सैमसंग गैलेक्सी S8 में आईरिस स्कैनर को एक फोटो का उपयोग करके धोखा दिया गया था। आइरिस रिकग्निशन बनाम रेटिना स्कैनिंग - HOMTOM HT10 रेटिना स्कैनिंग के अंतर को प्रकट करता है

व्यक्तिगत पहचान के लिए रेटिना का उपयोग करते समय सबसे महत्वपूर्ण मुद्दों में से एक स्कैन के दौरान सिर या आंख की गति है। इन आंदोलनों के परिणामस्वरूप डेटाबेस नमूने के सापेक्ष अनुवाद, रोटेशन और स्केलिंग हो सकती है (चित्र 1)।

चावल। 1. रेटिना स्कैनिंग के दौरान सिर और आंख की गति का परिणाम।

रेटिना तुलना पर स्केल बदलने का प्रभाव अन्य मापदंडों के प्रभाव जितना महत्वपूर्ण नहीं है, क्योंकि सिर और आंख की स्थिति कमोबेश स्केल के अनुरूप अक्ष के साथ तय होती है। ऐसे मामले में जहां स्केलिंग मौजूद है, यह इतनी छोटी है कि इसका रेटिना की तुलना पर लगभग कोई प्रभाव नहीं पड़ता है। इस प्रकार, एल्गोरिदम के लिए मुख्य आवश्यकता रेटिना के घूर्णन और विस्थापन का प्रतिरोध है।

रेटिनल प्रमाणीकरण एल्गोरिदम को दो प्रकारों में विभाजित किया जा सकता है: वे जो सुविधाओं को निकालने के लिए विभाजन एल्गोरिदम का उपयोग करते हैं (चरण सहसंबंध विधि पर आधारित एल्गोरिदम; शाखा बिंदुओं की खोज के आधार पर एल्गोरिदम) और वे जो रेटिना छवि से सीधे सुविधाओं को निकालते हैं (हैरिस कोणों का उपयोग करके एल्गोरिदम) ).

1. चरण सहसंबंध विधि पर आधारित एल्गोरिदम

एल्गोरिदम का सार यह है कि चरण सहसंबंध विधि का उपयोग करके, एक छवि के दूसरे के सापेक्ष विस्थापन और घूर्णन का अनुमान लगाया जाता है। जिसके बाद छवियों को संरेखित किया जाता है और उनके समानता स्कोर की गणना की जाती है।

इसके कार्यान्वयन में, चरण सहसंबंध विधि बाइनरी छवियों के साथ काम करती है, लेकिन इसका उपयोग 8-बिट रंग स्थान में छवियों के लिए भी किया जा सकता है।

मान लीजिए कि वे छवियां हैं, जिनमें से एक को दूसरे के सापेक्ष स्थानांतरित किया गया है, और उनके फूरियर रूपांतरण हैं, तो:

क्रॉस स्पेक्ट्रम कहां है;
– जटिल संयुग्म

क्रॉस स्पेक्ट्रम के व्युत्क्रम फूरियर रूपांतरण की गणना करते हुए, हम गति फ़ंक्शन प्राप्त करते हैं:

इस फ़ंक्शन का अधिकतम पता लगाने के बाद, हम वांछित विस्थापन पाते हैं।

आइए अब ध्रुवीय निर्देशांक का उपयोग करके विस्थापन की उपस्थिति में घूर्णन का कोण ज्ञात करें:

यह तकनीक मामूली शोर की उपस्थिति और इस तथ्य के कारण व्यवहार में हमेशा अच्छे परिणाम नहीं दिखाती है कि कुछ बर्तन एक छवि में मौजूद हो सकते हैं और दूसरे में अनुपस्थित हो सकते हैं। इसे खत्म करने के लिए, इस एल्गोरिदम के कई पुनरावृत्तियों का उपयोग किया जाता है, जिसमें फ़ंक्शन में छवियों को फीड करने के क्रम को बदलना और विस्थापन और रोटेशन को खत्म करने का क्रम शामिल है। प्रत्येक पुनरावृत्ति पर, छवियों को संरेखित किया जाता है, जिसके बाद उनके समानता सूचकांक की गणना की जाती है, फिर अधिकतम समानता सूचकांक पाया जाता है, जो तुलना का अंतिम परिणाम होगा।

समानता स्कोर की गणना इस प्रकार की जाती है:

2. हैरिस कोणों का उपयोग करते हुए एल्गोरिदम

पिछले वाले के विपरीत, इस एल्गोरिदम को पोत विभाजन की आवश्यकता नहीं है, क्योंकि यह न केवल बाइनरी छवि में सुविधाओं को निर्धारित कर सकता है।

सबसे पहले, छवियों को पिछले अनुभाग में वर्णित चरण सहसंबंध विधि का उपयोग करके संरेखित किया गया है। फिर छवियों में हैरिस कोणों की खोज की जाती है (चित्र 2)।

चावल। 2. रेटिना छवियों पर हैरिस कोणों की खोज का परिणाम।

मान लीजिए M+1 बिंदु पाया जाता है, फिर प्रत्येक j-वें बिंदु के लिए इसके कार्टेशियन निर्देशांक ध्रुवीय में बदल जाते हैं और फीचर वेक्टर निर्धारित किया जाता है जहां

बिंदु j पर अज्ञात वेक्टर और आकार N के फीचर वेक्टर के बीच समानता मॉडल को इस प्रकार परिभाषित किया गया है:

वह स्थिरांक कहां है जो हैरिस कोणों की खोज से पहले निर्धारित किया जाता है।

फ़ंक्शन बिंदु j की सभी विशेषताओं के लिए वेक्टर की निकटता और समानता का वर्णन करता है।

मान लीजिए कि वेक्टर पहली छवि का फीचर वेक्टर है, जहां आकार K-1 है, और वेक्टर दूसरी छवि का फीचर वेक्टर है, जहां आकार J-1 है, तो इन छवियों के समानता सूचकांक की गणना इस प्रकार की जाती है इस प्रकार है:

समानता के लिए सामान्यीकरण कारक बराबर है

मूल लेख में गुणांक को निम्नलिखित मानदंड द्वारा निर्धारित करने का प्रस्ताव है: यदि छवि हिस्टोग्राम के बीच का अंतर पूर्व निर्धारित मान से कम है, तो = 0.25, अन्यथा = 1।

3. शाखा बिंदुओं की खोज पर आधारित एल्गोरिदम

यह एल्गोरिथम, पिछले वाले की तरह, रक्त वाहिका प्रणाली में शाखा बिंदुओं की खोज करता है। साथ ही, यह द्विभाजन और प्रतिच्छेदन बिंदुओं (चित्र 3) को खोजने में अधिक विशिष्ट है और शोर के प्रति अधिक प्रतिरोधी है, लेकिन केवल बाइनरी छवियों पर काम कर सकता है।

चावल। 3. सुविधाओं के प्रकार (बाईं ओर - द्विभाजन बिंदु, दाईं ओर - प्रतिच्छेदन बिंदु)।

अंक खोजने के लिए, जैसा चित्र में दिखाया गया है। 3, खंडित वाहिकाओं को एक पिक्सेल की मोटाई तक संपीड़ित किया जाता है। इस प्रकार, हम पड़ोसियों की संख्या के अनुसार जहाजों के प्रत्येक बिंदु को वर्गीकृत कर सकते हैं:

1. यदि एस = 1, तो यह अंतिम बिंदु है;
2. यदि एस = 2, तो यह एक आंतरिक बिंदु है;
3. यदि एस = 3, तो यह एक द्विभाजन बिंदु है;
4. यदि S = 4 है, तो यह प्रतिच्छेदन बिंदु है।

3.1. एक पिक्सेल की मोटाई तक वाहिकाओं को संपीड़ित करने और शाखा बिंदुओं के वर्गीकरण के लिए एल्गोरिदम

सबसे पहले, ऊपर से नीचे, बाएँ से दाएँ, उस पिक्सेल की खोज की जाती है जो बर्तन का हिस्सा है। यह माना जाता है कि बाद की गणना में अस्पष्टता से बचने के लिए प्रत्येक पोत पिक्सेल में दो से अधिक पड़ोसी पोत पिक्सेल (पिछला और अगला) नहीं हो सकते हैं।

इसके बाद, पाए गए बिंदु के 4 पड़ोसी पिक्सेल जिन पर अभी तक विचार नहीं किया गया है, उनका विश्लेषण किया जाता है। इसके परिणामस्वरूप 16 संभावित विन्यास प्राप्त होते हैं (चित्र 4)। यदि विंडो के मध्य में पिक्सेल में कोई ग्रे पड़ोसी नहीं है, जैसा कि चित्र में दिखाया गया है। 4 (ए), फिर इसे त्याग दिया जाता है और एक अन्य रक्त वाहिका पिक्सेल की खोज की जाती है। अन्य मामलों में, यह या तो एक अंतिम बिंदु है या एक आंतरिक बिंदु है (द्विभाजन और प्रतिच्छेदन बिंदु शामिल नहीं हैं)।

चावल। 4. चार पड़ोसी पिक्सल के 16 संभावित विन्यास (सफेद बिंदु - पृष्ठभूमि, ग्रे बिंदु - वाहिकाएं)। शीर्ष 3 पिक्सेल और बाईं ओर वाले पिक्सेल का पहले ही विश्लेषण किया जा चुका है इसलिए उन्हें अनदेखा कर दिया गया है। अंदर एक क्रॉस वाले ग्रे पिक्सेल को भी नजरअंदाज कर दिया जाता है। अंदर एक तीर वाले बिंदु वे बिंदु हैं जो अगला केंद्रीय पिक्सेल बन सकते हैं। अंदर काले बिंदु वाले पिक्सेल समापन बिंदु होते हैं।

प्रत्येक चरण में, अंतिम पिक्सेल के ग्रे पड़ोसी को पारित के रूप में चिह्नित किया जाता है और 3 x 3 विंडो में अगले केंद्रीय पिक्सेल के रूप में चुना जाता है। ऐसे पड़ोसी की पसंद निम्नलिखित मानदंड द्वारा निर्धारित की जाती है: सबसे अच्छा पड़ोसी वह है जिसके पास है अचिह्नित ग्रे पड़ोसियों की सबसे बड़ी संख्या। यह अनुमान जहाज के बीच में एक-पिक्सेल मोटाई बनाए रखने के विचार से प्रेरित है, जहां बड़ी संख्या में पड़ोसी ग्रे हैं।

उपरोक्त एल्गोरिथम से यह निष्कर्ष निकलता है कि यह रक्त वाहिकाओं को अलग करने की ओर ले जाता है। इसके अलावा, जहाजों को विभाजन चरण में अलग किया जा सकता है। इसलिए इन्हें वापस जोड़ना जरूरी है.

दो निकटवर्ती समापन बिंदुओं के बीच संबंध बहाल करने के लिए, कोण और चित्र के अनुसार निर्धारित किए जाते हैं। 5, और यदि वे पूर्व निर्धारित कोण से कम हैं तो अंत बिंदु संयुक्त हो जाते हैं।

चावल। 5. संपीड़न के बाद समापन बिंदुओं को मर्ज करना।

द्विभाजन और प्रतिच्छेदन बिंदुओं को पुनर्स्थापित करने के लिए (चित्र 6), प्रत्येक अंतिम बिंदु के लिए इसकी दिशा की गणना की जाती है, जिसके बाद एक निश्चित लंबाई के खंड का विस्तार किया जाता है। यदि यह विस्तार दूसरे खंड के साथ प्रतिच्छेद करता है, तो एक द्विभाजन या प्रतिच्छेदन बिंदु पाया जाता है।

चावल। 6. द्विभाजन बिंदु का पुनर्निर्माण.

प्रतिच्छेदन बिंदु दो द्विभाजन बिंदुओं का प्रतिनिधित्व करता है, इसलिए समस्या को सरल बनाने के लिए, आप केवल द्विभाजन बिंदुओं को देख सकते हैं। प्रतिच्छेदन बिंदुओं के कारण होने वाले नकली आउटलेर्स को हटाने के लिए, आप उन बिंदुओं को हटा सकते हैं जो किसी अन्य पाए गए बिंदु के बहुत करीब हैं।

प्रतिच्छेदन बिंदुओं को खोजने के लिए अतिरिक्त विश्लेषण की आवश्यकता है (चित्र 7)।

चावल। 7. वृत्त के साथ जहाजों के प्रतिच्छेदन की संख्या के अनुसार शाखा बिंदुओं का वर्गीकरण। (ए) द्विभाजन बिंदु। (बी) प्रतिच्छेदन बिंदु।

जैसे कि चित्र में देखा जा सकता है। 7(बी), त्रिज्या की लंबाई के आधार पर, शाखा बिंदु पर केंद्रित वृत्त रक्त वाहिकाओं के साथ तीन या चार बिंदुओं पर प्रतिच्छेद कर सकता है। इसलिए, शाखा बिंदु को सही ढंग से वर्गीकृत नहीं किया जा सकता है। इस समस्या से छुटकारा पाने के लिए मतदान प्रणाली का प्रयोग किया जाता है, जैसा कि चित्र में दिखाया गया है। 8.

चावल। 8. द्विभाजन और प्रतिच्छेदन बिंदुओं के लिए वर्गीकरण योजना।

इस मतदान प्रणाली में, रक्त वाहिकाओं के साथ वृत्त के चौराहों की संख्या के आधार पर शाखा बिंदु को तीन अलग-अलग त्रिज्याओं में वर्गीकृत किया जाता है। त्रिज्या को इस प्रकार परिभाषित किया गया है: जहां और निश्चित मान लेते हैं। इस मामले में, दो मानों की गणना की जाती है, जो क्रमशः चौराहे बिंदु और द्विभाजन बिंदु के रूप में वर्गीकृत किए जाने वाले बिंदु के लिए वोटों की संख्या को दर्शाता है:

कहाँ और द्विआधारी मान इंगित करते हैं कि त्रिज्या का उपयोग करने वाला बिंदु क्रमशः एक प्रतिच्छेदन बिंदु या द्विभाजन बिंदु के रूप में पहचाना जाता है।

यदि बिंदु प्रकार परिभाषित नहीं है. यदि मान एक-दूसरे से भिन्न हैं, तो उस बिंदु को प्रतिच्छेदन बिंदु के रूप में वर्गीकृत किया जाता है, अन्यथा द्विभाजन बिंदु के रूप में।

3.2. समानता परिवर्तन ढूँढना और समानता मीट्रिक निर्धारित करना

बिंदु मिलने के बाद समानता परिवर्तन खोजना आवश्यक है। इस परिवर्तन को क्रमशः 4 मापदंडों - अक्ष विस्थापन और, स्केल और रोटेशन द्वारा वर्णित किया गया है।

परिवर्तन को स्वयं इस प्रकार परिभाषित किया गया है:

पहली छवि में बिंदु के निर्देशांक कहाँ हैं?
- दूसरी छवि में

समानता परिवर्तन को खोजने के लिए नियंत्रण बिंदुओं के जोड़े का उपयोग किया जाता है। उदाहरण के लिए, बिंदु एक वेक्टर को परिभाषित करते हैं जहां वेक्टर की शुरुआत के निर्देशांक होते हैं, वेक्टर की लंबाई होती है, और वेक्टर की दिशा होती है। बिंदुओं के लिए वेक्टर उसी तरह निर्धारित किया जाता है। एक उदाहरण चित्र में दिखाया गया है। 9.

चावल। 9. नियंत्रण बिंदुओं के दो जोड़े का उदाहरण.

समानता परिवर्तन पैरामीटर निम्नलिखित समानता से पाए जाते हैं:

मान लीजिए कि पहली छवि पर पाए गए बिंदुओं की संख्या M के बराबर है, और दूसरी छवि पर N के बराबर है, तो पहली छवि पर नियंत्रण बिंदुओं के जोड़े की संख्या बराबर है और दूसरी छवि पर, इस प्रकार, हमें मिलता है संभावित परिवर्तन, जिनमें से सबसे अधिक मिलान बिंदुओं वाला सही व्यक्ति चुना जाता है।

चूँकि पैरामीटर S का मान एक के करीब है, T को उन बिंदुओं के जोड़े को हटाकर कम किया जा सकता है जो निम्नलिखित असमानता को संतुष्ट नहीं करते हैं:

पैरामीटर के लिए न्यूनतम सीमा कहां है
- यह पैरामीटर के लिए अधिकतम सीमा है
- नियंत्रण बिंदुओं की एक जोड़ी
- नियंत्रण बिंदुओं की एक जोड़ी

बिंदुओं के लिए संभावित संरेखण विकल्पों में से एक को लागू करने के बाद, समानता संकेतक की गणना की जाती है:

बिंदुओं के बीच सीमा अधिकतम दूरी कहां है.
मामले में तो

कुछ मामलों में, दोनों बिंदुओं में बिंदु के समान अच्छा समानता मूल्य हो सकता है। ऐसा तब होता है जब वे एक-दूसरे के करीब होते हैं। सबसे उपयुक्त जोड़ी निर्धारित करने के लिए, समानता की संभावना की गणना की जाती है:

कहाँ

यदि फिर

मिलान बिंदुओं की संख्या ज्ञात करने के लिए, M x N आकार का एक मैट्रिक्स Q बनाया गया है ताकि i-वें पंक्ति और j-वें कॉलम में शामिल हो

फिर मैट्रिक्स Q को अधिकतम गैर-शून्य तत्व के लिए खोजा जाता है। इस तत्व को वीं पंक्ति और वें कॉलम में समाहित होने दें, फिर बिंदुओं और को मिलान के रूप में परिभाषित किया जाता है, और वीं पंक्ति और वें कॉलम को शून्य पर रीसेट कर दिया जाता है। जिसके बाद फिर से अधिकतम तत्व की खोज की जाती है। ऐसी मैक्सिमा की खोज तब तक दोहराई जाती है जब तक कि मैट्रिक्स Q के सभी तत्व शून्य न हो जाएं। एल्गोरिथम के आउटपुट पर हमें मिलान किए गए बिंदुओं C की संख्या प्राप्त होती है।

दो रेटिना के बीच समानता मीट्रिक कई तरीकों से निर्धारित की जा सकती है:

वह पैरामीटर कहां है जो मिलान बिंदुओं की संख्या के प्रभाव को समायोजित करने के लिए दर्ज किया गया है;
f को निम्नलिखित विकल्पों में से चुना गया है:

मीट्रिक को दो तरीकों में से एक में सामान्यीकृत किया जाता है:

कुछ स्थिरांक कहां और कहां हैं.

3.3. एल्गोरिथम की अतिरिक्त जटिलताएँ

शाखा बिंदुओं को खोजने पर आधारित विधि को अतिरिक्त विशेषताएं, जैसे कोण, जोड़कर जटिल किया जा सकता है, जैसा कि चित्र में दिखाया गया है। 10.

चावल। 10. अतिरिक्त विशेषताओं के रूप में शाखा बिंदुओं द्वारा निर्मित कोण।

आप गामा सिफर का भी उपयोग कर सकते हैं. जैसा कि ज्ञात है, जोड़ मॉड्यूलो 2 एक बिल्कुल मजबूत सिफर है जब कुंजी की लंबाई पाठ की लंबाई के बराबर होती है, और चूंकि द्विभाजन और प्रतिच्छेदन बिंदुओं की संख्या लगभग 100 से अधिक नहीं होती है, लेकिन फिर भी लंबाई से अधिक होती है साधारण पासवर्ड, पासवर्ड हैश के संयोजन को कुंजी के रूप में उपयोग किया जा सकता है। इससे डेटाबेस में रेटिना और पासवर्ड हैश को संग्रहीत करने की आवश्यकता समाप्त हो जाती है। केवल बिल्कुल मजबूत एन्क्रिप्शन के साथ एन्क्रिप्टेड निर्देशांक को संग्रहीत करना आवश्यक है।

निष्कर्ष

रेटिना प्रमाणीकरण सटीक परिणाम दिखाता है। चरण सहसंबंध विधि पर आधारित एल्गोरिदम ने VARIA डेटाबेस पर परीक्षण करने पर एक भी त्रुटि नहीं की। झूठी सकारात्मकता के लिए एल्गोरिदम की जांच करने के लिए एल्गोरिदम का परीक्षण बिना लेबल वाले मेसिडोर डेटाबेस पर भी किया गया था। एल्गोरिथम द्वारा पाए गए समान रेटिना के सभी जोड़े मैन्युअल रूप से जांचे गए थे। वे वास्तव में वही हैं. VARIA डेटाबेस से दो नेत्र रेटिना की रक्त वाहिकाओं की तुलना करने में 2.30 GHz की आवृत्ति वाले पेंटियम डुअल-कोरT4500 प्रोसेसर के दो कोर पर औसतन 1.2 सेकंड का समय लगता है। पहचान के लिए एल्गोरिदम का निष्पादन समय काफी लंबा निकला, लेकिन प्रमाणीकरण के लिए यह स्वीकार्य है।

हैरिस कोणों का उपयोग करके एक एल्गोरिदम लागू करने का भी प्रयास किया गया, लेकिन संतोषजनक परिणाम प्राप्त करना संभव नहीं हो सका। पिछले एल्गोरिदम की तरह, चरण सहसंबंध विधि का उपयोग करके रोटेशन और विस्थापन को खत्म करने में समस्या थी। दूसरी समस्या हैरिस कोण खोज एल्गोरिदम की कमियों से संबंधित है। अंकों को हटाने के लिए समान सीमा मान के साथ, पाए गए अंकों की संख्या या तो बहुत बड़ी या बहुत छोटी हो सकती है।

भविष्य की योजनाओं में शाखा बिंदुओं की खोज के आधार पर एक एल्गोरिदम विकसित करना शामिल है। चरण सहसंबंध विधि पर आधारित एल्गोरिदम की तुलना में इसमें बहुत कम कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। इसके अलावा, सिस्टम हैकिंग की संभावना को कम करने के लिए इसे और अधिक जटिल बनाने के अवसर भी हैं।

आगे के शोध में एक और दिलचस्प दिशा ग्लूकोमा, मधुमेह, एथेरोस्क्लेरोसिस और कई अन्य बीमारियों के शीघ्र निदान के लिए स्वचालित प्रणालियों का विकास है।

पी.एस. कुछ अनुरोधों के कारण मैं इसे पोस्ट कर रहा हूं

व्यक्तिगत पहचान के लिए रेटिना का उपयोग करते समय सबसे महत्वपूर्ण मुद्दों में से एक स्कैन के दौरान सिर या आंख की गति है। इन आंदोलनों के परिणामस्वरूप डेटाबेस नमूने के सापेक्ष अनुवाद, रोटेशन और स्केलिंग हो सकती है (चित्र 1)।

चावल। 1. रेटिना स्कैनिंग के दौरान सिर और आंख की गति का परिणाम।

रेटिना तुलना पर स्केल बदलने का प्रभाव अन्य मापदंडों के प्रभाव जितना महत्वपूर्ण नहीं है, क्योंकि सिर और आंख की स्थिति कमोबेश स्केल के अनुरूप अक्ष के साथ तय होती है। ऐसे मामले में जहां स्केलिंग मौजूद है, यह इतनी छोटी है कि इसका रेटिना की तुलना पर लगभग कोई प्रभाव नहीं पड़ता है। इस प्रकार, एल्गोरिदम के लिए मुख्य आवश्यकता रेटिना के घूर्णन और विस्थापन का प्रतिरोध है।

रेटिनल प्रमाणीकरण एल्गोरिदम को दो प्रकारों में विभाजित किया जा सकता है: वे जो सुविधाओं को निकालने के लिए विभाजन एल्गोरिदम का उपयोग करते हैं (चरण सहसंबंध विधि पर आधारित एल्गोरिदम; शाखा बिंदुओं की खोज के आधार पर एल्गोरिदम) और वे जो रेटिना छवि से सीधे सुविधाओं को निकालते हैं (हैरिस कोणों का उपयोग करके एल्गोरिदम) ).

1. चरण सहसंबंध विधि पर आधारित एल्गोरिदम

एल्गोरिदम का सार यह है कि चरण सहसंबंध विधि का उपयोग करके, एक छवि के दूसरे के सापेक्ष विस्थापन और घूर्णन का अनुमान लगाया जाता है। जिसके बाद छवियों को संरेखित किया जाता है और उनके समानता स्कोर की गणना की जाती है।

इसके कार्यान्वयन में, चरण सहसंबंध विधि बाइनरी छवियों के साथ काम करती है, लेकिन इसका उपयोग 8-बिट रंग स्थान में छवियों के लिए भी किया जा सकता है।

मान लीजिए कि वे छवियां हैं, जिनमें से एक को दूसरे के सापेक्ष स्थानांतरित किया गया है, और उनके फूरियर रूपांतरण हैं, तो:

क्रॉस स्पेक्ट्रम कहां है;
– जटिल संयुग्म

क्रॉस स्पेक्ट्रम के व्युत्क्रम फूरियर रूपांतरण की गणना करते हुए, हम गति फ़ंक्शन प्राप्त करते हैं:

इस फ़ंक्शन का अधिकतम पता लगाने के बाद, हम वांछित विस्थापन पाते हैं।

आइए अब ध्रुवीय निर्देशांक का उपयोग करके विस्थापन की उपस्थिति में घूर्णन का कोण ज्ञात करें:

यह तकनीक मामूली शोर की उपस्थिति और इस तथ्य के कारण व्यवहार में हमेशा अच्छे परिणाम नहीं दिखाती है कि कुछ बर्तन एक छवि में मौजूद हो सकते हैं और दूसरे में अनुपस्थित हो सकते हैं। इसे खत्म करने के लिए, इस एल्गोरिदम के कई पुनरावृत्तियों का उपयोग किया जाता है, जिसमें फ़ंक्शन में छवियों को फीड करने के क्रम को बदलना और विस्थापन और रोटेशन को खत्म करने का क्रम शामिल है। प्रत्येक पुनरावृत्ति पर, छवियों को संरेखित किया जाता है, जिसके बाद उनके समानता सूचकांक की गणना की जाती है, फिर अधिकतम समानता सूचकांक पाया जाता है, जो तुलना का अंतिम परिणाम होगा।

समानता स्कोर की गणना इस प्रकार की जाती है:

2. हैरिस कोणों का उपयोग करते हुए एल्गोरिदम

पिछले वाले के विपरीत, इस एल्गोरिदम को पोत विभाजन की आवश्यकता नहीं है, क्योंकि यह न केवल बाइनरी छवि में सुविधाओं को निर्धारित कर सकता है।

सबसे पहले, छवियों को पिछले अनुभाग में वर्णित चरण सहसंबंध विधि का उपयोग करके संरेखित किया गया है। फिर छवियों में कोनों की खोज की जाती है (चित्र 2)।

चावल। 2. रेटिना छवियों पर हैरिस कोणों की खोज का परिणाम।

मान लीजिए M+1 बिंदु पाया जाता है, फिर प्रत्येक j-वें बिंदु के लिए इसके कार्टेशियन निर्देशांक ध्रुवीय में बदल जाते हैं और फीचर वेक्टर निर्धारित किया जाता है जहां

बिंदु j पर अज्ञात वेक्टर और आकार N के फीचर वेक्टर के बीच समानता मॉडल को इस प्रकार परिभाषित किया गया है:

वह स्थिरांक कहां है जो हैरिस कोणों की खोज से पहले निर्धारित किया जाता है।

फ़ंक्शन बिंदु j की सभी विशेषताओं के लिए वेक्टर की निकटता और समानता का वर्णन करता है।

मान लीजिए कि वेक्टर पहली छवि का फीचर वेक्टर है, जहां आकार K-1 है, और वेक्टर दूसरी छवि का फीचर वेक्टर है, जहां आकार J-1 है, तो इन छवियों के समानता सूचकांक की गणना इस प्रकार की जाती है इस प्रकार है:

समानता के लिए सामान्यीकरण कारक बराबर है

मूल लेख में गुणांक को निम्नलिखित मानदंड द्वारा निर्धारित करने का प्रस्ताव है: यदि छवि हिस्टोग्राम के बीच का अंतर पूर्व निर्धारित मान से कम है, तो = 0.25, अन्यथा = 1।

3. शाखा बिंदुओं की खोज पर आधारित एल्गोरिदम

यह एल्गोरिथम, पिछले वाले की तरह, रक्त वाहिका प्रणाली में शाखा बिंदुओं की खोज करता है। साथ ही, यह द्विभाजन और प्रतिच्छेदन बिंदुओं (चित्र 3) को खोजने में अधिक विशिष्ट है और शोर के प्रति अधिक प्रतिरोधी है, लेकिन केवल बाइनरी छवियों पर काम कर सकता है।

चावल। 3. सुविधाओं के प्रकार (बाईं ओर - द्विभाजन बिंदु, दाईं ओर - प्रतिच्छेदन बिंदु)।

अंक खोजने के लिए, जैसा चित्र में दिखाया गया है। 3, खंडित वाहिकाओं को एक पिक्सेल की मोटाई तक संपीड़ित किया जाता है। इस प्रकार, हम पड़ोसियों की संख्या के अनुसार जहाजों के प्रत्येक बिंदु को वर्गीकृत कर सकते हैं:

1. यदि एस = 1, तो यह अंतिम बिंदु है;
2. यदि एस = 2, तो यह एक आंतरिक बिंदु है;
3. यदि एस = 3, तो यह एक द्विभाजन बिंदु है;
4. यदि S = 4 है, तो यह प्रतिच्छेदन बिंदु है।

3.1. एक पिक्सेल की मोटाई तक वाहिकाओं को संपीड़ित करने और शाखा बिंदुओं के वर्गीकरण के लिए एल्गोरिदम

सबसे पहले, ऊपर से नीचे, बाएँ से दाएँ, उस पिक्सेल की खोज की जाती है जो बर्तन का हिस्सा है। यह माना जाता है कि बाद की गणना में अस्पष्टता से बचने के लिए प्रत्येक पोत पिक्सेल में दो से अधिक पड़ोसी पोत पिक्सेल (पिछला और अगला) नहीं हो सकते हैं।

इसके बाद, पाए गए बिंदु के 4 पड़ोसी पिक्सेल जिन पर अभी तक विचार नहीं किया गया है, उनका विश्लेषण किया जाता है। इसके परिणामस्वरूप 16 संभावित विन्यास प्राप्त होते हैं (चित्र 4)। यदि विंडो के मध्य में पिक्सेल में कोई ग्रे पड़ोसी नहीं है, जैसा कि चित्र में दिखाया गया है। 4 (ए), फिर इसे त्याग दिया जाता है और एक अन्य रक्त वाहिका पिक्सेल की खोज की जाती है। अन्य मामलों में, यह या तो एक अंतिम बिंदु है या एक आंतरिक बिंदु है (द्विभाजन और प्रतिच्छेदन बिंदु शामिल नहीं हैं)।

चावल। 4. चार पड़ोसी पिक्सल के 16 संभावित विन्यास (सफेद बिंदु - पृष्ठभूमि, ग्रे बिंदु - वाहिकाएं)। शीर्ष 3 पिक्सेल और बाईं ओर वाले पिक्सेल का पहले ही विश्लेषण किया जा चुका है इसलिए उन्हें अनदेखा कर दिया गया है। अंदर एक क्रॉस वाले ग्रे पिक्सेल को भी नजरअंदाज कर दिया जाता है। अंदर एक तीर वाले बिंदु वे बिंदु हैं जो अगला केंद्रीय पिक्सेल बन सकते हैं। अंदर काले बिंदु वाले पिक्सेल समापन बिंदु होते हैं।

प्रत्येक चरण में, अंतिम पिक्सेल के ग्रे पड़ोसी को पारित के रूप में चिह्नित किया जाता है और 3 x 3 विंडो में अगले केंद्रीय पिक्सेल के रूप में चुना जाता है। ऐसे पड़ोसी की पसंद निम्नलिखित मानदंड द्वारा निर्धारित की जाती है: सबसे अच्छा पड़ोसी वह है जिसके पास है अचिह्नित ग्रे पड़ोसियों की सबसे बड़ी संख्या। यह अनुमान जहाज के बीच में एक-पिक्सेल मोटाई बनाए रखने के विचार से प्रेरित है, जहां बड़ी संख्या में पड़ोसी ग्रे हैं।

उपरोक्त एल्गोरिथम से यह निष्कर्ष निकलता है कि यह रक्त वाहिकाओं को अलग करने की ओर ले जाता है। इसके अलावा, जहाजों को विभाजन चरण में अलग किया जा सकता है। इसलिए इन्हें वापस जोड़ना जरूरी है.

दो निकटवर्ती समापन बिंदुओं के बीच संबंध बहाल करने के लिए, कोण और चित्र के अनुसार निर्धारित किए जाते हैं। 5, और यदि वे पूर्व निर्धारित कोण से कम हैं तो अंत बिंदु संयुक्त हो जाते हैं।

चावल। 5. संपीड़न के बाद समापन बिंदुओं को मर्ज करना।

द्विभाजन और प्रतिच्छेदन बिंदुओं को पुनर्स्थापित करने के लिए (चित्र 6), प्रत्येक अंतिम बिंदु के लिए इसकी दिशा की गणना की जाती है, जिसके बाद एक निश्चित लंबाई के खंड का विस्तार किया जाता है। यदि यह विस्तार दूसरे खंड के साथ प्रतिच्छेद करता है, तो एक द्विभाजन या प्रतिच्छेदन बिंदु पाया जाता है।

चावल। 6. द्विभाजन बिंदु का पुनर्निर्माण.

प्रतिच्छेदन बिंदु दो द्विभाजन बिंदुओं का प्रतिनिधित्व करता है, इसलिए समस्या को सरल बनाने के लिए, आप केवल द्विभाजन बिंदुओं को देख सकते हैं। प्रतिच्छेदन बिंदुओं के कारण होने वाले नकली आउटलेर्स को हटाने के लिए, आप उन बिंदुओं को हटा सकते हैं जो किसी अन्य पाए गए बिंदु के बहुत करीब हैं।

प्रतिच्छेदन बिंदुओं को खोजने के लिए अतिरिक्त विश्लेषण की आवश्यकता है (चित्र 7)।

चावल। 7. वृत्त के साथ जहाजों के प्रतिच्छेदन की संख्या के अनुसार शाखा बिंदुओं का वर्गीकरण। (ए) द्विभाजन बिंदु। (बी) प्रतिच्छेदन बिंदु।

जैसे कि चित्र में देखा जा सकता है। 7(बी), त्रिज्या की लंबाई के आधार पर, शाखा बिंदु पर केंद्रित वृत्त रक्त वाहिकाओं के साथ तीन या चार बिंदुओं पर प्रतिच्छेद कर सकता है। इसलिए, शाखा बिंदु को सही ढंग से वर्गीकृत नहीं किया जा सकता है। इस समस्या से छुटकारा पाने के लिए मतदान प्रणाली का प्रयोग किया जाता है, जैसा कि चित्र में दिखाया गया है। 8.

चावल। 8. द्विभाजन और प्रतिच्छेदन बिंदुओं के लिए वर्गीकरण योजना।

इस मतदान प्रणाली में, रक्त वाहिकाओं के साथ वृत्त के चौराहों की संख्या के आधार पर शाखा बिंदु को तीन अलग-अलग त्रिज्याओं में वर्गीकृत किया जाता है। त्रिज्या को इस प्रकार परिभाषित किया गया है: जहां और निश्चित मान लेते हैं। इस मामले में, दो मानों की गणना की जाती है, जो क्रमशः चौराहे बिंदु और द्विभाजन बिंदु के रूप में वर्गीकृत किए जाने वाले बिंदु के लिए वोटों की संख्या को दर्शाता है:

कहाँ और द्विआधारी मान इंगित करते हैं कि त्रिज्या का उपयोग करने वाला बिंदु क्रमशः एक प्रतिच्छेदन बिंदु या द्विभाजन बिंदु के रूप में पहचाना जाता है।

यदि बिंदु प्रकार परिभाषित नहीं है. यदि मान एक-दूसरे से भिन्न हैं, तो उस बिंदु को प्रतिच्छेदन बिंदु के रूप में वर्गीकृत किया जाता है, अन्यथा द्विभाजन बिंदु के रूप में।

3.2. समानता परिवर्तन ढूँढना और समानता मीट्रिक निर्धारित करना

बिंदु मिलने के बाद समानता परिवर्तन खोजना आवश्यक है। इस परिवर्तन को क्रमशः 4 मापदंडों - अक्ष विस्थापन और, स्केल और रोटेशन द्वारा वर्णित किया गया है।

परिवर्तन को स्वयं इस प्रकार परिभाषित किया गया है:

पहली छवि में बिंदु के निर्देशांक कहाँ हैं?
- दूसरी छवि में

समानता परिवर्तन को खोजने के लिए नियंत्रण बिंदुओं के जोड़े का उपयोग किया जाता है। उदाहरण के लिए, बिंदु एक वेक्टर को परिभाषित करते हैं जहां वेक्टर की शुरुआत के निर्देशांक होते हैं, वेक्टर की लंबाई होती है, और वेक्टर की दिशा होती है। बिंदुओं के लिए वेक्टर उसी तरह निर्धारित किया जाता है। एक उदाहरण चित्र में दिखाया गया है। 9.

चावल। 9. नियंत्रण बिंदुओं के दो जोड़े का उदाहरण.

समानता परिवर्तन पैरामीटर निम्नलिखित समानता से पाए जाते हैं:

मान लीजिए कि पहली छवि पर पाए गए बिंदुओं की संख्या M के बराबर है, और दूसरी छवि पर N के बराबर है, तो पहली छवि पर नियंत्रण बिंदुओं के जोड़े की संख्या बराबर है और दूसरी छवि पर, इस प्रकार, हमें मिलता है संभावित परिवर्तन, जिनमें से सबसे अधिक मिलान बिंदुओं वाला सही व्यक्ति चुना जाता है।

चूँकि पैरामीटर S का मान एक के करीब है, T को उन बिंदुओं के जोड़े को हटाकर कम किया जा सकता है जो निम्नलिखित असमानता को संतुष्ट नहीं करते हैं:

पैरामीटर के लिए न्यूनतम सीमा कहां है
- यह पैरामीटर के लिए अधिकतम सीमा है
- नियंत्रण बिंदुओं की एक जोड़ी
- नियंत्रण बिंदुओं की एक जोड़ी

बिंदुओं के लिए संभावित संरेखण विकल्पों में से एक को लागू करने के बाद, समानता संकेतक की गणना की जाती है:

बिंदुओं के बीच सीमा अधिकतम दूरी कहां है.
मामले में तो

कुछ मामलों में, दोनों बिंदुओं में बिंदु के समान अच्छा समानता मूल्य हो सकता है। ऐसा तब होता है जब वे एक-दूसरे के करीब होते हैं। सबसे उपयुक्त जोड़ी निर्धारित करने के लिए, समानता की संभावना की गणना की जाती है:

कहाँ

यदि फिर

मिलान बिंदुओं की संख्या ज्ञात करने के लिए, M x N आकार का एक मैट्रिक्स Q बनाया गया है ताकि i-वें पंक्ति और j-वें कॉलम में शामिल हो

फिर मैट्रिक्स Q को अधिकतम गैर-शून्य तत्व के लिए खोजा जाता है। इस तत्व को वीं पंक्ति और वें कॉलम में समाहित होने दें, फिर बिंदुओं और को मिलान के रूप में परिभाषित किया जाता है, और वीं पंक्ति और वें कॉलम को शून्य पर रीसेट कर दिया जाता है। जिसके बाद फिर से अधिकतम तत्व की खोज की जाती है। ऐसी मैक्सिमा की खोज तब तक दोहराई जाती है जब तक कि मैट्रिक्स Q के सभी तत्व शून्य न हो जाएं। एल्गोरिथम के आउटपुट पर हमें मिलान किए गए बिंदुओं C की संख्या प्राप्त होती है।

दो रेटिना के बीच समानता मीट्रिक कई तरीकों से निर्धारित की जा सकती है:

वह पैरामीटर कहां है जो मिलान बिंदुओं की संख्या के प्रभाव को समायोजित करने के लिए दर्ज किया गया है;
f को निम्नलिखित विकल्पों में से चुना गया है:

मीट्रिक को दो तरीकों में से एक में सामान्यीकृत किया जाता है:

कुछ स्थिरांक कहां और कहां हैं.

3.3. एल्गोरिथम की अतिरिक्त जटिलताएँ

शाखा बिंदुओं को खोजने पर आधारित विधि को अतिरिक्त विशेषताएं, जैसे कोण, जोड़कर जटिल किया जा सकता है, जैसा कि चित्र में दिखाया गया है। 10.

चावल। 10. अतिरिक्त विशेषताओं के रूप में शाखा बिंदुओं द्वारा निर्मित कोण।

आप गामा सिफर का भी उपयोग कर सकते हैं. जैसा कि ज्ञात है, जोड़ मॉड्यूलो 2 एक बिल्कुल मजबूत सिफर है जब कुंजी की लंबाई पाठ की लंबाई के बराबर होती है, और चूंकि द्विभाजन और प्रतिच्छेदन बिंदुओं की संख्या लगभग 100 से अधिक नहीं होती है, लेकिन फिर भी लंबाई से अधिक होती है साधारण पासवर्ड, पासवर्ड हैश के संयोजन को कुंजी के रूप में उपयोग किया जा सकता है। इससे डेटाबेस में रेटिना और पासवर्ड हैश को संग्रहीत करने की आवश्यकता समाप्त हो जाती है। केवल बिल्कुल मजबूत एन्क्रिप्शन के साथ एन्क्रिप्टेड निर्देशांक को संग्रहीत करना आवश्यक है।

निष्कर्ष

रेटिना प्रमाणीकरण सटीक परिणाम दिखाता है। चरण सहसंबंध विधि पर आधारित एल्गोरिदम ने VARIA डेटाबेस पर परीक्षण करने पर एक भी त्रुटि नहीं की। झूठी सकारात्मकता के लिए एल्गोरिदम की जांच करने के लिए एल्गोरिदम का परीक्षण बिना लेबल वाले मेसिडोर डेटाबेस पर भी किया गया था। एल्गोरिथम द्वारा पाए गए समान रेटिना के सभी जोड़े मैन्युअल रूप से जांचे गए थे। वे वास्तव में वही हैं. VARIA डेटाबेस से दो नेत्र रेटिना की रक्त वाहिकाओं की तुलना करने में 2.30 GHz की आवृत्ति वाले पेंटियम डुअल-कोरT4500 प्रोसेसर के दो कोर पर औसतन 1.2 सेकंड का समय लगता है। पहचान के लिए एल्गोरिदम का निष्पादन समय काफी लंबा निकला, लेकिन प्रमाणीकरण के लिए यह स्वीकार्य है।

हैरिस कोणों का उपयोग करके एक एल्गोरिदम लागू करने का भी प्रयास किया गया, लेकिन संतोषजनक परिणाम प्राप्त करना संभव नहीं हो सका। पिछले एल्गोरिदम की तरह, चरण सहसंबंध विधि का उपयोग करके रोटेशन और विस्थापन को खत्म करने में समस्या थी। दूसरी समस्या हैरिस कोण खोज एल्गोरिदम की कमियों से संबंधित है। अंकों को हटाने के लिए समान सीमा मान के साथ, पाए गए अंकों की संख्या या तो बहुत बड़ी या बहुत छोटी हो सकती है।

भविष्य की योजनाओं में शाखा बिंदुओं की खोज के आधार पर एक एल्गोरिदम विकसित करना शामिल है। चरण सहसंबंध विधि पर आधारित एल्गोरिदम की तुलना में इसमें बहुत कम कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। इसके अलावा, सिस्टम हैकिंग की संभावना को कम करने के लिए इसे और अधिक जटिल बनाने के अवसर भी हैं।

आगे के शोध में एक और दिलचस्प दिशा ग्लूकोमा, मधुमेह, एथेरोस्क्लेरोसिस और कई अन्य बीमारियों के शीघ्र निदान के लिए स्वचालित प्रणालियों का विकास है।

पी.एस. कुछ अनुरोधों के कारण मैं इसे पोस्ट कर रहा हूं

आइरिस स्कैनिंग तकनीक को पिछली शताब्दी के 36वें वर्ष में फ्रैंक बर्श नामक एक नेत्र रोग विशेषज्ञ द्वारा पेश किया गया था। वह शरीर के इस हिस्से की विशिष्टता के बारे में बात करने वाले पहले व्यक्ति थे। इस पैरामीटर के मिलान की संभावना फ़िंगरप्रिंट के मामले से भी कम है। दशकों बाद, पिछली सदी के 90 के दशक में, इरिडियन टेक्नोलॉजीज कंपनी के प्रतिनिधियों ने आंखों के पैटर्न में अंतर खोजने में सक्षम एक विशेष एल्गोरिदम के लिए पेटेंट दायर किया। आजकल, इस प्रमाणीकरण पद्धति को सबसे विश्वसनीय में से एक माना जाता है। इसे लागू करने के लिए, एक विशेष सेंसर का उपयोग किया जाता है जिसे इरिडोस्कैनर कहा जाता है, जिसके बारे में हम आज बात करेंगे।

परितारिका एक पतला गतिशील डायाफ्राम है, जिसके केंद्र में पुतली होती है। इसका निर्माण व्यक्ति के जन्म से पहले ही हो जाता है और यह जीवन भर नहीं बदलता है। इसकी बनावट एक तरह के नेटवर्क से काफी मिलती-जुलती है, जिसमें कई सर्कल होते हैं। सामान्य तौर पर, पैटर्न बेहद जटिल होता है, जो सेंसर को लगभग 200 बिंदुओं का चयन करने की अनुमति देता है, जिन्हें बाद में सत्यापन के लिए उपयोग किया जाता है।

एक प्रणाली जो पहले बताए गए कार्यों को निष्पादित कर सकती है उसे अक्सर गलती से रेटिनल स्कैनर के अलावा और कुछ नहीं कहा जाता है। तथ्य यह है कि ऑप्टिकल साधनों का उपयोग करके रेटिना को स्कैन करना असंभव है। इसके साथ काम करने के लिए विशेष इन्फ्रारेड सेंसर की आवश्यकता होती है। यह उपकरण रक्त वाहिकाओं के पैटर्न का विश्लेषण करता है।

जहां तक ​​आधुनिक मोबाइल उपकरणों में उपयोग किए जाने वाले इरिडोस्कैनर की बात है, तो वे उच्च-कंट्रास्ट कैमरे की कार्यप्रणाली पर आधारित होते हैं। इसके अलावा, कुछ मामलों में, फ्रंट पैनल पर स्थित एक नियमित कैमरा सेंसर के आधार के रूप में कार्य कर सकता है। प्रमाणीकरण प्रक्रिया को स्वयं कई घटकों में विभाजित किया जा सकता है:

• प्रारंभिक चरण में, डिवाइस को आईरिस की एक विस्तृत छवि प्राप्त करने की आवश्यकता होती है। यह एक मोनोक्रोम कैमरे की बदौलत किया जा सकता है जो कम रोशनी की स्थिति में भी काम कर सकता है। इस तरह आप शीघ्रता से अनेक छवियाँ उत्पन्न कर सकते हैं।
• अगले चरण में, एल्गोरिदम छवियों का विश्लेषण करता है और सबसे उपयुक्त का चयन करता है। इसके लिए एक छवि की आवश्यकता होती है जिसमें यह परितारिका की सीमाओं के साथ-साथ नियंत्रण क्षेत्रों को भी निर्धारित कर सके।
• फिर प्रत्येक परीक्षण बिंदु को चरण डेटा निकालने के लिए फ़िल्टर का उपयोग करके संसाधित किया जाता है जिसे डिजिटल डेटा में परिवर्तित किया जाता है। प्राप्त जानकारी के आधार पर सिस्टम व्यक्ति की पहचान करता है।

इस प्रकार के उपकरणों का मोबाइल इलेक्ट्रॉनिक्स के साथ एकीकरण कई साल पहले शुरू हुआ था। चीनी और जापानी विक्रेता अपने गैजेट की सुरक्षा के लिए ऐसे साधनों का उपयोग करने वाले पहले व्यक्ति थे। फिलहाल, फ्लैगशिप स्मार्टफोन मॉडल, उदाहरण के लिए, सैमसंग गैलेक्सी S8, एक इरिडोस्कैनर से लैस हैं।

आईरिस और रेटिना की स्कैनिंग और पहचान की तकनीकें बायोमेट्रिक पहचान के विश्वसनीय तरीके हैं। उनकी अलग-अलग विशेषताएं हैं जो पर्यावरणीय परिस्थितियों और कार्यान्वयन लक्ष्यों के आधार पर उनके प्रदर्शन पर गहरा प्रभाव डालती हैं। दोनों बायोमेट्रिक विधियां गैर-संपर्क स्कैनर का उपयोग करती हैं, लेकिन आईरिस पहचान और रेटिना स्कैनिंग के बीच उल्लेखनीय अंतर हैं। इन अंतरों में से एक यह है कि आईरिस पहचान को एक गैर-आक्रामक विधि माना जाता है, जबकि रेटिना स्कैनिंग को आक्रामक माना जाता है क्योंकि स्कैनिंग प्रक्रिया के दौरान दृश्य प्रकाश किरणें आंखों में भेजी जाती हैं।

इन बायोमेट्रिक पहचान प्रौद्योगिकियों को उनके अलग-अलग अंतरों के बावजूद अक्सर एक ही चीज़ के रूप में गलत समझा जाता है। इस लेख में हम इन दो तकनीकों के बीच अंतर पर चर्चा करेंगे, जिन्हें आज सिस्टम में सक्रिय रूप से लागू किया जा रहा है।

रेटिना स्कैन

मानव रेटिना एक पतला ऊतक है जो आंख के पीछे स्थित तंत्रिका कोशिकाओं से बना होता है। रेटिना को रक्त की आपूर्ति करने वाली केशिकाओं की जटिल व्यवस्था के कारण, प्रत्येक व्यक्ति का रेटिना अद्वितीय होता है। रेटिना में रक्त वाहिकाओं का नेटवर्क इतना जटिल है कि यह एक जैसे जुड़वा बच्चों के बीच भी भिन्न होता है। मधुमेह या ग्लूकोमा जैसी बीमारियों के विकास के परिणामस्वरूप रेटिना का पैटर्न बदल सकता है, हालांकि, अन्य मामलों में, रेटिना, एक नियम के रूप में, जन्म से मृत्यु तक अपरिवर्तित रहता है।

बायोमेट्रिक रेटिनल स्कैनिंग तकनीक का उपयोग किसी व्यक्ति के अद्वितीय रेटिनल पैटर्न को मैप करने के लिए किया जाता है। रेटिना के अंदर की रक्त वाहिकाएं आसपास के ऊतकों की तुलना में अधिक तीव्रता से प्रकाश को अवशोषित करती हैं, जिससे उन्हें पहचानना आसान हो जाता है। रेटिना की स्कैनिंग इन्फ्रारेड प्रकाश की एक किरण को प्रक्षेपित करके की जाती है जिसे आंख द्वारा नहीं देखा जा सकता है और इसे स्कैनर के ऐपिस के माध्यम से मानव आंख में डाला जाता है। क्योंकि रेटिना में रक्त वाहिकाएं आंख के बाकी हिस्सों की तुलना में इस प्रकाश को अधिक तीव्रता से अवशोषित करती हैं, स्कैन एक विशिष्ट पैटर्न बनाता है जिसे कंप्यूटर कोड में परिवर्तित किया जाता है और डेटाबेस में संग्रहीत किया जाता है। रेटिनल स्कैनिंग में चिकित्सीय अनुप्रयोग भी होते हैं। एड्स, सिफलिस, मलेरिया, चिकनपॉक्स जैसी संक्रामक बीमारियाँ, साथ ही ल्यूकेमिया, लिम्फोमा और सिकल सेल एनीमिया जैसी वंशानुगत बीमारियाँ आँखों को प्रभावित करती हैं। गर्भावस्था का असर आंखों पर भी पड़ता है। इसके अलावा, क्रोनिक हृदय विफलता या एथेरोस्क्लेरोसिस जैसी पुरानी बीमारियों के लक्षण भी सबसे पहले आंखों में दिखाई देते हैं।

अर्थ

रेटिना स्कैनिंग पर आधारित बायोमेट्रिक पहचान प्रणाली का उपयोग मुख्य रूप से एफबीआई, सीआईए और नासा जैसी उच्च सुरक्षा वाली सरकारी एजेंसियों में किया जाता है। रेटिना रीडिंग के आधार पर बायोमेट्रिक पहचान समाधानों को व्यापक रूप से नहीं अपनाए जाने का एक कारण उनकी उच्च लागत है।

आईरिस पहचान

मानव परितारिका आंख की एक पतली, गोलाकार संरचना है जो पुतलियों के आकार और व्यास को नियंत्रित करने के लिए जिम्मेदार है और इसलिए रेटिना तक पहुंचने वाले प्रकाश की मात्रा को नियंत्रित करती है। "आंख का रंग" आंख की परितारिका का रंग है।

आईरिस पहचान एक स्वचालित बायोमेट्रिक पहचान पद्धति है जो किसी व्यक्ति के अद्वितीय आईरिस पैटर्न को पहचानने के लिए गणितीय तकनीकों का उपयोग करती है।

रेटिनल स्कैनिंग के विपरीत, आईरिस पहचान ऐसी तकनीक का उपयोग करती है जो आईरिस की जटिल संरचना की छवियों को पकड़ने के लिए सूक्ष्म अवरक्त प्रकाश का उपयोग करती है। सुरक्षा और सुविधा के लिए दुनिया भर के देशों में करोड़ों लोग पहले से ही आईरिस पहचान प्रणाली में नामांकित हैं।

अर्थ

सीमा नियंत्रण, पहुंच नियंत्रण प्रणाली और में अनुप्रयोगों के बाद, स्वास्थ्य देखभाल में रोगी की पहचान के लिए बायोमेट्रिक आईरिस मान्यता तकनीक का उपयोग तेजी से बढ़ रहा है। विश्वसनीयता, सटीकता, गति और अपेक्षाकृत कम लागत (साथ ही यह तथ्य कि तकनीक संपर्क रहित और गैर-आक्रामक है) के संयोजन के कारण, आईरिस पहचान तकनीक उद्योगों की एक विस्तृत श्रृंखला में व्यक्तिगत पहचान समाधान के रूप में लोकप्रियता हासिल कर रही है। पहचान के प्रयोजनों के लिए आईरिस का एक अन्य लाभ यह है कि इसकी संरचना प्रारंभिक रिकॉर्डिंग के बाद दशकों तक अपरिवर्तित रहती है।

निष्कर्ष

अंत में, आइए आईरिस पहचान और रेटिनल स्कैनिंग तकनीकों के बीच अंतर देखें:

• रोग के आधार पर रेटिना स्कैन की सटीकता भिन्न हो सकती है; परितारिका की संरचना अधिक स्थिर होती है।
• आइरिस पहचान फोटोग्राफी के समान है और इसे दूर से किया जा सकता है; उसी समय, रेटिना को स्कैन करने के लिए आंख को ऐपिस के बहुत करीब होना आवश्यक है।
• व्यावसायिक परिवेश में रेटिनल स्कैनिंग की तुलना में आइरिस पहचान अधिक व्यापक रूप से स्वीकृत हो गई है।
• हालाँकि ये दोनों प्रौद्योगिकियाँ गैर-संपर्क हैं, रेटिना स्कैनिंग को एक आक्रामक तकनीक माना जाता है क्योंकि इसमें आँखों में दृश्य प्रकाश की चमकती किरणें शामिल होती हैं, जबकि आईरिस पहचान गैर-आक्रामक होती है।

यदि आप बायोमेट्रिक्स में निवेश करने की योजना बना रहे हैं और निवेश पर उच्च रिटर्न की उम्मीद कर रहे हैं तो रेटिना स्कैनिंग और आईरिस पहचान के बीच अंतर को समझना महत्वपूर्ण है। हमें उम्मीद है कि हम इन दोनों आधुनिक लोगों के बीच अंतर को स्पष्ट रूप से इंगित करने में सक्षम हैं।

स्रोत blog.m2sys.com. लेख का अनुवाद किया गयास्थल प्रशासकऐलेना पोनोमारेंको

निवारक परीक्षाओं से प्रारंभिक अवस्था में कई बीमारियों का निदान करने में मदद मिलती है, लेकिन उनमें से कुछ का पता तभी लगाया जा सकता है जब बीमारी पहले से ही बढ़ चुकी हो।

इसके अलावा, योग्य डॉक्टरों की कमी के कारण राजधानी से दूर के क्षेत्रों में कुछ जीवन-घातक विकृति की पहचान नहीं की जा सकती है। वियना मेडिकल यूनिवर्सिटी के वैज्ञानिकों ने एक किफायती रेटिनल स्कैनर पेश किया है, जो वर्तमान स्थिति को बदल सकता है। इसकी मदद से आप डायबिटीज समेत कई बीमारियों का जल्द निदान कर सकते हैं।

कैसे यह काम करता है

साइंस डेली के अनुसार, अपने विकास के लिए, शोधकर्ताओं ने उस डेटा का उपयोग किया जिसे किसी भी व्यक्ति की रेटिना से "पढ़ा" जा सकता है, और यह बहुत सारी जानकारी प्रदान कर सकता है। स्कैनर को विकसित करते समय, ऑप्टिकल कोहेरेंस टोमोग्राफी (OCT) तकनीक का उपयोग किया गया था, जो 1.2 सेकंड के भीतर 40,000 छवियां बनाती है। प्राप्त डेटा का विश्लेषण कृत्रिम बुद्धिमत्ता पर आधारित एल्गोरिदम द्वारा किया जाता है, और फिर सिस्टम एक निष्कर्ष जारी करता है।

आप क्या पा सकते हैं

जैसा कि हमने पाया, नेत्र रोग विशेषज्ञ की मदद के बिना यह निदान पद्धति यह पहचानना संभव बनाती है कि किसी मरीज को मधुमेह है या इसके होने के जोखिम की गणना करना, इसके अलावा, जैविक उम्र, प्रवृत्ति और धूम्रपान के इतिहास पर डेटा प्राप्त करना संभव है; , और कई अन्य पैरामीटर। निकट भविष्य में, वैज्ञानिक उम्र से संबंधित अपक्षयी विकारों, तंत्रिका संबंधी समस्याओं, गुर्दे, हृदय और रक्त वाहिकाओं, यकृत के रोगों के साथ-साथ अन्य आंतरिक अंगों के रोगों के निदान के लिए एल्गोरिदम में सुधार करने की योजना बना रहे हैं।