceel2010 03 e outras Notas de estudo em PDF para Engenharia Elétrica, somente na Docsity!

MÉTODO DE PRÉ-PROCESSAMENTO PARA AUMENTAR A EFICIÊNCIA DE

UM SISTEMA DE RECONHECIMENTO DE ÍRIS E PERMITIR A

CONSTRUÇÃO DE TEMPLATES MENORES

Milena B. P. Carneiro, Antônio C. P. Veiga, Edna L. Flores, Gilberto A. Carrijo

Universidade Federal de Uberlândia, Faculdade de Engenharia Elétrica, Uberlândia – MG [email protected] Resumo – Sistemas biométricos devem apresentar uma alta eficiência, uma vez que sua utilização geralmente envolve a segurança do acesso a lugares e informações confidenciais. A íris é um importante elemento biométrico que está sendo cada vez mais utilizado. O método proposto neste trabalho contribui com o aumento da eficiência de um sistema de reconhecimento de íris e oferece uma alternativa para reduzir o espaço em disco necessário para armazenar os códigos usados para representar as irises. É proposto um algoritmo de pré- processamento, baseado na utilização de Algoritmos Genéticos, que escolhe os pixels que serão amostrados durante a etapa de normalização com o objetivo de extrair a maior quantidade de informações relevantes da íris. Foram utilizados, para teste, dois bancos de imagens de íris públicos e nos dois casos o método proposto atingiu resultados interessantes. Palavras-Chave – Reconhecimento de íris, biometria, amostragem de pixels, algoritmo genético.

A PRE-PROCESSING METHOD TO

IMPROVE THE EFFICIENCY OF AN IRIS

RECOGNITION SYSTEM AND ALLOW

THE CONSTRUCTION OF SMALLER

TEMPLATES

Abstract - In biometric systems the recognition efficiency must be a priority once the applications usually involve access security to places and information. The iris is an important biometric element and is being more and more used for automatic recognition. The method proposed in this work aims to contribute in the increase of the reliability of an iris recognition system and also offers an alternative to reduce the disk space necessary to store the codes used to represent the iris features. It is proposed a pre-processing algorithm, based on Genetic Algorithms, that choose the pixels which will be sampled during the normalization stage of the iris recognition system. Two public iris image databases were used for test, and in both cases, the proposed method reached interesting results. 1 Keywords – Iris recognition, biometry, pixels sampling, genetic algorithm. I. INTRODUÇÃO A crescente preocupação com a segurança tem contribuído com o aumento da utilização de sistemas biométricos para identificação humana. A íris é um elemento biométrico de destaque uma vez que sua estrutura possui uma grande quantidade de detalhes que permitem a construção de sistemas extremamente confiáveis. Uma importante tarefa de um sistema de reconhecimento biométrico é a extração das informações contidas na íris (características da íris). Entretanto, antes que os algoritmos de extração e codificação de características possam ser aplicados, deve haver um processo de normalização que faz uma seleção (amostragem) dos pixels da imagem produzindo, geralmente, uma representação retangular da região da íris. Este trabalho propõe um método diferenciado, baseado na aplicação de Algoritmos Genéticos para selecionar os pixels da imagem da íris que concentram a maior quantidade de informações relevantes. O objetivo é aumentar a eficiência do sistema de reconhecimento de íris e, também, reduzir o tamanho do template binário. As etapas de processamento envolvidas em um sistema de reconhecimento de íris são apresentadas na próxima seção. Na seção III, a importância, os objetivos e as motivações para o desenvolvimento deste trabalho são apresentados. O método proposto neste artigo e sua implementação através de algoritmos genéticos são explicados nas seções IV e V. Na seção VI os resultados experimentais obtidos com a utilização de dois diferentes bancos de imagens de íris são apresentados e na seção VII o trabalho é concluído. II. ETAPAS DE PROCESSAMENTO O processo de reconhecimento de íris é relativamente complexo e envolve diversas etapas de processamento, como ilustrado na Figura 1. A primeira delas corresponde à localização da região da íris na imagem do olho que também envolve a extração das regiões corrompidas pelas pálpebras superior e inferior, pelos cílios e pelos reflexos especulares. Para processar esta etapa, foi utilizado o operador integro- diferencial proposto por Daugman [1] que localiza os dois círculos que definem a região da íris. Uma vez que a região da íris foi localizada ela deve passar por um processo de normalização. Esta etapa é responsável por resolver o problema das inconsistências dimensionais

Fig. 1. Etapas de processamento de um sistema de reconhecimento de íris. entre as imagens que são provocadas, principalmente, pela variação da proximidade do indivíduo em relação ao dispositivo de captura da imagem e ainda pela variação do tamanho da pupila devido a diversos níveis de luminosidade do ambiente. O método de normalização mais utilizado é o chamado modelo da “folha de borracha” que foi primeiramente sugerido por Daugman [ 1 ]. Neste modelo, toda a região anelar da íris é linearmente amostrada, tanto na direção radial quanto na direção angular, e é representada através do sistema de coordenadas polares, gerando assim, uma imagem retangular. Na próxima seção, será apresentado um método que explora esta fase de normalização e procura amostrar os pixels da imagem da íris que guardam uma maior quantidade de informações relevantes para o reconhecimento, com o objetivo de aumentar a eficiência do sistema. Depois da normalização, as informações da íris são extraídas e codificadas para que, finalmente, possa ser possível realizar a comparação das imagens. Neste trabalho, a extração das características da íris foi realizada convoluindo a imagem normalizada com o chamado filtro Log-Gabor. A filtragem dá origem a coeficientes complexos cujas fases são quantizadas para um dos quatro quadrantes do plano complexo. Cada quadrante é referenciado por dois bits e, assim, um template binário é criado. Para a comparação dos templates binários foi utilizada a Distância de Hamming. III. MOTIVAÇÃO Como visto anteriormente, a imagem da íris é processada de forma que se possa representar suas principais características através de um template que pode ser binário ou numérico. Quando um indivíduo é cadastrado em um sistema de reconhecimento de íris para obter acesso a algum local ou informação, este template é gerado e armazenado computacionalmente. Quanto maior a quantidade de informações codificadas, maior o espaço em disco necessário para armazenamento. Tanto no processo de verificação quanto no processo de identificação, são realizadas comparações entre os templates gerados para fazer o reconhecimento do indivíduo. O tempo de processamento computacional destas comparações é maior, quanto maior for o tamanho do template. Para minimizar os problemas de espaço de armazenamento em disco e tempo de processamento das comparações, surge o desafio de se codificar a menor quantidade possível de características da íris, porém, sem comprometer a confiabilidade do sistema. Na literatura é possível identificar poucos trabalhos focados neste objetivo. Estes poucos trabalhos buscam novas alternativas para melhorar a representação das características da íris através da aplicação de novas técnicas para extração e codificação destas características. Pode-se citar como exemplo o trabalho de S. Dey e D. Samanta [2] que aplica a transformada Wavelet Daubechies 4 para extrair as características da íris e representá-las em um template binário de tamanho reduzido. Ali et al. [3] faz a mesma coisa, porém, utilizando a transformada Wavelet Haar. Neste trabalho levou-se em consideração o fato de que, antes que os algoritmos de extração e codificação das características da íris possam ser aplicados, é necessário haver um processo de normalização que faz uma seleção (amostragem) de pixels na imagem e, geralmente, produz uma representação retangular da região da íris. Este processo de amostragem é de extrema importância, pois, é através dele que as características da íris ficam disponíveis para serem extraídas e codificadas. Em geral, a amostragem de pixels para normalização é realizada de maneira uniforme ao longo de toda a região da íris. Este processo se torna parcialmente aleatório, pois, não se controla se os pixels selecionados armazenam mais ou menor informações. Propõe-se, então, um método que permite ao sistema identificar e amostrar os pixels que armazenam uma maior quantidade de informações capazes de diferenciar um certo grupo indivíduos. O resultado desta amostragem mais inteligente é que somente as informações mais relevantes são selecionadas, o que pode levar o sistema a dois benefícios principais:  A geração de templates menores sem comprometer a precisão do reconhecimento. Isto é conseguido uma vez que, a codificação de uma menor quantidade de características, por estarem mais bem selecionadas, é suficiente para manter a capacidade de diferenciar os indivíduos.  O aumento da confiabilidade do sistema. Quando não se tem a preocupação de reduzir muito o tamanho do template, a amostragem dos “melhores” pixels aumenta a capacidade do sistema de diferenciar os indivíduos. A seleção dos pixels é realizada utilizando Algoritmos Genéticos (AG) e dá origem a uma representação retangular da região da íris que será, posteriormente, submetida aos algoritmos de extração e codificação de características. Uma grande novidade deste método é que ele é aplicado em uma etapa de pré-processamento, isto é, considerando um sistema de reconhecimento de íris que será utilizado na prática como instrumento de controle de acesso, o algoritmo proposto é executado antes de se colocar o sistema em funcionamento e depois que os usuários são cadastrados. Explicando, o Algoritmo Genético irá utilizar as imagens do banco de dados para fazer uma busca pela posição dos pixels Aquisição da imagem do olho Localização Normalização Codificação (^) Comparação Etapas de processamento

quando o valor do gene é 0, a linha ou coluna não está sendo selecionada. Deseja-se que a solução do AG produza uma representação retangular da íris com determinadas resoluções angular e radial dadas, respectivamente, por Cf e Lf. Para isto, dos Ci bits da primeira parte do cromossomo, Cf bits devem ser iguais a 1 e os demais iguais a 0, e ainda, dos Li bits da segunda parte do cromossomo, Lf bits devem ser iguais a 1 e os demais iguais a 0. Um cromossomo só é válido se atender a estas condições. A figura 2 ilustra um exemplo hipotético de uma solução do AG em que Ci = 20 , Li = 8, Cf = 8 e Lf = 4. O primeiro passo na execução do AG é a geração da população inicial que contém as possíveis soluções disponíveis para o AG inicialmente. Uma população é formada por cromossomos onde cada cromossomo representa um indivíduo que é uma possível solução para o problema. Assim, é necessário criar cromossomos para se obter a população inicial. A criação dos cromossomos que compõem a população inicial é feita aleatoriamente, ou seja, o valor binário de cada gene do cromossomo é escolhido ao acaso, porém, deve-se obedecer à premissa de que a primeira parte do cromossomo deve possuir Cf genes iguais a 1, a segunda parte do cromossomo deve possuir Lf genes iguais a 1 e todos os outros genes devem ser iguais a 0. Uma definição extremamente importante no projeto de um AG é da função de aptidão que atribui uma pontuação (escore) para cada indivíduo. Foi utilizado como função de aptidão o cálculo do erro de reconhecimento, ou seja, o valor de aptidão de um indivíduo é dado pelo valor do erro obtido quando o sistema é simulado mostrando a combinação de pixels que o indivíduo representa. Isto significa que, para calcular cada valor de aptidão, devem ser realizadas inúmeras comparações intra-classe e inter-classe para que seja possível calcular o erro do sistema, lembrando que, para a geração dos templates utilizados para comparação, as representações retangulares da íris de todas as imagens do banco de dados são geradas através da amostragem dos pixels indicados pelo indivíduo avaliado e depois, estas imagens normalizadas são submetidas aos algoritmos de extração e codificação de características. Quanto menor o valor do erro de reconhecimento para uma determinada combinação de pixels, maior a aptidão do indivíduo e maior a probabilidade deste ser selecionado para a reprodução. A reprodução é realizada utilizando-se somente um operador de mutação. Diversas pesquisas ([5], [6], [7]) comprovaram que a mutação é capaz de promover a convergência de uma população em um processo de evolução, mesmo sem a presença do operador de cruzamento (crossover). A utilização somente da mutação se apresentou como uma alternativa mais interessante para este trabalho, uma vez que se trata de um problema baseado em ordenação e uma certa aleatoriedade é desejada. Como temos a restrição de que o cromossomo deve possuir sempre uma quantidade fixa de genes iguais a 1 e iguais a 0, um operador genético de mutação adequado para o problema em questão é a mutação trocada (swap mutation) que funciona da seguinte maneira. Primeiro é selecionado um indivíduo da população atual e são escolhidos aleatoriamente dois genes, sendo um igual a 1 e o outro igual a 0. Então estes genes são trocados de lugar dando origem a um descendente válido. Não necessariamente a mutação trocada envolve a troca de apenas um par de genes. Foi implementado um procedimento em que, no momento da mutação de um indivíduo, a quantidade de pares de genes que serão tocados é escolhida aleatoriamente e pode ir desde 1 até um determinado valor máximo previamente especificado. As duas partes dos cromossomos são processadas independentemente, ou seja, a mutação é aplicada na primeira parte do cromossomo considerando apenas os bits referentes à seleção de pixels na direção angular e depois, é aplicada na segunda parte do cromossomo considerando apenas os bits referentes à seleção de pixels na direção radial. A quantidade máxima de pares que podem ser trocados durante a mutação foi considerada igual a 10 para a primeira parte do cromossomo e igual a 3 para a segunda parte. Os indivíduos que serão submetidos à mutação trocada são selecionados na população corrente através do “Método da Roleta” [8] que prioriza os indivíduos com melhor aptidão. É selecionada uma quantidade de indivíduos igual ao tamanho da população e todos os indivíduos selecionados sofrem a mutação originando descendentes diferentes. Pode acontecer de o descendente gerado ser menos apto do que seu ancestral. Também é possível que este mesmo descendente seja mais apto do que um outro indivíduo da população corrente. Assim, para garantir que a próxima população será formada por indivíduos melhores, ou seja, a população converge para um melhor resultado, os descendentes são reunidos com os ancestrais e então os mais aptos são selecionados para formar a próxima geração. Portanto, pode acontecer de um descendente conviver com seu ancestral nesta geração, ou de serem excluídos tanto o descendente quanto seu ancestral. Este procedimento também impede que um indivíduo com um valor de aptidão muito bom seja perdido. VI. RESULTADOS EXPERIMENTAIS Nesta seção, o método proposto será avaliado através da análise dos efeitos de sua aplicação na eficiência do sistema. Os resultados obtidos com o novo método serão comparados aos resultados obtidos com a aplicação do método tradicional de amostragem dos pixels da região da íris. Em todas as simulações realizadas para avaliar o método proposto, as mesmas comparações são executadas, com os mesmos parâmetros (como, número de comparações, constantes do filtro Log-Gabor) e seguindo os mesmos algoritmos daquelas simulações realizadas com o método tradicional. O tamanho da população usada para executar o algoritmo genético foi escolhido empiricamente como sendo igual a

Algumas simulações prévias mostraram que a utilização de uma população muito maior do que isso torna o tempo de processamento inconvenientemente longo e não se observa uma melhora considerável na convergência do algoritmo. Já se uma população muito menor for usada, a convergência é prejudicada. O número máximo de gerações foi fixado igual a 400. Testes experimentais mostraram que, para todas as

simulações, este número de gerações foi suficiente para garantir a convergência do algoritmo. Para avaliar o método proposto foram realizados diversos experimentos utilizando os bancos de imagens UBIRIS [9] e MMU [10]. Em seguida serão apresentados os detalhes dos resultados obtidos com cada um deles. A. Resultados com UBIRIS Quando o banco de imagens UBIRIS foi utilizado na simulação do método tradicional, o sistema apresentou um erro mínimo de 0.07% (ou 99.93% de acerto) quando os pixels foram amostrados uniformemente para gerar uma representação retangular da íris com resolução 14 x 150, ou seja, resolução radial igual a 14 pixels (Representação retangular com 14 linhas) e resolução angular igual a 150 pixels (Representação retangular com 150 colunas). Como cada pixel da representação retangular resulta em 2 bits no template, serão gerados templates de 4200 bits (resolução 14 x 300). No primeiro teste que foi realizado não houve a preocupação em reduzir o tamanho do template, pelo contrário, a intenção foi manter a mesma resolução do template e verificar se o novo método é capaz de provocar uma melhora na eficiência do sistema. Para executar este teste foi gerada inicialmente, pelo método tradicional, uma representação retangular da íris com resolução 30 x 250. Esta resolução foi escolhida com a única restrição de ser maior do que 14 x 150. O AG foi aplicado com o objetivo de escolher 14 posições na direção radial (a partir das 30 posições disponíveis) e 150 posições na direção angular (a partir das 250 posições disponíveis). O AG converge para a distribuição de pixels que, quando processados, minimizam o erro do sistema. A melhor solução encontrada minimiza o erro para 0. 0061 %. Isto representa que o sistema se tornou 0.064% mais eficiente usando o novo método. Uma vez que a confiabilidade de sistemas de reconhecimento de íris é sempre muito alta, esta pequena melhora pode ser considerada muito significativa. Os demais testes realizados, que serão comentados a seguir, procuram investigar a relação custo/benefício, ou seja, a capacidade do método de gerar template menores sem comprometer a confiabilidade do sistema. Para a execução destes testes foram geradas, pelo método tradicional, representações retangulares com resolução 14 x 150 (que foi a que apresentou um melhor resultado para o método tradicional) de onde serão amostrados os pixels pelo AG para a geração de templates menores. Foram realizados seis testes, sendo que em cada um deles o AG é programado para originar templates com tamanhos diferentes. Os valores de resolução da representação retangular utilizados foram 10 x 112, 10 x 54, 7 x 76, 12 x 44, 6 x 60 e 5 x 50, gerando templates de 2240, 1080, 1064, 1056, 720 e 500 bits respectivamente. O critério utilizado para a escolha destas resoluções obedece apenas à restrição de redução do tamanho do template. Esse valores de resolução resultaram em erros de reconhecimento de 0.082%, 0.21%, 0.20%, 0.20%, 0.44% e 1.41% respectivamente. Na tabela I são apresentados os resultados obtidos com cada simulação. Observa-se que, quando se utiliza a resolução 10 x 112, o tamanho do template diminui quase que para a metade enquanto a eficiência do sistema é reduzida em apenas 0.012%. TABELA I Resumo dos resultados das simulações com o banco de imagens UBIRIS Resolução da representação retangular Tamanho do Template Menor erro^ Taxa de Reconhecimento 14 x 150 (Uniforme) 4 200 bits^ 0.07%^ 99.93% 14 x 150 (Novo método) 4 200 bits^ 0.0061%^ 99.9939% 10 x 112 2 240 bits 0.082% 99.918% 10 x 54 1 080 bits 0.21% 99.79% 7 x 76 1 064 bits 0.20% 99.8% 12 x 44 1 056 bits 0.20% 99.8% 6 x 60 720 bits 0.44% 99.56% 5 x 50 500 bits 1.41% 98.59% Para as resoluções 10 x 54, 7 x 76 e 12 x 44 o template é reduzido para aproximadamente 25% de seu tamanho inicial. Para essas resoluções o tamanho do template é praticamente o mesmo, e consequentemente, as taxas de reconhecimento também ficam muito próximas. Comparando as resoluções 7 x 76 e 12 x 44, a resolução radial aumentou de 7 para 12 (71.4% de aumento) e a resolução angular diminuiu de 76 para 44 (42.1% de redução), entretanto, a taxa de reconhecimento obtida foi a mesma uma vez que a quantidade de bits do template é praticamente a mesma nos dois casos. Quando a resolução é igual a 6 x 60, a eficiência do sistema cai 0,37% com relação ao processo tradicional com resolução 14 x 150, em contrapartida, o tamanho do template sofre uma redução de quase 6 vezes. Para a resolução 5 x 50, o template se torna mais de oito vezes menor e, apesar da taxa de reconhecimento ter caído 1.34% em relação ao processo tradicional, ela ainda se encontra em um nível aceitável. B. Resultados com MMU Com o banco de imagens MMU foram realizados testes similares. O melhor resultado obtido com o método tradicional foi um erro de 0,91% (ou 99.09% de acerto) quando os pixels foram amostrados uniformemente para gerar uma representação retangular da íris com resolução 8 x 370, ou seja, resolução radial igual a 8 pixels e resolução angular igual a 370 pixels. Como cada pixel da representação retangular resulta em 2 bits no template, serão gerados templates de 5920 bits (resolução 8 x 740). No primeiro teste foram processados templates do mesmo tamanho, porém, provenientes de uma amostragem não uniforme dos pixels na região da íris. Inicialmente, aplicou- se o método tradicional para gerar uma representação retangular com resolução 30 x 500 (resolução qualquer, maior que 8 x 370) de onde o AG escolheu 8 posições na direção radial (a partir das 30 posições disponíveis) e 370 posições na direção angular (a partir das 500 posições disponíveis). A melhor solução encontrada pelo AG

ceel2010 03, Notas de estudo de Engenharia Elétrica

Documentos relacionados

Pré-visualização parcial do texto

Baixe ceel2010 03 e outras Notas de estudo em PDF para Engenharia Elétrica, somente na Docsity!

MÉTODO DE PRÉ-PROCESSAMENTO PARA AUMENTAR A EFICIÊNCIA DE

UM SISTEMA DE RECONHECIMENTO DE ÍRIS E PERMITIR A

CONSTRUÇÃO DE TEMPLATES MENORES

Milena B. P. Carneiro, Antônio C. P. Veiga, Edna L. Flores, Gilberto A. Carrijo

A PRE-PROCESSING METHOD TO

IMPROVE THE EFFICIENCY OF AN IRIS

RECOGNITION SYSTEM AND ALLOW

THE CONSTRUCTION OF SMALLER

TEMPLATES