A técnica de Bag of Keypoints se mostra eficiente para classificar diferentes tipos de imagens. Neste trabalho a utilização desta técnica para encontrar a íris em regiões das imagens se mostra promissora. No melhor caso, esta técnica apresentou apenas 0,7549% de falsos positivos, que influenciam diretamente no resultado da segmenta- ção, já que os falsos positivos não representam um ponto na íris. Os falsos negativos (8,7659%) não influenciam no resultado da segmentação, já que os pontos desses qua- drantes não são utilizados como sementes na segmentação da íris.
A simples implementação do Region Growing com a alteração para limitar os valores ao intervalo de até dois desvios padrões se mostrou muito eficaz na segmentação final das imagens. Como podemos ver, o nosso resultado, que foi de 0,0712, está próximo aos resultados dos algoritmos enviados ao NICE.I, onde o melhor valor obtido foi 0,0131 e o oitavo foi 0,0305.
Ao longo dos experimentos, foi observado que não adianta aumentar muito o nú- mero dos pontos característicos que o SURF retorna para cada imagem e, o aumento do número de palavras do vocabulário não traz um aumento significativo nos resultados finais, causando até mesmo uma piora desses resultados. Esse aumento de pontos e palavras não trouxe nenhuma melhora nos resultados, apenas um aumento expressivo no tempo de treinamento do algoritmo.
Além disso, vimos que o algoritmo mais simples, no qual foi utilizado os descritores dos pontos SURF para treinar o classificador SVM ao invés de utilizar o histograma, se mostrou menos eficaz do que o algoritmo proposto neste trabalho. Podemos ver que nas melhores segmentações obtidas com o algoritmo mais simples, uma grande quantidade de pele foi segmentada, mostrando que a classificação através dos descritores SURF não é eficaz para o problema de classificação de íris.
Um dos trabalhos futuros possíveis é um estudo sobre a escolha das palavras do vocabulário para melhorar a escolha dessas palavras, diminuir o tempo computacional e, melhorar os resultados finais.
Além disso, outra trabalhos futuros é a mudança na técnica de segmentação da íris. Será que alguma técnica utilizada no NICE.I pode ser alterada para substituir a técnica de Region Growing, trazendo melhoras significativas no resultado final do algoritmo?
Podemos propor mais um trabalho futuro que seria o refinamento do número de pa- lavras do vocabulário para encontrar o número de palavras ótimo para este problema. Além disso, pode ser feito um estudo sobre a redução do número de pontos SURF obti- dos nas imagens, já que à partir de 1000 pontos a detecção da íris tem uma queda na taxa de acertos, sendo que esta redução no número de pontos SURF pode acelerar o pro-
cesso de treino, ou seja, reduzir o tempo de treino e, manter a qualidade do resultado final.
Referências
1 NICE.I - Noisy Iris Challenge Evaluation, Part I. Disponível em: <http://nice1.di.ubi.pt/>. Acesso em: 04 jun. 2010.
2 SANKOWSKI, W.; GRABOWSKI, K.; NAPIERALSKA, M.; ZUBERT, M.; NAPIERALSKI, A. Reliable algorithm for iris segmentation in eye image. Image and Vision Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2, p. 231–237, 2010. ISSN 0262-8856.
3 CHEN, Y.; ADJOUADI, M.; HAN, C.; WANG, J.; BARRETO, A.; RISHE, N.; ANDRIAN, J. A highly accurate and computationally efficient approach for unconstrained iris segmentation. Image and Vision Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2, p. 261–269, 2010. ISSN 0262-8856.
4 LABATI, R. D.; SCOTTI, F. Noisy iris segmentation with boundary regularization and reflections removal. Image and Vision Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2, p. 270–277, 2010. ISSN 0262-8856.
5 TAN, T.; HE, Z.; SUN, Z. Efficient and robust segmentation of noisy iris images for non-cooperative iris recognition. Image and Vision Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2, p. 223–230, 2010. ISSN 0262-8856.
6 LUENGO-OROZ, M. A.; FAURE, E.; ANGULO, J. Robust iris segmentation on uncalibrated noisy images using mathematical morphology. Image and Vision
Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2, p. 278–284, 2010.
ISSN 0262-8856.
7 CLARK, M. C.; HALL, L. O.; GOLDGOF, D. B.; VELTHUIZEN, R.; REED, F.; SILBIGER, M. S. Automatic tumor segmentation using knowledge-based techniques. IEEE
Transactions on Medical Imaging, v. 17, p. 187–201, 1998.
8 LIM, S.; JEONG, Y.; HO, Y. Automatic liver segmentation for volume me- asurement in CT Images. Journal of Visual Communication and Image Repre-
sentation, v. 17, n. 4, p. 860–875, ago. 2006. ISSN 10473203. Disponível em:
<http://dx.doi.org/10.1016/j.jvcir.2005.07.001>.
9 MASULLI, F.; SCHENONE, A. A fuzzy clustering based segmentation system as support to diagnosis in medical imaging. Artificial Intelligence in Medicine, v. 16, n. 2, p. 129–147, 1999.
10 GINNEKEN, B. van; STEGMANN, M. B.; LOOG, M. Segmentation of anatomical structures in chest radiographs using supervised methods: a comparative study on a public database. Medical image analysis, v. 10, n. 1, p. 19–40, fev. 2006. ISSN 1361-8415.
11 SENTHILNATH, J.; RAJESHWARI, M.; OMKAR, S. Automatic road extraction using high resolution satellite image based on texture progressive analysis and normalized cut method. Journal of the Indian Society of Remote Sensing, Springer India, v. 37, p. 351–361, 2009. ISSN 0255-660X. 10.1007/s12524-009-0043-5.
12 AMOR, B. B.; ARDABILIAN, M.; CHEN, L. Enhancing 3d face recognition by mimics segmentation. Intelligent Systems Design and Applications, International Conference on, IEEE Computer Society, Los Alamitos, CA, USA, v. 3, p. 150–155, 2006.
13 BERNARD, S.; BOUJEMAA, N.; VITALE, D.; BRICOT, C. Fingerprint Segmentation
using the Phase of Multiscale Gabor Wavelets. 2002.
14 ANNAPOORANI, G.; KRISHNAMOORTHI, R.; JEYA, P. G. Accurate and Fast Iris
Segmentation. 2010.
15 BENSAID, A. M.; HALL, L. O.; BEZDEK, J. C.; CLARKE, L. P. Partially supervised clustering for image segmentation. PR, v. 29, n. 5, p. 859–871, May 1996.
16 TOBIAS, O. J.; SEARA, R. Image segmentation by histogram thresholding using fuzzy sets. IEEE Transactions on Image Processing, v. 11, n. 12, p. 1457–1465, 2002. 17 SALMAN, N. Image segmentation based on watershed and edge detection techniques. Int. Arab J. Inf. Technol., v. 3, n. 2, p. 104–110, 2006.
18 MANCAS, M.; GOSSELIN, B.; MACQ, B. Segmentation using a region-growing thresholding. In: Proceedings of the SPIE 5672 (2005) 388–398. [S.l.: s.n.]. p. 12–13. 19 YU, S. X.; GROSS, R.; SHI, J. Concurrent object recognition and segmentation by graph partitioning. In: in NIPS. [S.l.]: MIT Press, 2002. p. 1383–1390.
20 STEGER, C.; ULRICH, M.; WIEDEMANN, C. Machine vision algorithms and
applications. [S.l.]: Wiley-vch, 2008.
21 OHLANDER, R.; PRICE, K.; REDDY, D. Picture segmentation using a recursive region splitting method. v. 8, p. 313–333, 1978.
22 DAUGMAN, J. New methods in iris recognition. IEEE Transactions on Systems, Man,
and Cybernetics, Part B, v. 37, n. 5, p. 1167–1175, 2007.
23 WILDES, R. Iris recognition: an emerging biometric technology. In: IEEE 85. [S.l.]: IEEE Computer Society, 1997. p. 1948–1963.
24 ZUO, J.; RATHA, N. K.; CONNELL, J. H. A new approach for iris segmentation. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition
Workshops. [S.l.]: IEEE Computer Society, 2008. p. 1–6.
25 ALMEIDA, P. d. A knowledge-based approach to the iris segmentation problem.
Image and Vision Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2,
p. 238–245, 2010. ISSN 0262-8856.
26 LI, P.; LIU, X.; XIAO, L.; SONG, Q. Robust and accurate iris segmentation in very noisy iris images. Image and Vision Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2, p. 246–253, 2010. ISSN 0262-8856.
27 FREUND, Y.; SCHAPIRE, R. E. A decision-theoretic generalization of on-line learning and an application to boosting. In: Proceedings of the Second European
Conference on Computational Learning Theory. London, UK: Springer-Verlag, 1995. p.
23–37. ISBN 3-540-59119-2.
28 JEONG, D. S.; HWANG, J. W.; KANG, B. J.; PARK, K. R.; WON, C. S.; PARK, D.-K.; KIM, J. A new iris segmentation method for non-ideal iris images. Image and Vision
Computing, Butterworth-Heinemann, Newton, MA, USA, v. 28, n. 2, p. 254–260, 2010.
ISSN 0262-8856.
29 CSURKA, G.; DANCE, C. R.; FAN, L.; WILLAMOWSKI, J.; BRAY, C. Visual categorization with bags of keypoints. In: In Workshop on Statistical Learning in
Computer Vision, ECCV. [S.l.: s.n.], 2004. p. 1–22.
30 TONG, S.; KOLLER, D. Support Vector Machine Active Learning with Applications to Text Classification. In: LANGLEY, P. (Ed.). Proceedings of ICML-00, 17th International
Conference on Machine Learning. [S.l.]: Morgan Kaufmann Publishers, San Francisco,
US, 2000. p. 999–1006.
31 ZHU, L.; RAO, A.; ZHANG, A. Theory of keyblock-based image retrieval. ACM
Trans. Inf. Syst, v. 20, p. 224–257, 2002.
32 FILLIAT, D. A visual bag of words method for interactive qualitative localization and mapping. In: Proceedings of the International Conference on Robotics and Automation
(ICRA). [S.l.: s.n.], 2007.
33 ZHANG, J.; MARSZAŁEK, M.; LAZEBNIK, S.; SCHMID, C. Local Features and
Kernels for Classification of Texture and Object Categories: An In-Depth Study. 665
avenue de l’Europe, 38330 Montbonnot, France, nov 2005.
34 VALGREN, C.; LILIENTHAL, A. J. SIFT, SURF and seasons: Long-term outdoor localization using local features. In: Proceedings of the European Conference on Mobile
Robots (ECMR). [S.l.: s.n.], 2007. p. 253–258.
35 LOWE, D. G. Object Recognition from Local Scale-Invariant Features. Computer
Vision, IEEE International Conference on, IEEE Computer Society, Los Alamitos, CA,
USA, v. 2, p. 1150–1157 vol.2, August 1999.
36 CARVALHO, T. J. de. Aplicacão de Técnicas de Visão Computacional e Aprendizado de
Máquina para a Deteccão de Exsudatos Duros em Imagens de Fundo de Olho. Dissertação
(Mestrado em Computacão) — Universidade Estadual de Campinas, São Paulo, 2010. 37 RAMISA, A.; VASUDEVAN, S.; ALDAVERT, D.; TOLEDO, R.; MANTARAS, R. Lopez de. Evaluation of the sift object recognition method in mobile robots. In:
Proceeding of the 2009 conference on Artificial Intelligence Research and Development: Proceedings of the 12th International Conference of the Catalan Association for Artificial Intelligence. Amsterdam, The Netherlands, The Netherlands: IOS Press, 2009. p. 9–18.
ISBN 978-1-60750-061-2.
38 SE, S.; LOWE, D.; LITTLE, J. Mobile robot localization and mapping with uncertainty using scale-invariant visual landmarks. International Journal of Robotics
39 BAY, H.; ESS, A.; TUYTELAARS, T.; GOOL, L. V. Speeded-up robust features (surf).
Computer Vision and Image Understanding, v. 110, n. 3, p. 346 – 359, 2008. ISSN
1077-3142. Similarity Matching in Computer Vision and Multimedia.
40 ULUSOY, I.; BISHOP, C. M. Generative versus discriminative methods for object recognition. In: Proceedings of the 2005 IEEE Computer Society Conference on Computer
Vision and Pattern Recognition (CVPR’05) - Volume 2 - Volume 02. Washington, DC,
USA: IEEE Computer Society, 2005. (CVPR ’05), p. 258–265. ISBN 0-7695-2372-2. 41 LI, F.-F.; PERONA, P. A Bayesian Hierarchical Model for Learning Natural Scene Categories. In: CVPR ’05: Proceedings of the 2005 IEEE Computer Society Conference on
Computer Vision and Pattern Recognition (CVPR’05) - Volume 2. Washington, DC, USA:
IEEE Computer Society, 2005. v. 2, p. 524–531. ISBN 0-7695-2372-2.
42 JURIE, F.; TRIGGS, B. Creating efficient codebooks for visual recognition. In:
Proceedings of the Tenth IEEE International Conference on Computer Vision (ICCV’05) Volume 1 - Volume 01. Washington, DC, USA: IEEE Computer Society, 2005. p.
604–610. ISBN 0-7695-2334-X-01.
43 CORTES, C.; VAPNIK, V. Support-vector networks. Machine Learning, Springer Netherlands, v. 20, p. 273–297, 1995. ISSN 0885-6125. 10.1023/A:1022627411411. 44 HSU, C.-W.; CHANG, C.-C.; LIN, C.-J. A Practical Guide to Support Vector
Classification. 2000.
45 DUAN, K.-B.; KEERTHI, S. S. Which is the best multiclass svm method? an empirical study. In: OZA, N. C.; POLIKAR, R.; KITTLER, J.; ROLI, F. (Ed.). Multiple
Classifier Systems. [S.l.]: Springer Berlin / Heidelberg, 2005, (Lecture Notes in
Computer Science, v. 3541). p. 732–760.
46 PROENCA, H.; ALEXANDRE, L. UBIRIS: A noisy iris image database. In: 13th
International Conference on Image Analysis and Processing - ICIAP 2005. Cagliari, Italy:
Springer, 2005. LNCS 3617, p. 970–977.
47 OPENCV. Disponível em: <http://opencv.willowgarage.com>. Acesso em: 11 jun. 2011.
48 BRANDÃO, F. N.; MARENGONI, M. Segmentação de Íris utilizando bag of keypoints. In: VII Workshop de Visão Computacional. [S.l.: s.n.], 2011. p. 161 – 166.