Eigetron è un sistema di riconoscimento facciale completamente scritto da zero che utilizza l’algoritmo delle facce di Eigen per un matching abbastanza preciso rispetto ad un database precedentemente calcolato . Per la decomposizione degli eigenvalues e eigenvectors ho utilizzato l’algoritmo di Jacobi che rende la procedura, su matrici simmetriche, molto molto veloce .

Pagina del progetto su github

Related posts:

1. Pubblicato BioIdentify
2. Eigen Fast Decomposition : Work in progress :D
3. Adotta un hacker ! :D

Il metodo che per adesso sto studiando è abbastanza vecchiotto a dire la verità, ma tutt’ora sembra essere uno dei più precisi ed efficienti, trattasi del metodo per decomposizione di Eigen .

In pratica è un metodo che “scompone” un segnali basilari una faccia e studia, basandosi sulla distribuzione probabilistica dei tratti umani, quanto essa ha in comune con un database precedentemente calcolato .

Il software è quasi realizzato, ma in realtà la prima versione che ho scritto è troppo lenta, così sto studiando il metodo di Jacobi per un estrazione veloce degli valori di eigen partendo da una matrice di covarianza, metodo che velocizzerà notevolmente i tempi di creazione del database .

Ho trovato estremamente interessante ed esaustivo questo articolo che, nonostante presenti un esposizione formale in linguaggio matematico, è facilmente comprensibile, inoltre questo pdf mi sta aiutando allo stesso modo .

Avrei potuto utilizzare il framework opencv e realizzare il tutto in una decina di righe di codice, ma così non avrei imparato un bel niente e non mi sarei divertito XD .

Stay tuned

Related posts:

1. Pubblicato Eigetron
2. Pubblicato BioIdentify
3. Come creare finestre su X11

BioIdentify (o bioid) è un applicazione da riga di comando che consente di estrarre le features dalle impronte digitali e salvarle in un file “BIR” (Biometric Identification Record), eseguire matching tra due impronte o identificare il padrone di un impronta all’interno di un database di BIRs precedentemente elaborato dall’applicazione stessa .

C’è ancora un bel po da fare, non tanto nella fase di estrazione che si può dire pressochè completa (a parte qualche accorgimento qua e la che devo fare), ma più che altro nella parte di matching, che ha una precisione di circa l’88% (meglio alzarla no ? ^^) e nell’efficienza complessiva .

Pagina github del progetto

Related posts:

1. Pubblicato Eigetron
2. Eigen Fast Decomposition : Work in progress :D
3. iPhone Hacking with Pirni (aggiornamento !)

In pratica è un software che interfacciandosi al microfono, registra la vostra voce ed esegue una serie di elaborazioni .

In seguito a queste elaborazioni potrete associare un comando a quella parola, comando che sarà eseguito dal software ogni qual volta pronuncerete quella determinata parola .

Dato che il sorgente ha bisogno di parecchie ottimizzazioni (se non uno stravolgimento totale dell’algoritmo XD) abbiamo deciso di lavorarci insieme, quindi da questo momento sono diventato co-autore di Voxifera ^^ .

Voxifera su github.com

No related posts.

Innanzitutto mi sembra doveroso inizare dando un infarinatura  generale per quanto riguarda la terminologia e la teoria dell’argomento che voglio introdurre in questo paper, ovvero le tecniche di estrazione delle feature (termine che andremo ad analizzare tra poco) dalle impronte digitali, feature che vengono successivamente utilizzate per confrontare due impronte e determinare se appartengono allo stesso individuo .

L’estrazione delle features, consiste nel determinare quali sono, dove sono e dove si trovano alcune caratteristiche fondamentali (chiamate appunto features) in una determinata impronta . Tali caratteristiche non sono altro che, ad esempio, i punti di intersezione di due o più righe dell impronta, delle “isole” ovvero punti isolati, biforcazioni e così via che, considerate globalmente, rendono l’impronta unica per ogni individuo .

Per l’estrazione da un immagine di partenza, si usano diversi algoritmi di digital image processing, algoritmi che generano ad ogni “step” della catena l’input dell’algoritmo successivo, e così fino alla fine dell’estrazione .

In questo articolo ho presentato la mia libreria MSP che implementa gli algoritmi necessari per il nostro scopo, nonchè un programma di esempio che usando tale libreria estrae le features da un impronta, ed è proprio questo programma che andrò ad analizzare passo passo, con i relativi output, spiegando il significato di ogni elaborazione applicata .

Immagine iniziale

Nel programma di esempio uso l’immagine finger.png, un png 189×256 in scala di grigi che rappresenta il nostro input iniziale .

Stage 1 : Softening

La prima elaborazione che viene applicata all’immagine è il cosiddetto softening (letteralmente “ammorbidimento”), tramite il quale viene ridotto il contrasto dell’immagine allo scopo di eliminare eventuali disturbi ditali, una sorta di pulizia dell’immagine iniziale quindi .

Stage 2: Orientation Mask

Il passo successivo consiste nell’estrarre una “maschera” di orientamento, ovvero una maschera nella quale si determina letteralmente l’orientamento geometrico delle porzioni dell’immagine che contengono delle informazioni utili, tale elaborazione si ottiene tramite l’applicazione in cascata di una serie di filtri passa basso .

Stage 2 : Frequency Mask

Dopo la maschera di orientamento, si estrae la mappa delle frequenze dell’immagine, vale a dire una maschera che determina in questo caso l’intensità delle informazioni nelle zone evidenziate dalla maschera precedente . In questo caso non posso inserire un immagine poichè la maschera fondamentalmente è un vettore monodimensionale difficilmente rappresentabile in 2D .

Stage 3 : Entropy Mask

Questo passaggio è fondamentale ai fini della nostra estrazione finale, poichè il calcolo della maschera dell’entropia ci consente di determinare con estrema precisione in quale “quadrante” dell’impronta si trovano le informazioni utili, escludendo dall’immagine tutte le parti che per un motivo o per un altro (es. disturbi, porzioni vuote, etc) non servono .

(Come vedete è stata esclusa dall’immagine tutta la porzione esterna.)

Stage 4: Gabor Filter Enhancement

Tramite la maschera di orientamento e la maschera delle frequenze, è possibile applicare all’immagine il filtro di Gabor, il cui operatore fondamentale è definito con

dove

e

Questa elaborazione, che diminuisce drasticamente i disturbi sull’immagine e ne intensifica le caratteristiche fondamentali, utilizza le due maschere precedentemente create per determinare se un determinato quadrante dell’immagine è un disturbo e quindi va eliminato, o se si tratta di un informazione che rischia di andare persa e quindi va “incrementata” (aumentandone il contrasto) .

Stage 5: Binarization

Come ultimo filtro per ripulire l’immagine, viene applicata una semplice binarizzazione, ovvero vengono rimossi tutti i pixel il cui colore non è puro nero (o cmq non è superiore ad una determinata soglia), questo per eliminare tutti gli eventuali disturbi residui in seguito all’applicazione del filtro di Gabor.

Stage 6: Thinning

Arriviamo ora alla pre-elaborazione più importante, il thinning dell’immagine binarizzata e ripulita .

Il thinning consiste nel ridurre tutti i bordi attivi dell’immagine (le righe per capirci), a linee di un pixel di spessore, creando così uno scheletro vero e proprio dell’impronta, scheletro che viene calcolando tramite l’algoritmo hit-n-miss il quale fondamentalmente applica 4 matrici di convoluzione ad ogni pixel, eliminando quelli “in più” .

Stage 7: Feature Extraction

Siamo giunti allo stage finale della catena, l’estrazione vera e propria che, utilizzando le maschere precedentemente elaborate, identifica le features nello scheletro dell’impronta, calcolando i “neighbours pixels” (pixel adiacenti) per ogni pixel e in tal modo determinando se si tratta di una feature o di una normale linea da ignorare .

(Immagine finale con dei quadrati bianchi che segnalano le features.)

La biometria è un campo dell’informatica in continua evoluzione e di giorno in giorno ci sono centinaia di ricercatori in tutto il mondo che ottimizzano gli algoritmi già esistenti o ne inventano di completamente nuovi e più efficienti e/o accurati dei predecessori, di conseguenza quello che vi ho appena illustrato e che ho implementato della libreria MSP è solo uno dei tanti metodi attualmente possibili, tutta via, presentando vari stage ben distinti tra di loro, si presta bene alla natura didattica di questo articolo in quanto è facile, come vedete voi stessi, capire lo scopo di ogni singolo passaggio e l’impatto che ha sull’immagine iniziale .

Related posts:

1. MSP – Multi-Dimensional Space Processing Library
2. Sobel Edge Detection
3. C/C++ Function Pointers

Scanner dell’impronta digitale, della retina, rilevatori di movimento … tutti questi concetti fanno parte della biometria .

Più volte mi sono trovato a dover implementare diversi algoritmi in proposito, anche molto complessi, per poi archiviare il pezzo di codice e lasciarlo li come un piccolo file a se stante .

Così ho pensato di scrivere un unica grande classe C++ che racchiudesse la maggiorparte degli algoritmi biometrici o cmq dell’analisi digitale dei segnali, rappresentando l’oggetto principale come uno spazio N-dimensionale a discrezione di colui che usa la libreria .

In questa classe template, oltre alle normali operazioni matriciali/vettoriali, ho implementato tra i tanti i seguenti algoritmi :

• Applicazione di maschere di sottrazione o addizione .
• Caricamento e salvataggio sia di matrici “raw” che di qualsiasi formato immagine .
• Redimensionamento adattivo e/o selettivo .
• Filtering passa basso e passa alto .
• Filtering della maschera di orientamento .
• Operatore di Gabor .
• Calcolo dell’entropia .
• Rilevatore di bordi tramite algoritmo di Prewitt .
• Thinning tramite l’algoritmo Hit-and-miss .
• Calcolo della mappa delle frequenze e dell’istogramma associato allo spettro dei colori .
• Blurring e softening .
• Dilatazione matriciale .
• Erosione matriciale .
• Media, variazione, etc .
• Binarizzazione e normalizzazione della matrice .
• Trasposizione della matrice .
• Integralizzazione della matrice .
• Calcolo delle “features” di un impronta digitale .

La classe, contenuta in un unico file .hpp, è totalmente documentata seguendo lo standard doxy così da poter essere facilmente implementabile .

Scarica msp.hpp

Inoltre vi fornisco tre programmi di esempio, tanto per farvi capire le potenzialità di questa classe .

1. Creazione di una rete neurale a perceptron e relativa fase di training su un pattern noto .
2. Acquisizione video da una webcam e sensore di movimento nell’inquadratura .
3. Calcolo delle features di un impronta digitale e preparazione al matching con un database noto .

Spero che vi piaccia

Related posts:

1. Redis client library for Hybris
2. Estrazione delle features dalle impronte digitali
3. Neural Network

Scarica

Related posts:

1. MSP – Multi-Dimensional Space Processing Library
2. Estrazione delle features dalle impronte digitali

Scarica

Related posts:

1. MSP – Multi-Dimensional Space Processing Library
2. SmartSocket
3. WebAgent PHP Class