ВЕРИФИКАЦИЯ ДИНАМИЧЕСКИХ БИОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ЛИЧНОСТИ НА ОСНОВЕ ВЕРОЯТНОСТНОЙ НЕЙРОННОЙ СЕТИ
Аннотация
Биометрическая верификация личности используются преимущественно при доступе в компьютерные и мобильные системы, а также для удаленной (голосовой) верификации. При этом наибольшее распространение получили системы биометрической верификации по фиксированной парольной фразе, которые достаточно просты в реализации, но очень уязвимы для атак воспроизведения скомпрометированного короткого текста. Для устра- нения этого недостатка верификацию личности предлагается осуществлять по произ- вольному в отношении объема, содержания и языка тексту (текстонезависимая биомет- рическая верификация). В данной работе предлагается обобщенный подход к решению за- дачи верификации личности по динамическим биометрическим параметрам разной мо- дальности (клавиатурный почерк, рукопись, голос). Представление сигналов динамической биометрии осуществляется путем преобразования их в последовательности информаци- онных единиц, каждая из которых содержит одинаковое количество отсчетов биометри- ческого сигнала соответствующей модальности. Решение поставленной задачи осуществ- ляется путем контроля степени концентрации близко расположенных информационных единиц (кластеров) в определенных точках многомерного признакового пространства. Реа- лизуется такой контроль на вероятностной нейронной сети, осуществляющей статисти- ческую оценку плотности вероятности распределения информационных единиц в соответ- ствующих кластерах с последующим определением суммарной плотности вероятности для всего класса объектов. Преимуществами предлагаемого подхода являются: обобщение существенно различных методов текстонезависимой верификации личности по динамиче- ским биометрическим параметрам разной модальности; возможность принимать вери- фикационное решение за фиксированное время поступления биометрических данных, опре- деляемое размером используемого эталона; возможность задавать точность верифика- ции путем изменения размерности слоя образцов вероятностной сети. Недостатком предлагаемого подхода является необходимость программной реализации нейронной сети большой размерности. Однако этот недостаток быстро нивелируется с повышением про- изводительности средств вычислительной техники.
