Генетиците създават технологии за идентифициране на човек. Софтуерно средство за дипломна работа за идентифициране на лице чрез гласова система за персонална идентификация

„Повече от 1000 компютърни програми…“ разказа за софтуерен пакет за идентифициране на човек по снимка с помощта на геометрични характеристики, създаден в Института по информатика на Научно-техническия център „Съвременни информационни технологии“ на Академията на науките на Узбекистан.

След публикацията получихме писмо от Борис Филатов, който каза, че също е автор на подобна програма.

Програмата „Персонална идентификация по антропометрични лицеви точки” е създадена в резултат на финалната квалификационна работа за бакалавърска степен в университета. Когато дойде време да одобрявам темите на дипломните си работи, дълго се колебаех - каква тема да избера, в каква посока? Винаги съм се интересувал от работа с графика, затова реших да се свържа с учител, който работи в тази област. Моят учител, Наргиза Алоходжаевна Арипова, ми предложи да се занимавам с цифрови изображения. Веднага ме предупредиха, че тази тема е рядка и ще има проблеми с намирането на информация. Но темата ми беше привлекателна и реших все пак да я направя.

Наргиза Алоходжаевна ме насочи към специалист в областта на цифровата обработка на изображения, кандидат на техническите науки, Виктор Николаевич Кан. Той ми предложи темата за личната идентификация и стана мой ръководител. Освен това член на Беларуския институт по кибернетика ми оказа голяма помощ при намирането на материали и информация. Дмитрий Иванович Самал. Бих искал да използвам възможността да благодаря на тези хора за техния принос и помощ в работата ми.

Работа на програмата

От името на програмата - "Персонална идентификация по антропометрични точки на лицето" - става ясно, че тя е предназначена да идентифицира човек по неговия цифров образ. Уместността на тази тема се крие във факта, че напоследък имаше големи проблеми с осигуряването на безопасен достъп на хората до различни обекти, независимо дали става дума за затворена база данни или секретна лаборатория. Следователно става необходимо да се идентифицира човек и да се определи дали това лице има право да влезе в системата или е някакъв вид нападател.

Защо е избрано идентифицирането на човек въз основа на изображение на лицето, а не на пръстови отпечатъци или линии на ръката на човек? При идентифициране на лице чрез лицево изображение няма физически контакт между лицето и устройството. Този вид идентификация е естествен и не носи неудобство на човек. Антропометричните характеристики на лицето са тези характеристики, които не се променят с времето, като се започне от момента, в който човек завърши растежа (21-25 години) и завърши със старостта.

Основната цел на програмата е да сравни две снимки и да определи дали снимките са различни хора или едно и също лице. Първо се зареждат няколко снимки. След това всяко от изображенията се обработва и на базата на получените параметри се прави сравнение. Изображението преминава през два етапа: етап на обработка на изображението и етап на извличане на информативни характеристики.

Програмата извършва такива трансформации като замъгляване на изображението, подчертаване на областта на лицето, бинаризация на изображението, инверсия на цветовете, откриване на ръбове и преобразуване на цветно изображение в сива скала. С помощта на тези трансформации изображението се подготвя за търсене на основните антропометрични точки на лицето. Първо, зоните на лицето са разделени на решетка в съответствие с антропологичната структура на човешкото лице. След това в съответните области се претърсват центровете на зениците, ноздрите, върха на носа и центъра на устата.

Въз основа на намерените антропометрични точки на лицето се изчисляват основните характеристики на изображението. След като всяко изображение бъде обработено, двете изображения се сравняват според изчислените характеристики и се дава процентната стойност на приликата или разликата на личностите.

Разработка на програма

Тази тема е сравнително нова, така че много разработчици непрекъснато работят върху нея, подобрявайки софтуерните продукти. В Ташкент тази тема се занимава от Института по кибернетика ( бивш, сега - Институт по информатика на Академията на науките на Република Узбекистан, ок. уебсайт), който си сътрудничи с Беларуския институт по кибернетика. В тези институти вече са създадени програми, подобни на моята. Следователно, когато възникнаха въпроси, беше възможно да се зададат въпроси или да се потърси съвет. Но помощта беше ограничена до малко количество информация, така че цялата работа беше извършена от мен. Създаването на програмата отне около три месеца.

Разработената програма е пълноценен софтуерен продукт, въпреки че все още трябва да се работи много по него, за да се доведе до идеално състояние. Програмата все още не е подходяща за практическо приложение и редица мои идеи останаха нереализирани. За изпълнението на проекта освен софтуерната част са необходими технически средства и множество тестове, за които е необходим финансов ресурс. С удоволствие бих го довел докрай, но един човек не може да се справи с такава задача, необходим е екип, тогава процесът ще върви много по-бързо.

Борис Филатов

P.S. Програмата е разработена в Microsoft Visual C++ 6.0.

2.1. Лична идентификация.

Идентификацията на човек е процесът на установяване на самоличността на дадено лице въз основа на комбинация от признаци чрез сравняването им.

Установяването на самоличността на дадено лице в повечето случаи означава да се определи неговото фамилно име, собствено име, бащино име, година на раждане, място на раждане и други инсталационни данни, които са необходими за недвусмислената идентификация на дадено лице. За целите на идентификацията са разработени и използвани различни методи.

визуална идентификация

Най-разпространеният в икономическата, правоприлагащата и някои други области на човешката дейност днес е методът за идентифициране на лицето според личните документи на дадено лице, които са предназначени да потвърдят основните инсталационни данни на дадено лице. Основният документ за самоличност у нас е паспортът. Ако дадено лице го демонстрира или при него се намери паспорт (или подобен документ), се счита, че това е лицето, чиито данни са в паспорта. За да потвърдите това, в паспорта се поставя снимка, която позволява методът за сравняване на външния вид да потвърди или опровергае самоличността на притежателя на паспорта.

Електронна идентификация

При идентифициране на лице в „електронен вид“ (Интернет, пластмасови карти, обществени услуги в електронен вид, електронни и мобилни разплащания и др.) е необходимо да се използва идентификационен номер, присвоен или на дадено лице, или на личните му данни, който може недвусмислено да определи съответствието на личните данни и този човек.

2.2. Политика за идентификация

Идентифицирането на лице (лични данни на лице) може да се извърши по различни начини:

Едно, незаменимо число през целия живот

Номер, който се променя поради промяна в данните на дадено лице

Използване на набор от числа за идентификация

Въпросът за избора на методи за идентификация е от решаващо значение за развитието на всяка информационна система, която отчита личните данни на гражданите и друга информация, която дава възможност на лицето да получава всякакви услуги, както обществени, така и търговски.

2.3. Видове идентификация

Централизирана идентификация - включва събиране на цялата информация на най-високо (федерално) ниво

Разпределената идентификация е съхраняването на информация за субекта на мястото на неговата регистрация. С разпределената идентификация може да се организира обмен на идентификационни данни между различни нива на регистрация.

Йерархична идентификация - информацията за идентифицирания обект присъства на всички нива на йерархията.

3. Основни информационни ресурси

3.1. Единен основен информационен ресурс

За организиране на междуведомствено взаимодействие при предоставянето на всякакви услуги на населението в електронна форма могат да се използват различни методи за поддържане на ресурси, съдържащи идентификационни данни на лице. Като идеален вариант, наличието на един основен информационен ресурс. Ресурс, който е основен за всички други информационни ресурси, които съдържат и натрупват данни в процеса на изпълнение на функциите си.

В случай на използване на единичен основен информационен ресурс, всяка промяна в идентификационните данни за даден гражданин води до промяна в тези данни във вторичните ресурси, т.е. информацията, съхранявана в един основен информационен ресурс, е единствената вярна за всички други. Това е идеалната ситуация.

3.2. Основни информационни ресурси

По време на преходния период (преди създаването на единен основен информационен ресурс) е допустимо да се използват няколко основни информационни ресурса, които вече са натрупали доста голямо количество информация за гражданите и продължават да извършват това натрупване при изпълнение на своите функции (в Русия това са FMS, FNM, PFR, Rosreestr, Министерството на вътрешните работи и редица други ресурси). Когато се използват няколко основни информационни ресурса, е необходимо да се решат редица доста сериозни проблеми:

Дефиниране на базови идентификатори

Съпоставяне на базовите идентификатори един към друг

Дефиниране на първични (главни) ресурси, които ще служат като отправна точка за всички останали

Определяне на процедура за коригиране на грешки и въвеждане на промени в основните ресурси, ако бъдат открити такива

Ако има голям брой такива ресурси, работата с тях ще бъде много трудна, както и рискът от ситуация с неправилно идентифицирани лични данни на граждани.

4. Правно основание за извършване на идентификация

4.1. Гражданска идентификация

Въпросите за присвояване на идентификатор на лични данни на граждани трябва да се определят от регулаторен правен акт, който трябва да определя къде, кога, от кого се присвоява идентификаторът, от кого се поддържа, къде се съхранява и как се прилага. Ако има няколко идентификатора, трябва да се опишат зоните на тяхното приложение и зоните на контакта им. Без законова и регулаторна консолидация на тези фундаментални норми, процесът на използване на основни идентификатори е обречен на провал.

4.2. Създаване на информационни (информационни) ресурси

След регулаторното и законово консолидиране на основите на идентификацията е необходимо да се определят основните принципи за разработване на информационна система (системи), която позволява идентифицирането на гражданите. Тази система (системи) трябва не само да осигури натрупването на информация за гражданите, но и да има цялата инфраструктура. Което ще ви позволи да използвате този информационен ресурс, не само в софтуерната част, но и в хардуерната. Използването на този ресурс навсякъде трябва да предполага наличието на обширна мрежа за предаване на данни, достъпът до която трябва да бъде осигурен от всяка точка на страната (и от други държави), трябва да бъдат определени всички принципи за сигурност на информацията, осигуряващи защита срещу неоторизиран достъп както отвътре така и отвън. Освен това трябва да се решат въпросите за осигуряване на достатъчна производителност на този информационен ресурс, тъй като обменът на информация с основния информационен ресурс е с няколко порядъка по-висок, отколкото с ресурсите, използвани за всеки отделен клон на дейност.

Федерална агенция за образование

Държавно учебно заведение

висше професионално образование

"ИЖЕВСКИ ДЪРЖАВЕН ТЕХНИЧЕСКИ УНИВЕРСИТЕТ"

Факултет по информатика и компютърно инженерство

Отдел Софтуер

ОБЯСНИТЕЛНА ЗАПИСКА

за дипломна работа на тема:

„Система за идентификация с пръстови отпечатъци.

Подсистема за анализ на изображения»

Дипломиран студент

ученик от група 10-19-1 Краснов Н.И.

Ръководител

Доктор на техническите науки, професор Муринов А.И.

Икономически консултант

Кандидат по икономика, доцент Радигина И.И.

Консултант по сигурността

и екологичност на проекта Yakimenko G.F.

Контрол на нормата Соболева V.P.

Рецензент

вед. инж. Кропачева Л.Н.

началник отдел

"Софтуер"

Доктор на техническите науки, професор Муринов А.И.

РЕЗЮМЕ

Обяснителна бележка към дипломната работа на тема „Системата за лична идентификация чрез пръстови отпечатъци. Подсистема за анализ на изображения” е проектирана на 121 листа, съдържа 31 фигури, 17 таблици.

Целта на тази работа е да се разработи подсистема за анализ на изображения на пръстови отпечатъци като част от система за идентификация на пръстови отпечатъци, базирана на папиларен модел за по-нататъшно разпознаване на личността.

Работата включва разработване и внедряване на алгоритъм за елиминиране на изкривявания в изображението на пръстовия отпечатък, получен чрез сканиране на пръстовия отпечатък. Разработване и внедряване на конвертиране на монохромен пръстов отпечатък в структурирана форма, подходяща за обработка (сравнение).

За написването на съответния софтуер са изследвани материали и публикации в областта на цифровата обработка на изображения, векторизацията, биологичната структура на човека и биометричните параметри.

В резултат на извършената работа беше разработен софтуер, предназначен да автоматизира процеса на обектно описание на пръстови отпечатъци въз основа на характерните характеристики на мрежи от всякакъв папиларен модел. Характеристиките на местните характеристики, получени в резултат на работата на подсистемата, се използват в по-нататъшната работа като част от системата.

Към днешна дата има готови системи за персонална идентификация, които имат висока степен на защита, скорост и лекота на използване. Нито една от съществуващите разработки обаче не предоставя обективно описание и метод за сравняване на пръстови отпечатъци. Всички разработки са уникални, имат собствени иновации, ноу-хау и представляват търговска тайна.

Тази разработка е с отворен код и позволява структурно описание на папиларния модел. Следователно тази разработка е уникална и няма аналози в съвременната индустрия за компютърна обработка на изображения. Трябва да се отбележи, че използваният метод е подходящ не само за описание на изображението на пръстови отпечатъци, но и за обектно описание на други битови изображения, като информация за символи, шрифтове и подписи.

Разработеният софтуер е изследователски софтуер, който е насочен към изучаване и анализ на методите за обработка на изображения и техните описания. Той вече е бил използван за получаване на важни експериментални данни, използвани в тази работа. Крайният софтуерен продукт може да бъде обвивка, представляваща до голяма степен автоматизиран интерфейс за лична идентификация.

ВЪВЕДЕНИЕ

1. РАЗРАБОТВАНЕ НА СИСТЕМА ЗА ЛИЧНА ИДЕНТИФИКАЦИЯ С ПРЪСТОВ ОТПЕЧАТЪК

1.1. Обосновка на целесъобразността от разработване на система за лична идентификация чрез пръстови отпечатъци

1.1.1. Предназначение на системата

1.1.2. Характеристики на функционалната структура на системата

1.1.3. Обосновка на целта за създаване на система

1.1.4. Обосноваване на състава на автоматизирани задачи

1.2. Аналитичен преглед

1.2.1. Фирма BioLink

1.2.1.1. Система за управление BioLink BioTime 2006

1.2.1.2. Софтуерен сървър BioLink

1.2.2. Microsoft IntelliMouse Explorer с четец на пръстови отпечатъци

1.2.3. Мобилен телефон GI100

1.2.4. Adobe Photoshop Editor

1.2.5. Софтуер за разпознаване на текст Fine Reader

1.2.6. Заключение за документен преглед

1.3. Основни системни изисквания

1.3.1. Основните цели на създаването на система и критерии за ефективността на нейното функциониране

1.3.2. Функционално предназначение на системата

1.3.3. Характеристики на системата и условията на нейната работа

1.3.4. Изисквания към функционалната структура

1.3.5. Изисквания за техническа поддръжка

1.3.6. Изисквания за информационно осигуряване

1.3.7. Софтуерни изисквания

1.4. Основни технически решения на дизайна на системата

1.4.1. Решение за комплекс от технически средства

1.4.2. Описание на софтуерната система

2. РАЗРАБОТВАНЕ НА ПОДСИСТЕМА ЗА АНАЛИЗ НА ИЗОБРАЖЕНИЕ НА ПРЪСТОВ ОТПЕЧАТЪК

2.1. Описание на формулировката на проблема за подсистемата за анализ на изображения на пръстови отпечатъци

2.1.1. Описание на задачата

2.1.2. входна информация

2.1.3. Отпечатък

2.1.4. Математическа постановка на проблема

2.1.5. Функционална схема на подсистемата за анализ на папиларния модел

2.2. Описание на постановката на проблема за откриване на дефекти при сканиране и тяхното отстраняване

2.2.1. Описание на задачата

2.2.2. входна информация

2.2.3. Отпечатък

2.2.4. Математическа настройка

2.2.5. Алгоритъм за решаване на задачата

2.2.5.1. Описание на алгоритъма "Формиране на списъка с редове"

2.2.5.2. Описание на алгоритъма "ChangeLine".

2.3. Описание на постановката на проблема Идентифициране на местни характеристики

2.3.1. Описание на задачата

2.3.2. входна информация

2.3.3. Отпечатък

2.3.4. Математическа постановка на проблема

2.3.5. Алгоритъм за решаване на задачата

2.3.5.1. Описание на алгоритъма "Формиране на списъка с редове"

2.3.5.2. Описание на алгоритъма "ReadLine".

2.4. Описание на задачата за сортиране на списъка с абсолютни параметри, изключвайки фалшиви и ненадеждни детайли

2.4.1. Описание на задачата

2.4.2. входна информация

2.4.3. Отпечатък

2.4.4. Математическа настройка

2.4.5. Алгоритъм за решаване на задачата

2.5. Описание на подпрограмите

2.5.1. Подпрограма NextDotCW

2.5.2. Подпрограма NextDotCCW

2.5.3. Подпрограма LookPic

2.5.4. Подпрограма ChangeLine

2.5.5. Подпрограма ReadPic

2.5.6. DotsFilter рутина

2.5.7. Подпрограма AnalyzePicture

2.6. Описание на тестовия случай

2.6.1. Цел на програмата

2.6.2. Изходни данни

2.6.3. Тестов случай

2.6.4. Софтуерно тестване на системата за пръстова идентификация

3. ОРГАНИЗАЦИОННО-СТОПАНСКА ЧАСТ

3.1. Обосновка за необходимостта от разработване на система за разпознаване на пръстови отпечатъци

3.2. Изчисляване на разходите за разработване на система за разпознаване на пръстови отпечатъци

4. ПРОЕКТ ЗА БЕЗОПАСНОСТ И ОКОЛНА СРЕДА

4.1. Анализ на опасни и вредни фактори, възникващи при работа на компютър

4.2. Безопасност на компютъра

4.3. Организация на работното място на оператора

4.4. Изисквания към параметрите на микроклимата на помещението

4.5. Изисквания към осветлението и изчисляване на изкуственото осветление

4.6. Пожарна безопасност

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЕ 1 ТЕКСТ НА ПРОГРАМАТА

ПРИЛОЖЕНИЕ 2 РЪКОВОДСТВО НА ПРОГРАМИСТА

ПРИЛОЖЕНИЕ 3 РЪКОВОДСТВО ЗА ОПЕРАТОРА

ПРИЛОЖЕНИЕ 4 РЕЗУЛТАТИ ОТ ТЕСТА

ПРИЛОЖЕНИЕ 5 АЛТЕРНАТИВНО ИЗПОЛЗВАНЕ НА ПРОГРАМАТА СПИСЪК СЪС СИМВОЛИ

ST - специфична точка (минута)

БД - база данни с пръстови отпечатъци

ЕГН - ЕГН

CCD - устройство със зарядна връзка

CMOS - технология за производство на чипове (полупроводник от силициев метален оксид)

OP - пръстов отпечатък

dpi - брой точки на инч (точка на инч)

Софтуер - софтуер

OS - операционна система

КОМПЮТЪР - електронен компютър

PC - персонален компютър

ВЪВЕДЕНИЕ

Паролите, личните идентификационни номера и специалните идентификационни карти се превърнаха в жизненоважна необходимост в наше време. Например, за да получите пари от банкомат, имате нужда от ПИН код; за достъп до имейл програма или определена категория компютърни данни, имате нужда от парола. В светлината на последните събития в света, особено във връзка с нарастващата активност на международния тероризъм, все повече внимание се обръща на въпросите за сигурността.

По този начин човек трябва да съхранява в паметта си огромен брой различни комбинации от цифри и букви. За да облекчат съдбата на съвременния човек, компаниите, специализирани в производството на компютри, започнаха да разработват биометрични технологии. Биометрията е наука, която изучава възможностите за използване на различни характеристики на човешкото тяло (било то пръстови отпечатъци или уникалните свойства на човешката зеница или глас) за идентифициране на всеки индивид. Използвайки биометричните технологии, човек никога няма да може да забрави необходимата му парола или код, тъй като палецът, гласът или зеницата на окото са винаги с него /1/.

Пръстовият отпечатък образува така наречените папиларни линии върху изпъкналите издатини на кожата, разделени от бразди. Тези линии образуват сложни модели (дъга, бримка и къдря), които имат свойствата на индивидуалност и оригиналност, което ви позволява абсолютно надеждно да идентифицирате човек. Въпреки че процентът на отказан достъп на оторизирани потребители е около 3%, процентът на грешен достъп е по-малко от едно на милион. Предимствата на достъпа с пръстови отпечатъци са лекота на използване, удобство и надеждност. Целият процес на идентификация отнема малко време и не изисква усилия от тези, които използват тази система за достъп. Изследванията показват също, че използването на пръстов отпечатък за лична идентификация е най-удобният от всички биометрични методи. Вероятността от грешка при идентифицирането на потребителя е много по-малка в сравнение с други биометрични методи /2/. Освен това устройството за идентификация на пръстови отпечатъци не изисква много място на клавиатурата или в механизма.

Полученото изображение на пръстов отпечатък е растер, който може да бъде описан по специален начин въз основа на структурата на папиларния модел. Чрез идентифициране на структурата на отпечатъка, той може да се сравни с други отпечатъци и да се идентифицират тези, които са подобни или да се каже, че отпечатъците са различни.

Работата е посветена на анализ на растера, получаване на обектен модел и търсене на подобни отпечатъци.

1. РАЗРАБОТВАНЕ НА СИСТЕМА ЗА ПЕРСОНАЛНА ИДЕНТИФИКАЦИЯ С ПРЪСТОВ ОТПЕЧАТЪК

1.1. Обосновка на целесъобразността от разработване на система за лична идентификация чрез пръстови отпечатъци

1.1.1. Предназначение системи

Системаидентификацията на пръстови отпечатъци осъществява идентификация на личността въз основа на биометричните параметри на човешкото тяло, а именно структурата на пръстовите отпечатъци. Системата е предназначена за обработка на графични изображения на отпечатъци. Системата ви позволява да сравнявате няколко разпечатки един с друг според избраните местни характеристики. Локалните характеристики са детайлите и техните относителни параметри (местоположението на някои детайли спрямо всички останали), което гарантира, че сравнението е независимо от паралелната транслация и ротация.

Програмният продукт ще намери приложение в различни приложни системи /3/, включително:

1) системи за гражданска идентификация;

2) системи за криминалистична идентификация;

3) широкомащабни търговски приложения.

Системите за гражданска идентификация включват:

Шофьорски паспорти;

Национални лични карти на граждани;

Регистрация на избиратели;

Регистрация за социални програми;

Имиграционна регистрация, визи;

Идентификация на служители на публични институции.

Системите за съдебна идентификация включват:

Този гражданин издирван ли е?;

предишни присъди;

Регистрация на затворници/контрол на достъпа;

Мобилни и отдалечени приложения;

Обработка на следи от пръстови отпечатъци, получени от местопрестъпления.

Мащабните търговски приложения включват:

Достъп до уеб-ресурси, електронна търговия;

Достъп за потребители и служители;

Финансови услуги, проверка на плащания;

Достъп до сгради и помещения;

Програми за лоялност.

1.1.2. Характеристика функционален структури системи

Функционалната схема на системата е показана на фиг. 1.1.

Обработката на изображението се състои от следните стъпки:

1) въвеждане на изображението в системата за идентификация на пръстови отпечатъци;

2) в подсистемата за анализ на изображение растерът се обработва, за да се потисне шумът, както и да се елиминират типичните изкривявания на изображението, като счупвания или залепване на дъги на папиларния модел;

3) в подсистемата за анализ на изображението се избират локални характеристики, като край и бифуркация, за по-нататъшно разпознаване на отпечатъка;

4) в подсистемата за анализ на изображения се сортират получените параметри на локални характеристики;

5) в подсистемата за разпознаване абсолютните параметри на специалните точки се преобразуват в относителни параметри, за да се предотврати влиянието на паралелния трансфер и въртене на пръста при сканиране на пръстов отпечатък;

6) разпознаването на пръстови отпечатъци в базата данни със съществуващи пръстови отпечатъци се основава на относителните параметри на всяка точка за всеки пръстов отпечатък, съхраняван в базата данни.

Функционална схема на система за разпознаване на пръстови отпечатъци

Подсистема за анализ - подсистема за разпознаване

1.1.3. Обосновка на целта за създаване на система

Проблемите на структурния анализ на изображенията имат широк спектър от приложения, вариращи от растерна векторизация до разпознаване на образи. Структурният анализ на изображенията предполага избор на структурни x елементи, като линия, площ, компактен елемент (буква) и т.н.

В момента надеждната защита на информацията е един от основните критерии, по които трябва да се избират системи, предназначени да съхраняват и обработват важна информация. Това се дължи на съществуващата вероятност от неоторизиран достъп до такива системи, тъй като те имат обширно информационно взаимодействие със свързани системи за контрол чрез мрежата INTRANET. Следователно осигуряването на информационна сигурност трябва да бъде най-важната стъпка в тяхното развитие /3/.

Защитата, основана на биометричните параметри на човешкото тяло, по-специално чрез пръстови отпечатъци, има редица неоспорими полюси: лекота на използване, удобство и надеждност. Целият процес на идентификация отнема малко време и не изисква усилия от тези, които използват тази система за достъп. Изследванията показват също, че използването на пръстов отпечатък за лична идентификация е най-удобният от всички биометрични методи. Вероятността от грешка при идентифицирането на потребителя е много по-малка в сравнение с други биометрични методи. Освен това устройството за идентификация на пръстови отпечатъци не изисква много място на клавиатурата или в механизма.

В повечето случаи работата с важна информация също означава вземане на навременни решения и непрекъснато управление на напредъка. В тази връзка има нужда от непрекъснато потвърждение на самоличността (ако човек по някаква причина напусне работното си място, тогава всеки по това време ще може да задава команди за дистанционно управление или отговорни команди). Методът на "еднократно влизане в мрежата" не може да осигури такова потвърждение на самоличността, а въвеждането на парола след всяка команда е натоварващо /4/.

Въпреки че на пазара има готови системи, те наред с предимствата си имат и редица недостатъци, като затвореността на изходния код и алгоритъма, в резултат на което невъзможността да ги използват в своите системи, както и като високата цена. В резултат на това има смисъл да се разработи система, която да даде възможност на всички разработчици да имат готова база за разработване на собствени проекти, базирани на биометрични технологии. И също така предоставят обективно описание на различни, не само папиларни модели, изображения.

Целта на тази работа е да се разработи и приложи такава трансформация на изображението, при която данните за местоположението на уникалните характеристики се съхраняват най-пълно и с най-малко количество невярна информация.

Създаваната система има търсене и изследователски характер и е насочена към улесняване на разработването на алгоритми за обработка на изображения, опростяване на анализа на експериментални данни и идентифициране на общи модели.

1.1.4. Обосновка състав автоматизиран задачи

Внедряване на систематаидентифицирането на човек чрез пръстови отпечатъци ще позволи интегрирането в един интерфейс на всички етапи на обработка на изображение на пръстов отпечатък и сравняването му с други пръстови отпечатъци:

1) анализ на параметрите на изображението, откриване на дефекти при сканиране и тяхното отстраняване;

2) подчертаване на местни особености - дреболии. формиране на списък от дреболии в абсолютни параметри;

6) сравнение на един отпечатък с много други;

7) методът за съхраняване на описанието на пръстовите отпечатъци ви позволява да приложите резултата от програмата за различни области на дейност.

1.2. Аналитичен преглед

Както вече беше споменато във въведението, методът за идентификация на пръстови отпечатъци е известен отдавна и с навлизането на електронните изчислителни технологии започнаха да се появяват софтуерни продукти за анализ и сравнение на изображения.

1.2.1. Твърд BioLink

INводещ доставчик на технологии за сигурност, проектира, произвежда и продава модерни биометрични продукти, базирани на принципа на пръстов отпечатък. Предложените решения формират основата за системи за удостоверяване на потребителите в компютърни мрежи, платформи за електронна търговия и системи за защита на физически достъп.

BioLink предлага набор от продукти, базирани на собствени технологии за сканиране на пръстови отпечатъци и изображения, както и алгоритъм за удостоверяване един към много, които решават много от съвременните проблеми със сигурността /5/.

1.2.1.1. СЪС контролна система BioLink BioTime 2006

СЪСсистема за управление на времето, която е най-новата разработка на BioLink. BioTime 2006 опростява обичайните задачи по счетоводството и управлението на времето и осигурява простота, лекота и удобство при влизане и напускане на служителите на компанията. Освен това системата BioTime 2006 предоставя различни видове справки за закъснения, пропуски и обработка на служителите, часа на тяхното пристигане и напускане, а също така автоматизира създаването на график за работно време /5/.

1.2.1.2. Софтуерен сървър BioLink

Софтуерен сървър BioLink Authenteon Software Appliance (ASA) е софтуерът на BioLink за съпоставяне на образец на пръстови отпечатъци. ASA съчетава защита с парола и клиент-сървър удостоверяване за влизане в Windows, Novell и NFS, за да реши един от най-належащите проблеми със сигурността днес - положителната самоличност на потребителите на корпоративната мрежа. Сървърът поддържа до 300 потребители /5/.

1.2.2. Microsoft In T elliMouse Explorer с четец на пръстови отпечатъци

Обявени Microsoft през есента на 2004 г. нова линия продукти, използващи биометрични технологии - скенер за пръстови отпечатъци, клавиатура с вграден скенер и безжична оптична мишка със скенер има следните възможности /6/:

1) вземане на пръстов отпечатък с краткотрайно нанасяне на пръст върху скенера;

2) поддържане на мениджър на пароли за уеб интерфейси;

3) възможност за идентифициране на лицето за влизане в системата с приложение с един пръст.

Продуктът е подходящ за персонален компютър. Софтуерът има много ограничена функционалност. Няма начин да получите параметрите на сканирания пръстов отпечатък, да зададете допълнителни действия в зависимост от това кой пръст е приложен.

1.2.3. Мобилен телефон GI 100

GI100- първият телефон с разпознаване на пръстови отпечатъци. Пръстовите отпечатъци се използват както за набиране, така и за игри. Всеки от пръстите на собственика на телефона се използва за бързо набиране на един от десетте номера, въведени в паметта на телефона. По същия начин по време на игри можете да използвате пръстови отпечатъци вместо да натискате бутони.

Ограничаване на достъпа - при включване на телефона се сканира пръстовият отпечатък на този, който го е включил. Големият недостатък на продукта е, че при три пъти неуспешно разпознаване на пръстов отпечатък се изисква въвеждане на парола. Така достъп до телефона може да получи не собственикът, а просто човек, който знае паролата /7/.

1.2.4. Редактор Адобе Фотошоп

Професионален редактор на растерни изображения. Основни функции:

1) контрол на цвета и тона на компонентите на изображението: възможност за избор на палитра, замяна на цветове, поддръжка на 32-битов цвят (прозрачност), възможност за изграждане на хистограми за разпределение на цветовете;

2) интелигентно редактиране на изображения: инструменти за контекстна растерна корекция за постигане на фотореализъм;

3) широк набор от филтри, които ви позволяват да променяте и подобрявате изображението;

4) възможност за създаване на много независими слоеве в едно изображение.

Продуктът е предназначен за професионално редактиране на фотографски изображения, има мощен набор от инструменти за подобряване на тяхното качество. По-малко подходящ за обработка на изкуствени изображения. Интерфейсът има известна когнитивност, която обаче е ограничена от обхвата на растерния модел /8/.

1.2.5. OCR софтуер Глоба читател

Професионална програма за разпознаване на печатен текст. Основни функции:

2) интелигентно определяне на местоположението на редове и знаци в текста, разпознаване на знаци, когато са неточно сканирани или шумни;

3) възможност за коригиране на неправилно разпознати знаци;

4) възможност за запазване на разпознатия текст като документ на Word или PDF.

Продуктът е предназначен да разпознава печатен текст с различна сложност след сканиране, има мощен набор от инструменти за подобряване на качеството на разпознаване, както и коригиране на неточно разпознати знаци. Няма възможност за допълване на набора от разпознаваеми знаци, в резултат на което приложението се ограничава само до разпознаване на печатен текст /9/.

1.2.6. Заключение за документен преглед

Списъкът на софтуерните продукти, разбира се, може да бъде разширен, но все пак най-характерните и популярни разработки са включени в него.

Сред софтуерните продукти, предназначени за идентифициране чрез папиларен модел, могат да се разграничат основните характеристики:

1) програмите реализират възможността за достъп чрез пръстови отпечатъци;

2) възможна е обработка със стандартни функции (яркост, контраст, преоразмеряване);

3) разпознаване на знаци;

4) никоя програма не ви позволява да коригирате изображението въз основа на типичните характеристики на отпечатъка, да дадете описание на обекта на отпечатъка и също така да ви даде възможност да прилагате алгоритми за обработка отделно за вашите собствени задачи.

Във връзка с посочените характеристики на съществуващите софтуерни инструменти и поради факта, че използването на биометрични методи позволява повишаване на сигурността и лекотата на използване на системите (вижте точка 1.1.1), за повечето разработчици ще бъде удобно да използват готов -изработен модул за пръстови отпечатъци. Следователно е уместно да се разработи система с отворен код, която позволява структурно описание на папиларния модел. Възможност за получаване на обективното му описание и сравнение. Прилагането на алгоритъма не само за описание на изображението на пръстови отпечатъци, но и за описание на обекта на други битови изображения, като информация за символи, шрифтове и подписи.

Тази задача се решава от системата за разпознаване на пръстови отпечатъци.

1.3. Основни системни изисквания

1.3.1. Основните цели на създаването на система и критерии за ефективността на нейното функциониране

Създаване на системаРазпознаването на личността ще предостави нова възможност в областта на защитата и организацията на достъпа до информация, както и разработването на нови, ефективни алгоритми за обработка на растери и превръщането им в структурна форма, разработване на инструмент, който подобрява качеството на графичната информация чрез намаляване на изкривяването и шума.

Качеството на изходните изображения и пълнотата на тяхното структурно описание може да се използва за оценка на ефективността на системата. Както и нивото на правилно разпознаване на пръстови отпечатъци, което може да се съди по броя на неуспехите за правилния отпечатък и броя на въвеждането за грешен отпечатък /3/.

Разработената система има отворен код, който ви позволява да получите структурно описание на папиларния модел и неговото сравнение с други папиларни модели. Алгоритъмът е подходящ за работа не само с изображения на пръстови отпечатъци, но и с други растерни изображения, като информация за символи, шрифтове и подписи.

1.3.2. функционален назначаване системи

Внедряването на система за идентификация на пръстови отпечатъци ще позволи интегрирането в един интерфейс на всички етапи на обработка на изображение на пръстов отпечатък и сравняването му с други пръстови отпечатъци:

1) промяна на изображението, корекция на изкривяването;

2) подчертаване на местни особености - дреболии. Формиране на списък с дреболии в абсолютни параметри;

3) сортиране на списъка с абсолютни параметри, изключвайки фалшиви и ненадеждни подробности;

4) преобразуване на абсолютни параметри в относителни, формиране на списък от относителни параметри;

5) инсталиране на система от допуски, за да се вземе предвид корелацията на изображенията;

6) сравнение на един отпечатък с много други.

1.3.3. Системни характеристики и условия e Йо експлоатация

СистемаИдентификацията на пръстови отпечатъци е проектирана да работи с цифрови изображения, получени чрез сканиране.

Получаването на електронно представяне на пръстови отпечатъци с добре дефиниран папиларен модел е доста трудна задача. Тъй като пръстовият отпечатък е твърде малък, е необходимо да се използват доста сложни методи за получаване на висококачествено изображение от него.

Към днешна дата следните скенери за пръстови отпечатъци могат да бъдат разграничени според физическите принципи, които използват:

оптичен;

силиций;

Ултразвукова.

Най-старата технология за сканиране на пръстови отпечатъци е оптичната. Сканирането на пръстов отпечатък с миникамери на CCD или CMOS чип значително намали цената на системите за идентификация. Но този метод на отпечатване е изправен пред някои трудноразрешими проблеми: полученото изображение зависи от околната светлина, възможно е изкривяване по краищата на изображението, сензорът може да бъде „заблуден“ относително лесно (някои евтини сензори могат да бъдат „заблудени“ от отпечатан копие, направено на обикновена копирна машина). Има проблеми с размера на скенера. Сензорът не може да бъде по-малък от фокусното разстояние на камерата. Сред основните предимства на оптичните системи може отново да се спомене сравнително ниската цена и практическата неуязвимост към ефектите на електростатичния разряд.

Абсолютно нова е технологията за използване на електромагнитното поле. Сензорът излъчва слаб електромагнитен сигнал, който следва ръбовете и вдлъбнатините на пръстовия отпечатък и взема предвид промените в този сигнал, за да създаде изображение на пръстовия отпечатък. Този принцип на сканиране ви позволява да видите модела на кожата под слоя мъртви клетки, което води до добри резултати при разпознаването на бледи или избледнели отпечатъци. Остава проблемът с липсата на приемлива връзка между размера на сензора и неговата резолюция.

Друга обещаваща технология, която трябва да се спомене, е ултразвуковата. 3D ултразвуковият скенер измерва счупената повърхност на пръста със своеобразен радар. Този метод на сканиране може да бъде особено полезен, например, в здравеопазването. Не изисква сензорни четци да бъдат докосвани със стерилни ръце, а отпечатъкът се чете лесно дори през гумените или пластмасовите ръкавици на хирурга. Основният недостатък на ултразвуковата технология е високата цена и дългото време за сканиране /10/.

Има и други методи, използвани в миналото или тепърва разработвани /11/.

1.3.4. Изисквания към функционалната структура

СградаСистемата за идентификация на пръстови отпечатъци има модулна структура. Обвивката трябва да осигурява общ интерфейс и достъп до всички модули в системата. Следните модули се извикват от обвивката: подсистемата за анализ на изображението, подсистемата за сравняване на един отпечатък с много други. Обменът на данни между подсистемите се осъществява чрез проект в обща обвивка.

Подсистемата за анализ на изображението трябва да осигури възможност за получаване на основните статистически характеристики на папиларния модел в ключови области. Подсистемата предполага наличието на средства за получаване на висококачествено изображение на пръстови отпечатъци.

Подсистемата за сравнение на изображения на пръстови отпечатъци се използва за автоматично идентифициране на сходството на различни изображения на папиларния модел.

1.3.5. Изисквания Да се технически осигуряване

Задачата за обработка на изображения в системата е свързана с автоматичен анализ на големи масиви от графична информация. Трансформациите, извършвани в системата, трябва да се извършват в процеса на интерактивно взаимодействие с потребителя, следователно паузите за обработка не трябва да надвишават няколкосекунди. Въз основа на това се формулират изискванията за техническите характеристики на персонален компютър, на който ще работи системата. Изискванията са обобщени в табл. 1.1.

Таблица 1.1

Спецификации на персонален компютър

Име	Смисъл
Честота на процесора, MHz
Количеството RAM, Mb
Разделителна способност на екрана на монитора	най-малко 1024x768

1.3.6. Изисквания Да се информационен осигуряване

Системата е проектирана да обработвабитови изображения. Поради неточности, шум и приближения, въведени от оборудването (скенер или друго устройство, което дискретизира графиките), в изображението се появяват шумове от различен характер. Системата ви позволява частично да се отървете от тези изкривявания. Следователно качеството на входните изображения трябва да бъде на приемливо ниво.

Основният вид информация, обработвана в системата, е графичната информация в растерно представяне и нейното обектно представяне. Този тип данни се възприемат от човек директно и цялостно, така че е необходимо да се осигурят средства за визуална визуализация на изображения на различни етапи на обработка.

1.3.7. Изисквания Да се програмен осигуряване

Препоръчително е да се разработи системата за функциониране под операционната система на семейството Windows, като операционни системи от този клас са най-разпространените в съвременния свят. Платформата за разработване на приложения беше средата за разработка на приложения Microsoft Visual Studio C++ 2003. Тази среда поддържа алгоритмичния език C++ и в същото време има възможност за бързо разработване и проектиране на визуални интерфейси, което е особено важно при работа с графична информация.

1.4. Основни технически решения на дизайна на системата

1.4.1. Решение от комплекс технически финансови средства

Както вече беше отбелязано в т.п. 1.3.5, за постигане на удобен за потребителя режим на работа на системата е необходима следната минимална конфигурация на персонален компютър: честота на процесора 900 MHz, RAM 64 MB, монитор поддържащ резолюция минимум 1024x768 пиксела. Желателно е и наличието на следния периферен хардуер: скенер за пръстови отпечатъци, цветен мастиленоструен принтер за отпечатване на резултатите.

1.4.2. Описание на софтуерната система

За изпълнението и функционирането на проекта е необходим общосистемен ОС софтуер Windows XP, който е базиран на ядро ​​с 32-битова изчислителна архитектура и напълно защитен модел на паметта, осигурява надеждна изчислителна среда.

Разработката на системата за разпознаване на личността и нейните подсистеми ще се извършва с помощта на среда за разработка на приложения Microsoft Visual Studio C++ 2003. Средата за разработка включва високопроизводителен 32-битов компилатор, който дава възможност за оптимизиране на генерирания код. Microsoft Visual Studio C++ включва богат набор от инструменти, които повишават продуктивността на програмиста и намаляват времето за цикъл на разработка. Богатата на функции Microsoft Visual Studio C++ 2003 IDE включва ANSI/ISO компилатор, интегриран дизайнер на формуляри, богат набор от компонентни инструменти, Solution Explorer, мениджър на проекти и програма за отстраняване на грешки. Лекотата на разработка и ефективността на програмите, създадени в тази среда за разработка, правят Microsoft Visual Studio C++ 2003 най-добрият избор за изграждане на изследователска система, която е система за разпознаване на личността.

2. РАЗРАБОТВАНЕ НА ПОДСИСТЕМА ЗА АНАЛИЗ НА ИЗОБРАЖЕНИЕ НА ПРЪСТОВ ОТПЕЧАТЪК

2.1. Описание на формулировката на проблема за подсистемата за анализ на изображения на пръстови отпечатъци

2.1.1. Характеристика задачи

Представени графични изображения по света на човек, имат голямо разнообразие. Неразделна характеристика на изображението е неговата пространствена структура. Способността да се реконструира тази структура по време на визуалното възприятие осигурява обективност на възприятието.

Пространствена сигурност, която се състои в това, че всяка точка от изображението принадлежи към единичен и добре дефиниран структурен елемент, който може да представлява обект или принадлежи към един или повече обекти от съответната предметна област. По този начин всяко изображение се изгражда в съответствие с някакъв априорен план, който определя местоположението и семантичните характеристики на неговите структурни елементи.

Моделите за представяне на изображения в компютри могат да бъдат разделени на два вида: растерни и векторни.

Най-често срещаната форма за представяне на "сурови" изображения на компютър е растер. Изображението в този случай е матрица от NxM точки (пиксели). Визуализацията на растерни изображения е доста проста и се състои в ред по ред на показване на неговите пиксели на екрана. Въпреки това модел от този тип не носи никаква структурна и освен това семантична информация, което ограничава обхвата на неговото приложение. Когато изображения от реалния свят се въвеждат в компютър, те често се появяват в растерна форма.

Моделите за представяне на векторни изображения се основават на факта, че всяка линия може да бъде представена в аналитична форма, например като набор от вектори - насочени сегменти. Визуализирането на изображения във векторен модел е по-трудно, отколкото в растерен. Но моделът придобива познавателна способност поради включването на структурна информация в него.

Изображението на пръстов отпечатък обикновено се съхранява в двоичен код, където всеки пиксел от модела се описва от 8 бита, тоест 256 нюанса на сивото. В усъвършенстваните системи за сканиране цифровото изображение на отпечатъка се обработва с помощта на специален алгоритъм за подобряване на изображението. Този алгоритъм осигурява обратна връзка към сензора за коригиране на параметрите на сканиране. Когато сензорът заснеме крайното изображение, алгоритъмът настройва контраста и яснотата на отпечатаното изображение, за да се получи най-доброто качество /12/.

Методите за разпознаване на пръстови отпечатъци се основават на сравнение с проби или на използване на характерни детайли.

При идентифициране по детайли от изображението се извличат само конкретни места, където се намира характеристика (детайл). Обикновено това е или краят на билото, или неговата бифуркация (фиг. 2.1). Съдържанието на шаблона в този случай са относителни координати и информация за ориентацията на частта. Алгоритъмът за разпознаване намира и сравнява съответните детайли. Нито въртенето на пръстовия отпечатък, нито неговата паралелна транслация (изместване) влияят на функционирането на системата, тъй като алгоритъмът работи с относителни стойности.

Видове дреболии

За сравнение битовото изображение се използва за търсене на локални характеристики на папиларния модел - минути. За търсенето се използва алгоритъмът за обхождане на контура на билото. В резултат на това подсистемата за анализ осъществява прехода от растерно към структурно представяне.

2.1.2. вход информация

разпечатка, получена при сканиране с 600dpi. Bit файлово разширение
*.bmp по подразбиране. Bmp форматът (от думите BitMaP - bitmap) е некомпресирано (най-вече), което ви позволява да не въвеждате грешки, изображение, което е доста лесно за четене и извеждане в Windows, което има специални API функции, които помагат за това /13 /.

2.1.3. Отпечатък

Резултатът е списък с подробности в абсолютни параметри, намиращи се в паметта, съдържащи параметритевсяка намерена дреболия. Всеки елемент от масива съдържа всички необходими параметри на точки: целочислен тип координати - 2x4 байта, ъгъл на посоката 8 байта, тип точка 1 байт

Структура на масива:

Таблица 2.1

Формат на файлов ред със структурно описание

2.1.4. Математическа постановка на проблема

Работата на подсистемата се осъществява на следните етапи:

Корекция на входното изображение, отстраняване на дефекти и изкривявания;

Търсене на детайли и формиране на списък с абсолютните им параметри;

Филтриране на получения списък с параметри;

За решаване на задачите са необходими стандартни операции за работа с масив, които са представени в табл. 2.2.

Таблица 2.2

Операции с масив

Обозначаване	Декриптиране
	брой елементи на масива
	достъп до i-тия елемент от масива
	операция за добавяне на елемент E към края на масив M
Изтриване (масив, позиция)	операцията за премахване на елемент на позиция Pos от масив Array
Изтриване (масив, елемент)	операцията за премахване на елемент от масив
Поз(масив,елемент)	операцията за получаване на номера на елемента Element в масива Array
	операцията по добавяне на недублиращи се елементи от масив Array2 към края на Array1
	операция за пресичане на масиви
	логическа операция за принадлежност на елемент E към масив M
	операция за сортиране на масива Array по стойността на полето f

2.1.5. Функционална схема на подсистемата за папиларен анализ

модел

Целта на работата е да се реализира програма за изпълнение на схематапоказано на фиг. 2.1.1.

Схема на подсистемата за анализ

2.2. Описание на постановката на проблема за откриване на дефекти при сканиране и тяхното отстраняване

2.2.1. Описание на задачата

Папиларният модел, представен като растер, съдържа отделни линейни елементи. Линиите са показване на ръбовете на папиларния модел, обикалянето около контура на тези линии ще ви позволи да изберете отделни ръбове и да получитеинформация за местоположението им на пръста. Въпреки това, в процеса на получаване на растерен печат са възможни типични дефекти на изображението, които възникват поради попадане на отломки върху сканиращото устройство, наличие на разрези и гънки по кожата, неравномерно притискане на пръста към скенера и промяна на позицията му с всяко ново сканиране.

Има два вида дефекти - слепване на съседни ръбове и счупване на ръб на растер поради описаните по-горе ситуации. Тъй като тези дефекти са частично предвидими, те могат да бъдат елиминирани. Чрез прилагане на подготовката на изображението за допълнителен структурен анализ е възможно значително да се намали количеството шум и изкривяване в оригиналния растер, което води до увеличаване на скоростта и надеждността на разпознаването.

В резултат на решаването на проблема с откриването и отстраняването на дефекти при сканиране, системата за персонална идентификация ще допълни функционалността си с възможност за подобряване на качеството на входните изображения.

2.2.2. вход информация

Входната информация еПредава се растерната карта на отпечатъка, получена чрез сканиране с резолюция 600dpi. Bit файлово разширение
*.bmp по подразбиране. Bmp форматът (от думите BitMaP - bitmap) е некомпресирано (предимно), което ви позволява да избегнете грешки, изображение. Bmp форматът е сравнително лесен за четене и извеждане в Windows, който има специални API функции.

Входният растер е представен от BMP формат, който има структурата, показана на фиг. 2.1.2 /13/.

BMP формат

В началото е заглавката на файла - BITMAPFILEHEADER.

typedef struct tagBITMAPFILEHEADER

ДУМА bfReserved1;

ДУМА bfReserved2;

DWORD bfOffBits;

) BITMAPFILEHEADER, *PBITMAPFILEHEADER;

typedef struct tagBITMAPINFOHEADER

WORD biBitCount;

DWORD бикомпресия;

DWORD biSizeImage;

LONG biXPelsPerMeter;

LONG biYPelsPerMeter;

DWORD biClrUsed;

DWORD biClrImportant;

) BITMAPINFOHEADER, *PBITMAPINFOHEADER;

2.2.3. почивен ден информация

Изходната информация за тази задача екоригиран растер, който практически няма слепвания и счупвания, което е по-подходящо за търсене на детайли по него.

2.2.4. Математическа настройка

Търсенето на подробности става чрез намиране на местни характеристики. Местните характеристики са силна кривина на контура на линията.. Кривите, които са минути, са завършеци и бифуркации, но освен тях има слепвания на съседни линии и прекъсвания на една линия, които не са минути.

На фиг. 2.2 показва прекъсване на ред и е изпълнено следното условие:

където A = (x, y);

емпирична стойност.

На фиг. 2.3 показва залепването на линиите, докато условие 1 за фиг. 2.3.

Нов ред

D1, D2 - прилежащи зони;

Залепващи линии

А - силна кривина на контурната линия на папиларния модел;

B - вероятна точка на продължение на линията на папиларния модел;

C - кривина на контура във възможната точка на продължение;

D1, D2 - прилежащи зони;

2.2.5. Алгоритъм за решение задачи

Ако се открие зона на прекъсване, целостта на линията се възстановява;

Ако бъде открита залепваща зона, тогава линиите се прекъсват.

Резултатът от работата е растер, по-подходящ за намиране на миньони върху него от оригиналния.

R - Bitmap

Карта - списък. Карта = (x, y) i

R.width() - ширина на растер в пиксели

R.height() - височина на растер в пиксели

R.ChangeLine(Map[i]) - заобикаляне по контура на линията от точка Map[i]

2. Формирайте списък с линии на карта от R растера

3. i, : i R.ChangeLine(Map[i])

4. Ако R растерът е променен, преминете към стъпка 2

2.2.5.1. Описание на алгоритъма Формиране на списък от редове »

Алгоритъм за намиране на точки в растера, принадлежащи на различни папиларни линии.

3. Ако R.GetPixelColor(x,y) != 0x000000, преминете към стъпка 5

4. (x,y) Карта; R.FloodFill(x, y, 0xFFFFFF)

6. ако y< R.width(), то перейти к п. 3

8. ако x< R.height(), то перейти к п. 3

2.2.5.2. Описание на алгоритъма промяна на линията »

Алгоритъм за намиране на залепвания, счупвания и отстраняването им върху растера.

dot0, dot1 - точки, принадлежащи на контура на линията

vec0, vec1 - местни упътвания

alphaTest - предварително дефинирана константа, която определя силна кривина на контура на папиларната линия

NextDotCW(точка0, стъпка) - получаване на координатите на следващата точка чрез точки на стъпка

Условията за счупване и залепване са описани в параграфи. 2.2.4

2. dot0::= начална стойност

3. точка1::= NextDotCW(точка0, стъпка);

4. vec0::= GetVec(точка0, точка1);

5. точка0::= точка1;

6. точка1::= NextDotCW(точка0, стъпка);

7. vec1::= GetVec(точка0, точка1);

8. Ако |vec1 - vec0|< alphaTest, то перейти к п. 11

9. Ако намерената точка е точка на залепване, разкачете линиите

10. Ако намерената точка е счупване, възстановете целостта на линията

11. Ако обикалянето по контура доведе до началната точка, преминете към стъпка 13

12. vec0::= vec1; отидете на стъпка 5

2.3. Описание на изявлението на проблема разпределение на локално

Характеристика

2.3.1. Характеристика задачи

Основната част от работата на подсистемата е преходът от растерно представяне къмструктурен изглед. За да направите това, е необходимо да намерите такива области на растера, които съответстват на бифуркации или окончания. Търсенето се извършва чрез заобикаляне на черните области на растера, съответстващи на линиите на папиларния модел, по протежение на контура, докато местата със силна кривина на контура са специфични точки.

2.3.2. входна информация

Входната информация е растерно изображениеслед предварителна обработка. Растерът е с дълбочина 1 бит на пиксел и разделителна способност 600dpi. Bmp форматът (от думите BitMaP - битова карта или, казано на руски, битов масив) е некомпресирано (предимно), което ви позволява да избягвате грешки, изображение. Bmp форматът е сравнително лесен за четене и извеждане в Windows, който има специални API функции /13/.

2.3.3. почивен ден информация

Изходът е списък с параметри, където бешеи намери конкретни точки (характеристика, детайл) в абсолютни стойности. Списъкът, намиращ се в паметта на този етап, съдържа освен необходимите точки и фалшиви точки, които се формират, когато входното изображение е с лошо качество. Всеки елемент от масива съдържа всички необходими параметри: целочислен тип координати - 2x4 байта, дирекционен ъгъл 8 байта, тип точка 1 байт.

Структура на масива:

X i , Y i - Координати на минутата върху растера

i - Минутна ориентация

T - Тип (край или бифуркация)

k - Брой минути

2.3.4. Математически постановка задачи

Търсенето на подробности става чрез намиране на местни характеристики. Местните особености са силно изкривяване на контура на линиите, някои от изкривяванията са детайли - това са завършвания и бифуркации, но в допълнение към тях има залепвания на съседни линии и прекъсвания в една линия.

На фиг. 2.4 показва "края", докато условие 2 е изпълнено.

където A = (x, y);

емпирична стойност.

На фиг. 2.5 показва "бифуркация", докато условие 2 за фиг. 2.5.

Край

А - силна кривина на контурната линия на папиларния модел;

B - вероятна точка на продължение на линията на папиларния модел;

C - кривина на контура във възможната точка на продължение;

D1, D2 - прилежащи зони;

L1, L2 - вероятни съседни линии на папиларния модел.

Бифуркация

А - силна кривина на контурната линия на папиларния модел;

B - вероятна точка на продължение на линията на папиларния модел;

C - кривина на контура във възможната точка на продължение;

D1, D2 - прилежащи зони;

L1, L2 - вероятни съседни вдлъбнатини на папиларния модел.

Локални особености: разкъсване и срастване са описани в т.п. 2.2.4.

2.3.5. Алгоритъм решения задачи

Нека подчертаем основните стъпки за обработка на всеки ред на изображението за печат:

Изберете произволна черна точка върху растера, която принадлежи на обработваната линия, и заобикаляйте по контура на линията на папиларния модел, към която принадлежи тази точка;

Ако бъде открита минута, запишете нейните координати в списъка.

Резултатът е списък от параметри, с намерени конкретни точки (характеристика, детайл), в абсолютни параметри. Списъкът на този етап съдържа освен необходимите точки и фалшиви, които се формират, когато входното изображение е с лошо качество.

R - битов растер

Карта - списък. Карта = (x, y) i

R.GetPixelColor(x,y) - получава стойността на цвета на пиксела с координати (x,y) върху R растера

R.FloodFill(x, y, color) - запълване на областта с цвят R.GetPixelColor(x,y) за оцветяване на цвета

R.width() - ширина на растер в пиксели

R.height() - височина на растер в пиксели

R.ReadLine(Map[i]) - преминаване по контура на линията от точка Map[i], получава списъка с координати на точки

7. Формирайте списък с линии на картата от R растера

8. i, : i List::= R.ReadLine(Map[i])

Подобни документи

Анализ на биометрични системи за персонална идентификация въз основа на пръстови отпечатъци, формата на ръката, черупката на окото. Лицето като биометричен идентификатор. Пазарен анализ на системи за разпознаване на личност. Оценка на ефективността на идентификационни системи, базирани на лицева геометрия.

курсова работа, добавена на 30.05.2013 г


Разработване на алгоритъм за генериране на относителни параметри за дреболии. Избор на параметри на системата за толерантност и критерии за сходство при сравняване на отпечатъци. Методът е подходящ за разпознаване на битови изображения: символна информация, шрифтове и сигнатури.

дисертация, добавена на 23.06.2008 г


Използването на пароли като начин за защита срещу неоторизиран достъп до програми и данни, съхранявани на компютър. Биометрични идентификационни системи, базирани на пръстови отпечатъци, геометрия на дланта, речеви характеристики, ирис.

презентация, добавена на 05/06/2015


Анализ на съществуващи методи за внедряване на софтуерен инструмент за идентифициране на човек чрез глас. Фактори, влияещи върху уникалността на речта. Разработване на софтуерен инструмент за идентифициране на лице по глас. Изисквания към документацията за кандидатстване.

дисертация, добавена на 17.06.2016 г


Класификация и основни характеристики на биометричните средства за лична идентификация. Характеристики на прилагането на статични и динамични методи за биометричен контрол. Средства за авторизация и автентификация в електронни системи за сигурност и безопасност.

курсова работа, добавена на 19.01.2011 г


Разработване на проект и технически проект на програма за идентифициране на лице по пръстов отпечатък. Предназначение и обхват, описание на алгоритъма, входни и изходни данни. Изборът на състава на хардуера и софтуера. Тестване и внедряване на продукта.

курсова работа, добавена на 05/12/2015


Проблемът с подобряването на качеството на пръстовите отпечатъци с цел повишаване на ефективността на алгоритмите за биометрична идентификация. Преглед на алгоритмите за обработка на изображения на пръстови отпечатъци. Анализ на алгоритъма, базиран на използването на трансформацията на Габор.

дисертация, добавена на 16.07.2014 г


Телефаксът като устройство за факсимилно предаване на изображения по телефонната мрежа. Целта на плоския скенер. Използване на листови скенери. Принципът на работа на барабанния скенер. Приложение на баркод скенер. Оптичен скенер за пръстови отпечатъци.

резюме, добавено на 19.01.2010 г


Основните цели и задачи на изграждането на системи за разпознаване. Изграждане на математически модел на система за разпознаване на образи на примера на алгоритъм за идентифициране на обекти на военно оборудване в автоматизирани телекомуникационни комплекси на системи за управление.

дисертация, добавена на 30.11.2012 г


Основи на биометричната идентификация. Възможността за използване на невронни мрежи за изграждане на система за разпознаване на реч. Разработване на софтуер за защита от неоторизиран достъп на база спектрален анализ на гласа на потребителя.

Наскоро в Habré се появиха много статии, посветени на системите за лицева идентификация на Google. Честно казано много от тях намирисват на журналистика и меко казано на некомпетентност. И аз исках да напиша добра статия за биометрията, не ми е първата! Има няколко добри статии за биометричните данни на Habré - но те са доста кратки и непълни. Тук ще се опитам да очертая накратко общите принципи на биометричната идентификация и съвременните постижения на човечеството по този въпрос. Включително и при разпознаване по лица.

Статията има , което всъщност е нейната предистория.

Като основа на статията ще бъде използвана съвместна публикация с колега в списание (BDI, 2009), преработена за съвременните реалности. Хабре все още няма колега, но той подкрепи публикуването на преработената статия тук. Към момента на публикуване статията беше кратък преглед на съвременния пазар на биометрични технологии, който направихме за себе си, преди да пуснем нашия продукт. Стойностните преценки за приложимостта, изложени във втората част на статията, се основават на мненията на хората, които са използвали и внедрили продуктите, както и на мненията на хората, участващи в производството на биометрични системи в Русия и Европа.

Главна информация

Да започнем с основите. В 95% от случаите биометрията по своята същност е математическа статистика. А matstat е точна наука, чиито алгоритми се използват навсякъде: в радари и в байесови системи. Грешките от първи и втори вид могат да се приемат като две основни характеристики на всяка биометрична система). В теорията на радара те обикновено се наричат ​​„фалшиви аларми“ или „пропуснати цели“, а в биометрията най-утвърдените концепции са FAR (False Acceptance Rate) и FRR (False Rejection Rate). Първото число характеризира вероятността от фалшиво съвпадение на биометричните характеристики на двама души. Второто е вероятността да бъде отказан достъп на лице с разрешение. Системата е по-добра, колкото по-малка е стойността на FRR при същите стойности на FAR. Понякога се използва и сравнителна характеристика на EER, която определя точката, в която се пресичат графиките FRR и FAR. Но не винаги е представителен. Повече подробности могат да се видят напр.
Може да се отбележи следното: ако FAR и FRR за отворени биометрични бази данни не са дадени в характеристиките на системата, тогава независимо какво декларират производителите за нейните характеристики, тази система най-вероятно е неработоспособна или много по-слаба от своите конкуренти.
Но не само FAR и FRR определят качеството на една биометрична система. Ако това беше единственият начин, тогава водещата технология би била разпознаването на ДНК на хора, за което FAR и FRR клонят към нула. Но е очевидно, че тази технология е неприложима на сегашния етап от развитието на човечеството! Разработихме няколко емпирични характеристики за оценка на качеството на системата. „Устойчивост на фалшифициране“ е емпирична мярка, която обобщава колко лесно е да се фалшифицира биометричен идентификатор. „Стабилност на околната среда“ е характеристика, която емпирично оценява стабилността на системата при различни външни условия, като промени в осветлението или стайната температура. „Лекота на използване“ показва колко трудно е да се използва биометричен скенер, дали е възможна идентификация „в движение“. Важна характеристика е "Скорост на работа" и "Цена на системата". Не забравяйте, че биометричните характеристики на човек могат да се променят с течение на времето, така че ако са нестабилни, това е значителен минус.
Изобилието от биометрични методи е невероятно. Основните методи, използващи статични биометрични характеристики на човек, са идентификация чрез папиларен модел на пръстите, ирис, геометрия на лицето, ретина, модел на вените на ръцете, геометрия на ръцете. Съществува и група методи, които използват динамични характеристики: идентификация по глас, динамика на почерка, сърдечна честота, походка. По-долу е разпределението на биометричния пазар преди няколко години. Във всеки втори източник тези данни варират с 15-20 процента, така че това е само приблизителна оценка. Също така тук под понятието „геометрия на ръката“ са скрити два различни метода, които ще бъдат разгледани по-долу.

В статията ще разгледаме само тези характеристики, които са приложими в системите за контрол и управление на достъпа (ACS) или в задачи, близки до тях. По силата на своето превъзходство това са предимно статични характеристики. От динамичните характеристики в момента само гласовото разпознаване има поне някаква статистическа значимост (сравнимо с най-лошите статични алгоритми FAR ~ 0,1%, FRR ~ 6%), но само в идеални условия.
За да получите представа за вероятността от FAR и FRR, можете да прецените колко често ще се появят фалшиви съвпадения, ако система за идентификация е инсталирана в затворена организация с N персонал. Вероятността за фалшиво съвпадение на пръстов отпечатък, получен от скенера за база данни от N пръстови отпечатъка, е FAR∙N. И всеки ден около N души също преминават през точката за контрол на достъпа. Тогава вероятността за грешка за работен ден е FAR∙(N∙N). Разбира се, в зависимост от целите на системата за идентификация, вероятността за грешка за единица време може да варира значително, но ако се приеме една грешка за работен ден, тогава:
(1)
Тогава получаваме, че стабилната работа на идентификационната система при FAR=0,1% =0,001 е възможна при численост на персонала N≈30.

Биометрични скенери

Днес понятията „биометричен алгоритъм“ и „биометричен скенер“ не са непременно взаимосвързани. Компанията може да произвежда тези елементи поотделно или заедно. Най-голямата диференциация на производителите на скенери и производителите на софтуер е постигната на пазара на папиларни биометрични модели на пръсти. Най-малкият 3D скенер за лице на пазара. Всъщност нивото на диференциация до голяма степен отразява развитието и наситеността на пазара. Колкото повече избор - толкова повече темата е разработена и доведена до съвършенство. Различните скенери имат различен набор от възможности. По принцип това е набор от тестове за проверка дали даден биометричен обект е бил манипулиран или не. За скенери за пръсти това може да бъде проверка на облекчение или температура, за скенери на очи това може да бъде проверка на акомодация на зеницата, за скенери на лице - движение на лицето.
Скенерите имат много силно влияние върху получените FAR и FRR статистики. В някои случаи тези цифри могат да се променят десетки пъти, особено в реални условия. Обикновено характеристиките на алгоритъма се дават за някаква „идеална“ база или просто за подходяща, където се изхвърлят замъглени и замъглени рамки. Само няколко алгоритъма честно показват както основата, така и пълния FAR / FRR изход за него.

И сега по-подробно за всяка от технологиите.

Пръстови отпечатъци

Дактилоскопията (разпознаване на пръстови отпечатъци) е най-разработеният досега биометричен метод за лична идентификация. Катализаторът за развитието на метода е широкото му използване в криминалистиката през 20 век.
Всеки човек има уникален папиларен пръстов отпечатък, което прави идентификацията възможна. Обикновено алгоритмите използват характерни точки върху пръстови отпечатъци: края на линията на шаблона, разклонението на линията, единични точки. Освен това е включена информация за морфологичната структура на пръстовия отпечатък: относителното положение на затворените линии на папиларния модел, "сводестите" и спиралните линии. Характеристиките на папиларния модел се преобразуват в уникален код, който запазва информационното съдържание на отпечатаното изображение. И това са "кодовете за пръстови отпечатъци", които се съхраняват в базата данни, използвана за търсене и сравняване. Времето за преобразуване на изображението на пръстов отпечатък в код и неговата идентификация обикновено не надвишава 1 s, в зависимост от размера на основата. Времето, изразходвано за вдигане на ръка, не се взема предвид.

Като източник на данни за FAR и FRR са използвани статистически данни на VeriFinger SDK, получени с помощта на скенера за пръстови отпечатъци U.are.U DP. През последните 5-10 години характеристиките на разпознаване с пръст не са напреднали много, така че дадените цифри показват добра средна стойност на съвременните алгоритми. Самият алгоритъм VeriFinger печели Международното състезание за проверка на пръстови отпечатъци в продължение на няколко години, където се състезават алгоритми за разпознаване на пръстови отпечатъци.

Типичната стойност на FAR за метода за разпознаване на пръстови отпечатъци е 0,001%.
От формула (1) получаваме, че стабилната работа на системата за идентификация при FAR=0,001% е възможна при численост на персонала N≈300.

Предимства на метода. Висока надеждност - статистическите показатели на метода са по-добри от тези на методите за идентификация по лице, глас, картина. Евтини устройства, които сканират изображението на пръстов отпечатък. Доста проста процедура за сканиране на пръстов отпечатък.
Недостатъци: папиларният пръстов отпечатък е много лесно повреден от малки драскотини, порязвания. Хората, които са използвали скенери в предприятия с няколкостотин служители, съобщават за висок процент неуспешно сканиране. Много от скенерите не третират адекватно сухата кожа и не пропускат възрастни хора. Когато общуваше на последното изложение MIPS, ръководителят на службата за сигурност на голямо химическо предприятие каза, че опитът им да въведат скенери за пръсти в предприятието (изпробвани са скенери на различни системи) е неуспешен - минималното излагане на пръстите на служителите на химикали е причинило повреда в системите за сигурност на скенерите - скенерите обявиха пръстите за фалшиви. Има и липса на сигурност срещу фалшифициране на пръстови отпечатъци, отчасти поради широкото използване на метода. Разбира се, не всички скенери могат да бъдат измамени с методите на MythBusters, но все пак. За някои хора с „неподходящи“ пръсти (телесна температура, влажност), вероятността достъпът да бъде отказан може да достигне 100%. Броят на тези хора варира от части от процента за скъпите скенери до десет процента за евтините.
Разбира се, заслужава да се отбележи, че голям брой недостатъци са причинени от широкото използване на системата, но тези недостатъци съществуват и се появяват много често.

Ситуация на пазара

В момента системите за разпознаване на пръстови отпечатъци заемат повече от половината от биометричния пазар. Много руски и чуждестранни компании се занимават с производството на системи за контрол на достъпа, базирани на метода за идентификация на пръстови отпечатъци. Поради факта, че тази посока е една от най-старите, тя е получила най-голямо разпространение и е най-развитата. Скенерите за пръстови отпечатъци наистина са изминали дълъг път. Съвременните системи са оборудвани с различни сензори (температура, сила на натискане и др.), Които повишават степента на защита срещу фалшифициране. Всеки ден системите стават все по-удобни и компактни. Всъщност разработчиците вече са достигнали определен лимит в тази област и няма къде да се развива методът по-нататък. Освен това повечето компании произвеждат готови системи, които са оборудвани с всичко необходимо, включително софтуер. Просто няма нужда интеграторите в тази област да сглобяват системата сами, тъй като е нерентабилно и ще отнеме повече време и усилия, отколкото закупуването на готова и вече евтина система, толкова по-голям избор ще бъде наистина широк.
Сред чуждестранните компании, участващи в системи за разпознаване на пръстови отпечатъци, може да се отбележи SecuGen (USB скенери за компютри, скенери, които могат да бъдат инсталирани в предприятия или вградени в брави, SDK и софтуер за свързване на системата към компютър); Bayometric Inc. (скенери за пръстови отпечатъци, TAA/системи за контрол на достъпа, SDK за пръстови отпечатъци, вградени модули за пръстови отпечатъци); DigitalPersona Inc. (USB скенери, SDK). В Русия в тази област работят следните компании: BioLink (скенери за пръстови отпечатъци, биометрични устройства за контрол на достъпа, софтуер); Sonda (скенери за пръстови отпечатъци, биометрични устройства за контрол на достъпа, SDK); SmartLock (скенери и модули за пръстови отпечатъци) и др.

Ирис

Ирисът на окото е уникална човешка характеристика. Моделът на ириса се формира през осмия месец от развитието на плода, най-накрая се стабилизира на възраст около две години и практически не се променя през целия живот, освен в резултат на тежки наранявания или тежки патологии. Методът е един от най-точните сред биометричните методи.
Системата за идентификация на ириса е логично разделена на две части: устройство за заснемане на изображение, неговата първична обработка и предаване към компютър и компютър, който сравнява изображението с изображенията в базата данни и предава команда при приемане към задвижващия механизъм.
Времето за първична обработка на изображението в съвременните системи е приблизително 300-500 ms, скоростта на сравняване на полученото изображение с основата е на ниво от 50 000-150 000 сравнения в секунда на конвенционален компютър. Тази скорост на сравнение не налага ограничения върху приложението на метода в големи организации, когато се използва в системи за достъп. При използване на специализирани калкулатори и алгоритми за оптимизиране на търсенето става дори възможно да се идентифицира човек сред жителите на цяла държава.
Веднага мога да отговоря, че съм малко предубеден и имам положително отношение към този метод, тъй като именно в тази област стартирахме нашия стартъп. Параграф в края ще бъде посветен на малка самореклама.

Статистически характеристики на метода

Характеристиките на FAR и FRR за ириса са най-добрите в класа на съвременните биометрични системи (може би с изключение на метода за разпознаване на ретината). Статията представя характеристиките на библиотеката за разпознаване на ириса на нашия алгоритъм - EyeR SDK, които съответстват на алгоритъма VeriEye, тестван на същите бази данни. Използвани са базите данни на CASIA, получени от техния скенер.

Характеристичната стойност на FAR е 0,00001%.
Съгласно формула (1), N≈3000 е броят на персонала на организацията, при който идентификацията на служител се извършва доста стабилно.
Тук си струва да се отбележи една важна характеристика, която отличава системата за разпознаване на ириса от другите системи. В случай на използване на камера с резолюция 1,3 MP, можете да заснемете две очи в един кадър. Тъй като вероятностите FAR и FRR са статистически независими вероятности, при разпознаване в две очи стойността на FAR ще бъде приблизително равна на квадрата на стойността FAR за едното око. Например, за FAR от 0,001% при използване на две очи, вероятността за фалшив толеранс ще бъде 10-8%, с FRR само два пъти по-висока от съответната стойност на FRR за едно око с FAR=0,001%.

Предимства и недостатъци на метода

Предимства на метода. Статистическа надеждност на алгоритъма. Заснемането на изображение на ириса може да се извърши на разстояние от няколко сантиметра до няколко метра, докато физическият контакт на човек с устройството не се осъществява. Ирисът е защитен от повреди - което означава, че няма да се промени с времето. Също така е възможно да се използват голям брой методи, които предпазват от фалшифициране.
Недостатъци на метода. Цената на система, базирана на ириса, е по-висока от цената на система, базирана на разпознаване на пръсти или разпознаване на лица. Ниска наличност на готови решения. Всеки интегратор, който идва днес на руския пазар и казва „дайте ми готова система“, най-вероятно ще се разпадне. В по-голямата си част се продават скъпи системи до ключ, инсталирани от големи компании като Iridian или LG.

Ситуация на пазара

В момента делът на технологиите за идентификация на ириса на световния биометричен пазар е, според различни оценки, от 6 до 9 процента (докато технологиите за разпознаване на пръстови отпечатъци заемат повече от половината от пазара). Трябва да се отбележи, че от самото начало на разработването на този метод, неговото укрепване на пазара беше забавено от високата цена на оборудването и компонентите, необходими за сглобяването на система за идентификация. Въпреки това, с развитието на цифровите технологии, цената на една система започна да намалява.
Лидер в разработката на софтуер в тази област е Iridian Technologies.
Навлизането на пазара за голям брой производители беше ограничено от техническата сложност на скенерите и в резултат на това високата им цена, както и високата цена на софтуера поради монополната позиция на Iridian на пазара. Тези фактори позволиха само на големи компании да се развиват в областта на разпознаването на ириса, най-вероятно вече ангажирани в производството на някои компоненти, подходящи за системата за идентификация (оптика с висока разделителна способност, миниатюрни камери с инфрачервено осветление и др.). Примери за такива компании са LG Electronics, Panasonic, OKI. Те сключиха споразумение с Iridian Technologies и в резултат на съвместната работа се появиха следните системи за идентификация: Iris Access 2200, BM-ET500, OKI IrisPass. В бъдеще се появиха подобрени модели на системи, благодарение на техническите възможности на тези компании да се развиват самостоятелно в тази област. Трябва да се каже, че горните компании също са разработили собствен софтуер, но в крайна сметка в готовата система предпочитат софтуера на Iridian Technologies.
Руският пазар е доминиран от продукти на чуждестранни компании. Въпреки че е трудно да се купи. Дълго време Papillon уверяваха всички, че имат разпознаване на ириса. Но дори представители на RosAtom, техният директен купувач, за когото направиха системата, твърдят, че това не е вярно. По някое време се появи друга руска компания, която направи скенери за ирис. Сега не си спомням името. Те са купили алгоритъма от някого, може би от същия VeriEye. Самият скенер беше система на 10-15 години, в никакъв случай безконтактен.
През последната година няколко нови производители навлязоха на световния пазар поради изтичането на първичния патент за разпознаване на човек по очи. Най-довереният от тях, според мен, заслужава AOptix. Поне визуализацията и документирането им не будят подозрение. Втората компания е SRI International. Дори на пръв поглед, за човек, който се занимава със системи за разпознаване на ириса, техните видеоклипове изглеждат много фалшиви. Въпреки че не бих се изненадал, ако в действителност могат да направят нещо. И двете системи не показват данни за FAR и FRR и също така очевидно не са защитени от фалшификати.

разпознаване на лица

Има много методи за разпознаване на геометрията на лицето. Всички те се основават на факта, че чертите на лицето и формата на черепа на всеки човек са индивидуални. Тази област на биометрията изглежда привлекателна за мнозина, защото се разпознаваме основно по лицето. Тази област е разделена на две области: 2-D разпознаване и 3-D разпознаване. Всеки от тях има предимства и недостатъци, но много зависи и от обхвата и изискванията за даден алгоритъм.
Ще говоря накратко за 2-d и ще премина към един от най-интересните методи днес - 3-d.

2D разпознаване на лица

2-D лицевото разпознаване е един от най-неефективните от статистическа гледна точка биометрични методи. Появи се доста отдавна и се използва главно в криминалистиката, което допринесе за нейното развитие. Впоследствие се появиха компютърни интерпретации на метода, в резултат на което той стана по-надежден, но, разбира се, беше по-нисък и всяка година все повече отстъпва на другите биометрични методи за лична идентификация. Понастоящем, поради лошото статистическо представяне, той се използва в мултимодална или, както се нарича още, кръстосана биометрия, или в социалните мрежи.

Статистически характеристики на метода

За FAR и FRR бяха използвани данни за алгоритмите VeriLook. Отново, за съвременните алгоритми, той има много обикновени характеристики. Понякога алгоритми с FRR от 0,1% с подобен FAR мигат, но основата, на която са получени, е много съмнителна (изрязан фон, същото изражение на лицето, същата прическа, осветление).

Характеристичната стойност на FAR е 0,1%.
От формула (1) получаваме N≈30 - броят на персонала на организацията, при който идентифицирането на служител става доста стабилно.
Както се вижда, статистическите показатели на метода са доста скромни: това елиминира предимството на метода, че е възможно да се извършва скрито заснемане на лица на многолюдни места. Смешно е да се види как няколко пъти в годината се финансира друг проект за разкриване на престъпници чрез видеокамери, монтирани на многолюдни места. През последните десет години статистическите характеристики на алгоритъма не са се подобрили, а броят на подобни проекти се е увеличил. Въпреки това, заслужава да се отбележи, че алгоритъмът е доста подходящ за водене на човек в тълпа през много камери.

Предимства и недостатъци на метода

Предимства на метода. При 2-D разпознаването, за разлика от повечето биометрични методи, не е необходимо скъпо оборудване. С подходящо оборудване, възможност за разпознаване на значителни разстояния от камерата.
недостатъци. Ниска статистическа значимост. Има изисквания към осветлението (например не могат да се регистрират лицата на хора, влизащи от улицата в слънчев ден). За много алгоритми неприемливостта на всяка външна намеса, като очила, брада, някои елементи на прическа. Задължително лицево изображение на лицето, с много малки отклонения. Много алгоритми не вземат предвид възможните промени в изражението на лицето, тоест изражението трябва да е неутрално.

3-D разпознаване на лица

Прилагането на този метод е доста трудна задача. Въпреки това в момента има много методи за 3-D разпознаване на лица. Методите не могат да се сравняват един с друг, тъй като използват различни скенери и бази. далеч не всички издават FAR и FRR, използват се напълно различни подходи.
Преходният метод от 2-d към 3-d е метод, който осъществява натрупването на информация за дадено лице. Този метод има по-добри характеристики от 2d метода, но също така използва само една камера. При въвеждане на обекта в базата данни, обектът обръща главата си и алгоритъмът свързва изображението заедно, създавайки 3d шаблон. И при разпознаването се използват няколко кадъра от видеопотока. Този метод е по-скоро експериментален и никога не съм виждал реализации за ACS системи.
Най-класическият метод е методът на проекция на шаблон. Състои се в това, че върху обекта (лицето) се проектира мрежа. След това камерата прави снимки със скорост от десетки кадъра в секунда, а получените изображения се обработват от специална програма. Греда, падаща върху извита повърхност, се огъва - колкото по-голяма е кривината на повърхността, толкова по-силно е огъването на лъча. Първоначално това използва източник на видима светлина, доставян през "щорите". Тогава видимата светлина е заменена с инфрачервена, която има редица предимства. Обикновено на първия етап от обработката се изхвърлят изображения, в които лицето изобщо не се вижда или има чужди предмети, които пречат на идентификацията. Въз основа на получените изображения се възстановява 3-D модел на лицето, върху който се подчертават и премахват ненужните намеси (прическа, брада, мустаци и очила). След това моделът се анализира - подчертават се антропометричните характеристики, които в крайна сметка се записват в уникален код, въведен в базата данни. Времето за заснемане и обработка на изображението е 1-2 секунди за най-добрите модели.
Също така, методът за 3-d разпознаване, базиран на изображение, получено от няколко камери, набира популярност. Пример за това е Vocord с неговия 3d скенер. Този метод дава точност на позициониране, според уверенията на разработчиците, по-висока от метода на проекция на шаблона. Но докато не видя FAR и FRR поне в собствената им база данни, няма да повярвам !!! Но той е разработен вече 3 години и напредъкът на изложенията все още не се вижда.

Статистически показатели на метода

Пълните данни за FRR и FAR за алгоритми от този клас не се предоставят открито на уебсайтовете на производителите. Но за най-добрите модели на Bioscript (3D EnrolCam, 3D FastPass), работещи по метода на шаблонна проекция с FAR = 0,0047% FRR е 0,103%.
Смята се, че статистическата надеждност на метода е сравнима с надеждността на метода за идентификация с пръстови отпечатъци.

Предимства и недостатъци на метода

Предимства на метода. Няма нужда да се свързвате със сканиращото устройство. Ниска чувствителност към външни фактори, както върху самия човек (поява на очила, брада, промяна на прическата), така и в неговата среда (осветление, завъртане на главата). Високо ниво на сигурност, сравнимо с идентификацията с пръстови отпечатъци.
Недостатъци на метода. Скъпо оборудване. Предлаганите за продажба комплекси бяха дори по-скъпи от скенерите на ириса. Промените в изражението на лицето и шумът върху лицето влошават статистическата надеждност на метода. Методът все още не е добре разработен, особено в сравнение с пръстовия отпечатък, който се използва от дълго време, което затруднява широкото му използване.

Ситуация на пазара

Разпознаването на геометрията на лицето е една от „трите големи биометрии“ заедно с разпознаването на пръстови отпечатъци и ирис. Трябва да кажа, че този метод е доста разпространен и досега му се дава предпочитание пред разпознаването от ириса на окото. Делът на технологиите за разпознаване на геометрията на лицето в общия обем на световния биометричен пазар може да се оцени на 13-18 процента. В Русия тази технология също проявява по-голям интерес, отколкото например идентификацията по ириса. Както споменахме по-рано, има много алгоритми за 3-D разпознаване. В по-голямата си част компаниите предпочитат да разработват системи до ключ, които включват скенери, сървъри и софтуер. Има обаче и такива, които предлагат на потребителя само SDK. Към днешна дата можем да отбележим следните компании, участващи в разработването на тази технология: Geometrix, Inc. (3D скенери за лице, софтуер), Genex Technologies (3D скенери за лице, софтуер) в САЩ, Cognitec Systems GmbH (SDK, специални компютри, 2D камери) в Германия, Bioscrypt (3D скенери за лице, софтуер) е дъщерно дружество на американския компания L-1 Identity Solutions.
В Русия в тази насока работят компании Artec Group (3D лицеви скенери и софтуер) - компания със седалище в Калифорния, а разработката и производството се извършват в Москва. Също така, няколко руски компании притежават 2D технология за разпознаване на лица - Vocord, ITV и др.
В областта на 2D разпознаването на лица основен обект на разработка е софтуерът, т.к Конвенционалните камери са страхотни при заснемането на изображения на лица. Решението на проблема с разпознаването на лица до известна степен стигна до задънена улица - вече няколко години практически няма подобрение в статистическите показатели на алгоритмите. В тази област се води системна "работа по грешките".
3D разпознаването на лица вече е много по-привлекателна област за разработчиците. В него работят много екипи и редовно се научава за нови открития. Много от творбите са в състояние "скоро да бъдат пуснати". Но засега на пазара има само стари предложения, през последните години изборът не се е променил.
Една от интересните точки, за която понякога мисля и на която може би Habr ще отговори: дали точността на kinect е достатъчна, за да създаде такава система? Има доста проекти за изваждане на 3d модел на човек чрез него.

Разпознаване по вените на ръката

Това е нова технология в областта на биометрията, широкото й използване започна едва преди 5-10 години. Инфрачервената камера прави снимки на външната или вътрешната страна на ръката. Моделът на вените се формира поради факта, че кръвният хемоглобин абсорбира инфрачервеното лъчение. В резултат на това степента на отражение е намалена и вените се виждат на камерата като черни линии. Специална програма на базата на получените данни създава цифрова намотка. Не е необходим човешки контакт със сканиращото устройство.
Технологията е сравнима по надеждност с разпознаването чрез ириса на окото, превъзхожда я в някои отношения и е по-ниска в някои отношения.
Стойностите FRR и FAR са за скенера за вени на дланта. Според разработчика при FAR 0,0008% FRR е 0,01%. Никоя компания не изготвя по-точен график за няколко стойности.

Предимства и недостатъци на метода

Предимства на метода. Няма нужда да се свързвате със сканиращото устройство. Висока надеждност - статистическите показатели на метода са съпоставими с показанията на ириса. Скрити характеристики: за разлика от всичко по-горе, много е трудно да се получи тази характеристика от човек „на улицата“, например, като го снимате с камера.
Недостатъци на метода. Излагането на скенера на слънчева светлина и лъчи на халогенни лампи е неприемливо. Някои заболявания, свързани с възрастта, като артрит, значително увреждат FAR и FRR. Методът е по-слабо проучен в сравнение с други статични биометрични методи.

Ситуация на пазара

Разпознаването на вените на ръцете е сравнително нова технология и следователно нейният глобален пазарен дял е малък, около 3%. Интересът към този метод обаче нараства. Факт е, че като доста точен, този метод не изисква толкова скъпо оборудване, като например методите за разпознаване, базирани на геометрията на лицето или ириса. Сега много компании се развиват в тази област. Така например, по поръчка на английската компания TDSi, беше разработен софтуер за биометричния четец за дланови вени PalmVein, представен от Fujitsu. Самият скенер е разработен от Fujitsu предимно за борба с финансовите измами в Япония.
Също така в областта на идентификацията на вени са следните компании Veid Pte. ООД (скенер, софтуер), Hitachi VeinID (скенери)
Не познавам фирми в Русия, занимаващи се с тази технология.

Ретината

Доскоро се смяташе, че най-надеждният метод за биометрична идентификация и идентификация на човек е методът, базиран на сканиране на ретината. Съдържа най-добрите характеристики за идентификация по ириса и по вените на ръката. Скенерът разчита модела на капилярите по повърхността на ретината. Ретината има фиксирана структура, която не се променя с течение на времето, освен в резултат на заболяване, като катаракта.
Сканирането на ретината използва инфрачервена светлина с нисък интензитет, насочена през зеницата към кръвоносните съдове в задната част на окото. Скенерите на ретината станаха широко използвани в системите за контрол на достъпа до строго секретни обекти, тъй като имат един от най-ниските проценти отказан достъп на регистрирани потребители и практически няма грешни разрешения за достъп.
За съжаление, при използването на този биометричен метод възникват редица трудности. Тук скенерът е много сложна оптична система и човек не трябва да се движи дълго време, докато системата се индуцира, което причинява дискомфорт.
Според EyeDentify за скенера ICAM2001 с FAR=0,001%, стойността на FRR е 0,4%.

Предимства и недостатъци на метода

Предимства. Високо ниво на статистическа надеждност. Поради ниското разпространение на системите, има малък шанс да се разработи начин за тяхното „измамване“.
недостатъци. Трудна за използване система с дълго време за обработка. Високата цена на системата. Липсата на широка пазарна оферта и в резултат на това недостатъчната интензивност на развитие на метода.

Геометрия на ръцете

Този метод, доста разпространен преди 10 години и произхождащ от криминалистиката, през последните години намалява. Тя се основава на получаване на геометричните характеристики на ръцете: дължината на пръстите, ширината на дланта и др. Този метод, подобно на ретината на окото, умира и тъй като има много по-ниски характеристики, дори няма да влизаме в по-пълно описание за него.
Понякога се смята, че геометричните методи за разпознаване се използват в системите за разпознаване на вени. Но в продажбата никога не сме виждали толкова ясно посочено. И освен това често при разпознаване по вени се снима само дланта, докато при разпознаване по геометрия се снимат пръстите.

Малко самореклама

По едно време разработихме добър алгоритъм за разпознаване на очите. Но по това време такова високотехнологично нещо не беше необходимо в тази страна и аз не исках да отида при буржоазията (където ни поканиха още след първата статия). Но изведнъж, след година и половина, все още имаше инвеститори, които искаха да изградят „биометричен портал“ за себе си - система, която да изяде 2 очи и да използва цветния компонент на ириса (за който инвеститорът имаше световен патент ). Всъщност това е, което правим сега. Но това не е статия за самореклама, това е кратко лирично отклонение. Ако някой се интересува, има малко информация и някъде в бъдеще, когато влезем на пазара (или не), ще напиша няколко думи тук за възходите и паденията на биометричния проект в Русия.

заключения

Дори в класа на статичните биометрични системи има голям избор от системи. Кое да избера? Всичко зависи от изискванията за сигурност. Най-статистически надеждните и устойчиви на манипулации системи за достъп са системите за достъп до ириса и вената на ръката. За първия от тях има по-широк пазар за предложения. Но това не е границата. Системите за биометрична идентификация могат да се комбинират, за да се постигне астрономическа точност. Най-евтините и лесни за използване, но с добра статистика, са системите за толерантност към пръстите. Толерантността към 2D лица е удобна и евтина, но има ограничен обхват поради лоша статистика.
Помислете за характеристиките, които ще има всяка от системите: устойчивост на фалшифициране, устойчивост на околната среда, лекота на използване, цена, скорост, стабилност на биометричната характеристика във времето. Нека поставим оценки от 1 до 10 във всяка колона. Колкото по-близо е резултатът до 10, толкова по-добра е системата в това отношение. Принципите за избор на оценки бяха описани в самото начало на статията.


Ние също така вземаме предвид съотношението на FAR и FRR за тези системи. Това съотношение определя ефективността на системата и широчината на нейното използване.


Струва си да запомните, че за ириса можете да увеличите точността на системата почти квадратично, без загуба на време, ако усложните системата, като я направите за две очи. За метода на пръстови отпечатъци - чрез комбиниране на няколко пръста и разпознаване по вени, чрез комбиниране на две ръце, но такова подобрение е възможно само с увеличаване на времето, прекарано в работа с човек.
Обобщавайки резултатите за методите, можем да кажем, че за средни и големи обекти, както и за обекти с максимално изискване за сигурност, ирисът трябва да се използва като биометричен достъп и евентуално разпознаване чрез вени на ръцете. За съоръжения с до няколкостотин служители достъпът с пръстов отпечатък ще бъде оптимален. 2D системите за лицево разпознаване са много специфични. Те могат да бъдат необходими в случаите, когато разпознаването изисква липса на физически контакт, но не е възможно системата за управление да се постави върху ириса. Например, ако е необходимо да се идентифицира човек без негово участие, със скрита камера или камера за откриване на открито, но това е възможно само при малък брой субекти в базата данни и малък поток от хора, заснети от камерата .

Младите техници вземат под внимание

Някои производители, като Neurotechnology, имат демонстрационни версии на биометричните методи, които пускат на уебсайта си, така че можете да ги включите и да си поиграете. За тези, които решат да се впуснат в проблема по-сериозно, мога да посъветвам единствената книга, която съм виждал на руски - "Руководство по биометрия" от Р.М. Бол, Дж.Х. Конъл, С. Панканти. Има много алгоритми и техните математически модели. Не всичко е пълно и не всичко отговаря на настоящето, но базата не е лоша и изчерпателна.

P.S.

В този опус не навлязох в проблема с удостоверяването, а само засегнах идентификацията. По принцип, от характеристиките на FAR / FRR и възможността за фалшифициране, всички заключения по въпроса за удостоверяването предполагат сами.

Може да се интересувате от следните материали

Газомери

Отоплителна система

Водоснабдяване

Вентилационна система

Радиатори

Водопроводни тръби

2023 За комфорта в къщата. Газомери. Отоплителна система. Водоснабдяване. Вентилационна система