Identyfikacja osób

na podstawie
geometrii dłoni
Techniki biomedyczne
 systemy oparte o wzór linii papilarnych
 systemy oparte o geometrię dłoni
 systemy oparte o dynamikę mowy
 systemy oparte o wzór tęczówki oka
Sposoby pozyskiwania danych
Próbki – założenia I
 kąty między palcami odpowiedniej miary,
Próbki – założenia II
 zdjęcie dłoni zrobione prostopadle do
obiektywu aparatu
 odległość dłoni od obiektywu aparatu za

każdym razem taka

Próbki

x755 osób
x3 próbki – 200x200 px
Poszukiwane cechy
 5 x długość palca
 5 x długość podstawy palca
 4 x największy okrąg wpisany w górnej połowie palców
(baz kciuka)
 4 x największy okrąg wpisany w dolnej połowie palców
(bez kciuka)
 1 x największy okrąg wpisany w kciuka
 5 x pole powierzchni palców
 5 x obwód palców
 4 x odległości między początkiem kciuka a środkami
podstaw poszczególnych palców (bez kciuka)
 4 x poszczególne boki czworokąta wokół środka dłoni
(czerwone linie na rysunku).
 Razem 37 cech
Poszukiwane cechy
Poszukiwane cechy
Algorytm
1. Przygotowanie wektora punktów konturu
2. Znajdowanie końcówek palców oraz
zagłębień miedzy palcami
3. Wyznaczenie cech dłoni
a) odległości między punktami
b) pola powierzchni
c) okręgi wpisane w zamknięty obszar
4. Normalizacja cech
5. Metoda najbliższego sąsiada
6. Interpretacja wyników
Przygotowanie wektora punktów
konturu
Znajdowanie końcówek palców oraz
zagłębień miedzy palcami
 Odległości między punktami
 Norma euklidesowa

√
𝑛
𝑑𝑒 ( 𝑥, 𝑦 ) =¿∨𝑥− 𝑦∨¿= ∑ (𝑥𝑖 −𝑦 𝑖) 2

𝑖=1
Pola powierzchni - I
Algorytm wypełniania konturowego
Pola powierzchni - II
Algorytm wypełniania konturowego
Pola powierzchni - III
Algorytm wypełniania konturowego
Pola powierzchni - IV
Algorytm wypełniania konturowego
Okręgi wpisane w obszar zamknięty
Euclidean distance transform
Okręgi wpisane w obszar zamknięty
Euclidean distance transform
 Distance transform (transformacja
odległościowa)
 Dla każdego piksela należącego do obiektu

◦ Znajdź najbliższego sąsiada należącego do tła

◦ Oblicz odległość względem tego sąsiada
Normalizacja cech
 Normalizacja cech do przedziału 0.0 – 1.0
 Współczynniki wagowe
 Odchylenie standardowe

√
𝑛
1
𝑠= ∑
𝑛 −1 𝑖=1
( 𝑥 𝑖 − 𝑥)2
Metoda najbliższego sąsiada
 Wektory cech skupiają się w grupach
 Metryka wyznaczająca odległość
 Wybór najbliższych sąsiadów
Metoda najbliższego sąsiada
 Wyniki
Próbka kontrolna Najbliższy sąsiad

1 2 3 4 5 6 7 8 9 10

107 107 22 202 332 227 199 171 41 185 17

107 22 22 183 107 332 125 107 197 283 282

108 108 70 65 243 65 243 44 557 536 362

108 108 65 65 464 65 731 70 44 243 371

108 649 509 243 405 620 537 443 141 260 509

109 109 109 71 71 5 71 74 117 149 149

 Wyniki
Test Liczba próbek Dopasowanie

1 2 3 4 5 6 7 8 9 10

1 289 90,31% 93,43% 94,46% 96,19% 96,89% 97,23% 97,92% 98,27% 98,62% 98,62%

2 199 86,93% 90,95% 92,86% 92,96% 94,47% 94,97% 96,48% 96,98% 96,98% 96,98%

3 2225 68,66% 72,58% 77,08% 79,60% 81,84% 83,42% 84,54% 85,35% 86,25% 86,97%
Literatura
 Erdem Yoruk , Helin Dutagaci, Bulent Sankur, „Hand
biometrics”
 Erdem Yoruk , Helin Dutagaci, Bulent Sankur, „Comparative
analysis of global hand apperance-based person recognition”
 Yaroslav Bulatov, Sachin Jambawalikar, Piyush Kumar, Saurabh
Sethia, „Hand recognition Rusing geometric classifiers”
 Xiaoqian Jiang, Wanhong Xu, „Contactless hand recognition”
 Xiaoqian Jiang, Wanhong Xu, Latanya Sweeney, Yiheng Li,
Ralph Gross, Daniel Yurovsky „New directions In contact free
hand recognition”
 http://www.busim.ee.boun.edu.tr/%7Esankur/SankurFolder/
normalized_binary_hands.zip
Dziękujemy za uwagę