تشخیص هویت به کمک عنبیه Biometric Iris Eye

یکی از مباحث مهم در جامعه امروزی که دغدغه بسیاری از کارشناسان و همچنین کاربران می‌باشد بحث امنیت و تشخیص و تایید هویت است.

امروزه در امور مربوط به امنیت اماکنی مانند دانشگاه ها، فرودگاه ها، وزارتخانه ها و حتی شبکه‌های کامپیوتری استفاده از روش های بیومتریک در تشخیص هویت یا تایید هویت افراد بسیار متداول شده  است. سیستم‌های پیشرفته حضور و غیاب ادارات، سیستم‌های محافظتی ورود خروج اماکن خاص، نوت‌بوک‌های مجهز به Finger Print و ... از روش‌‌های مختلف تشخیص هویت بیومتریک استفاده می‌کنند.     در این مقاله سعی می‌کنیم مختصری ، مروری بر بیومتریک داشته  باشیم.

کلمه Biometric از ترکیب دو کلمه یونانی bios (زندگی) و metrikos (تخمین) شکل گرفته  است. بیومتریک: در واقع علم احراز هویت انسان‌ها با استفاده از ویژگی‌های فیزیکی یا رفتاری نظیر چهره، اثر انگشت، اثر کف دست، عنبیه، فرم هندسی دست و صدا است.

پایان نامه آماده: تشخیص هویت با استفاده از عنبیه چشم بوسیله شبکه عصبی - 85 صفحه فایل pdf

فهرست مطالب

عنوان صفحه

فصل اول: بیومتریک

-1 مقدمه بیومتریک 1 -1

-2 فرصتها 3 -1

-3 روشهای شناسایی 3 -1

-4 بیومتریک 4 -1

-5 اهمیت بیومتریک 5 -1

-6 مهمترین روشهای تشخیصهویت 6 -1

6 DNA -1-6 تشخیصهویت از طریق -1

-2-6 تشخیصهویت از طریق چهره 8 -1

-1-2-6 مشکلات اساسی در بازشناخت 8 -1

- 2-2-6 روشهای استخراج خصوصیات از چهره 9 -1

-3-6 تشخیصهویت از طریق اثر انگشت 10 -1

-4-6 تشخیصهویت از طریق چشم 11 -1

-1-4-6 بازشناسی هویت با استفاده از شبکیه 11 -1

-2-4-6 تکنولوژی دستگاههای اسکن 11 -1

-3-4-6 بازشناسی هویت با استفاده از عنبیه 12 -1

-5-6 تشخیصهویت از طریق گفتار 13 -1

-6-6 تشخیصهویت از طریق امضا 14 -1

-7-6 تایید هویت با استفاده از عنبیه 15 -1

ت

-1-7-6 مزایا و معایب استفاده از عنبیه برای تعیین هویت 17 -1

-2-7-6 بافت عنبیه 18 -1

-3-7-6 ساختار فیزیولوژیک عنبیه 18 -1

-4-7-6 مراحل پیاده سازی سیستم تشخیص عنبیه 21 -1

فصل دوم: پردازشتصویر

-1 مقدمه 24 -2

-2 ورودی 25 -2

-3 پردازش تصویر 25 -2

-4 فرمتهای اصلی تصویر 25 -2

-5 پیش پردازش 26 -2

-1-5 حذف نویز 27 -2

-1-1-5 حذف نویز با فیلتر خطی 27 -2

-2-1-5 حذف نویز با فیلتر میانه 28 -2

-3-1-5 حذف نویز با فیلتر انطباقی 28 -2

-2-5 تشخیص لبه 28 -2

28 Robert -1-2-5 روش -2

29 Prewitt -2-2-5 روش -2

29 Sobel -3-2-5 روش -2

30 Canny -4-2-5 روش -2

-3-5 استخراج ویژگیها 31 -2

فصل سوم: شبکه عصبی

-1 تاریخچه شبکههای عصبی مصنوعی 36 -3

ث

-2 ایده شبکههای عصبی 37 -3

-3 کاربرد شبکههای عصبی مصنوعی 38 -3

-4 نحوه عملکرد شبکه عصبی 39 -3

-5 یادگیری در مغز 40 -3

-6 مدل شبکه عصبی 41 -3

-7 مدل نرون 43 -3

-8 توابع فعالسازی 44 -3

-9 ساختارهای شبکه 47 -3

-1-9 شبکههای عصبی پیشرو تکلایه 47 -3

-2-9 شبکههای عصبی پیشرو چندلایه 48 -3

-3-9 شبکههای برگشتی 49 -3

-10 یادگیری در شبکههای عصبی 50 -3

-11 نورون با یک بردار به عنوان ورودی 51 -3

-12 معماری شبکه های عصبی 52 -3

-13 ورودیها و لایهها 53 -3

-14 شبکههای چند لایه 54 -3

-15 شبکه عصبی احتمالی 56 -3

فصل چهارم: شبیه سازی پروژه

-1 مقدمه 60 -4

-2 معرفی نرمافزار 61 -4

-3 جمعآوری دادهها 61 -4

-4 پیش پردازش 62 -4

-5 استخراج ویژگیها 63 -4

ج

-6 کلاسبندی دادهها 63 -4

-7 تست سیستم 64 -4

-8 گامهای بعدی 66 -4

مراجع 67

فهرست شکلها

عنوان صفحه

فصل اول: بیومتریک

7 DNA -1 شناسایی بر اساس -1

-2 نمونه یک دستگاه اسکنر اثر انگشت در کامپیوترهای بیومتریکی 10 -1

-3 ساختار چشم 11 -1

-4 نمونهای از یک سیستم تشخیصهویت با استفاده از عنبیه 17 -1

-5 تصویر یک چشم قهوه ای تیره که با مادون قرمزگرفته شده 20 -1

فصل دوم: پردازشتصویر

٢٩ Rebert -1 الگوهای تشخیص لبه در روش -2

٢٩ Prewitt -2 الگوهای تشخیص لبه در روش -2

-3 نمودار پراکندگی مربوط به یک مجموعه داده دو بعدی 33 -2

فصل سوم: شبکه عصبی

-1 ویژگیهای مهم سیناپس 41 -3

-2 یک نرون مصنوعی 42 -3

-3 مدل یک نرون غیرخطی 43 -3

-4 نحوه عملکرد بایاس در خروجی ترکیب کننده خطی 44 -3

-5 تابع (الف) حدآستانه (ب) خطی تکهای (ج) سیگموئید تک قطبی (د)گوسین (ه) خطی (و) سیگموئید -3

دوقطبی 46

-6 شبکه پیشرو با یک لایه فعال (خروجی) 47 -3

-7 شبکه عصبی پیشرو با یک لایه مخفی و یک لایه خروجی 48 -3

-8 شبکه بازگشتی بدون حلقه خودپسخور و نرونهای میانی 49 -3

خ

-9 شبکه بازگشتی با نرون های مخفی 50 -3

-10 نرون با یک بردار به عنوان ورودی 51 -3

-11 نمایشساده نرون با یک بردار بع عنوان ورودی 52 -3

نورون 53 S ورودی و R -12 یک شبکه تک لایه با -3

ورودی 54 R نورن و S -13 یک شبکه یک لایه با -3

-14 یک شبکه سه لایه 55 -3

56 (14- -15 شکل سادهشده شبکه شکل ( 3 -3

- 16 معماری شبکه عصبی احتمالی 57 -3

فصل چهارم: شبیهسازی پروژه

61 tif -1 تصویر عنبیه با فرمت -4

-2 تصویر عنبیه پس از حذف نویز 62 -4

62 canny -3 تصویر عنبیه پس از لبهیابی به روش -4

-4 نمونهای از دادههای کلاسبندی شده پس از آموزش سیستم 63 -4

د

فهرست جداول

عنوان صفحه

فصل چهارم: شبیهسازی پروژه

-1 جدول نتایج 65