1. بإشراف الدكتور: احمد الحسنات
القياسات الحيوية :
بصمة الأذن
Lecture by Nagham Altarawneh and Dr. Ahmad B. A. Hassanat
نغم علي الطراونة
بإشراف الدكتور: احمد الحسنات

2. محتويات المقدمة نظرة تاريخية الإيجايبات والسلبيات تطبيقات بصمة الأذن
مقارنة بين القياسات الحيوية
الأساليب السابقة
المنهجية المقترحة
قاعدة البيانات
المراجع

3. المقدمة
القياسات الحيوية هي السمات الجسمانية (والسلوكية) التي تميّزنا بشكل فريد والتي يمكن أن تستشعرها الأجهزة بشكل عملي وتفسرها أجهزة الكمبيوتر بحيث يمكن استخدامها كبديل لهيئاتنا الجسمانية في عالم التكنولوجيا الرقمية. بهذه الطريقة، يمكننا ربط البيانات الرقمية بهويتنا بشكل دائم ومتسق ودون لبس، كما يمكننا استرجاع تلك البيانات باستخدام أجهزة الكمبيوتر بطريقة آلية وسريعة
في هذه الايام هناك الحاجة للمصادقة البشرية تلقائياٌ. أصبحت الابجاث في مجال القياسات نشطة في العصر الحديث. أنظمة التعرف التقليدية مثل بطاقات الهوية مع رقم وكلمة المرور يمكن نسيانها أو سرقتها أو فقدانها. من ناحية أخرى الميزات البيومترية قابلة للقياس، فريدة من نوعها ودائمة للفرد [1].
استخدام آذان في القياسات الحيوية يبدو غريبا في البداية. ومع ذلك، فإنه هو سمة من سمات تشريحية جيدة للتعرف على شخص كما أنها فريدة من نوعها لكل شخص وتغير شكلها وخصائصها مع مرور الوقت نادرا.

4. نظرة تاريخية [2]
واحدة من أنظمة التعرف على الأذن الأولى هو نظام Iannarelli هذا هو النظام اليدوي على أساس 12 القياسات.
استخدمت الاذن لتحديد الأذن لتحديد هوية الاطفال حديثي الولادة.
وأول من وصف نظام آلي بالكامل للاعتراف بالأذن واستخدم ميزات متعددة والجمع بين نتائج مصنفات العصبية. حيث يتضمن متجه الميزات النقاط الخارجية للاذن، شكل الأذن، والتجاعيد.
تم تعامل مع مشكلة التعرف على الأذن، حيث تطبيق الخوارزميات الجينية (GA) لتقليل الخطأ. حيث تم تجميع قاعدة بيانات مكونة من 660 صورة ل 110 اشخاص. أنها أظهرت وجود دقة ٪. مثل الصفات البيولوجية الأخرى.
تم تمثيل متجه الميزات (feature vector) للأذن ومزيج من شكل الأذن الخارجي، وبناء الأذن الداخلية .ثم تم تطبيق الشبكة العصبية للتصنيف.

5. الإيجايبات [3]
الأذن لا يتغير شكلها تحت تعبيرات مختلفة مثل الوجه وتوزيع لون للأذن موحد.
التغيرات في شكل الأذن يحدث فقط قبل سن 8 سنوات، وبعد 70 عاما.
حجم الأذن أكبر من بصمات الأصابع وقزحية العين، شبكية العين إلخ. وأصغر من وجه، وبالتالي الأذن يمكن الحصول عليها بسهولة.
الأذن هو خير مثال على القياسات الحيوية السلبية ولا يحتاج تعاوناً كبيرا من المستخدم. يمكن التقاط بيانات الأذن حتى من دون علم المستخدم.

6. الانسداد بواسطة المجوهرات
السلبيات
الانسداد بواسطة المجوهرات
الإضاءة المتفرقة
الانسداد بواسطة الشعر
التغطية بالحجاب

7. تطبيقات
قد تم إدخال بصمات الأذن كدليل مادي في عدة قضايا جنائية في الولايات المتحدة وغيرها من البلدان، على الرغم من أن بعض القناعات التي تعتمد على بصمات الأذن قد انعكست. لم تقبل بصمات الأذن على نطاق واسع في المحكمة بسبب عدم وجود إجماع علمي لفرديتهم. [4]
قام فريق من الباحثين في مختبرات ياهو بابتكار تكنولوجيا جديدة تسمى “Bodyprint” الذي يقوم على فتح الهواتف الذكية عن طريق مسح الأذن. [5]
حيث يتطلب منك مسح جزء آخر من جسمك، سواء كان ذلك قبضة، خمسة أصابع أو راحة اليد, ذلك استخداماً لقفل وفتح الملفات. يوضح الفيديو تلك الخطوات

8. مقارنة بين القياسات الحيوية [6]
سمات المعايير الحيوية
التمييز
العالمية
الديمومة
سهولة تحصيلها
الاداء
القبول
التحايل
الأذن
متوسط
عالي
الوجه
منخفض
بصمة إصبع
البصمة الوراثية
الشبكية
القزحية
التوقيع
الصوت

9. بعض الأساليب المستخدمة في تمييز الأذن
Wavelet Transformation:
[7] Sana and Gupta استخدما تحويلات المويجة المتقطعة ((HWT لاستخراج الخصائص التكوينية للأذن. تم الكشف عن الأذن أولا من صورة الخام باستخدام تقنية قالب مطابق.
تحويلات المويجة المتقطعة (HWT) تستخدم لتحلل الصورة المحددة وحساب معامل المصفوفات
لل WT التي تتجمع في قالب السمات . تم حساب النتيجة المطابقة باستخدام Hamming distance.
دقة التعرف 96٪ على أساس قاعدتي: 600 صورة (3 صور لكل شخص) من قاعدة البيانات IITK , 350 صورة من قاعدة البيانات Saugor .

10. Gabor Filters :
[8]Yaqubi et al , تستخدم طريقة استخراج ميزة استنادا إلى مجموعة من مرشحات غابور تليها عملية تعظيم للعمليات من خلال مقاييس ومواقع متعددة. ثم استخدموا الة دعم ناقل (SVM) لتصنيف الأذن. حصلوا على معدل الاعتراف 75٪ من مجموعة فرعية من قاعدة البيانات الأذن USTB.

11. المنهجية المقترحة بناءاً على استخراج الميزات الهندسية من الأذن
المنهجية المقترحة بناءاً على استخراج الميزات الهندسية من الأذن
- التقنية المقترحة قادرة على كشف الأذن من خلال الحجم والشكل جنبا إلى جنب مع ميزات هندسية. - مقياس ((scale ثابت، دوران ثابت، وقد تم تطوير مرحلتين من النهج الهندسي للاعتراف الأذن.

12. أجزاء الأذن الخارجية [9]

13. إرشيف الصور (قاعدة البيانات)
مخطط نظام تمييز الاذن
إرشيف الصور (قاعدة البيانات)
تخزين السمات
استخراج السمات
التصنيف و
اتخاذ القرار
تجهيز الصورة
استخراج السمات
معالجة الصورة

14. تجهيز الصورة
يتم الحصول على الصور باستخدام كاميرا رقمية في ظل ظروف الاضاءة نفسها أي مع تغييرات إضاءة (استخدام الفلاش يعطي إضاءة ثابتة إلى حد ما). وتتخذ جميع الصور من الجانب الأيمن من الوجه مع مسافة حوالي سم بين الوجه والكاميرا. تم تخزين الصور في شكل JPEG.
الشكل (1) الحصول على جانب الوجه

15. معالجة الصورة
في هذا النهج يتم اقتصاص جزء الأذن يدويا من الصورة الجانبية الوجه وأجزاء من الصورة التي لا تشكل الأذن واللون الأسود ولم يتبق سوى الأذن. يتم تحويل الصورة الملونة التي تم اقتصاصها إلى صورة رمادية. ولكن بسبب الضوضاء في الصورة تكون حواف صاخبة قد يتم الكشف عنها ذلك قد يقلل من دقة الخوارزمية.
الشكل (2) اقتصاص الصورة الرمادية

16. كشف الحواف
- نستخدم خوارزمية Canny للكشف عن الحواف . اذا كان w عو عرض الصورة في بكسل و h هي ارتفاع الصورة في بكسل . كشف Canny يأخذ كمدخل مصفوفة w* h للقيم الرمادية وسيغما ( الانحراف المعياري). المخرجات هي صورة ثنائية بقيمة (1) لبكسل الحافة ؛ أي بكسل التي تشكل الحافة , وقيمة (0 ) لجميع البكسل الاخرى . الشكل -3- يبين كشف الحافة للصورة الثنائية . - تتم ازالة الضوضاء من الصورة باستخدام مرشح تكيف المتوسط (adaptive median filter) . الشكل -4- عرض الصورة مع وبدون ضوضاء.

17. الشكل(3) يبين كشف الحافة للصورة الثنائية
الشكل(4) الصورة مع وبدون ضوضاء

18. خوارزمية Canny لكشف الحواف
تعتبر طريقة Canny من الطرائق القياسية المستخدمة في العديد من تطبيقات المعالجة الصورية. استخدم Canny العديد من التقنيات المتوافرة لتطوير هذه الطريقة وجعلها من أهم الطرائق الحديثة والشائعة الاستخدام في مجال تحديد الحافات. وتمتاز هذه الطريقة بتحديد الحافات الصحيحة ذات الترددات العالية والواطئة مما يظهر أدق تفاصيل الصورة وليس فقط إبراز حدود الكائن. ويلاحظ أن طريقة Canny تقوم على بعض الأساسيات: 1 . في هذه الطريقة يكون الاهتمام بعدم فقد الحافة المهمة مع ملاحظة عدم تكوين حافات زائفة بسبب التشويش. 2. يمكن حساب زاوية اتجاه الحافة, لأنه يستخدم عملية التمييز لحساب مقدار التغاير في حين تستخدم مرشحات Laplace في طريقة (Log) التي تحسن الحافات في كل الاتجاهات دوم أن تعطي معلومات عن اتجاه الحافة .

19. طريقة الخوارزمية : 1. قراءة صورة ذات تدرجات رمادية وخزنها على شكل مصفوفة ثنائية الأبعاد. 2. تحديد قيمة معامل التباين القياسي (б) وحجم مرشح Gaussian وحساب معاملات المرشح. 3. إمرار المرشح على بيانات الصور بعملية اللافوف الرياضي للتخلص من تأثير التشويش. 4. إيجاد مقدار التغاير لبيانات الصورة الناتجة من الخطوة ( 3) بالاتجاهين العمودي والأفقي وربط القيم الناتجة بإيجاد الجذر التربيعي لمربع ناتج جمع القيم بكلا الاتجاهين. 5. تطبيق Non- maximal suppression process, وفي هذه الخطوة يتم فحص قيمة كل نقطة فإذا لم تكن قيمة النقطة اكبر من قيم نقطتين مجاورتين لها وفي اتجاه تغاير قيم الحافة عندها تصبح قيمتها صفرا. 6. تطبيق عملية العابة باستخدام خوارزمية Hysteresis تستخدم اثنين من عتبات (العلوي والسفلي): - إذا كان قيمة البكسل أعلى من العتبة العليا، يتم قبول بكسل كـ حافة - إذا كان قيمة البكسل اقل من العتبة السفلى ، يتم رفضها. - إذا كان قيمة البكسل بين العتبتين، يتم القبول فقط إلا إذا كان متصلا بالبكسل الذي هو فوق العتبة العلوية.

20. استخراج السمات
في هذه المرحلة يتم استخراج الميزات في كافة الزوايا للصورة. الميزات المستخرجة هي المقسمة في متجهين. باستخدام الشكل الخارجي للأذن نجد متجه الميزة الاول (Feature Vector ) . تم العثور على جميع حواف المتبقية الأخرى التي تستخدم ميزة الثانية. نستخدم مصطلح خط ماكس وخط عادي للعثور على الزوايا.
خط ماكس(max-line ): هو أطول خط التي يمكن استخلاصه مع كل من نقاط النهاية على حواف الأذن. يقاس طول الخط من حيث المسافة الإقليدية
(Euclidean distance).
يمكن بسهوله تحديد خط ماكس بين نقطتين النهاية على الحافة الخارجية للاذن . كما يستند النهج كله على خط ماكس اي ينبغي العثور عليه بعناية فائقة وبإقل قدر من الخطأ . إذا كان هناك أكثر من خط، الميزات المقابلة لكل خط ماكس يتم استخراجها.

21. خط العادي(Normal Line) : الخطوط التي هي عمودية على خط ماكس والتي تقسم خط كحد أقصى إلى (ن + 1) أجزاء متساوية، حيث n هو عدد صحيح موجب. الشكل (5) يعرض الصورة مع خط ماكس و الخط العادي .
الشكل (5) تحديد خط ماكس والخط العادي

22. خط ماكس يرمز له بـ m، الخط العادي يرمز له بـ L2, L1، L3، ln
خط ماكس يرمز له بـ m، الخط العادي يرمز له بـ L2, L1، L3، ln.....، يتم تسميته من أعلى إلى أسفل. مركز خط ماكس هو C .
P1، P2، P3، ، PNهي الخطوط التي تتقاطع الحواف الخارجية والخطوط العادية.
متجه الميزة الاولى : (FV1) ويعرف من قبل الصيغة التالية FV1=[θ1,θ2,θ3,…,θn]
باعتبار θ1 هي زاوية المقابلة لنقطة P1, الزاوية تصنع من الخط الواصل P و C والخط الواصل من m و C. حيث m هي نقطة الاعلى من خط ماكس .
ينبغي قياس كل الزوايا بالاتجاه نفسه إما في اتجاه عقارب الساعة او عكس عقارب الساعة . الزاوية تختلف من (о- п).
الشكل( 6). يظهر صورة مع زاوية θ1

23. متجه الميزة الثانية (FV2) : يتم احتساب الميزة الثانية بالمثل لكن تختلف النقاط المهمة . جميع النقاط على حافة الاذن والخطوط العادية (normal line) التي تتقاطع بإستثناء النقاط التي كانت تستخدم للـ FV1 . علماً بأن الزاويا تختلف من
( о- 2п).
الشكل (7) يعرض صورتين : الصورة -1- توضح خط ماكس , خط العادي , نقاط للـ FV2 . الصورة -2- يعرض FV2 والزاوية المقابلة له.
الشكل(8) متجه الزاوية الثانية و الزاوية

24. التصنيف
التصنيف هو مهمة العثور على التطابق بين الصور . هنا يتم تنفيذ التصنيف في مرحلتين:
المرحلة الأولى يتم استخدام متجه الميزة الاولى، بينما في المرحلة الثانية تم استخدام متجه الميزة الثانية.
FV1 = [θ1,θ2,θ3,…,θn ]
FV2= [α1, α2, α3… αn]
متجه الميزة الاولى : نستخرجها من الصورتين ويجب ان تكون متطابقة. باستخدام هذه المتجهات اثنين من الفرق الرئيسي (D1) وعدد من نقاط المقابلة (W1)يمكن حسابها :
d1=∑ │θi-αi│
يقال ان هاتين النقطتين متطابقتين اذا الزاويا المقابلة لها هي نفسها او اقل من قيمة العتبة . n
i=1 n
∑xi w1=
i=1
حيث Xi=1 اذا كانت │θi-αi│ اقل من العتبة عدا ذلك Xi=0
يقال ان الصورتين متطابقة للميزة الاولى اذا كانت d1 و w1 هي اقل من قيم العتبة .

25. المرحلة الثانية : النقطتين تكون متطايقتين اذا زوايا هي نفسها تقريباً وايضاً تتوافق مع الخط العادي .
W2 هي عدد النقاط المتطابقة , يتم احتساب الصيغة الواردة أدناه:
pt= ────────
حيث V1، V2 هي أحجام متجه الميزة الثانية من الصورتين. الصورتين تكون متطابقتين اذا كانت متطابقة للميزة الاولى و pt اكبر من قيم العتبة w2
Min(v1,v2)

26. إيجابيات التصنيف على مرحلتين: 1- يتم اختبار صورة المراد البحث عنها لاول مرة مع جميع الصور في قاعدة البيانات باستخدام متجه الميزة الاولى. 2- فقط الصور التي تطابقت في المرحلة الأولى هي التي تنتقل للمرحلة الثانية من التصنيف. 3- إذا كان التصنيف هو مرحلة واحدة، من إجمالي المقارنة المطلوبة هي I*((n) + (m*n)) , حيث I هو عدد الصور في قاعدة البيانات. 4- اذا كان التصنيف على مرحلتين فإن المقارنة تكون I*n+I1*(m*n) , حيث I هي عدد الصور التي تتطابق مع متجه الميزة الاولى . 5- يتم حساب (I – I1)*(m*n). استخدام مرحلتين يقلل كثيراً من الوقت اللازم للتصنيف .

27. الشكل(9) القيم التجريبية لبعض اختبارات الاذن ونماذج من الاذن
الشكل(9) القيم التجريبية لبعض اختبارات الاذن ونماذج من الاذن . تلاءم الصورة الأولى في كل صف ضد جميع الصور الأخرى في نفس الصف.

28. الشكل (9): مثال على falsely accepted earو falsely rejected ear

29. الشكل(10): يبين صور من اشخاص مختلفين في زوايا ومستويات مختلفة
الشكل(10): يبين صور من اشخاص مختلفين في زوايا ومستويات مختلفة. يعرض الجدول قيم متجه الميزة الاولى للصور

30. قاعدة بيانات [10] قاعدة البيانات عدد الاشخاص اجمالي الصور التكلفة
UMIST 20
564 صورة
مجاناً
UND
Collection F
114
464 صورة
Collection E
302
942 صورة
Collection G
235
738 صورة
Collection J2
415
1800 صورة
FERET
1199
14126 صورة
مكلفة

31. النتائج
- وقد تم تنفيذ مرحلتين من النهج هندسي بسيط للاعتراف بالأذن. تم العثور على بيانات من 80 شخصا وقد أجريت الاختبارات التي حصلنا عليها من UND نتائج ناجحة ل76 شخص .
- الدقة الإجمالية 95٪ لهذه التقنية حيث تم الحصول على 2 متجهات الميزات.

32. المراجع
(1) S. D.Raut,V. T. Humbe.,"Review of biometrics: palm vein recognition system." ,IBMRD's Journal of Management & Research 3.1 ,(2014), pp
(2) Abaza, Ayman, et al. "A survey on ear biometrics." ACM computing surveys (CSUR) ,vol.45, no.2, (2013).
(3) accesse in 10/4/2016
(4) A. Ross, A. Abaza. "Human ear recognition." Computer , (2011), pp ‏
accesse in 10/4/2016 (5)
(6) D. Singh, S.K. Singh. "A Survey on Human Ear Recognition System Based on 2D and 3D Ear Images.“, OPEN JOURNAL OF INFORMATION SECURITY AND APPLICATIONS, vol.1, no.2, (2014).
(7) A.SANA, PH.GUPTA,” Ear biometrics: A new approach.”, In Proceedings of the 6th International Conference on Advances in Pattern Recognition.(2007).
(8) M.YAQUBI, K.FAEZ, S.MOTAMED, “Ear recognition using features inspired by visual cortex and support vector machine technique. “,In Proceedings of the IEEE International Conference on Computer and Communication Engineering, (2008), pp
. (9) accesse in 10/4/2016
(10) T.V.Tejas, R.S. Mente2, A.R. Shinde, and SH.D.Raut, “Ear Biometrics: A Survey on Ear Image Databases and Detection and Recognition “, Department of Computer Science, (2015), PP