REVIEW JURNAL – ABOUT IRIS RECOGNITION

Topic/Focus/Question Concept/Theoretical Paradigm/Method Context/Setting/Sample Findings/Result Limitations/Gap

Model (Future Reseacrh)
An Accurate and Efficient User Authentication Mechanism on Smart Glasses Based on Iris Recognition [1]
Author : Yung-Hui Li and Po-Jen Huang
Keywords—
1. Topik
Autentikasi user melalui iris dengan menggunakan kaca mata cerdas.
2. Konsep
Penulis merancang perangkat keras dan perangkat untuk autentikasi user. Peneliti mengembangkan kacamata cerdas yang dilengkapi
dengan inframerah dan lensa yang dapat mengambil gambar iris dengan jelas dari jarak 2-5 cm. Dari sisi perangkat lunakpenulis
mengajukan segmentasi algoritma untuk iris recognition dengan menggunakan Hamming distance (HD) yang merupakan metode threshold
adaptation threshold adaptation yang dapat digunakan untuk proses verifikasi sesuai dengan data empiris yang telah dikumpulkan.
3. Metode
Iris Recignition, Smart Glass, Hamming distance (HD)
4. Konteks/Setting/Sample
Metode yang diusulkan terdiri dari beberapa tahap yaitu :
- new hardware design : standar ICNIRP dan mempertimbangkan jarak anatara kamera dan mata, digunakan infrared dengan wavelength
850 nm dan intensitas radiasi 90mW untuk melindungi kornea dari lensa mata.
- efficient iris segmentation algorithm for mobile : untuk meyederhanakan masalah karena outer boundary selalu berada di luar wilayah
pupil maka penulis mengusulkan metode MIGREP (Maximization of the Intensity Gradient along the Radial Emitting Path) untuk outer
boundary localization.
- Boundary Point Selection Algorithms for Accurate Iris Boundary Localization : dari tahap 2 mempunyai kemungkinan posisi yang
 menunjukkan nilai maksimal gradien intensi tidak terletak pada batas iris, maka penulis mempertimbangkan satu titik dimana gradien
maksimal secara global. Maka dari itu perlu mempertimbangkan poin kandidat dimana gradien maksimal lokal terjadi.
- Iris Normalization on Smart Glasses : setelah segmentasi iris selesai penulis mendapatkan parameter dari pupil circle dan iris circle.
Untuk melakukan normalisasi iris kita perlu melakukan partition the inner dan outer ke dalam segmen n yang sama.
- Iris Mask Estimation
- Iris Features and Matching Algorithms
- Intelligent HD Threshold Adaptation
5. Penemuan/Hasil
Algoritma yang diusulkan terukti efisien yang tidak terpengaruh pencahayaan dan variasi okulasi kelopak/bulu mata. Dengan menggunakan
metode HD dalam proses pencocokan fitur dapat menentukan ambang HD terbaik untuk subjek yang berbeda yang meningkatkan kinerja
recognition dan mengurangi kemungkinan false acceptance.
Solusi peneliti dapat dieksekusi pada platform Cortex-A9 dengan kecepatan 66 fps. Dalam percobaan, 98,54% gambar iris dapat berhasil
dilokalisasi. Untuk tingkat verifikasi image mencapai 100%. Maka solusi yang diusulkan efisien.
6. Batasan/Gap (future research)
Penelitian selanjutnya peneliti ingin meningkatkan resolusi gambar iris dengan sensor pencitraan IR yang lebih baik, modul lensa akan
ditingkatkan agar lebih fokus ke daerah iris daripada kelopak/bulu mata, menggant metode segmentasi iris tradisional dengan deep learning
sehingga dapat meningkatkan akurasi segmentasi iris dan membuat sistem yang siap untuk komersial.

Efficient Biometric Iris Recognition Based on Iris Localization Approach [2]

Author : Muzhir Shaban Al-Ani, Salwa Mohammed Nejrs
Keywords— Biometric recognition, Iris Localization, Iris Recognition, Template Matching
1. Topik
Memfokuskan untuk menggunakan meningkatkan efisiensi dalam pengenalan iris meskipun dalam kondisi mata sedang sakit.
2. Konsep
 Penelitian ini bertujuan untuk memperkenalkan pendekatan pengenalan iris yang efisien berdasarkan metode iris localization. Pendekatan
ini mencoba meningkatkan proses identifikasi melalui proses tertentu pada gambar iris.
3. Metode
Iris Recognition, Iris Localization
4. Konteks/Setting/Sample
Gambar iris yang dijadikan sample data adalah gray image 8-bit dengan resolusi 480x640. Secara umum iris membentuk lingkaran dan
diameter pada gambar yang diambil untuk dataset sekitar 200 pixel. Dua puluh gambar mata dari 10 pasien yang terinfeksi uveitis anterior
digunakan dalam penelitian ini.
Tahap implementasi yang dilakukan adalah sebagai berikut :
- Eye image acquisition
Tahap ini dilakukan mengcapture/memfoto object (mata) menggnakan sensitive device untuk mengkonversi gambar nyata iris menjadi
digital image yang berisi sejumlah pixel.
- Eye image preprocessing
Pada tahap ini gambar digital yang diperoleh dikonversi kembali menjadi gambar standar yang dapat diadaptasikan untuk lengkah
pemrosesan selanjutnya. Langkah ini melewati banyak proses seperti gray scale image, image filtering dan image resizing.
- Iris image localization
Pada tahap ini gambar mata yang sakit ditingkatkan untuk melacak daerah iris sehingga dapat mendeteksi dan melokalisasi daeah iris.
- Iris image normalization
Tahap ini, gambar iris dari proses sebelumnya dinormalisasi, kemudian diubah menjadi gray scale untuk menghasilkan gambar iris
yang standar.
- Feature extraction
Tahap ini digenerate fitur atau karakteristik yang terkait dengan gambar iris. Fitur diekstraksi menggunakan two-dimensional discrete
wavelet transform (2D DWT). 2D DWT dilakukan dengan passing low-pass filter dan high-pass filter untuk baris dan kolom gambar
yang ditunjukan dengan dua rumus berikut :
 Di mana, x mewakili array input dan g dan h masing-masing mewakili filter low-pass dan high-pass.
- Template matching.
Pada tahap ini, digenerate template matching yang digunakan untuk memutuskan personal authentication berdasarkan ambang yang
dipilih (selected threshold).

Penelitian ini memfokuskan pada authentikasi iris dengan kasus adanya sakit mata. Terdapat perpedaan antara mata normal dan sakit,
misalanya jika mata sakit dengan uveitis anterior tidak menglingkar dan dapat menyebabkan prubahan pada asitektur iris atau atrofi. Dalam
penelitian ini ada dua faktor yang dianggap memisahkan antara mata yang sakit dan normal, yaitu :
- Untuk melokalisasi boundary pupil atau boundary iris sebagai lingkaran, radiusnya harus berada dalam kisaran tertentu. Dalam
database yang ditentukan, kisaran nilai radius iris adalah 90-150 pixel, sedangkan rentang radius pupil yaitu 28-75 pixel.
- Pupil selalu berada di daerah iris, maka batas pupil harus berada dalam batas iri untuk mata normal. Sementara pada mata yang sakit,
batas pupil dilokalisasi jauh dari daerah iris. Ini memberikan bukti bahwa enhancement/peningkatan harus dilakukan sebelum tahap iris
localization terutama untuk kasus mata sakit.

Jika telah diambil keputusan bahwa mata sakit maka prosedur langsung berlanjut menuju proses peningkatan/enhancement. Proses
peningkatan dapat membantu untuk melokalisasi boundary pupil. Proses peningkatan diterapkan melalui langkah-langkah berikut :
- Menentukan batas boundary iris yang menutupi area dalam pupil.
- Mengubah ukuran gambar mata untuk mengisolasi gambar iris.
- Mengatus intensitas gambar iris sesuai dengan cahaya yang terjadi.
- Menyesuaikan nilai ambang/treshold untuk membuat binary image.
 - Diskriminasikan pupil yang tidak teratur dengan menentukan titik minimum pada setiap sumbu/axis.
- Round area pupil yang tidak beraturan dengan bentuk persegi panjang.
- Hitung pusat persegi panjang sesuai dengan langkah sebelumnya.
- Gambarlah sebuah lingkaran di sekitar pupil untuk melinkari pupil.
- Perbaharui gambar iris ke posisi yang sama dengan gambar asli.
- Bandingkan gambar yang diproses dengan gambar yang disimpan pada database untuk mengidentifikasi orang tersebut.
5. Penemuan/Hasil
Hammping distance digunakan untuk mengukur fraction pada disagreeing bit yang dihasilkan dari perbandingan bit-by-bit dua wilayah
yang diminati. Hasil yang diperoleh menunjukan bahwa kriteria dipilih menjadi 0.40 yang berarti bahwa keputusan yang cocok tidak pernah
dinyatakan antara dua kode iris jika melebihi 40% dari bit yang tidak setuju. Dengan menerapkan pendekatan ini menyebabkan penurunan
yang signifikan dalam nilai Hamming distance.
Penelitian ini mempelajari efek mata yang sakit pada proses iris recognition. Selain itu proses perawatan dan peningkatan dimasukkan
dalam pendekatan keseluruhan untuk menyiapkan gambar iris yang memadai untuk diproses. Hasil yang diperoleh menunjukka bahwa
kinerja pengakuan dari pendekatan yang diterapkan adalah 90%. Hasil percobaan menunjukkan bahwa metode yang diusulkan adalah
pendekatan yang efektif dalam pengenalan iris.
6. Batasan/Gap (future research)
-
An Enhanced Iris Recognition And Authentication System Using Energy Measure [3]
Author : Habibah Adamu Biu, Rashid Husain, Abubakar S. Magaji
Keywords— Local Image Properties, Authentication Enhancement, Iris Authentication, Local Image, Iris Recognition, Binary Bit Sequence
1. Topik
Iris recognition dan authentikasi dengan menggunakan mengukur energi : mean energy dan maximum energy yang masuk ke mata dengan
nilai ambang batas yang diadopsi. Pada jurnal ini ditambahkan mengapa menggunakan iris dari semua biometric yang dapat digunakan
untuk proses authentication.
2. Konsep
3. Metode
Ini berkaitan dengan semua metode yan digunakan untuk mencapai tujuan yang ditetapkan dari penelitian. Dibagi menjadi 3 bagian, yaitu :
- Iris Extraction
Gray scale digunakan untuk mengubah gambar warna menjadi warna monokromatik untuk mengurangi kompleksitas ruang dan
membuat prmrosesan lebih cepat dan setelah itu akan melewati median filter untuk mengurangi noise dan occlusion. Selain itu untuk
menemukan treshold, smooting, gradients value digunakan algoritma canny edge detection. Untuk deteksi didalam dan diluar radius
digunakan algoritma pupil detection untuk menemukan nilai dari kedua radius. Agar ekstraksi fitur dapat dilakukan pada gambar yang
blur maka digunakan teknik normalisasi untuk distorsi elastis dari iris yang harus dikurangi. Untuk melakukan ekstraksi fitur, iris harus
dinormalisasi untuk membedakan dua gambar iris dengan menggunakan algoritma conner detection. Daugman adalah algoritma
pengenalan iris yang paling banyak digunakan, algoritma ini diturunkan dari sifat-sifat geometric convex polyhedral cone yang tidak
bergantung pada pengetahuan sebelumnya. Pada penelitian sebelumnya, fitur biometrik digunakan untuk mengidentifikasi wajah, sidik
jari, suara, dll dari individu yang memiliki kesalahan/false report. Oleh akrena itu dalam sistem ini, iris digunakan dengan mengenerate
code.
Delapan (8) tahap ekstrasi fitur :
a. Yang pertama adalah scan mata, pada tahap ini dipilih gambar secara manual dan disimulasikan ke dalam sistem, dan gambar ini
merupakan gambar full color dari database UBIRIS.
b. Tahap kedua adalah gambar yang full color pada tahap 1 dikonversi ke gray scale.
c. Tahap ketiga dilakukan media filtering untuk mengurangi noise akibat konversi untuk mendapatkan gambar iris yang tepat untuk
proses otentikasi user.
d. Tahap keempat dilakukan deteksi pusat pupil, red circle adalah tempat pupil berada dan ini dilakukan untuk mendapatkan pupil
yang merupakan pusat mata dengan mengarahkan koordinat ke tengah.
e. Tahap kelima dilakukan deteksi tepi iris dan pupil dengan menggunakan canny edge detection.
f. Tahap keenam dilakukan deteksi radius pupil/iris untuk mengetahui dimana awal dan akhir pupil/iris yang digunakan untuk
 perhitungan lebih lanjut.
g. Tahap ketujuh dilakukan iris localization, pada tahap ini merupakan tahap dimana iris diekstrasi.
h. Tahap kedepalan dilakukan iris unrolling, dimana semua tahap sebelumnya dilakukan secara sirkulasi, dan pada tahap ini
normalisasi iris dilakukan untuk memperbaiki iris ke ukuran tertentu (polar coordinate system) untuk menghindari penerimaan yang
salah atau false acceptence dari penyusup sistem.
- Energy Value Generation
- Iris Binary Bit Code Sequence
4. Konteks/Setting/Sample
Recognition of IRIS for Person Identification [4]
Author : C. Soma Sundar Reddy, K.Durga Sreenivas
Keywords— iris recognition, segmentation, feature vector, edge detection
1. Topik
Mengembangkan pengenalan iris untuk proses identifikasi orang
2. Konsep
Penulih memfokuskan penelitian ini pada tahapan segmentasi gambar dan ekstrasi fitur. Karena menurut penulis proses pengenalan iris
sangat tergantung pada segmentasi gambar, bahkan jika metode ekstraski fitur dilakukan dengan lebih efektif tidak akan dapat memperoleh
informasi yang berguna dari gambar iris yang tidak tersegmentasi dengan benar. Makalah ini mengusulkan pendekatan langsung untuk
segmentasi pola iris. Metode yang digunakan menentukan threshold secara global dan pusat pupil. Eksperiman yang dilakukan dengan
menggunakan gambar iris yang diperoleh dari basis data CASIA.
3. Metode
Iris recognition
4. Konteks/Setting/Sample

5. Penemuan/Hasil
6. Batasan/Gap (future research)
Iris Recognition for Security & Safety of Automobiles [5]
Author : Sintu Punnoose, J. Sam Jeba Kumar
Keywords— Iris Recognition System, Security, Biometrics, Image Processing, MATLAB
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
Iris Recognition from an Image at Lengthy Distance by using Deep Belief Neural Network (DBN) [6]
Author : Swati D. Shirke, C.Rajabhushanam
Keywords— Iris recognition, Deep Belief Network(DBN), Daugman’s rubber sheet model, Local Gradient pattern, biometrics. Back
Propagation Neural Network, Cronologival Neural Network
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
Iris Recognition Using Dual tree complex transform [7]
Author : Rehana Parwin, Swati Verma
Keywords— Biometric, Iris Recognition, DTCWT, Hamming Distance
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
An Improved Iris Recognition System Using Feature Extraction Based on Wavelet Maxima Moment Invariants [8]
Author : Makram Nabti dan Ahmed Bouridane
Keywords— biometrics, iris recognition, multiscale edge detection, wavelet maxima, moment invariants
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
Biometric Iris Recognition Based on Hybrid Technique [9]
Author : Khattab M. Ali Alheeti
Keywords— Iris Recognition, Biometrics Recognition, Wavelet Technology, Hybrid Technique and Feature Extraction
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
IRIS Biometric System Using a Hybrid Approach [10]
Author : Abhimanyu Sarin
Keywords— Iris Biometrics, Hough Transform, Daugman’s Algorithm, Localization, Haar Wavelets
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
Measuring Biometric Sample Quality in terms of Biometric Feature Information in Iris Images [11]
Author : R. Youmaran and A. Adler
Keywords—
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
A Multi Biometric IRIS Recognition System based on a Profound Learning Method [12]
Author :
Keywords—
1. Topik
2. Konsep
3. Metode
4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)
User Identification Using Iris Scan
Author : Mohammad Aakif Kausar, Gautam Purwar, Rajul Raghuwanshi, Prof. Sachin Deshmukh
Keywords— Discrete Cosine Transform (DCT), MATLAB, Image compression, gray scale images
1. Topik
2. Konsep
3. Metode
 4. Konteks/Setting/Sample
5. Penemuan/Hasil
6. Batasan/Gap (future research)

[1] Y.-H. Li and P.-J. Huang, “An Accurate and Efficient User Authentication Mechanism on Smart Glasses Based on Iris Recognition,” Mobile
Information Systems, vol. 2017, pp. 1–14, 2017, doi: 10.1155/2017/1281020.
[2] M. S. Al-Ani, “Efficient Biometric Iris Recognition Based on Iris Localization Approach,” UHD J SCI TECH, vol. 3, no. 2, p. 24, Jul. 2019, doi:
10.21928/uhdjst.v3n2y2019.pp24-32.
[3] H. A. Biu, R. Husain, and A. S. Magaji, “AN ENHANCED IRIS RECOGNITION AND AUTHENTICATION SYSTEM USING ENERGY MEASURE,” vol. 13,
no. 1, p. 7, 2018.
[4] C. S. S. Reddy and K. D. Sreenivas, “Recognition of IRIS for Person Identification,” International Journal of Engineering Research, vol. 3, no. 2,
p. 5, 2013.
[5] S. Punnoose and J. S. J. Kumar, “Iris Recognition for Security & Safety of Automobiles,” vol. 2, no. 4, p. 6.
[6] “Iris Recognition from an Image at Lengthy Distance by using Deep Belief Neural Network (DBN),” IJEAT, vol. 8, no. 5S3, pp. 523–532, Sep.
2019, doi: 10.35940/ijeat.E1103.0785S319.
[7] D. R. Shaikh, “Iris Recognition Using Dual tree complex transform,” vol. 4, no. 4, p. 9, 2016.
[8] M. Nabti and A. Bouridane, “An Improved Iris Recognition System Using Feature Extraction Based on Wavelet Maxima Moment Invariants,”
in Advances in Biometrics, vol. 4642, S.-W. Lee and S. Z. Li, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 2007, pp. 988–996.
[9] K. M. Ali Alheeti, “Biometric Iris Recognition Based on Hybrid Technique,” IJSC, vol. 2, no. 4, pp. 1–9, Nov. 2011, doi: 10.5121/ijsc.2011.2401.
[10] A. Sarin, “IRIS Biometric System Using a Hybrid Approach,” in Computer Science & Information Technology ( CS & IT ), Sep. 2014, pp. 149–
159, doi: 10.5121/csit.2014.4914.
[11] R. Youmaran and A. Adler, “Measuring Biometric Sample Quality in terms of Biometric Feature Information in Iris Images,” Journal of
Electrical and Computer Engineering, vol. 2012, pp. 1–9, 2012, doi: 10.1155/2012/282589.
[12] “A Multi Biometric IRIS Recognition System based on a Profound Learning Method,” IJRTE, vol. 8, no. 3S, pp. 637–643, Oct. 2019, doi:
10.35940/ijrte.C1127.1083S19.