پروژه تشخیص اثر انگشت به روش آنالیز فوریه در نرم افزار مطلب
- عنوان: پروژه تشخیص اثر انگشت به روش آنالیز فوریه در نرم افزار مطلب
تعریف مسئله
امروزه ما انسان ها با حرکت به سوی انقلاب دیجیتال و استفاده از اطلاعات دیجیتالی که اکثراً اطلاعاتی کاملاً محرمانه هستند نیاز به فاکتورهایی برای شناسایی افراد مجاز برای دسترسی به این اطلاعات هستیم. به عنوان مثال ما در قسمت های مختلف همچون کارت های اعتباری، اینترنت بانک، پست الکترونیک، خرید های الکترونیکی، گذرنامه ها و … نیازمند شناسایی افراد مجاز هستیم که این کار توسط تخصیص پسورد به شخص صورت می گیرد. بر طبق مطالعه NTA در سال 2002، کاربران پر کار وب به طور میانگین 21 پسورد دارند، که 81 % کاربران یک پسورد عمومی انتخاب می کنند و 30 % این پسورد را یادداشت و یا در فایل ذخیره می کنند. بیشتر این پسوردها به سادگی قابل حدس هستند.
از این رو سیستم های تشخیص هویت (biometric) همچون تشخیص چهره، عنبیه، گفتار، شبکیه چشم، دست خط و اثر انگشت و… می توانند میزان کلاهبرداری و استفاده غیر قانونی از اطلاعات را کاهش دهند. از سیستم تشخیص هویت با اثر انگشت می توان برای دادن امکان دسترسی به قطعات الکترونیکی شخصی همچون لپ تاب و تلفن همراه و همچنین برای تشخیص هویت افراد در گذرنامه و موارد امنیتی دیگری استفاده کرد.
موارد استفاده از سیستم های تشخیص هویت
سیستم های تشخیص هویت تعدادی مشکل دارند. به عنوان مثال، اگر یک پسورد یا ID card کشف شود به راحتی می توان آن را جایگزین کرد اما یک مولفه biometric کشف شود نمی توان آن را جایگزین کرد. به طور مشابه کاربران می توانند پسوردهای متفاوتی برای هر account خود داشته باشند، از این رو اگر پسورد یکی از accunt ها کشف شود دیگر پسوردها ناشناخته می مانند ولی اگر یک مولفه biometric کشف شود همهaccunt های مبتنی بر این سیستم قابل دستیابی می شوند. در میان همه سیستم های تشخیص هویت، شناسایی بر اساس اثر انگشت یکی از تکنیک های کامل و قدرتمند به شمار می رود.
در سیستم های تشخیص هویت، سیستم های تشخیص اثر انگشت یکی از گسترده ترین زمینه هایی است که در آن ها تحقیق شده و توسعه یافته است زیرا دسترسی به آن ساده، و سنسور های آن ارزان است و همچنین کارایی نسبتاً خوبی دارد. بنابراین، تحقیق بر روی بهبود قابلیت اعتماد، پایداری، کارایی و امنیت سیستم های تشخیص اثر انگشت ضروری به نظر می رسد. کیفیت کم تصاویر اثر انگشت، شکستگی، بزرگ بودن پایگاه داده اثر انگشت از زمینه های گسترده تحقیق، به منظور بهبود صحت این سیستم است. هدف از این تحقیق آشنایی با الگوریتم های تشخیص و تطبیق اثر انگشت با اثر انگشت موجود در پایگاه داده است. تا بر اساس شناخت کلی از این الگوریتم ها و مشکلات پیش رو، در آینده برای اصلاح این الگوریتم ها و یا ارائه روشی جدید سعی و تلاش کنیم و در نتیجه از آن ها در عمل استفاده کنیم.
بیان چند مطلب مهم در رابطه با موضوع
ما فاکتورهای که در میزان کارایی الگوریتم های تشخیص نقاط تاثیر گذار هستند همچون کیفیت تصویر، قطعه بندی و… را بررسی می کنیم. تکنولوژی های تشخیص اثر انگشت موجود به خاطر کیفیت کم تصاویر اثر انگشت، واضح نبودن اثر انگشت در بیشتر افراد (4% مردم اثر انگشت واضحی ندارند)، تاثیر محیط بر اثر انگشت (بیشتر کارگران خراش هایی بر روی انگشت خود دارند) و انگشت های کثیف نمی توانند توسط سنسور موجود تصویر برداری شوند از این رو آسیب پذیر هستند. محققان صنعتی و دانشگاهی هر کدام به نحوی برای بهبود این مسئله تلاش می کنند. محققان نرم افزاری بر روی الگوریتم های تشخیص ویژگی و تطبیق کار می کنند که الگوریتم های متعددی برای این کار ارائه شده است. از این الگوریتم ها می توان به:
- Minutiae-based Matching
- filterbank-based
- Based on the Henry System
- graph-based
- point pattern-based
- Correlation-based
- و…
اشاره کرد. در سیستم های مبتنی بر اثر انگشت باید اثر انگشت ورودی با تعداد زیادی اثر انگشت ذخیره شده (پایگاه داده) مقایسه شود (پایگاه داده FBI در حال حاضر بیش از 630 میلیون اثر انگشت دارد). برای کاهش زمان جستجو و پیچیدگی محاسباتی محتویات پایگاه داده را دسته بندی می کنند تا در هنگام تطبیق اثر انگشت با یک زیرمجموعه از پایگاه داده مقایسه شود. از روش های دسته بندی می توان به K-nearest neighbor classifier، Neural Network Classifier و Two-Stage Classifier اشاره کرد.
آنالیز فوریه
می توان گفت که یکی از مهم ترین ابزارها برای آنالیز سیگنال، آنالیز فوریه می باشد که در آن یک سیگنال به سیگنال های سینوسی متناوب که دارای فرکانس های مختلف هستند، تجزیه می گردد. در حقیقت آنالیز فوریه یک تکنیک ریاضیاتی برای تغییر نگرش ما به سیگنال از حالت زمانی به حالت فرکانسی می باشد. برای بسیاری از سیگنال ها آنالیز فوریه بسیار مناسب است زیرا سیگنال دارای محتویات فرکانسی مهمی است، پس چرا باید از تکنیک های دیگری مانند ویولت استفاده کنیم؟
آنالیز فوریه دارای یک نقطه ضعف مهم است. با تبدیل سیگنال به حوزه فرکانس اطلاعات زمانی کاملا’ از بین می رود. در حقیقت هنگامی که به تبدیل فوریه یک سیگنال نگاه می کنیم، نمی توان فهمید که یک اتفاق مشخص در چه زمانی رخ داده است. حال اگر خصوصیات یک سیگنال با گذشت زمان تغییر چندانی نکند، این نقطه ضعف زیاد مهم نیست، اما بسیاری از سیگنال ها دارای حالات غیر ثابت مختلف و تغییرات ناگهانی می باشند که این خصوصیات مهم ترین قسمت سیگنال هستند و تبدیل فوریه برای شناسایی آن ها مناسب نیست.
اجرای برنامه
در محیط نرم افزار متلب فایل test.m را اجرا نمایید.
گزینه اول می توانید عکس ها را در دیتابیس اضافه کنید:
اندیس هر عکس بعد از اضافه شدن آن به کاربر گزارش داده می شود:
گزینه دوم را انتخاب کنید و عکسی را به عنوان تست انتخاب کنید
نتیجه بدست می آید و فاصله با گزینه نتیجه ارائه می گردد:
مثلا در تصویر زیر گزینه تست با مورد شماره 3 تطبیق کامل دارد زیرا فاصله برابر 0 اعلام شده است:
با استفاده از سایر گزینه ها می توانید دیتابیس را پاک کرده و از اول شروع کنید و یا به صورت گرافیکی تصویر مورد پردازش را مشاهده کنید
گزینه آخر امکان خروج از GUI برنامه را فراهم می کند.
الگوریتم کلی کار
دریافت اطلاعات پردازش تصویر، بهبود تصویر اثر انگشت، استخراج ویژگی ها، تطابق و …