ГИБРИДНЫЙ ПОДХОД К БЕЗОПАСНОСТИ ШАБЛОНОВ БИОМЕТРИЧЕСКИХ ДАННЫХ ВЕН ПАЛЬЦА НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ

  • Шендре Шивам Государственный инженерный колледж Аурангабада, Университет Ма- ратвады им. доктора Бабасахеба Амбедкара
  • Шубханги Сапкал Государственный инженерный колледж Аурангабада, Университет Ма- ратвады им. доктора Бабасахеба Амбедкара
Ключевые слова: Биометрия, безопасность шаблонов, гибрид, двоичная диаграмма принятия решений (BDD), схема нечетких обязательств, глубокое обучение и машинное обучение

Аннотация

Мы живем в современном обществе, где у нас достаточно много ресурсов и вычис-
лительной мощности, единственной проблемой остается общественная безопасность.
С развитием технологий личная информация становится все более не защищенной. По-
этому идентификация личности является актуальной проблемой. Существующие тради-
ционные методы защиты личной информации оказались не надежными. Защита биомет-
рических параметров является одной из наиболее важных проблем при обеспечении безо-
пасности современной биометрической системы. Имеющиеся алгоритмы не дают адек-
ватного решения этой проблемы. Поэтому мы попытались предложить метод, который
будет более актуальным. В этой статье обсуждается гибридный метод биометрического
распознавания вен на пальцах, основанный на методе глубокого обучения с использованием
схем двоичной диаграммы принятия решений и нечетких обязательств. Предложенный
гибридный метод состоит из четырех частей, а именно: извлечение признаков вены паль-
ца, генерация защищенного шаблона, схема нечеткой фиксации, распознавание и принятие
решения о структуре вен на пальце. Таким образом, имеются четыре модуля, при этом
каждый модуль работает эффективно и дает точные результаты по всем базам данных.

Литература

1. Wencheng Yang, Song Wang, Jiankun Hu, Guanglou Zheng, Jucheng Yang, and Craig Valli.
Securing Deep Learning Based Edge Finger Vein Biometrics With Binary Decision Diagram,
IEEE Trans. on Industrial Informatics, July 2019, Vol. 15, No. 7, pp. 4244-4253.
2. Yi C. Feng, Pong C. Yuen, and Anil K. Jain. A Hybrid Approach for Generating Secure and
Discriminating Face Template, IEEE Tansactions on Information forensics and security,
March 2010, Vol. 5, No. 1, pp. 103-117.
3. Miura N., Nagasaka A., and Miyatake T. Feature extraction of fingervein patterns based on
repeated line tracking and its application to personal identification, Mach. Vision Appl., Oct.
2004, vol. 15, pp. 194-203.
4. Akers S.B. Binary decision diagrams, IEEE Trans. Comput. Jun. 1978, Vol. C-27, No. 6,
pp. 509-516.
5. Gupta P. and Gupta P. An accurate finger vein based verification system, Digit. Signal Process,
2015, Vol. 38, pp. 43-52.
6. Xi X., Yang L., and Yin Y. Learning discriminative binary codes for fingervein recognition,
Pattern Recognit, 2017, Vol. 66, pp. 26-33.
7. Yang L., Yang G., Yin Y., and Xi X. Finger vein recognition with anatomy structure analysis,
IEEE Trans. Circuits Syst. Video Technol., Aug. 2018, Vol. 28, No. 8, pp.1892-1905,.
8. Kauba C., Piciucco E., Maiorana E., Campisi P., and Uhl A. Advanced variants of feature
level fusion for finger vein recognition, Proc. Int. Conf. Biometrics Special Interest Group,
2016, pp. 195-206.
9. Liu C. and Kim Y.-H. An efficient finger-vein extraction algorithm based on random forest
regression with efficient local binary patterns, in Proc. IEEE Int. Conf. Image Process, 2016,
pp. 3141-3145.
10. Van H.T., Thai T.T., and Le T.H. Robust finger vein identification base on discriminant orientation
feature, in Proc. 7th Int. Conf. Knowl. Syst. Eng., 2015, pp. 348-353.
11. Banerjee A., Basu S., Basu S., and Nasipuri M. ARTeM: A new system for human authentication
using finger vein images, Multimedia Tools Appl., 2018, Vol. 77, pp. 5857-5884.
12. Radzi S.A., Hani M.K., and Bakhteri R. Finger-vein biometric identification using convolutional
neural network, Turkish J.Elect.Eng. Comput. Sci., 2016, Vol. 24, pp. 1863-1878.
13. Hong H.G., Lee M.B., and Park K.R. Convolutional neural network- based finger-vein recognition
using NIR image sensors, Sensors, 2017, Vol. 17, pp. 1297.
14. Qin H. and El-Yacoubi M.A. Deep representation-based feature extraction and recovering for
finger-vein verification, IEEE Trans. Inf. Forensics Security, Aug. 2017, Vol. 12, No. 8,
pp. 1816-1829.
15. Das R., Piciucco E., Maiorana E., and Campisi P. Convolutional neural network for fingervein-
based biometric identification, IEEE Trans. Inf. Forensics Secur., Feb. 2019, Vol. 14,
No. 2, pp. 360-373.
16. Fang Y., Wu Q., and Kang W. A novel finger vein verification system based on two-stream
convolutional network learning, Neurocomputing, 2018, Vol. 290, pp. 100-107.
17. Huang G.-B., Zhu Q.-Y., and Siew C.-K. Extreme learning machine: theory and applications,
Neurocomputing, 2006, Vol. 70, pp. 489-501.
18. Xie S.J., Yoon S., Yang J., Lu Y., Park D.S., and Zhou B. Feature component-based extreme
learning machines for finger vein recognition, Cogn. Comput., 2014, Vol. 6, pp. 446-461.
19. Khalil-Han M. and Eng P.C. FPGA-Based embedded system implementation of finger vein
biometrics, IEEE Symposium on Industrial Electronics and Applications (ISIEA 2010), October
3-5, 2010, Penang Malaysia.
20. Ayappan G. and Shankar A. Finger Vein biometric Authentication System, International Journal
of Trend in Research and Development, April 2017, Vol. 4 (2), pp. 51-53.
21. Yang W., Hu J., and Wang S. A finger-vein based cancellable bio- crypto system, in Proc. Int.
Conf. Netw. Syst. Secur., 2013, pp. 784-790.
22. Yang W., Wang S., Hu J., Zheng G., and Valli C. A fingerprint and finger-vein based cancelable
multi-biometric system, Pattern Recognit., 2018, Vol. 78, pp. 242-251.
23. Yang W., Hu J., Wang S., and Yang J. Cancelable fingerprint templates with Delaunay triangle-
based local structures, in Proc. Cyberspace Safety Secur.: 5th Int. Symp., 2013, pp. 81-91.
24. Vitomirand S., Nikola P. The complete Gabor-Fisher classifier for robust face recognition,
EURASIP J.Advances Signal Process., 2010, Vol. 2010, Art. no. 31.
25. Jin A.T.B., Ling D.N.C., and Goh A. Bio hashing: Two factor authentication featuring finger
print data and tokenised random number, Pattern Recognit., 2004, Vol. 37, pp. 2245-2255.
26. Kasun L.L.C., Zhou H., Huang G.-B., and Vong C.M. Representational learning with extreme
learning machine for big data, IEEE Intell. Syst., Dec. 2013, Vol. 28, No. 6, pp. 31-34.
Опубликован
2020-10-11
Выпуск
Раздел
РАЗДЕЛ III. МАШИННОЕ ОБУЧЕНИЕ И НЕЙРОННЫЕ СЕТИ