Evaluación del impacto del preprocesamiento de imágenes en la segmentación del iris

Abstract

La segmentación del iris es una de las etapas más importantes en los sistemas de reconocimiento del iris. En este trabajo se aplican algoritmos de preprocesamiento de la imagen con el objetivo de evaluar su impacto en los porcentajes de segmentación exitosa del iris. Los algoritmos utilizados se basan en el ajuste del histograma, filtros Gaussianos y en la eliminación del reflejo especular en imágenes del ojo humano. Se aplica el método de segmentación introducido por Masek a 199 imágenes tomadas bajo condiciones no controladas, pertenecientes a la base de datos CASIA-irisV3, antes y después de aplicar los algoritmos de preprocesamiento. Posteriormente se evalúa el impacto de los algoritmos de preprocesamiento en el porcentaje de segmentación exitosa del iris por medio de una inspección visual de las imágenes, para determinar si las circunferencias detectadas del iris y de la pupila corresponden adecuadamente con el iris y la pupila de la imagen real. El algoritmo que generó uno de los mayores incrementos de los porcentajes de segmentación exitosa (pasa de 59% a 73%) es aquel que combina la eliminación de reflejos especulares, seguido por la aplicación de un filtro Gaussiano con máscara 5x5. Los resultados obtenidos señalan la importancia de una etapa previa de preprocesamiento de la imagen como paso previo para garantizar una mayor efectividad en el proceso de detección de bordes y segmentación del iris.

Beneficios de sistemas biométricos basados en lectura de Iris

“…• Los trabajos [3] y [2] coinciden en usar la base de datos de patrones de Iris correspondiente a CASIA para las pruebas en sus investigaciones. • Uno de los pasos importantes para lograr el reconocimiento por iris es la segmentación como en [4] utiliza el popular método "Girl 's eye", que es una clara referencia al método desarrollado por Richard P. Wildes, en comparación con [3] que utiliza la transformada circular de Hough, que pasa de 59% (algoritmo de segmentación tradicional introducida por Masek) a 73% en éxito de precisión. Por otro lado, en el proyecto [5], se utiliza la transformación circular de Hough y se obtuvo la FMR (Tasa de Coincidencia Falsa) de 0%.…”