Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
3D Face Recognition in Continuous Spaces Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

A Lightweight Mamdani Fuzzy Controller for Noise Removal on Iris Images

verfasst von : Andrea Francesco Abate, Silvio Barra, Gianni Fenu, Michele Nappi, Fabio Narducci

Erschienen in: Image Analysis and Processing - ICIAP 2017

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The iris segmentation step is usually the most time consuming stage of biometric systems when dealing with non ideal conditions, which produce diverse noise factors during the acquisition. On the other side, it also represents a crucial step since poor removal of noise leads to degradation of recognition performance. In this work, a lightweight fuzzy-based solution has been explored. The goal is to propose a fast but reliable segmentation approach which preserves the original resolution of the iris images. The preliminary results obtained on a subset of MICHE dataset, confirmed both acceptable performance in terms of time consumption and good quality of segmentation mask suitable for matching purposes.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Fully Convolutional Network for Salient Object Detection
Nächstes Kapitel Analysis of the Discriminative Generalized Hough Transform for Pedestrian Detection
Literatur
1.
Abate, A.F., Barra, S., D’Aniello, F., Narducci, F.: Two-tier image features clustering for iris recognition on mobile. In: Petrosino, A., Loia, V., Pedrycz, W. (eds.) WILF 2016. LNCS, vol. 10147, pp. 260–269. Springer, Cham (2017). doi:10.​1007/​978-3-319-52962-2_​23 CrossRef
2.
Abate, A., Barra, S., Gallo, L., Narducci, F.: SKIPSOM: Skewness & kurtosis of iris pixels in Self Organizing Maps for iris recognition on mobile devices. In: 2016 23rd International Conference on Pattern Recognition (ICPR), Cancun, pp. 155–159 (2016). doi:10.​1109/​ICPR.​2016.​7899625
3.
Abate, A.F., Barra, S., Gallo, L., Narducci, F.: Kurtosis and skewness at pixel level as input for SOM networks to iris recognition on mobile devices. Pattern Recogn. Lett. (2017)
4.
Achanta, R., Shaji, A., Smith, K., Lucchi, A., Fua, P., Süsstrunk, S.: Slic superpixels compared to state-of-the-art superpixel methods. IEEE Trans. Pattern Anal. Mach. Intell. 34(11), 2274–2282 (2012)CrossRef
5.
Barra, S., Casanova, A., Narducci, F., Ricciardi, S.: Ubiquitous iris recognition by means of mobile devices. Pattern Recogn. Lett. 57, 66–73 (2015). Mobile Iris CHallenge Evaluation part I (MICHE I)CrossRef
6.
Barra, S., De Marsico, M., Cantoni, V., Riccio, D.: Using mutual information for multi-anchor tracking of human beings. In: Cantoni, V., Dimov, D., Tistarelli, M. (eds.) BIOMET 2014. LNCS, vol. 8897, pp. 28–39. Springer, Cham (2014). doi:10.​1007/​978-3-319-13386-7_​3
7.
Bowyer, K.W., Hollingsworth, K.P., Flynn, P.J.: A survey of iris biometrics research: 2008–2010. In: Bowyer, K.W., Burge, M.J. (eds.) Handbook of Iris Recognition. ACVPR, pp. 23–61. Springer, London (2016). doi:10.​1007/​978-1-4471-6784-6_​2 CrossRef
8.
Castrillón-Santana, M., De Marsico, M., Nappi, M., Narducci, F., Proença, H.: Mobile iris challenge evaluation ii: results from the ICPR competition. In: International Conference on Pattern Recognition (2016)
9.
10.
Chen, L.C., Papandreou, G., Kokkinos, I., Murphy, K., Yuille, A.L.: Semantic image segmentation with deep convolutional nets and fully connected CRFs. arXiv preprint arXiv:​1412.​7062 (2014)
11.
Daugman, J.: Statistical richness of visual phase information: update on recognizing persons by iris patterns. Int. J. Comput. Vis. 45(1), 25–38 (2001)CrossRefMATH
12.
13.
Daugman, J.G.: High confidence visual recognition of persons by a test of statistical independence. IEEE Trans. Pattern Anal. Mach. Intell. 15(11), 1148–1161 (1993)CrossRef
14.
Du, Y., Arslanturk, E., Zhou, Z., Belcher, C.: Video-based noncooperative iris image segmentation. IEEE Trans. Syst. Man Cybern. Part B (Cybern.) 41(1), 64–74 (2011)CrossRef
15.
El-Zaart, A.: Skin images segmentation. J. Comput. Sci. 6(2), 217–223 (2010)CrossRef
16.
Haindl, M., Krupika, M.: Unsupervised detection of non-iris occlusions. Pattern Recogn. Lett. 57, 60–65 (2015). Mobile Iris CHallenge Evaluation part I (MICHE I)CrossRef
17.
Hofbauer, H., Alonso-Fernandez, F., Wild, P., Bigun, J., Uhl, A.: A ground truth for iris segmentation. In: 2014 22nd International Conference on Pattern Recognition, pp. 527–532, August 2014
18.
Jarjes, A.A., Wang, K., Mohammed, G.J.: Improved greedy snake model for detecting accurate pupil contour. In: 2011 3rd International Conference on Advanced Computer Control, pp. 515–519, January 2011
19.
Jayalakshmi, S., Sundaresan, M.: A survey on iris segmentation methods. In: 2013 International Conference on Pattern Recognition, Informatics and Mobile Engineering, pp. 418–423, February 2013
20.
21.
Labati, R., Genovese, A., Piuri, V., Scotti, F.: Iris segmentation: state of the art and innovative methods. Intell. Syst. Ref. Libr. 37, 151–182 (2012)CrossRef
22.
Liang, Z., Wei, J., Zhao, J., Liu, H., Li, B., Shen, J., Zheng, C.: The statistical meaning of kurtosis and its new application to identification of persons based on seismic signals. Sensors 8(8), 5106–5119 (2008)CrossRef
23.
Liu, Z., Li, X., Luo, P., Loy, C.C., Tang, X.: Semantic image segmentation via deep parsing network. In: Proceedings of the IEEE International Conference on Computer Vision, pp. 1377–1385 (2015)
24.
Makinana, S., Malumedzha, T., Nelwamondo, F.V.: Iris image quality assessment based on quality parameters. In: Nguyen, N.T., Attachoo, B., Trawiński, B., Somboonviwat, K. (eds.) ACIIDS 2014. LNCS, vol. 8397, pp. 571–580. Springer, Cham (2014). doi:10.​1007/​978-3-319-05476-6_​58 CrossRef
25.
Mamdani, E.H., Assilian, S.: An experiment in linguistic synthesis with a fuzzy logic controller. Int. J. Man Mach. Stud. 7(1), 1–13 (1975)CrossRefMATH
26.
27.
Pal, N.R., Pal, S.K.: A review on image segmentation techniques. Pattern Recogn. 26(9), 1277–1294 (1993)CrossRef
28.
Proenca, H.: Iris recognition: on the segmentation of degraded images acquired in the visible wavelength. IEEE Trans. Pattern Anal. Mach. Intell. 32(8), 1502–1516 (2010)CrossRef
29.
Rad, R.M., Attar, A., Atani, R.E.: A comprehensive layer based encryption method for visual data. Int. J. Sig. Process. Image Process. Pattern Recogn. 6(1), 37–48 (2013)
30.
Ross, A., Shah, S.: Segmenting non-ideal irises using geodesic active contours. In: 2006 Biometrics Symposium: Special Session on Research at the Biometric Consortium Conference, Baltimore, MD, pp. 1–6 (2006). doi:10.​1109/​BCC.​2006.​4341625
31.
Shah, S., Ross, A.: Iris segmentation using geodesic active contours. IEEE Trans. Inf. Forensics Secur. 4(4), 824–836 (2009)CrossRef
32.
33.
Vatsa, M., Singh, R., Noore, A.: Improving iris recognition performance using segmentation, quality enhancement, match score fusion, and indexing. IEEE Trans. Syst. Man Cybern. Part B (Cybern.) 38(4), 1021–1035 (2008)CrossRef
34.
Wan, Y., Clutter, M.L., Mei, B., Siry, J.P.: Assessing the role of U.S. timberland assets in a mixed portfolio under the mean-conditional value at risk framework. Forest Policy Econ. 50, 118–126 (2015)CrossRef
Metadaten
Titel
A Lightweight Mamdani Fuzzy Controller for Noise Removal on Iris Images
verfasst von
Andrea Francesco Abate
Silvio Barra
Gianni Fenu
Michele Nappi
Fabio Narducci
Copyright-Jahr
2017
Buch
Image Analysis and Processing - ICIAP 2017

Print ISBN: 978-3-319-68547-2

Electronic ISBN: 978-3-319-68548-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68548-9_9

Premium Partner

    Bildnachweise