Rozpoznawanie tożsamości na podstawie tęczówki oka

Opis projektu

Ten projekt implementuje pełny łańcuch przetwarzania obrazu do rozpoznawania osób na podstawie zdjęć oczu. System wykorzystuje algorytm Daugmana do kodowania tęczówki i odległość Hamminga do porównywania kodów tęczówek.

Funkcjonalności

• Automatyczna segmentacja źrenicy
• Automatyczna segmentacja tęczówki
• Rozwinięcie tęczówki do postaci prostokątnej
• Ekstrakcja cech z tęczówki metodą Daugmana
• Porównywanie kodów tęczówek przy użyciu odległości Hamminga
• Wyczerpująca analiza eksperymentalna na zbiorze danych MMU Iris Dataset

Technologie

• Python jako główny język programowania
• OpenCV-Python do operacji przetwarzania obrazów
• NumPy do obliczeń macierzowych
• Matplotlib i Seaborn do wizualizacji wyników
• Jupyter Notebook jako środowisko eksperymentalne

Struktura projektu

• detekcja_teczowki.ipynb - główny notebook z kompletną logiką biznesową
• MMU-Iris-Database/ - zbiór danych z obrazami oczu (nie jest zawarty w repozytorium)
• renamed_photos/ - katalog tworzony podczas wykonywania skryptu, zawierający przetworzone obrazy
• Pozostałe katalogi to efekty wywoływań poszczególnych komórek skryptu, niezbędne do sprawozdania.

Metodologia

1. Segmentacja źrenicy:

   • Konwersja do skali szarości
   • Wyrównanie kontrastu (CLAHE) i gaussian blur
   • Filtrowanie, binaryzacja i operacje morfologiczne
   • Lokalizacja środka i promienia

2. Segmentacja tęczówki:

   • Gaussian blur i binaryzacja
   • Operacje morfologiczne
   • Wyznaczanie promienia tęczówki metodą histogramu radialnego oraz projekcji

3. Rozwinięcie tęczówki:

   • Transformacja z układu biegunowego do kartezjańskiego
   • Uzyskanie prostokątnej reprezentacji tęczówki

4. Kodowanie tęczówki:

   • Podział na radialne pasma
   • Filtrowanie falkami Gabora
   • Generowanie binarnego kodu tęczówki

5. Porównywanie kodów:

   • Obliczanie odległości Hamminga
   • Klasyfikacja na podstawie progu odległości

Wydajność

• Precyzja: 98.95%
• Czułość (Recall): 52.44%
• F1-Score: 68.55%
• Dokładność: 99.57%

System jest zoptymalizowany pod kątem minimalizacji fałszywych dopasowań kosztem odrzucenia niektórych prawidłowych dopasowań, co czyni go odpowiednim do zastosowań związanych z bezpieczeństwem.

Instalacja i uruchomienie

1. Sklonuj repozytorium

   git clone https://github.com/JakubPoltorak147/Biometria_Projekt2.git
   

2. Zainstaluj wymagane zależności

   pip install numpy opencv-python matplotlib seaborn jupyter
   

3. Niezbędny będzie zbiór danych MMU-Iris-Database. Jeśli wystąpią jakieś problemy z klonowaniem, pobierz go z internetu i skopiuj zawartość do katalogu o tej nazwie.
4. Uruchom notebook

   jupyter notebook detekcja_teczowki.ipynb
   

Autorzy

• Jakub Półtorak @JakubPoltorak147
• Michał Pytel @Michael-Pytel

Uwagi

System pokazuje potencjał do dalszej optymalizacji parametrów - autorzy zauważają, że podczas eksperymentów uzyskali F1-score powyżej 0.70, który później spadł do 0.685 z powodu nieudanych modyfikacji parametrów.