Найти

Результаты поиска

• НЕЙРОСЕТЕВАЯ МЕТОДИКА ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО РИСУНКУ ВЕН ЛАДОНИ

  В.А. Частикова , С.А. Жерлицын

  2022-11-01

  Аннотация ▼

  Описывается работа по созданию нейросетевой методики идентификации лично-
  сти, основанной на механизме сканирования и анализа рисунка вен ладони, как биометриче-
  ского параметра. В рамках проведенного исследования описаны предпосылки, цели и причи-
  ны, по которым разработка надежной системы биометрической идентификации является
  важным и актуальным направлением деятельности. Сформулирован ряд проблем, прису-
  щих существующим методам решения поставленной задачи: графовому методу и методу,
  основанному на вычислении расстояния, выраженного в различных интервальных метри-
  ках. Приведено описание принципов их работы. Сформулированы задачи, решаемые систе-
  мами идентификации личности: сопоставление субъекта идентификации с его идентифи-
  катором, однозначно идентифицирующим этого субъекта в информационной системе.
  Описан механизм считывания рисунка вен с ладони, разработанный для анализа изобра-
  жения, полученного с восприимчивой к излучению инфракрасного диапазона цифровой ка-
  меры. При нахождении в кадре ладони, подсвечиваемой светом ближнего ИК-диапазона, на
  изображении, полученном с камеры, становится заметен рисунок пролегающих под кож-
  ным покровом вен, сосудов и капилляров. В зависимости от организации, система иденти-
  фикации может на основе предоставленного идентификатора определять соответс т-
  вующий субъект доступа или проверять принадлежность того же идентификатора
  предполагаемому субъекту. Приведены 3 метода дальнейшего анализа биометрических
  данных и идентификации личности: подходы, основанные на категориальной классифи-
  кации и бинарной классификации, а также комбинированный подход, при котором сн а-
  чала используется идентификация по первому способу, а затем, по второму, но уже для
  известного идентификатора доступа, определённого на первом этапе. Приведена р е-
  зультирующая архитектура нейросети для категориальной классификации рисунка вен,
  описан способ вычисления количества параметров модели в зависимости от числа заре-
  гистрированных субъектов. Представлены основные выводы и экспериментальные зам е-
  ры точности работы системы при реализации различных методов, а также диаграммы
  изменения точности моделей во время обучения. Выявлены основные преимущества и не-
  достатки приведённых методов.

• МЕТОДЫ УСИЛЕНИЯ ПРОЦЕДУРЫ ИДЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ НА ОСНОВЕ ТЕХНОЛОГИИ LIVENESS DETECTION

  В.В. Золотарев , А. О. Поважнюк, Е.А. Маро

  2022-05-26

  Аннотация ▼

  Биометрические системы идентификации и контроля доступа содержат методы
  распознавания личности субъекта на основе уникальных физиологических и поведенческих
  характеристик. Целью данной работы является разработка системы безопасного взаимо-
  действия (аутентификации) участников геймифицированных образовательных проектов,
  включающая в себя противодействие угрозам безопасности, возникающим при использовании биометрических характеристик пользователей. Выполнен сравнительный анализ эф-
  фективности распознавания поддельных биометрических образцов методами liveness detection
  на основе выявления подмены образца с помощью фото, видео на дисплее,
  3D-модели, маски. В ходе исследования предложен способ применения метода liveness detection
  для внедрения в системы геймифицированной образовательной среды. Предложена
  модификация метода liveness detection (гибридный метод) и спроектирована система био-
  метрической идентификации в реальном времени с использованием предложенного мето-
  да. Разработан двухэтапный гибридный метод биометрической идентификации на основе
  совместного использования пассивных и активных программных методов выявления под-
  дельных биометрических образцов. Метод адаптирован для использования с минимальным
  количеством дополнительных используемых устройств, единственным сканером биомет-
  рических признаков является 2D-камера. Проведено тестирования работы сети видов дву-
  слойный персептрон, трехслойный персептрон и сверточная нейронная сеть. Обучение
  сети проводилось на собственных обучающих примерах. Положение диктора при записи
  обучающих примеров: расстояние лица от камеры – 60см, режимы записи при повороте
  головы на 0 (взгляд прямо в камеру), 30 (голова немного повернута в сторону) и 45 (голова
  сильно повернута в сторону) градусов. По итогам тестирования лучшие показатели рас-
  познавания были выявлены у сверточной нейронной сети с 3 сверточными слоями и 1 пол-
  носвязным. Получена точность распознавания произнесенного слова до 100% при повороте
  головы пользователя до 30° и до 70% - при повороте головы пользователя до 45°. При тес-
  тировании на выборке, состоящей из 1000 примеров, значение FAR данной системы соста-
  вило 1%, значение FRR составило 0%.