Eyelid Detection Method Based on a Fuzzy Multi-Objective Optimization

• Yuniol Alvarez-Betancourt ^[1] ; Miguel Garcia-Silvente ^[2]
  1. [1] Universidad de Cienfuegos

     Universidad de Cienfuegos

     Cuba

     
  2. [2] Universidad de Granada

     Universidad de Granada

     Granada, España

     
• Localización: Computación y Sistemas (CyS), ISSN 1405-5546, ISSN-e 2007-9737, Vol. 18, Nº. 1, 2014, págs. 66-78
• Idioma: inglés
• DOI: 10.13053/CyS-18-1-2014-019
• Títulos paralelos:
  • Método de detección de parpados basado en un enfoque difuso de optimización multiobjetivo
• Enlaces
  • Texto completo
• Resumen
  • español

    El reconocimiento del iris es considerado como uno de los métodos más robustos de identificación de humanos. Para realizar el reconocimiento con precisión se deben tener en cuenta varios factores de calidad de la imagen. La oclusión del párpado es un factor de calidad que afecta significativamente la precisión. En este artículo se presenta un nuevo método para detectar las oclusiones del párpado basado en un enfoque difuso de optimización con múltiples objetivos. Este método está compuesto por tres etapas principales: recopilación de información, filtrado y trazado del contorno del párpado. Los resultados del método propuesto son evaluados en un esquema de verificación y de esta forma se estiman algunas medidas de desempeño que son comparadas con otros trabajos del estado del arte. El método propuesto supera otros enfoques propuestos y resulta muy útil en la implementación de aplicaciones reales.

  • English

    Iris recognition is one of the most robust human identification methods. In order to carry out accurate iris recognition, many factors of image quality should be born in mind. The eyelid occlusion is a quality factor that may significantly affect the accuracy. In this paper we introduce a new fuzzy multi-objective optimization approach based on the eyelid detection method. This method obtains the eyelid contour which represents the best solution of Pareto-optimal set taking into account five optimized objectives. This proposal is composed of three main stages, namely, gathering eyelid contour information, filtering eyelid contour and tracing eyelid contour. The results of the proposal are evaluated in a verification mode and thus a few performance measures are generated in order to compare them with other works of the state of the art. Thereby, the proposed method outperforms other approaches and it is very useful for implementing real applications as well.

• Referencias bibliográficas
  • Roy, K.,Bhattacharya, P.,Suen, C.Y.. (2011). Towards nonideal iris recognition based on level set method, genetic algorithms and adaptive...
  • Rahulkar, A.D.,Jadhav, D.V.,Holambe, R.S.. (2011). Fast discrete curvelet transform based anisotropic iris coding and recognition using k-out-of-n:...
  • Rossant, F.,Mikovicova, B.,Adam, M.,Trocan, M.. (2010). A Robust Iris Identification System Based on Wavelet Packet Decomposition and Local...
  • Alvarez-Betancourt, Y.,Garcia-Silvente, M.. (2010). A fast Iris Location based on aggregating gradient approximation using QMA-OWA operator....
  • Tae-Hong, M.,Rae-Hong, P.. (2009). Eyelid and eyelash detection method in the normalized iris image using the parabolic Hough model and Otsu's...
  • He, Z.,Tan, T.,Sun, Z.,Qiu, X.. (2008). Robust Eyelid, Eyelash and Shadow Localization for Iris Recognition. 15th IEEE International Conference...
  • Monro, D.M.,Rakshit, S.,Zhang, D.. (2007). DCT-based iris recognition. IEEE Transactions Pattern Analysis and Machine Intelligence. 29. 586-595
  • Daugman, J.. (2004). How iris recognition works. IEEE Transactions on Circuits and Systems for Video Technology. 14. 21-30
  • Cui, J.,Wang, Y.,Tan, T.,Ma, L.,Sun, Z.. (2004). A fast and robust iris localization method based on texture segmentation. SPIE 5404, Biometric...
  • Li, S.Z.,Jain, A.K.. (2009). Encyclopedia of Biometrics. Springer. New York.
  • Bowyer, K.W.,Hollingsworth, K.,Flynn, P.J.. (2008). Image understanding for iris biometrics: A survey. Computer Vision and Image Understanding....
  • Li, P.,Ma, H.. (2012). Iris recognition in non-ideal imaging conditions. Pattern Recognition Letters. 33. 1012-1018
  • Zuo, J.,Schmid, N.A.. (2010). On a methodology for robust segmentation of nonideal iris images. IEEE Transactions on Systems, Man, and Cybernetics,...
  • Kalka, N.D.,Zuo, J.,Schmid, N.A.,Cukic, B.. (2010). Estimating and fusing quality factors for iris biometric images. IEEE Transactions on...
  • Li, P.,Liu, X.,Xiao, L.,Song., Q.. (2010). Robust and accurate iris segmentation in very noisy iris images. Image and Vision Computing. 28....
  • Masek, L.. (2003). Recognition of Human Iris Patterns for Biometric Identification.
  • Liu, X.M.,Bowyer, K.W.,Flynn, P.J.. (2005). Experiments with an improved iris segmentation algorithm. Fourth IEEE Workshop on Automatic Identification,...
  • Deb, K.. (2005). Search Methodologies: introductory tutorials in optimization and decision support techniques. Springer. New York.
  • (2010). CASIA.
  • Struc, V.,Pavesic, N.. (2010). The Complete Gabor-Fisher Classifier for Robust Face Recognition. EURASIP Journal on Advances in Signal Processing....
  • Sun, Z.,Tan, T.. (2009). Ordinal measures for iris recognition. IEEE Transactions Pattern Analysis and Machine Intelligence. 31. 2211-2226