TELKOM NIKA , Vol.11, No .4, Dece mbe r  2013, pp. 78 3~7 9 0   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v11i4.1273    783      Re cei v ed Ap ril 26, 2013; Revi sed  Jul y   9, 2013; Accept ed Septem be r 14, 2013   Separability Filter for Localizing Abnormal Pupil:   Identification of Input Image      Retno Supri y anti* 1 ,  El vin  Pranata 1 , Yogi Ramadh ani 1 , Tutik Ida Rosanti 2  1  Electrica l  Eng i ne erin g De pt, Jend eral S oed i rman Univ ersit y , Pur w ok erto, Indon esi a      2  Medical Scie nce De pt, Jend eral So edirm an  Universit y , Pur w o k erto, Indo n e sia    *Corres p o ndi n g  author, e-ma i l : retno_su p ri yanti@ unso ed.a c .id, elvin @ uns oed.ac.i d,  yo gi.ram adh an i@uns oe d.ac.i d,  tutik.rosanti @ uns oed.ac.i d       Abs t rak   Metode ya ng  cukup h a n dal  untuk p end ektesia n   pu pil a d a la h metod e  separ abi lity filte r , namu n   sela ma ini  metode i n i h any a ditera pkan  dal am  mend eteks i  pup il p a d a  mata nor ma l saj a . Di lai n  pi ha k ,   pad a  mat a  a b nor mal  se perti  pa da  pe nd erita katar a k at au  gl uko m a   me mi liki  karakter i s tik yan g  b e rb ed a   den ga n mat a  n o rmal. Pen e liti an in i me nco b a  untuk  men e r apka n  sep a rab ility filter dal a m  men deteks i  p upil   pad a  mata  a b nor mal. M a sa l ah y ang  d i ha dap i a dal ah  p e rbe daa n  ukur an,   bent uk d an w a rn a p u p il,   sehi ngg a p e rlu  untuk  me ng i m p l e m e n tasik a n transfo r m as i  hou gh, b l ob  area, d an k e c e rah an  pad a c i tra  mas u ka n se be lu m  me ng gu na kan s e p a rab ilit y filter. H a sil  e ksperi m e n   me nun jukka n  ba h w a pen a m b a h a n   pen gol ah an aw al citra da pat me ni ngkatka n  unj uk kerj a d e t e ksi pu pil p a d a  mata a bnor ma l hin gga  95.65 %.    Ka ta  k unc i:  se para b il ity filter, hou gh transfor m , blo b  are a , kecera han, d e te ksi pup il       A b st r a ct     Sep a rab ility fil t er meth od  is a  relia bl e  metho d  for pu pil  dete c tion. How e ver ,  so far this me thod  i s   imple m ente d  for detectin g  p upil  of nor mal  eye, w h ile for abn or mal ey e  such as catar a ct and gl auco m a   patie nts;  they have differe nt  character i stics  of pup il s u ch  a s  color, sh ap e  and r adi us si ze of p upi l. In this   pap er  w e  pro pose  to  use   separ abi lity fi lter for  det ecti ng pu pil   of a bnor mal pati e nts  w i th  d i fferent   character i stics. W e  faced  a pr obl e m  a bout r a dius s i z e , sh ap e an d co lor  of pup il; ther efore  w e  imple m ent e d   Hou gh T r ansf o rm, Blo b  ar ea  and Br ight ness  for ide n tifying  inp u t i m ag es b e fore a pply i n g   separ abi lity filt er.  T he ex peri m en t results sh ow  that w e  can  in crease  per for m ance  of p upi l  d e tection  for a b nor mal  ey e to  b e   95.65 %.     Ke y w ords : se para b il ity filter, hou gh transfor m , bl o b  are a , b r ightn e ss, pup il  detection       1. Introduc tion  Rapi d develo p ments of Informatio n Technolo g y  espe cially in the field of Digital Imag e   Processin g  g i ve very big i m pact in  ma ny area s. Fa ce recognitio n  is a p a rt of  fields in di gi tal  image  processing  techniq u e s i n   whi c h  iri s  a n d  pu pil  d e tection  a s   o ne of  its  pa rts is a to pic wi d e ly  discu s sed in  variou s rese arch a r ea s  such  as in me dical fiel d a r ea. In this fie l d, usu a lly p upil  detectio n  is i m pleme n ted for ea rly detection of eye disea s e s  such as catara ct [1 -6].   There are m any resea r ch es that discuss  abo ut iris and p upil  detectio n . Arnia [7]   prop osed a method that use d  only one fourth of fu ll normali zed i r is si ze to achieve re cog n ition   rate. Putra [8] propo se d a low co st b a se d for eye  gaze tra c ki ng system.  Cie s la [9] did a   resea r ch for l o cali zin g  pupi l using  Web c am. In his re search  He em pha sizes fo r comp ari ng three   algorithms for locali zing pupil. First i s   Cumula tive  Distribution F u n c tion (CDF ) al gorithm,  se co nd   is Proje c tion  Functio n   alg o rithm  and  th ird i s  E dge  Analysi s . Koo s hke s tani  [10]  propo se d n e w   pupil localiza t ion for findin g  the iris inn e r bou nda ry based on wa velet transfo rm and analyt ic   geomet ry rel a tions. Ali [1 1] did a re se arch fo r lo cali zing in ne r bo unda ry and o u ter bo und ary of  iris u s in g two regi on p r o pertie s  Ecce ntricity  and  Area  without  usin g any i t erative meth od.  Zhaofen g [1 2 ]  pro p o s ed  a  novel i r is lo ca lization   meth od b a sed  on   a spri ng fo rce - drive n  ite r ati o n   scheme .  Ya n g  [13] propo sed a  novel  C aborEye  mod e l for eye  localizatio n. Based on  the  spe c ial   gray distri but ion in the cye-and -b ro w regio n ,  prop er Gab o r ke rnel is ad apt ively chose n  to   convol ute with the face im age to highli ght the  eye-a nd-b r o w  re gi on, whi c h ca n be exploite d to   segm ent the  two  pupil  region s  efficie n tly. Wild e s   [14] propo se d a  metho d   for q u ickly a n d   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 9 30   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  783  – 790   784 robu stly local i zing th e iri s   and p upil b o unda rie s  of a  huma n eye i n  clo s e - up  i m age s. Such  an   algorith m  ca n be critical  for iris id en tification,  or  for appli c atio ns that mu st determin e  the   subj ect’ s ga ze directio n, e.g., human -co m puter i n tera ction o r  d r iver attentiveness dete r min a tion.   Mase k devel oped an ope n  so urce  i r i s   reco gnition sy st em in  order to verify both  the uni q ue n e ss  of the hu ma n iri s  an d al so it s pe rformance a s  a   biometri c [15 ].  Fukui  and  Yamagu chi   [16]  proposed  poi nt feature ext r action  such as nostril  and pupil using separab ility filter.  Origi n al ly,  sep a ra bility filter  wa s p r op ose d  a s   a m e thod fo r  edg e extra c ting  [17]. In this m e thod  an  edg e i s   defined a s  a  boun dary not  as a poi nt in whi c h the  inte nsity cha nge d dra s tically. Ho wever, du e to  the sepa ra bili ty filter using  size of circle radi u s  a s  a main parame t er, then this method re qui r es  same  size of pupil ra diu s  o f  input image s relatively.  Almost all  wo rks a bove u s i ng no rmal  eye as  an  obje ct. While  in f a ct, no rmal  e y e has  different  cha r acteri stics  wit h  abn orm a l e y e esp e ci ally  in color,  sh a pe o r  radiu s   size of p u pil.  In   this pape r we empha si ze  for applying sep a ra bility fi lter to localize pupil are a  for abn orm a l eye   su ch  a s  cata ract and glau coma   patient   automatic all y . We study  to con s id er f o r u s ing  Ho u gh  transform, bl ob area and  brightness value to compar e performance of usi ng  separability filter to  locali ze pupil  on abnorm a l  eye. T he problem  will ari s e when  usi n g separability filter to locali ze  pupil o n  ab n o rmal  pupil  d e tection  syst em are radi u s  size, sh ape   and col o r of  pupil.  Due  to the   fact that inp u t image s o f  abnormal  pupil dete c ti on sy stem i s  taken un d e r un co ntroll ed   illumination a nd also different pupil re spon se bet we en abn ormal  and no rmal e y e cau s e to the  differen c e rad i us si ze, shap e and color of  input image s significantly.   Acco rdi ng  to  this ca se, we  need   to so rt  i nput  im age s i n  o r de r to  im prove  pe rformance  of  pupil dete c tio n  based sepa rability filter. Image s sort in g are d one b y  identifying chara c te risti c s of   input ima g e s   refer to the  m a in pa ram e te r of  sep a ra bili ty filter. In this  ca se  we  co nsid er fo r u s i n g   Hou gh tran sf orm for gettin g  fix size of pupil radi us, bl ob are a  and  brightn e ss for segme n ting  eye   area.       2. Rese arch  Metho d   In this re se a r ch  we  used  prima r y dat a in whi c h  we ta ke dat a indep e nd e n tly. Data   acq u isitio n is  done by ta kin g  photog ra ph  of patient  using co mpa c t digital ca mera. A criteri o n  of  input imag e  is focused o n  the whole  of patient ’s f a ce  witho u t backg rou nd  as d e scribed  i n     Figure 1.           Figure 1. An example of in put im age (so u rce: privat e documentatio n)        The aim fo r usin g face  area only is fo r re duci n g  co mputation ti me. Also we  have to  con s id er  abo ut dista n ce b e twee n  came ra a nd  patie nt, therefo r e  there i s  no  b l ur in  the i n p u t   image e s pe ci ally in an eye area. Th e good level of  light focuses also an im p o rtant facto r  for  getting an ide a l input imag e. Figure 2  sh ows a flow ch art of our research.     In the first step, input image will b e  comp re ssed  for savin g  computation ti me and   facilitating  se gmentation  p r ocess th at will be d one i n   the next ste p . Origi nal  size  of input im a ge  is quite large;  therefore we  comp re ss o u r  input  imag e  to be n x 160 pixel size. n is image  wi dth   that appro p ri ate to  aspe ct ratio  of origi n al image   As we  discu s sed a bove,  input imag e  has fa ce a r ea only, therefore; by u s i ng this  c h ar ac te r i s t ic w e  d e t er mine   re gion  of in terest  (ROI)  of eye a r ea  i s  lo cate d in  the  cente r  of  an   input image a fter image wa s divided into  three ho ri zont al parts a s  de scribe d in Fig u re 3.        Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 9 30       Separability F ilter for Lo cali zing Abn o rm al Pupil:  Identification of Input Im age (R Supri y anti)  785 2.1. Separabilit y  F ilter    The main purpose of using sepa rability filter is to determin e the center of eye roundness  by performi n g convolution of separ abilit y filter algorithm to ROI of input images  in whi c h the filter  is expre s sed  by Equation 1 .                                                         Figure 2. Flow ch art of re search       0. .  1  0 . .  1 (1)   This filter al so can b e  expressed by two  vect ors a s  de scribe d in Eq uation 2 an d Equation 3.       0 .. 1  0. .  1 (2)   Such that for  each (I,j)  ([0…(width -1)],[0……(height-1)])       ∗  (3)   If the filter is sep a ra ble, th e convol ution  operat ion m a y be perfo rmed u s ing o n l y (width +  he ight)   multiplications for each output pixel.  Applyi ng the separability  filter  to Equation 2 becomes  Equation 4.           Figure 3. Reg i on of Interest   ROI  Inpu t im ag e   Collecting c h aracteristics  in fo rm atio n   Pr ocessing  and An alysis    Co ng ru en ce iden tificatio n    C l assi fi cat i on of   i n put   im ages base d  on  congrue nce le vel  Id en tificatio n Process  Testin g  of   co ng ru en ce  lev e l  Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 9 30   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  783  – 790   786                (4)   This  can be  simplified to be Equation 5.                      (5)   To apply th e  sep a ra ble  co nvolution, first apply G row  as thou gh it were a  width  b y   filter.  Then apply G col  as tho ugh  i t  were a    by height filter.   In  ou r resea r ch, the result  of this  step i s   a  sep a ra blity m ap  im age  that contai ns t he po ssi ble value s  of  each  pixel as the cente r  of circl e .  The greater v a lue of  separability in each pixel will  be the best candidate of   the circle center. In   the  se pa rabili ty m a p  image, values  distri bution in  whi c h  the greatest separabilit y value appears  as a bri ght do ts as de scrib ed in Figu re 4 .                       Figure 4. Image re sult  of separability filter      2.2. Non-M a ximum Suppression     Accordi ng  to section 2. 1 by using  separability f ilter we abl e  to determine a  cent er of eye.  The center i s  a point that has greatest  separa bility value. Howev e r the maxim u m separabili ty  value i s  di stri buted  around  eye  cente r . I n  o r de r to   re d u ce  di stribut e d a r ea  to b e   maximum val ues  only, therefore we imple m ent  non-m a xi m u m suppression . The  re sult is descri b e d  in Figure 5.                     Figure 5. Non - maximum  su ppre s sion im age       2.3 Hough Tr ansform  Hou gh tran sf orm meth od i s  used for  cl assifying pro c e ss a c co rdi n g to the sim ilarity to   sep a ra bility filter that u s u a lly usin g fix radi us.  Eq uation 6  de scrib ed  gene ral equ a tion f o r  detectin g  a ci rcle in a n  ima ge.    r 2  = ( x- a ) 2  + ( y-b ) 2 (6)   (a,b) i s  a ci rcl e  cente r  and  r is ra diu s .     The m a in  pu rpo s e  of u s in g Houg h T r a n sform  i s  to   get eye  shap e, mark an d  find the   cente r  point o f  eye shape.  Then  we hav e to find co rrelation bet we en eye ci rcl e  from se pa rabi lity  separability m a p  image B r i ght  d o t   B r i ght  d o t   After implem enting no n-m a ximum su pp ressio n Cen t er  Cen t er  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Separability F ilter for Lo cali zing Abn o rm al Pupil:  Identification of Input  Im age (R Supri y anti)  787 filter and eye circle from  Hough T r an sfo r m. If we  get the same p o sition of circl e  cente r  betwe en  both method s, therefore  we  can jud ge th at this is an a ppro p ri ate inp u t image.       3. Results a nd Analy s is  3.1. Initial Pe rformance  In this  secti on, we use  both of  met hods Se parability Filter i n  order to  get initia l   perfo rman ce  of this metho d  when  we u s e for lo calizi ng pupil in ab norm a l pupil. The re sult s are   sho w n in Ta b l e 1.        Table 1. Perf orma nce of Separability Filter  Image (*.  jp g)  Separabili t y  Fil t er  Success  Failed   a v    aa v    b v    bb v    c   v  cc  v    d   v  dd v    e v    ee   v  f v    ff   v  g v    gg v    h v    hh v    i   v  ii  v    j v    jj  v    k   v  kk  v    l v        Acco rdi ng to Table 1, whe n  we impl em ent S eparabil i ty filter to localize a bno rm al pupil  dire ctly, the  perfo rman ce   is 73.9 1 %. In othe r ha nd , Houg h T r a n sform meth od is a fam ous  method for  d e tecting a  sh ape. The r efo r e, we in cl ude  this method  as a fa ctor in  identifying the  approp riate i n put ima ge i n  t he im pleme n tation of  sepa rability filter.  We  have  to n o te he re  that  we  impleme n t ori g inal alg o rith m whi c h is  d e velope d by Fukui [1 6-1 7 ], but using  a bnormal pu pil  as  an obje c t. The result sho w s as in Ta ble  1that we  ha ve to improve algorith m  b y  modifying this  method u s in g  colo r an d brightne ss. Also we h a ve to  con s ide r  a b out Ho ugh T r ansfo rm a s   will  descri bed in t he followi ng subsectio n .     3.2. Compari s on of Separabilit y  Value  and Local Maximum    The main re aso n  for com parin g se parability value and lo cal ma ximum becau se there   are some in p u t images in  whi c h an en d  point is dete c ted a s  a local maximum, in fact this is  not  desi r ed  eye p o int. This is  caused by sep a rabilit y valu e of eye poin t  less tha n  su rro undi ng are a .  Separability will be  a  see k er while lo cal maximu m  will be  an eli m inator. O n   separability, sought   the greate s t value in an are a , store this v a lue and  cont inue for findin g  sep a ra bility value in other  area until getting the great est value of  separab ility. While for non-maxi mum  suppression as a  method for finding l o cal maximum,  separability values  of  each  region is comp aring, therefore the  greatest value will be assumed as an  eye point ca ndidate. According to the fact that between   sep a ra bility value  and  lo cal maximum   alway s   su stai nable  an d h a v e the  sam e   value, the r ef ore   both meth od s could  be u s ed fo r id enti f ying input  i m age in  the  impleme n tation of sepa ra bility  filter.         Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 9 30   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  783  – 790   788 3.3. Colour   In this step,  we emp h a s ize our id entificat ion of colo ur elem ent o n  the analysi s of  blob   ( b in ar y la rg e o b j ec t) . Blob  is  a co lle ctio n  o f   pixels that have a  neigh bor rel a tionship. Blo b   cal c ulatio n p r oce s s  can  be  don e by  an al yzing  neig h b o ring  pixel s .  Neig hbo ring   pixels  at a  pix e l is  determi ned a s  pixels  withi n  one of the o r iginal pixel s .   On the Blo b  filter process,  t he filter is  ba sed  on h e ight  and  width of  the Blob. Blo b  with   height  or wi dth bel ow the  minimum  value  will be  removed from t he object  map. Then bl ob  was  detecte d is l abele d .  The  aim for  usi n g Blob i s  to  get Blob o n   the eye a r ea  seg m entatio n;  therefo r e fin a lly we  ca n g e t eye p o siti on to  be  det ected  later.  F i gure  6  sh ows a n  exam pl e of  Blob are a  se gmentation.        Figure 6. Re sult of Blob area se gmentat ion       In this  step, i dentificatio n  pro c e s s adju s ts  eye  po siti on segm ente d by Blob a r e a  and  eye  position detected by  separability filter. Table 2  shows  result s  of identification process  of thi s   step.       Table 2. Re sult of eye position detect e d  by separabili ty filter and bl ob are a   Image   E y e  posi t io n de tecte d  b y   Suitabil it y   Separabilit y  Filte r   Blob Area   a right  right  V  aa right  left  X  b right  right  V  bb left  left  V  c -  left  X  cc left  right  X  d right  left,  right  V  dd left  left  V  e left  left  V  ee left  left  V  f right  right  V  ff right  right  V  g right  right  V  gg right  right  V  h right  right  V  hh left  left  V  i left  left,  right  V  ii left  left,  right  V  j left  left  V  jj right  right  V  k left  left  V  kk right  right  V  l right  right  V    Acco rdi ng to Table 2, only  3 of 23 images h a ve different eye p o s ition. The r ef ore Blob   area h a s a ccura cy 86.95% .      3.4 Brightne ss   The m a in  rea s on  why we  u s e  brig htne ss as an i m ag e  element fo r id entification  is  base d   on the fact that characteri stic of  separability filter is area-bas ed i n formation. While other edge  detectio n  me thod usi ng i n formatio n o f  point as a n  edge. In t h is expe rime nt, we ch an ge  brightn e ss va lue for e a ch  pixel on inp u t  image until  we g e t new  brightn e ss va lue. Brightn e ss  value cha nge  process is o n ly perform ed  on the i nput image that previously  faile d to detect using   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Separability F ilter for Lo cali zing Abn o rm al Pupil:  Identification of Input  Im age (R Supri y anti)  789 C i t r a s eparabi l i t y  m a p C i t r a s e pa r a b i l i t y  m a p separability filter as described in T a ble 1.   Figure 7 descri bes an  exampl e of changing  brightn e ss va lue in an ima ge.                     Figure 7. An Example of changi ng bri g h t ness value       Refer to the  re sult of thi s   step, befo r e we  chan g e  bri ghtne ss value, di stri bution of  sep a ra bility value ten d  mo re a nd lo ok li ke n o ise, al so local maxi mum value  o b tained i s   not  eye   point candi da te. While  after we  chan ge  brightn e ss va lue, dist ributi on of  sep a ra bility value le ss  visible a nd te nd to gath e r i n to one  edg e  and a  point.  Local maxim u m value  obt ained i s  a n  e y e   p o i n t   c a nd id ate .  T a b l e 3  de sc r i be s th e   r e su lt o f  pu p i l lo ca liz ing  pe r f o r ma nc e   afte r  we   c h a nge  brightn e ss va lue.       Table 3. Perf orma nce of Separability F ilter after ch an ging bri ghtne ss valu e   Image   Brightness Chan ging  Implementation o f  separability  filter  Increase Decrease   Before  After  Success  F a iled  Success   F a iled  c v  v    v    v  d   v    v  v    ee v      v  v    ff v      v  v    i   v    v  v    k v      v  v        Refer to the  Table  2, by  cha ngin g  in te nsity, we  ca n  improve  pe rforman c e  of  sep a ra bility fil t er to locali ze  abnormal pu pil from 73.91 % to 95.65%.        4. Conclusio n   Acco rdi ng to our expe rime nt result s, we   con c lude th at for abno rmal pupil, se para b ility  filter  metho d  and Ho ugh   transfo rm ha s simila rities  in use   of radi us  value. Hou g h   tra n sfo r m a l so   can be  use as  sorting process for i nput images  in  order to detect  pup il based on separability  filter by givin g  accu ra cy a bout 95%. In  this re search  we  cho o se fo r u s ing  Ho ug h tran sform a s  a  sortin g metho d  becau se se para b ility filte r  ha s ch ara c t e risti c  for u s i ng fix radiu s  value and al so it  has reliability to chang e im age inform ation. We al so note here tha t  brightne ss e l ement influe nce   to sepa rabilit y value on separability filter an d  bloob  area  segm e n tation also can b e  use to   segm ent eye area in o r d e r  to detect pupi l base d  on se para b ililty filte r .      Ackn o w l e dg ment  This  work is supp orte d by research  grant  Hi bah  Bersai ng Di recto r ate G e neral of  Hig h e r   Educatio n Fiscal Yea r  201 3 unde r co ntract numb e r 2 740/UN2 3 .10 / PN/2013.       Referen ces   [1]  R Supriy anti, Hitoshi Habe, Ma satsug u Ki dod e, Satoru Nag a ta.  A Simp le a nd Ro b u st Method to   Screen  Catar a ct usin g S pec ular  Refl ectio n  App eara n ce .  SPIE Medic a l  Imagin g  C onfe r ence, S a n   Dieg o , Cal i forn ia. 200 8.  [2]  R Supri y a n ti,  Hitoshi  Ha be,  Masatsug u K i do de, Sator u   Nag a ta. Catar a ct Screen ing  b y  S pec ular   Reflecti on a nd  T e xture Anal ys is, Comm unic a tions of SIW N ,  200 9. 6: 59-64.   B e fo re  c h an ge bri ght ness val u e  Aft e r  cha n ge  b r i g ht ness  val u e  - 1 5 0   Evaluation Warning : The document was created with Spire.PDF for Python.
                          ISSN: 16 93-6 930   TELKOM NIKA   Vol. 11, No. 4, Dece mb er 201 3:  783  – 790   790 [3]  R Supriy anti, Hitosh i H a b e , Masatsug u Kid o de an d Sator u  Nag a ta.  Extracting App ear anc e Informatio n   insid e  th e P u p il for  Catar a ct Scree n in g . IAPR Co nfere n c e  o n  Mac h in e  Visio n  A ppl ic ation. T o k y o,   Japa n. 200 9: 342-3 45.   [4]  R Supri y a n ti,  Y Ramad h a n i,  Hitoshi  Hab e ,  Masatsugu  Kido de.  Perfor ma nce of Var i ous D i gita l   Ca meras for  Cataract Scre eni ng T e ch niq ues bas ed o n  Digita l  Ima g e s . International Seminar of   Electrical  Po w e r, Electron ics, Commu nicati o n s, C ontrol and Informatics (E ECCI S), Malang, East Java,   Indon esi a , Dec e mber, 20 10.   [5] R  Supriy anti , Y R a ma dh an i .   T he Achi eve m e n t of Various S hap es of Spec ular R e flecti on s for Cataract   Screen ing  System Bas ed  on  Digita l  I m a ges .  Internati o n a l  Confer ence  o n  Biome d ic al E n gin eeri ng  an d   T e chnolog y (IC BET ). Kualalu m pur, Mala ys ia . 2011:   [6]  R Supri y a n ti,  B Setia w a n , H B  W i dodo, E  Murd ya nt oro.  Detectin g Pup i l and Iris u n d e r  Uncontro lle d   Illumin a tio n  usi ng F i xed- Hou g h  Circle T r ansform.  Internatio nal Jo urna l of Sign al Process i ng, Ima g e   Processi ng an d Pattern Rec o gniti on (IJSIP) . 2012; 5(4): 1 7 5 -18 8 .  [7]  F  Arnia, N Pramita. Enha n c ement of Iris  Recog n itio n  S y stem Bas ed on Ph ase  Phase Onl y   Correlation.  T E LKOMNIKA T e leco mmunic a tion C o mp uti ng Electr onics  and C ontro l . 2 011: 9( 2): 387- 394.   [8]  IKG Darma Putra, A Cahy a w a n ,  Y Per d a na.  Lo w - C o st Bas e d E y e  T r acking  an d E y e  Gaze  Estimatio n .   T E LKOMNIKA T e leco mmunic a tion C o mputi n g Electron ics a nd Co ntrol . 20 11; 9(2): 37 7-3 86.   [9]  Michal C i esl a , Przem y s l a w . E y e P upi l Loc ati on Usi ng W ebc am. Jagie llo ni a n  Univ ersit y . P o la nd. 20 12.   [10]  Samira K oos h k estani, Mo ha mmad Po o y a n ,   Ha me d Sa dje d i. A N e w   Method f o r Iri s  Reco gniti on   S y stems Bas e d on F a st Pupi l  Local izatio n.  L e cture Notes i n  Computer Sci ence . 20 08. 50 72: 555- 56 4.  [11]  Haid er Ali, Ah mad Ali 2 , Riaz  Ul Husn ain, R o man Kh an, Mohsi n  Kha n , Ihsan Ull ah Kh a n . Automatic   Loca lizati on of  Iris Using Reg i on Pro perties.  Internation a l J ourn a l of  Co mputer Scie nce  and N e tw ork  Security . 201 1:  11(7): 93-9 7 .  [12]  Z haofen g He, T i eni u T an,  Z hena n Sun.  Iris Loca l i z a t i on vi a Pulli ng a nd P u shi n g . T he 18 th  Internationa l  Confer ence  on  Pattern Reco g n it io n. Hon g ko ng. 200 6: 366- 369.   [13]  Peng Ya ng, B o  Du, Shig ua ng Sha n , W en Gao.  A Novel  Pupi l Loc ali z a t i on Meth od Base d  o n   Gaborey e Mo del  an d R adi a l  Sy mmetry Operator . Inter n ation a l  Conf erence  on  Imag e Proc essin g   (IClP). Singa po re. 2004: 6 7 -70 .   [14]  T A  Camus, R Wildes.  Re lia ble  and F a st  Eye F i ndi ng  in  Close- up I m a ges . T he 16 th  Internatio na l   Confer ence  on  Pattern Reco g n itio n (ICPR). Can ada. 2 002:  389-3 94.   [15]  Lib o r Masek. Reco gniti on of  Human Iris Patte rns for Biometric Ide n t ification. PhD  thesis,  T he  Univers i t y   of Western Austral i a , 2003.   [16]  K Fukui. Ed ge  Extracti on M e thod  B a sed  o n  Sep a rab ilit y  o f  Image Feat ures.  IEICE T r an sactions  on   Information and System s . 19 95; E78(1 2 ): 1 533- 153 8.   [17]  K F u kui, Y O s amu. F a cia l   F eature P o int   Extracti on M e thod  Base d  on C o mbi nati o n of Sh ap e   Ex traction and  Pattern Matching.  Systems a nd Co mputers i n  Japa n . 199 8; 29(6): 49-5 8 .      Evaluation Warning : The document was created with Spire.PDF for Python.