НЕЙРОСЕТЕВАЯ МЕТОДИКА ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО РИСУНКУ ВЕН ЛАДОНИ

  • В.А. Частикова Кубанский государственный технологический университет
  • С.А. Жерлицын Кубанский государственный технологический университет
Ключевые слова: Биометрическая идентификация личности, рисунок вен ладони, сверточная нейронная сеть, бинарная классификация, категориальная классификация, информационная безопасность

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.

Литература

1. Chastikova V.A., Zherlitsyn S A., Volya Ya.I. Neyrosetevoy metod identifikatsii lichnosti po
neformalizovannoy semanticheskoy kharakteristike [Neural network method of identification
by unformalized semantic characteristics], Vestnik UrFO. Bezopasnost' v informatsionnoy
sfere [Urfu Journal. Security in the information sphere no], 2018, No. 4 (30), pp. 20-26. DOI
10.14529/secur180403. EDN YuNKCL.
2. Chastikova V.A., Zherlitsyn S.A., Volya Ya.I., Sotnikov V.V. Neyrosetevaya tekhnologiya
obnaruzheniya anomal'nogo setevogo trafika [Neural network technology for detecting anomalous
network traffic], Prikaspiyskiy zhurnal: upravlenie i vysokie tekhnologii [Caspian journal: Control
and High Technologies], No. 1 (49), pp. 20-32. DOI 10.21672/2074-1707.2020.49.4.020-032. EDN
WUCDII.
3. Jain A.K., Ross A. and Pankanti S. Biometrics: a tool for information security, Trans Inform
Forensics Secur, No. 1 (2), pp. 125-143.
4. Malatras A., Geneiatakis D. and Vakalis I. On the efficiency of user identification: a systembased
approach, Int. J. Inf. Secur., No. 16, pp. 653-671.
5. Im S., Park H., Kim Y, Han S., Kim S., Kang C., Chung C. A Biometric identification system
by extracting hand vein patterns, J Korean Phys Soc., Vol. 28 (3), pp. 268-272.
6. Sarkar A. and Singh B.K. A review on performance, security and various biometric template
protection schemes for biometric authentication systems, Multimed Tools Appl, Vol. 79,
pp. 27721-27776.
7. Hancock J T and Khoshgoftaar T M Survey on categorical data for neural networks, Journal of
Big Data, Vol. 7, No. 28.
8. Chastikova V.A., Zherlitsyn S.A. and Y.I. Volya Neural network method of identification by
unformalized semantic characteristics, News of Volgograd State Technical University no,
Vol. 8 (218), pp. 63-67.
9. Blokus A. and Krawczyk H. Systematic approach to binary classification of images in video
streams using shifting time windows, SIViP, No. 13, pp. 341-348.
10. Hassanat A.B., Albustanji A., Tarawneh A.S., Alrashidi M., Alharbi H., Alanazi M., Alghamdi
M., Alkhazi I.S., & Prasath V. Deep learning for identification and face, gender, expression
recognition under constraints, ArXiv, abs/2111.01930, 2021.
11. Soleymani S., Dabouei A., Taherkhani F., Iranmanesh S.M., Dawson J.M., & Nasrabadi N.M.,
Quality-Aware Multimodal Biometric Recognition, ArXiv, abs/2112.05827, 2021.
12. Mugalu B.W., Wamala R.C., Serugunda J., & Katumba A. Face Recognition as a Method of
Authentication in a Web-Based System, ArXiv, abs/2103.15144, 2021.
13. Marattukalam F., Abdulla W.H., & Swain A.K. 2021 N-shot Palm Vein Verification Using
Siamese Networks, 2021 International Conference of the Biometrics Special Interest Group
(BIOSIG), pp. 1-5.
14. Meng Z., Altaf M.U., Juang B. Active voice authentication, ArXiv, abs/2004.12071, 2020.
15. Stragapede G., Vera-Rodríguez R., Tolosana R., Morales A., Acien A., & Lan G.L. Mobile
Behavioral Biometrics for Passive Authentication, ArXiv, abs/2203.07300, 2022.
16. Fuksis R., Pudzs M., Greitans M. Palm Vein Biometrics Based on Palm Infrared Imaging and Complex
Matched Filtering, The 12th ACM Workshop on Multimedia and Security, Rome, 2009, pp. 27.
17. Chastikova V. A., Zherlitsyn S. A., Volya Y.I. Analysis of training of deep neural networks with
heterogeneous architecture while detecting malicious network traffic, IOP Conference Series:
Materials Science and Engineering, Krasnoyarsk, Russian Federation: IOP Publishing Ltd,
2021, pp. 12135. DOI 10.1088/1757-899X/1047/1/012135.
18. Chastikova V.A., Titova A.A., Voylova D.O. Analiticheskiy obzor metodov identifikatsii lichnosti na
osnove biometricheskikh kharakteristik [Analytical review of personal identification methods based
on biometric characteristics], Vestnik Adygeyskogo gosudarstvennogo universiteta. Seriya 4:
Estestvenno-matematicheskie i tekhnicheskie nauki [Bulletin of the Adyghe State University.
Series 4: Natural-mathematical and technical sciences], 2022, No. 1 (296), pp. 92-112.
19. Promyslov V.G., Semenkov K.V., Mengazetdinov N.E. Issledovanie metodov autentifikatsii
operatorov v promyshlennykh sistemakh upravleniya [Research of methods of authentication
of operators in industrial control systems], Problemy upravleniya [Management Problems],
2022, No. 3, pp. 40-54.
20. Artamonov V.A., Artamonova E.V. Iskusstvennyy intellekt i bezopasnost': problemy,
zabluzhdeniya, real'nost' i budushchee [Artificial intelligence and security: problems, delusions,
reality and future], Rossiya: tendentsii i perspektivy razvitiya [Russia: trends and development
prospects], 2022, No. 17-1, pp. 585-594.
Опубликован
2022-11-01
Выпуск
Раздел
РАЗДЕЛ II. АЛГОРИТМЫ ОБРАБОТКИ ИНФОРМАЦИИ