Genetiker skapar personlig identifieringsteknologi. Examensarbete: programvara för personlig identifiering med röst Personligt identifieringssystem

"Mer än 1000 datorprogram..." talade om ett programpaket för att identifiera en person från ett fotografi med hjälp av geometriska egenskaper, skapat vid Institute of Informatics vid Scientific and Technical Center "Modern informationsteknologi"Uzbekistans vetenskapsakademi.

Efter publiceringen fick vi ett brev från Boris Filatov, som sa att han också var författare till ett liknande program.

Programmet "Personlig identifiering baserat på antropometriska punkter i ansiktet" skapades som ett resultat av att slutföra det slutliga kvalificeringsarbetet för en kandidatexamen vid universitetet. När det var dags att godkänna ämnena för mitt avslutande arbete tvekade jag länge - vilket ämne skulle jag välja, i vilken riktning? Jag har alltid varit intresserad av att arbeta med grafik, så jag bestämde mig för att kontakta en lärare som arbetar inom detta område. Min lärare, Nargiza Alokhodzhaevna Aripova, föreslog att jag skulle ta upp digital bildbehandling. Jag blev omedelbart varnad för att detta ämne var sällsynt och att det skulle bli problem med att hitta information. Men ämnet var lockande för mig, så jag bestämde mig för att göra det ändå.

Nargiza Alokhodzhaevna hänvisade mig till en specialist inom området digital bildbehandling, kandidat för tekniska vetenskaper, Viktor Nikolaevich Kan. Han föreslog ämnet personlig identifiering för mig och blev min handledare. Dessutom gav en anställd vid det vitryska institutet för cybernetik mig stor hjälp med att hitta material och information. Dmitry Ivanovich Samal. Jag vill ta tillfället i akt att tacka dessa personer för deras bidrag och hjälp i mitt arbete.

Drift av programmet

Från programmets namn - "Personlig identifiering baserad på antropometriska punkter i ansiktet" - är det tydligt att det är avsett att identifiera en person med hans digitala bild. Det här ämnets relevans är att det nyligen har uppstått stora problem med att säkerställa säker åtkomst för människor till olika föremål, vare sig det är en stängd databas eller ett hemligt laboratorium. Därför finns det ett behov av att identifiera en person och avgöra om denna person har rättigheter att komma in i systemet eller är det någon form av angripare.

Varför valdes det att identifiera en person med ansiktsbild snarare än med fingeravtryck eller handlinjer? När man identifierar en person med hjälp av en ansiktsbild finns det ingen fysisk kontakt mellan personen och enheten. Den här typen identifiering är naturligt och orsakar inte olägenheter för en person. Antropometriska ansiktsdrag är de som inte förändras över tiden, från slutet av en persons tillväxt (21-25 år) och slutar med extrem ålderdom.

Huvudsyftet med programmet är att jämföra två fotografier och avgöra om fotografierna föreställer olika personer eller samma person. Först laddas ett par bilder upp. Därefter bearbetas var och en av bilderna och en jämförelse görs baserat på de erhållna parametrarna. Bilden går igenom två steg: bildbearbetningsstadiet och steget att extrahera informativa funktioner.

Programmet utför sådana transformationer som att göra bilden suddig, framhäva ansiktsområdet, binarisera bilden, invertera färger, framhäva konturer och konvertera en färgbild till en gråskala. Med hjälp av dessa transformationer förbereds bilden för att söka efter de viktigaste antropometriska punkterna i ansiktet. Först delas ansiktsområden in i ett rutnät enligt den antropologiska strukturen i personens ansikte. Motsvarande områden genomsöks sedan efter pupillernas centrum, näsborrarna, nässpetsen och munmitten.

Baserat på de antropometriska punkterna i ansiktet beräknas huvuddragen i bilden. Efter att varje bild har bearbetats jämförs de två bilderna enligt de beräknade egenskaperna och ett procentuellt värde på likhet eller skillnad i personligheter ges.

Programutveckling

Det här ämnet är relativt nytt, så många utvecklare arbetar ständigt med det och förbättrar mjukvaruprodukter. I Tasjkent behandlas detta ämne av Institute of Cybernetics ( tidigare, nu - Institute of Informatics of the Academy of Sciences of the Republic of Uzbekistan, ca. hemsida), som samarbetar med Belarusian Institute of Cybernetics. Program som liknar mitt har redan skapats i dessa institut. Om det uppstod frågor fanns det därför möjlighet att ställa en fråga eller söka råd. Men hjälpen var begränsad till en liten mängd information, så jag gjorde allt arbete själv. Det tog ungefär tre månader att skapa programmet.

Det utvecklade programmet är en fullfjädrad mjukvaruprodukt, även om mycket arbete fortfarande måste göras på det för att få det till ett idealiskt tillstånd. Programmet är ännu inte lämpligt för praktisk användning och ett antal av mina idéer förblev orealiserade. För att slutföra projektet behöver du förutom mjukvarudelen tekniska anordningar och många tester som kräver finansiering. Jag skulle gärna få det till slutet, men en person klarar inte av en sådan uppgift, det behövs ett team, då skulle processen gå mycket snabbare.

Boris Filatov

P.S. Programmet utvecklades i Microsoft Visual C++ 6.0.

2.1. Personlig identifikation.

Personlig identifikation är processen att fastställa en persons identitet baserat på en uppsättning egenskaper genom deras jämförande studie.

Att fastställa en persons identitet innebär i de flesta fall att fastställa dennes efternamn, förnamn, patronym, födelseår, födelseort och andra identifieringsuppgifter som är nödvändiga för att entydigt identifiera personen. Många metoder har utvecklats och använts i identifieringssyfte.

Visuell identifiering

Den vanligaste metoden inom ekonomi, brottsbekämpning och vissa andra områden av mänsklig aktivitet idag är metoden att identifiera en individ med hjälp av en persons personliga dokument, som är utformade för att bekräfta personens grundläggande identifieringsdata. Den huvudsakliga identifikationshandlingen i vårt land är ett pass. Om en person visar det eller om ett pass (eller ett liknande dokument) hittas på honom, anses det vara denna person vars uppgifter finns i passet. För att bekräfta detta placeras ett fotografi i passet som gör det möjligt att, genom att jämföra utseende, bekräfta eller vederlägga passinnehavarens identitet.

Elektronisk identifiering

Vid identifiering av en person i "elektronisk form" (Internet, plastkort, statliga tjänster i elektronisk form, elektroniska och mobila betalningar etc.) är det nödvändigt att använda ett identifikationsnummer som tilldelas antingen personen eller till dennes personuppgifter, vilket kan tydligt bestämma överensstämmelsen mellan personuppgifter och denna man.

2.2. Identitetspolicy

Identifiering av en person (persons personuppgifter) kan utföras på olika sätt:

Ett enda nummer som inte kan ändras under hela ditt liv

Ett nummer som ändras på grund av en förändring i en persons data

Använda en uppsättning nummer för identifiering

Frågan om val av identifieringsmetoder är av avgörande betydelse för utvecklingen av varje informationssystem som tar hänsyn till medborgarnas personuppgifter och annan information som ger en person möjlighet att få vilka tjänster som helst, både statliga och kommersiella.

2.3. Typer av identifiering

Centraliserad identifiering – innebär att all information samlas in på högsta (federal) nivå

Distribuerad identifiering – lagring av information om ämnet på platsen för hans registrering. Med distribuerad identifiering kan identifieringsuppgifter utbytas mellan olika registreringsnivåer.

Hierarkisk identifikation - information om det identifierade objektet finns på alla nivåer i hierarkin.

3. Grundläggande informationsresurser

3.1. En enda grundläggande informationsresurs

För att organisera interdepartemental interaktion när man tillhandahåller tjänster till befolkningen elektroniskt, kan olika metoder för att underhålla resurser som innehåller mänskliga identifieringsdata användas. Hur perfekt alternativ tillgång till en enda grundläggande informationsresurs. En resurs som är primär för alla andra informationsresurser som innehåller och ackumulerar data i utförandet av sina funktioner.

Vid användning av en enda grundläggande informationsresurs orsakar varje ändring av identifieringsdata om en medborgare en ändring av dessa uppgifter i sekundära resurser, det vill säga informationen som lagras i en enda grundläggande informationsresurs är den enda korrekta för alla andra. Detta är en idealisk situation.

3.2. Grundläggande informationsresurser

I övergångsperiod(innan en enda grundläggande informationsresurs skapas) är det tillåtet att använda flera grundläggande informationsresurser som redan har samlat en ganska stor mängd information om medborgare och fortsätter att utföra denna ackumulering när de utför sina funktioner (i Ryssland är dessa FMS, FNM, Ryska federationens pensionsfond, Rosreestr, inrikesministeriet och ett antal andra resurser). När du använder flera grundläggande informationsresurser blir det nödvändigt att lösa ett antal ganska allvarliga problem:

Definiera grundläggande identifierare

Matcha basidentifierare med varandra

Definition av primära (master) resurser som kommer att fungera som en standard för alla andra

Definiera en procedur för att korrigera fel och införa ändringar i de underliggande resurserna när några upptäcks.

Om det finns ett stort antal sådana resurser kommer det att vara mycket svårt att arbeta med dem, liksom risken för en situation med felaktigt identifierade personuppgifter om medborgare.

4. Rättslig grund för att behålla legitimation

4.1. Identifiering av medborgare

Frågor om att tilldela en identifierare till medborgarnas personuppgifter måste avgöras av en reglerande rättsakt, som ska definiera var, när, av vem identifieraren tilldelas, av vem den underhålls, var den lagras och hur den tillämpas. Om det finns flera identifierare ska deras användningsområde och kontaktområden beskrivas. Utan juridisk och regulatorisk förstärkning av dessa grundläggande normer är processen att använda grundläggande identifierare dömd att misslyckas.

4.2. Skapande av informations- (informations)resurser

Efter den reglerande och rättsliga konsolideringen av grunderna för identifiering är det nödvändigt att fastställa de grundläggande principerna för att utveckla ett informationssystem (system) som tillåter identifiering av medborgare. Detta system (system) ska inte bara säkerställa ackumulering av information om medborgare, utan också ha hela infrastrukturen. Vilket gör att du kan använda denna informationsresurs, inte bara i mjukvarudelen, utan också i den tekniska supporten. Användningen av denna resurs överallt måste förutsätta närvaron av ett omfattande dataöverföringsnät, till vilket åtkomst måste tillhandahållas från var som helst i landet (och även från andra länder), alla principer för informationssäkerhet måste definieras, vilket säkerställer skydd mot obehöriga åtkomst både inifrån och utifrån. Dessutom måste frågorna om att säkerställa tillräcklig produktivitet hos denna informationsresurs också lösas, eftersom informationsutbytet med den grundläggande informationsresursen är flera storleksordningar högre än med resurser som används för något verksamhetsområde.

Federal Agency for Education

Statens läroanstalt

högre yrkesutbildning

"IZHEVSK STATE TECHNICAL UNIVERSITY"

Fakulteten för informatik och datavetenskap

Institutionen för programvara

FÖRKLARANDE ANTECKNING

för en avhandling om ämnet:

"Fingeravtrycksidentifieringssystem.

Bildanalys delsystem"

Utexaminerad

elev i grupp 10-19-1 Krasnov N.I.

Handledare

Doktor i tekniska vetenskaper, professor Murynov A.I.

Ekonomisk konsult

Kandidat för ekonomisk vetenskap, docent Radygina I.I.

Säkerhetskonsult

och miljövänligheten i projektet Yakimenko G.F.

Standardstyrning Sobolev V.P.

Recensent

Ved. ingenjör Kropacheva L.N.

Chef för avdelningen

"Programvara"

Doktor i tekniska vetenskaper, professor Murynov A.I.

ABSTRAKT

Förklarande notering till avhandlingen om ämnet ”Personligt identifieringssystem med fingeravtryck. Image Analysis Subsystem" är utformad på 121 ark, innehåller 31 figurer, 17 tabeller.

Syftet med detta arbete är att utveckla ett delsystem för bildanalys av fingeravtryck som en del av ett fibaserat på ett papillärt mönster för ytterligare personlighetsigenkänning.

Arbetet innefattar utveckling och implementering av en algoritm för att eliminera förvrängningar i fingeravtrycksbilden som erhålls vid scanning av ett fingeravtryck. Utveckling och implementering av konvertering av en monokrom bild av fingeravtryck till en strukturerad form lämplig för bearbetning (jämförelse).

För att skriva lämplig programvara studerades material och publikationer inom området digital bildbehandling, vektorisering, mänsklig biologisk struktur och dess biometriska parametrar.

Som ett resultat av det utförda arbetet utvecklades mjukvara utformad för att automatisera processen för objektbeskrivning av fingeravtryck baserat på de karakteristiska egenskaperna hos nätverken av alla papillära mönster. Egenskaperna för lokala egenskaper som erhålls som ett resultat av driften av delsystemet används för vidare arbete som en del av systemet.

Idag finns det färdiga system för personidentifiering som har hög grad av säkerhet, snabbhet och användarvänlighet. Ingen av de befintliga utvecklingarna ger dock en objektbeskrivning och en metod för att jämföra fingeravtryck. Alla utvecklingar är unika, har sina egna innovationer, kunskap och utgör en affärshemlighet.

Denna utveckling är öppen källkod och möjliggör en strukturell beskrivning av papillärmönstret. Därför är denna utveckling unik och har inga motsvarigheter i den moderna datorbildbehandlingsindustrin. Det bör noteras att metoden som används inte bara lämpar sig för att beskriva fingeravtrycksbilder utan även för objektbeskrivning av andra bitbilder, såsom symbolisk information, typsnitt och signaturer.

Tagit fram programvaraär forskning, den syftar till att studera och analysera metoder för bildbehandling och dess beskrivning. Med dess hjälp har viktiga experimentella data som används i detta arbete redan erhållits. Den slutliga mjukvaruprodukten kan vara ett skal som representerar ett i stort sett automatiserat gränssnitt för personlig identifiering.

INTRODUKTION

1. UTVECKLING AV ETT PERSONLIGT IDENTIFIERINGSSYSTEM MED Fingeravtryck

1.1. Motivering av möjligheten att utveckla ettem

1.1.1. Syftet med systemet

1.1.2. Egenskaper för systemets funktionella struktur

1.1.3. Motivering av syftet med att skapa systemet

1.1.4. Motivering av sammansättningen av automatiserade uppgifter

1.2. Analytisk granskning

1.2.1. Företaget BioLink

1.2.1.1. BioLink BioTime 2006 kontrollsystem

1.2.1.2. BioLink Software Server

1.2.2. Microsoft IntelliMouse Explorer med fingeravtrycksläsare

1.2.3. Mobiltelefon GI100

1.2.4. Adobe Photoshop Editor

1.2.5. Textigenkänningsprogram Fine Reader

1.2.6. Slutsats från skrivbordsgranskningen

1.3. Grundläggande systemkrav

1.3.1. De huvudsakliga målen för att skapa systemet och kriterier för effektiviteten i dess funktion

1.3.2. Systemets funktionella syfte

1.3.3. Funktioner hos systemet och villkoren för dess drift

1.3.4. Krav på funktionsstrukturen

1.3.5. Tekniska krav

1.3.6. Krav på informationsstöd

1.3.7. Programvarukrav

1.4. Huvudsakliga tekniska lösningar för systemdesign

1.4.1. Lösning för en uppsättning tekniska hjälpmedel

1.4.2. Beskrivning av mjukvarusystem

2. UTVECKLING AV ETT UNDERSYSTEM FÖR BILDANALYS AV Fingeravtryck

2.1. Beskrivning av problembeskrivningen för delsystemet för fingeravtrycksbildanalys

2.1.1. Uppgiftens egenskaper

2.1.2. Mata in information

2.1.3. Utdatainformation

2.1.4. Matematisk formulering av problemet

2.1.5. Funktionsdiagram av delsystemet för analys av papillärmönster

2.2. Beskrivning av problembeskrivningen för att identifiera skanningsdefekter och deras eliminering

2.2.1. Uppgiftens egenskaper

2.2.2. Mata in information

2.2.3. Utdatainformation

2.2.4. Matematiskt påstående

2.2.5. Algoritm för att lösa problemet

2.2.5.1. Beskrivning av algoritmen "Genererar en lista med linjer"

2.2.5.2. Beskrivning av "ChangeLine"-algoritmen

2.3. Beskrivning av problemformuleringen: identifiering av lokala funktioner

2.3.1. Uppgiftens egenskaper

2.3.2. Mata in information

2.3.3. Utdatainformation

2.3.4. Matematisk formulering av problemet

2.3.5. Algoritm för att lösa problemet

2.3.5.1. Beskrivning av algoritmen "Genererar en lista med linjer"

2.3.5.2. Beskrivning av ReadLine-algoritmen

2.4. Beskrivning av formuleringen av problemet med att sortera en lista med absoluta parametrar, eliminera falska och opålitliga notioner

2.4.1. Uppgiftens egenskaper

2.4.2. Mata in information

2.4.3. Utdatainformation

2.4.4. Matematiskt påstående

2.4.5. Algoritm för att lösa problemet

2.5. Beskrivning av subrutiner

2.5.1. Subrutin NextDotCW

2.5.2. Subrutin NextDotCCW

2.5.3. LookPic subrutin

2.5.4. Subrutin ChangeLine

2.5.5. ReadPic subrutin

2.5.6. DotsFilter rutin

2.5.7. AnalyzePicture subrutin

2.6. Testfallsbeskrivning

2.6.1. Syftet med programmet

2.6.2. Inledande data

2.6.3. Testfall

2.6.4. Testar programvaran för fingeravtrycksidentifiering

3. ORGANISATIONELL OCH EKONOMISK DEL

3.1. Skäl för behovet av att utveckla ettem

3.2. Kostnadsberäkning för att utveckla ettem

4. PROJEKTETS SÄKERHET OCH MILJÖVÄNLIGT

4.1. Analys av farliga och skadliga faktorer som uppstår när man arbetar på en dator

4.2. Säkerhetsföreskrifter när du arbetar på en PC

4.3. Organisation av operatörens arbetsplats

4.4. Krav på rumsmikroklimatparametrar

4.5. Ljuskrav och beräkning av artificiell belysning

4.6. Brandsäkerhet

SLUTSATS

LITTERATUR

BILAGA 1 PROGRAMTEXT

BILAGA 2 PROGRAMMERINGSGUIDE

BILAGA 3 BRUKSANVISNING

BILAGA 4 TESTRESULTAT

BILAGA 5 ALTERNATIV ANVÄNDNING AV PROGRAMMET SYMBOLER

ST - specifik punkt (minut)

DB - databas med fingeravtryck

PIN - personligt identifikationsnummer

CCD - Charge Coupled Device

CMOS - chip tillverkningsteknik (kiselmetalloxidhalvledare)

OP - fingeravtryck

dpi - antal punkter per tum (punkt per tum)

Programvara - mjukvara

OS - operativsystem

DATOR - elektronisk dator

PC - persondator

INTRODUKTION

Nuförtiden har lösenord, personliga identifikationsnummer och speciella id-kort blivit en livsnödvändighet. Till exempel, för att få kontanter från en bankomat, behöver du en PIN-kod för att komma åt ett e-postprogram eller en viss kategori av datordata, du behöver ett lösenord. Mot bakgrund av den senaste tidens händelser i världen, särskilt i samband med den växande aktiviteten av internationell terrorism, uppmärksammas säkerhetsfrågorna alltmer.

Således måste en person lagra ett stort antal olika kombinationer av siffror och bokstäver i sitt minne. För att lindra den moderna människans svåra situation började företag som specialiserade sig på tillverkning av datorer utveckla biometriska tekniker. Biometri är en vetenskap som studerar användningen av olika egenskaper hos människokroppen (vare sig det är fingeravtryck eller de unika egenskaperna hos den mänskliga pupillen eller rösten) för att identifiera varje enskild person. Med hjälp av biometrisk teknik kommer en person aldrig att kunna glömma lösenordet eller koden han behöver, eftersom hans tumme, röst eller ögats pupill alltid är med honom /1/.

Fingeravtrycket bildar så kallade papillära linjer på åsliknande utsprång av huden, åtskilda av spår. Dessa linjer utgör komplexa mönster (båge, loop och curl), som har egenskaperna för individualitet och unikhet, vilket möjliggör absolut tillförlitlig identifiering av en person. Även om andelen nekad åtkomst till auktoriserade användare är cirka 3 %, är andelen felaktig åtkomst mindre än en på en miljon. Fördelarna med fingeravtrycksåtkomst är användarvänlighet, bekvämlighet och tillförlitlighet. Hela identifieringsprocessen tar kort tid och kräver ingen ansträngning från dem som använder detta åtkomstsystem. Forskning har också visat att användningen av ett fingeravtryck för personlig identifiering är den bekvämaste av alla biometriska metoder. Sannolikheten för fel vid identifiering av en användare är mycket mindre jämfört med andra biometriska metoder /2/. Dessutom kräver fininte mycket utrymme på tangentbordet eller mekanismen.

Den resulterande fingeravtrycksbilden är ett raster som kan beskrivas på ett speciellt sätt baserat på strukturen av papillärmönstret. Efter att ha identifierat strukturen på ett fingeravtryck kan det jämföras med andra fingeravtryck och identifiera de som liknar varandra eller säga att fingeravtrycken är olika.

Arbetet ägnas åt rasteranalys, att få fram en objektmodell och att söka efter liknande fingeravtryck.

1. UTVECKLING AV ETT PERSONLIGT IDENTIFIERINGSSYSTEM MED FINGERAVSKYTT

1.1. Motivering av möjligheten att utveckla ettem

1.1.1. Syfte system

Systemet Personlig identifiering med fingeravtryck implementerar identifiering av personlighet baserad på människokroppens biometriska parametrar, nämligen strukturen av fingeravtryck. Systemet är designat för att bearbeta grafiska bilder av fingeravtryck. Systemet låter dig jämföra flera fingeravtryck med varandra baserat på utvalda lokala funktioner. Lokala särdrag är små detaljer och deras relativa parametrar (platsen för vissa detaljer i förhållande till alla andra), vilket garanterar jämförelsens oberoende från parallell translation och rotation.

Mjukvaruprodukten hittar applikationer i olika applikationssystem /3/, inklusive:

1) civila identifieringssystem;

2) kriminaltekniska identifieringssystem;

3) storskaliga kommersiella tillämpningar.

Civila identifieringssystem inkluderar:

förarpass;

Nationella identitetskort för medborgare;

Väljarregistrering;

Registrering för sociala program;

Immigrationsregistrering, visum;

Identifiering av anställda vid statliga myndigheter.

Rättsmedicinska identifieringssystem inkluderar:

Är denna medborgare efterlyst?;

Tidigare fällande domar;

Registrering av fångar/tillträdeskontroll;

Mobila och fjärranslutna applikationer;

Bearbetning av fingeravtrycksspår som erhållits från brottsplatser.

Storskaliga kommersiella tillämpningar inkluderar:

Tillgång till webbresurser, e-handel;

Tillgång för användare och anställda;

Finansiella tjänster, betalningsverifiering;

Tillgång till byggnader och lokaler;

Lojalitetsprogram.

1.1.2. Karakteristisk funktionell strukturer system

Funktionsdiagrammet för systemet visas i fig. 1.1.

Bildbehandlingen består av följande steg:

1) inmatning av en bild iemet;

2) i bildanalysundersystemet bearbetas rastret för att undertrycka brus, såväl som att eliminera typiska bildförvrängningar, såsom brott eller sammanklibbning av bågar av papillärmönstret;

3) i delsystemet för bildanalys identifieras lokala egenskaper, såsom avslutningar och bifurkationer, för ytterligare fingeravtrycksigenkänning;

4) i bildanalysundersystemet sorteras de erhållna parametrarna för lokala funktioner;

5) i igenkänningsdelsystemet omvandlas de absoluta parametrarna för speciella punkter till relativa parametrar för att förhindra påverkan av parallell överföring och rotation av fingret vid skanning av ett fingeravtryck;

6) igenkänning av fingeravtryck från databasen med befintliga fingeravtryck sker på basis av de relativa parametrarna för varje punkt för varje fingeravtryck som lagras i databasen.

Funktionsdiagram överemet

Analysdelsystem - igenkänningsdelsystem

1.1.3. Motivering av syftet med att skapa systemet

Problem med strukturell bildanalys har ett brett spektrum av tillämpningar, allt från rastervektorisering till mönsterigenkänning. Strukturanalys av bilder innebär att man extraherar strukturella element från dem. x element, som en linje, ett område, ett kompakt element (bokstav) och så vidare.

För närvarande är tillförlitligt informationsskydd ett av huvudkriterierna för att välja ut system utformade för att lagra och bearbeta viktig information. Detta beror på den befintliga sannolikheten för obehörig åtkomst till sådana system, eftersom de har omfattande informationsinteraktion med relaterade kontrollsystem via INTRANET-nätverket. Därför säkerställer informationssäkerhet måste vara det viktigaste steget under deras utveckling /3/.

Skydd baserat på människokroppens biometriska parametrar, särskilt fingeravtrycket, har ett antal obestridliga fördelar: användarvänlighet, bekvämlighet och tillförlitlighet. Hela identifieringsprocessen tar kort tid och kräver ingen ansträngning från dem som använder detta åtkomstsystem. Forskning har också visat att användningen av ett fingeravtryck för personlig identifiering är den bekvämaste av alla biometriska metoder. Sannolikheten för fel vid identifiering av en användare är mycket mindre jämfört med andra biometriska metoder. Dessutom kräver fininte mycket utrymme på tangentbordet eller mekanismen.

I de flesta fall arbetar med viktig information innebär också beslutsfattande i rätt tid och kontinuerlig framstegshantering. I detta avseende finns det ett behov av kontinuerlig bekräftelse av identitet (i fall en person av någon anledning lämnar sin arbetsplats, då kommer vem som helst vid denna tidpunkt att kunna ställa in fjärrkontrollkommandon eller ansvariga kommandon). Metoden "enkel inloggning" kan inte ge en sådan identitetsbekräftelse, och att ange ett lösenord efter varje kommando är besvärligt /4/.

Även om det finns färdiga system på marknaden, tillsammans med deras fördelar, har de ett antal nackdelar, såsom stängd källkod och algoritm, som ett resultat, omöjligheten att använda dem i sina system, samt ett högt pris . Som ett resultat är det vettigt att utveckla ett system som skulle ge alla utvecklare möjlighet att ha en färdig bas för att utveckla sina egna projekt baserade på biometriska tekniker. Och ge också en objektiv beskrivning av olika, inte bara papillära mönster, bilder.

Målet med detta arbete är att utveckla och implementera en sådan bildtransformation där data om platsen för unika egenskaper lagras mest fullständigt och med minsta möjliga mängd falsk information.

Systemet som skapas är av sök- och forskningskaraktär och syftar till att underlätta utvecklingen av bildbehandlingsalgoritmer, förenkla analysen av experimentella data och identifiera generella mönster.

1.1.4. Logisk grund sammansättning automatiserad uppgifter

System implementering Personlig identifiering med fingeravtryck gör att du i ett enda gränssnitt kan integrera alla steg i behandlingen av en fingeravtrycksbild och jämföra den med andra fingeravtryck:

1) analys av bildparametrar, identifiering av skanningsdefekter och deras eliminering;

2) lyfta fram lokala särdrag - detaljer. generera en lista med miniatyrer i absoluta parametrar;

6) jämförelse av ett fingeravtryck med många andra;

7) metoden för att lagra fingeravtrycksbeskrivningar låter dig använda resultatet av programmet för olika verksamhetsområden.

1.2. Analytisk granskning

Som redan nämnts i inledningen har metoden för att identifiera individer med fingeravtryck varit känd under ganska lång tid, och med tillkomsten av elektronisk datorteknik började mjukvaruprodukter för att analysera och jämföra bilder dyka upp.

1.2.1. Fast BioLink

I En ledande leverantör av säkerhetsteknik, designar, tillverkar och marknadsför avancerade biometriska produkter baserade på principen om fingeravtryck. De föreslagna lösningarna ligger till grund för användarautentiseringssystem i datanätverk, e-handelsplattformar och fysiska åtkomstsäkerhetssystem.

BioLink erbjuder en rad produkter baserade på egenutvecklade fingeravtrycksskannings- och bildbehandlingsteknologier, såväl som en-till-många-identifieringsalgoritmer, som löser många av dagens säkerhetsutmaningar /5/.

1.2.1.1. MED kontrollsystem BioLink BioTime 2006

MED arbetstidshanteringssystem, som är den senaste utvecklingen av BioLink. BioTime 2006-systemet förenklar de vanliga uppgifterna för redovisning och tidshantering och gör det enkelt, enkelt och bekvämt att registrera ankomst och avgång för företagets anställda. Dessutom ger BioTime 2006-systemet olika sorter rapporterar om förseningar, brister och övertid för anställda, tidpunkten för deras ankomst och avgång, och automatiserar även skapandet av en tidrapport /5/.

1.2.1.2. Programvaruserver BioLink

Programvaruserver BioLink Authenteon Software Appliance (ASA) är BioLinks fingeravtrycksmall som matchar programvara. ASA kombinerar lösenordsskydd och klient-server-autentisering vid inloggning i Windows, Novell och NFS för att lösa ett av de mest akuta säkerhetsproblemen idag - positiv identifiering av användare på ett företagsnätverk. Servern stöder upp till 300 användare /5/.

1.2.2. Microsoft In t elliMouse Utforskare med fingeravtrycksläsare

Meddelat Microsoft hösten 2004, en ny produktlinje som använder biometrisk teknik - en fingeravtrycksläsare, ett tangentbord med en inbyggd skanner och en trådlös optisk mus med en skanner - har funktionerna /6/:

1) ta ett fingeravtryck genom att kort placera fingret på skannern;

2) underhålla en lösenordshanterare för webbgränssnitt;

3) förmågan att identifiera en person för att logga in i systemet med ett finger.

Produkten är lämplig för användning på en personlig PC. Programvaran har mycket begränsad funktionalitet. Det finns inget sätt att få parametrarna för ett skannat fingeravtryck eller ställa in ytterligare åtgärder beroende på vilket finger som användes.

1.2.3. Mobiltelefon G.I. 100

GI100- den första telefonen med fingeravtrycksigenkänning. Fingeravtryck används för både uppringning och spel. Var och en av telefonägarens fingrar används för att snabbt slå ett av de tio numren som finns inlagda i telefonens minne. På samma sätt kan du under spel använda fingeravtryck istället för att trycka på knappar.

Åtkomstbegränsning – när du slår på telefonen skannas fingeravtrycket för personen som slog på den. Den stora nackdelen med produkten är att om fingeravtrycksigenkänningen misslyckas tre gånger, uppmanas du att ange ett lösenord. Således kan åtkomst till telefonen inte erhållas av ägaren, utan helt enkelt av en person som känner till lösenordet /7/.

1.2.4. Redaktör Adobe Photoshop

Professionell rasterbildredigerare. Huvuddrag:

1) kontroll av färg och ton av bildkomponenter: möjligheten att välja en palett, ersätta färger, stöd för 32-bitars färg (transparens), förmågan att konstruera färgfördelningshistogram;

2) intelligent bildredigering: kontextuella rasterkorrigeringsverktyg för att uppnå fotorealism;

3) ett brett utbud av filter som låter dig modifiera och förbättra bilden;

4) möjligheten att skapa många oberoende lager i en bild.

Produkten är designad för professionell redigering av fotografiska bilder och har en kraftfull uppsättning verktyg för att förbättra deras kvalitet. Mindre lämplig för bearbetning av konstgjorda bilder. Gränssnittet har viss kognitiv förmåga, som dock begränsas av rastermodellens /8/.

1.2.5. OCR-program Bra Läsare

Professionellt textigenkänningsprogram. Huvuddrag:

2) intelligent bestämning av placeringen av linjer och tecken i texten, igenkänning av tecken när de skannas felaktigt eller är bullriga;

3) förmågan att korrigera felaktigt igenkända tecken;

4) möjligheten att spara igenkänd text som ett Word- eller PDF-dokument.

Produkten är utformad för att känna igen tryckt text av varierande komplexitet efter skanning. Den har inte förmågan att komplettera uppsättningen av igenkända tecken, vilket resulterar i att applikationen endast är begränsad till igenkänning av tryckt text /9/.

1.2.6. Slutsats från skrivbordsgranskningen

Listan över mjukvaruprodukter kan naturligtvis utökas, men fortfarande är de mest typiska och populära utvecklingarna inkluderade i den.

Bland mjukvaruprodukterna dedikerade till identifiering med papillärt mönster kan huvuddragen identifieras:

1) program implementerar möjligheten att komma åt med fingeravtryck;

2) bearbetning med standardfunktioner är möjlig (ljusstyrka, kontrast, storleksändring);

3) teckenigenkänning;

4) inte ett enda program låter dig korrigera bilden baserat på utskriftens typiska egenskaper, ge en objektiv beskrivning av utskriften och även göra det möjligt att tillämpa bearbetningsalgoritmer separat för dina egna uppgifter.

I samband med de angivna funktionerna i befintlig programvara och på grund av det faktum att användningen av biometriska metoder gör det möjligt att öka säkerheten och användarvänligheten för system (se punkt 1.1.1), kommer det för de flesta utvecklare att vara bekvämt att använda en färdig modul för att arbeta med fingeravtryck. Därför är det relevant att utveckla ett system med öppen källkod som möjliggör en strukturell beskrivning av papillärmönstret. Förmågan att få sin objektbeskrivning och jämförelse. Användningen av algoritmen inte bara för att beskriva fingeravtrycksbilder, utan också för att objektivt beskriva andra bitbilder, såsom symbolisk information, typsnitt och signaturer.

Detta problem löses med ettem.

1.3. Grundläggande systemkrav

1.3.1. De huvudsakliga målen för att skapa systemet och kriterier för effektiviteten i dess funktion

Systemskapande identitetsigenkänning gör att du kan få ny möjlighet inom området skydd och organisation av tillgång till information, samt utveckling av nya, effektiva algoritmer för att bearbeta raster och omvandla dem till en strukturell form, för att utveckla ett verktyg som förbättrar kvaliteten på grafisk information genom att minska distorsion och brus.

För att utvärdera systemets effektivitet kan du använda kvaliteten på de utgående bilderna och fullständigheten i deras strukturella beskrivning. Och även nivån på korrekt fingeravtrycksigenkänning, som kan bedömas av antalet fel för ett korrekt fingeravtryck, och antalet inmatningar för ett felaktigt fingeravtryck /3/.

Det utvecklade systemet är öppen källkod och gör det möjligt att få en strukturell beskrivning av det papillära mönstret och dess jämförelse med andra papillära mönster. Algoritmen lämpar sig för att inte bara arbeta med fingeravtrycksbilder, utan även med andra bitbilder som teckeninformation, typsnitt och signaturer.

1.3.2. Funktionell utnämning system

Implementeringen av ett figör det möjligt att integrera alla steg i behandlingen av en fingeravtrycksbild i ett enda gränssnitt och jämföra den med andra fingeravtryck:

1) bildmodifiering, distorsionskorrigering;

2) lyfta fram lokala särdrag - detaljer. Generera en lista med miniatyrer i absoluta parametrar;

3) sortering av listan över absoluta parametrar, exklusive falska och opålitliga notioner;

4) omvandling av absoluta parametrar till relativa, generering av en lista med relativa parametrar;

5) installation av ett toleranssystem för att ta hänsyn till bildkorrelation;

6) jämförelse av ett tryck med många andra.

1.3.3. Systemegenskaper och villkor e drift

Systemet Fingeravtrycksidentifiering är utformad för att fungera med digitala bilder som erhålls genom skanning.

Att få en elektronisk representation av fingeravtryck med ett tydligt synligt papillärt mönster är en ganska svår uppgift. Eftersom fingeravtrycket är för litet måste ganska sofistikerade metoder användas för att få en högkvalitativ bild av det.

För närvarande kan följande fingeravtrycksläsare särskiljas baserat på de fysiska principer de använder:

Optisk;

Kisel;

Ultraljuds.

Den äldsta tekniken för fingeravtrycksskanning är optisk. Att skanna ett fingeravtryck med minikameror på ett CCD- eller CMOS-chip har avsevärt minskat kostnaderna för identifieringssystem. Men denna metod för fingeravtryck står inför några svåra problem: den resulterande bilden beror på det omgivande ljuset, förvrängningar är möjliga vid bildens kanter och sensorn kan "luras" relativt lätt (vissa billiga sensorer kan "luras" av en tryckt exemplar gjord på en vanlig kopiator). Det finns fortfarande problem med storleken på skannern. Sensorn kan inte vara mindre än brännvidd kameror. Bland de viktigaste fördelarna med optiska system kan vi återigen nämna det relativt låga priset och praktiska osårbarheten för effekterna av elektrostatisk urladdning.

Tekniken att använda ett elektromagnetiskt fält är helt ny. Sensorn avger en svag elektromagnetisk signal som följer fingeravtryckets åsar och dalar och tar hänsyn till förändringar i denna signal för att skapa en bild av fingeravtrycket. Denna skanningsprincip låter dig se hudmönstret under lagret av döda celler, vilket leder till bra resultat när du känner igen bleka eller bleka utskrifter. Problemet kvarstår att det inte finns något acceptabelt förhållande mellan sensorstorlek och upplösning.

En annan lovande teknik som bör nämnas är ultraljud. 3D ultraljudsskannern mäter fingrets skärande yta med en sorts radar. Denna skanningsmetod kan vara särskilt användbar, till exempel inom sjukvården. Den kräver inte att man rör vid några sensorläsare med sterila händer, och fingeravtrycket läses enkelt av även genom kirurgens gummi- eller plasthandskar. Den största nackdelen med ultraljudsteknik är dess höga kostnad och långa skanningstid /10/.

Det finns andra metoder, antingen använt tidigare eller bara under utveckling /11/.

1.3.4. Krav på funktionsstrukturen

Konstruktion fiantar en modulär struktur. Skalet måste ge ett gemensamt gränssnitt och möjlighet att komma åt alla moduler i systemet. Följande moduler anropas från skalet: delsystem för bildanalys, delsystem för att jämföra ett fingeravtryck med många andra. Datautbyte mellan delsystem sker genom projektet inom ett gemensamt skal.

Bildanalysundersystemet bör ge möjlighet att erhålla grundläggande statistiska egenskaper för papillärmönstret i nyckelområden. Delsystemet förutsätter tillgången på medel för att erhålla en fingeravtrycksbild av hög kvalitet.

Undersystemet för jämförelse av fingeravtrycksbilder används för att automatiskt identifiera likheten mellan olika bilder av papillärmönstret.

1.3.5. Krav Till teknisk säkerställa

Uppgiften med bildbehandling i systemet är förknippad med automatisk analys av stora uppsättningar av grafisk information. Transformationer som utförs i systemet måste utföras i processen med interaktiv interaktion med användaren, därför bör pauser för bearbetning inte överstiga flera sekunder Utifrån detta ställs krav på tekniska specifikationer persondator som systemet kommer att fungera på. Kraven är sammanfattade i tabell. 1.1.

Tabell 1.1

Tekniska egenskaper hos en persondator

namn	Menande
Processorfrekvens, MHz
Volym RAM, MB
Bildskärmsupplösning	minst 1024x768

1.3.6. Krav Till informativt säkerställa

Systemet är designat för att bearbeta bitbilder. På grund av felaktigheter, brus och uppskattningar som införs av utrustningen (skanner eller någon annan grafisk provtagningsenhet), förekommer brus av olika karaktär i bilden. Systemet tillåter oss att delvis bli av med dessa snedvridningar. Därför måste kvaliteten på ingående bilder vara på en acceptabel nivå.

Den huvudsakliga typen av information som behandlas i systemet är grafisk information i rasterrepresentation och dess objektrepresentation. Denna typ av data uppfattas direkt och holistiskt av människor, så det är nödvändigt att tillhandahålla medel för visuell visualisering av bilder i olika stadier av bearbetningen.

1.3.7. Krav Till programvara säkerställa

Det är tillrådligt att utveckla systemet för att fungera under familjens operativsystem Windows, eftersom operativsystem av denna klass är de mest använda i modern värld. Utvecklingsplattformen som valts är Microsoft Visual Studio C++ 2003 applikationsutvecklingsmiljö. Denna miljö stöder algoritmspråket C++ och har förmågan att snabbt utveckla och designa visuella gränssnitt, vilket är särskilt viktigt när man arbetar med grafisk information.

1.4. Huvudsakliga tekniska lösningar för systemdesign

1.4.1. Lösning Förbi komplex teknisk medel

Som redan noterats i paragraferna. 1.3.5, för att uppnå ett användarvänligt driftläge för systemet, krävs följande minimikonfiguration av en persondator: processorfrekvens 900 MHz, RAM-kapacitet 64 MB, bildskärm som stöder en upplösning på minst 1024x768 pixlar. Det är också önskvärt att ha följande perifera tekniska medel: en fingeravtrycksläsare, en färgbläckstråleskrivare för utskriftsresultat.

1.4.2. Beskrivning av mjukvarusystem

För implementering och drift av projektet krävs systemomfattande OS-mjukvara Windows XP är baserat på en kärna som har en 32-bitars datorarkitektur och en helt säker minnesmodell för att ge en säker datormiljö.

Utvecklingen av systemet för personlighetsigenkänning och dess undersystem kommer att utföras med hjälp av applikationsutvecklingsmiljön Microsoft Visual Studio C++ 2003. Utvecklingsmiljön inkluderar en högpresterande 32-bitars kompilator, som möjliggör optimering av den genererade koden. Microsoft Visual Studio C++ innehåller en omfattande uppsättning verktyg som förbättrar programmerarens produktivitet och minskar utvecklingscykeltiderna. Microsoft Visual Studio C++ 2003 är en funktionsrik integrerad utvecklingsmiljö som inkluderar en ANSI/ISO-kompilator, en inbyggd formdesigner, en rik uppsättning komponentverktyg, en Solution Explorer, en projektledare och en debugger. Den enkla utvecklingen och effektiviteten hos program som skapats i denna utvecklingsmiljö gör Microsoft Visual Studio C++ 2003 till det optimala valet för att bygga ett forskningssystem, som ett system för personigenkänning.

2. UTVECKLING AV ETT UNDERSYSTEM FÖR BILDANALYS AV Fingeravtryck

2.1. Beskrivning av problembeskrivningen för delsystemet för fingeravtrycksbildanalys

2.1.1. Karakteristisk uppgifter

Grafiska bilder representerade världen omkring oss, har stor mångfald. Ett integrerat attribut för en bild är dess rumsliga struktur. Förmågan att rekonstruera denna struktur under visuell perception säkerställer perceptionens objektivitet.

Rumslig säkerhet, som består i att vilken punkt som helst i bilden tillhör ett enda och väldefinierat strukturelement som kan representera ett objekt eller tillhör ett eller flera objekt i motsvarande ämnesområde. Således är vilken bild som helst konstruerad i enlighet med någon a priori-plan som bestämmer platsen och de semantiska egenskaperna hos dess strukturella element.

Modeller för att representera bilder i datorer kan delas in i två typer: raster och vektor.

Den vanligaste formen för att representera "rå" bilder på en dator är ett raster. Bilden i detta fall är en matris av NxM punkter (pixlar). Visualisering av rasterbilder är ganska enkel och består av att visa dess pixlar på skärmen rad för rad. En modell av denna typ innehåller dock inte strukturell, än mindre semantisk, information, vilket begränsar tillämpningsområdet. När bilder från den verkliga världen matas in i en dator visas de ofta i rasterform.

Vektormodeller för bildrepresentation är baserade på det faktum att vilken linje som helst kan representeras i en analytisk form, till exempel som en uppsättning vektorer - riktade segment. Att visualisera bilder i en vektormodell är svårare än i en rastermodell. Men en modell får kognitiv kraft genom att införliva strukturell information i den.

Fingeravtrycksbilden lagras vanligtvis i binär kod, där varje pixel i mönstret beskrivs med 8 bitar, det vill säga 256 nyanser av grått. I avancerade skanningssystem bearbetas den digitala bilden av fingeravtrycket med hjälp av en speciell bildförbättringsalgoritm. Denna algoritm ger feedback till sensorn för att justera skanningsparametrar. När sensorn fångar den slutliga bilden, justerar algoritmen kontrasten och klarheten för utskriftsbilden för att få bästa kvalitet /12/.

Metoder för identifiering av fingeravtryck baseras på jämförelse med prover eller användning av karakteristiska detaljer.

Vid identifiering med detaljer extraheras endast specifika platser där en funktion (detalj) finns från bilden. Vanligtvis är detta antingen änden av åsen eller dess bifurkation (Fig. 2.1). Mallens innehåll består i detta fall av relativa koordinater och information om delens orientering. Igenkänningsalgoritmen hittar och jämför relevanta delar. Varken rotationen av fingeravtrycket eller dess parallella translation (skift) påverkar systemets funktion, eftersom algoritmen arbetar med relativa värden.

Typer av miniatyrer

Som jämförelse görs en sökning på bitbilden efter lokala drag av papillärmönstret - minutiae. För sökning används en åskonturtraversalalgoritm. Som ett resultat implementerar analysdelsystemet övergången från en rasterrepresentation till en strukturell representation.

2.1.2. Ingång information

utskrift erhålls genom att skanna med en upplösning på 600 dpi. Bit filtillägg
som standard *.bmp. Bmp-formatet (från orden BitMaP - bitmap) är ett okomprimerat (för det mesta), vilket låter dig undvika att introducera fel, en bild som är ganska lätt att läsa och visa i Windows, som har speciella API-funktioner som hjälper till med detta /13 /.

2.1.3. Utdatainformation

Utdatainformationen är en lista över minuter i absoluta parametrar, som finns i minnet, som innehåller parametrarna varje minut hittas. Varje element i arrayen innehåller alla nödvändiga detaljparametrar: heltalstypkoordinater - 2x4 byte, riktningsvinkel 8 byte, punkttyp 1 byte

Arraystruktur:

Tabell 2.1

Filradsformat med strukturbeskrivning

2.1.4. Matematisk formulering av problemet

Driften av delsystemet implementeras i följande steg:

Korrigering av ingångsbilden, eliminering av defekter och förvrängningar;

Sök efter detaljer och generera en lista över deras absoluta parametrar;

Filtrera den resulterande listan med parametrar;

För att lösa dessa problem krävs standardoperationer för att arbeta med en array, som presenteras i tabellen. 2.2.

Tabell 2.2

Arrayoperationer

Beteckning	Avkodning
	antal arrayelement
	åtkomst till i-te array-elementet
	operation för att lägga till element E i slutet av array M
Ta bort (Array, Pos)	operation för att ta bort ett element vid position Pos från en Array
Ta bort (Array, Element)	operation för att ta bort ett element från en array
Pos(Array,Element)	operation för att erhålla numret på ett element i en matris
	operationen att lägga till icke-duplicerade element av Array2 till slutet av Array1
	array skärningsoperation
	logisk operation för att tillhöra ett element E till en array M
	operation för att sortera en array Array efter värdet av fält f

2.1.5. Funktionsdiagram över delsystemet papillär analys

mönster

Målet med arbetet är att implementera ett program för att exekvera kretsen, visad i fig. 2.1.1.

Analys delsystem diagram

2.2. Beskrivning av problembeskrivningen för att identifiera skanningsdefekter och deras eliminering

2.2.1. Uppgiftens egenskaper

Det papillära mönstret som presenteras i form av ett raster innehåller individuella linjeelement. Linjerna är en reflektion av åsarna i papillärmönstret att gå längs konturen av dessa linjer gör att du kan markera individuella åsar och få information om deras placering på fingret. Men i processen att erhålla ett rasterutskrift är typiska bilddefekter möjliga, som uppstår på grund av att skräp kommer på skanneranordningen, förekomsten av skärsår och veck på huden, inkonsekvent pressning av fingret mot skannern och en förändring i dess position vid varje ny skanning.

Det finns två typer av defekter: vidhäftning av intilliggande åsar och brott på en ås på ett raster på grund av de ovan beskrivna situationerna. Eftersom dessa defekter är delvis förutsägbara kan de elimineras. Genom att tillämpa bildförberedelse för ytterligare strukturanalys är det möjligt att avsevärt minska mängden brus och distorsion i det ursprungliga rastret, vilket leder till ökad igenkänningshastighet och tillförlitlighet.

Som ett resultat av att lösa problemet med att identifiera och eliminera skanningsdefekter kommer det personliga identifieringssystemet att komplettera sin funktionalitet med förmågan att förbättra kvaliteten på ingående bilder.

2.2.2. Ingång information

Inmatningsinformationen är Bitmappen för fingeravtrycket erhålls genom att skanna med en upplösning på 600 dpi. Bit filtillägg
som standard *.bmp. Bmp-formatet (från orden BitMaP - bitarray) är en okomprimerad (för det mesta) bild, som låter dig undvika att introducera fel. Bmp-formatet är ganska lätt att läsa och skriva ut på Windows OS, som har speciella API-funktioner.

Inmatningsrastret presenteras i BMP-format, som har den struktur som visas i fig. 2.1.2 /13/.

BMP-format

I början finns en filhuvud - BITMAPFILEHEADER.

typedef struct tagBITMAPFILEHEADER

ORD bfReserved1;

ORD bfReserved2;

DWORD bfOffBits;

) BITMAPFILEHEADER, *PBITMAPFILEHEADER;

typedef struct tagBITMAPINFOHEADER

WORD biBitCount;

DWORD biCompression;

DWORD biSizeImage;

LÅNG biXPelsPerMeter;

LÅNG biYPelsPerMeter;

DWORD biClrUsed;

DWORD biClrViktigt;

) BITMAPINFOHEADER, *PBITMAPINFOHEADER;

2.2.3. Ledig dag information

Utgången för denna uppgift är ett korrigerat raster med praktiskt taget ingen vidhäftning eller brott, vilket är mer lämpligt för att söka efter detaljer på det.

2.2.4. Matematiskt påstående

Sökandet efter detaljer sker genom att hitta lokala egenskaper. Lokala drag är starka krökningar av linjekonturerna. De krökningar som är små detaljer är avslutningar och bifurkationer, men utöver dem finns det sammanklibbning av intilliggande linjer och brott i en linje, som inte är detaljer.

I fig. Figur 2.2 visar en radbrytning och följande villkor är uppfyllt:

där A = (x,y);

Empiriskt värde.

I fig. Figur 2.3 visar linjerna som håller ihop, medan villkor 1 för Fig. 2.3.

Radbrytning

D1, D2 - intilliggande områden;

Linjer som håller ihop

A - stark krökning av konturen av papillärmönsterlinjen;

B - trolig punkt för fortsättning av linjen i papillärmönstret;

C - krökning av konturen vid den troliga fortsättningspunkten;

D1, D2 - intilliggande områden;

2.2.5. Lösningsalgoritm uppgifter

Om ett brytområde upptäcks återställs linjens integritet;

Om ett stickområde upptäcks separeras linjerna.

Resultatet av arbetet är ett raster som är mer lämpat för att söka efter miniatyrer på det än originalet.

R - Bitmap

Karta - lista. Karta = (x, y) i

R.width() - rasterbredd i pixlar

R.height() - rasterhöjd i pixlar

R.ChangeLine(Map[i]) - korsning längs linjens kontur från punkten Map[i]

2. Skapa en lista med kartlinjer från rastret R

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

4. Om raster R har ändrats, gå sedan till steg 2

2.2.5.1. Beskrivning av algoritmen " Skapar en lista med rader »

En algoritm för att hitta punkter på ett raster som tillhör olika papillära linjer.

3. Om R.GetPixelColor(x,y) != 0x000000, gå sedan till steg 5

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

6. om y< R.width(), то перейти к п. 3

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

2.2.5.2. Beskrivning av algoritmen " ChangeLine »

Algoritm för att söka efter vidhäftning, brott och eliminera dem på ett raster.

punkt0, punkt1 - punkter som hör till linjekonturen

vec0, vec1 - lokala vägbeskrivningar

alphaTest - en fördefinierad konstant som bestämmer den starka krökningen av papillärlinjens kontur

NextDotCW(dot0, step) - hämta koordinaterna för nästa punkt genom stegpunkter

Villkoren för brott och vidhäftning beskrivs i stycken. 2.2.4

2. dot0::= initialvärde

3. dot1::= NextDotCW(dot0, steg);

4. vec0::= GetVec(punkt0, punkt1);

5. punkt0::= punkt1;

6. dot1::= NextDotCW(dot0, steg);

7. vec1::= GetVec(punkt0, punkt1);

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

9. Om den hittade punkten är ett sammanflöde, separera linjerna

10. Om den hittade punkten är ett avbrott, återställ linjens integritet

11. Om du går längs konturen som ledde till startpunkten, gå till steg 13

12. vec0::= vec1; gå till steg 5

2.3. Beskrivning av problemformuleringen: identifiering av lokal

Funktioner

2.3.1. Karakteristisk uppgifter

Huvuddelen av delsystemets arbete är övergången från rasterrepresentation till strukturell representation. För att göra detta måste du hitta områden på rastret som motsvarar bifurkationer eller avslutningar. Sökningen utförs genom att korsa de svarta områdena på rastret som motsvarar linjerna i papillärmönstret längs konturen, medan platser med en kraftig krökning av konturen är specifika punkter.

2.3.2. Mata in information

Inmatningsinformationen är en bitmapp efter förbearbetning. Rastret har ett djup på 1 bit per pixel och en upplösning på 600 dpi. Bmp-formatet (från orden BitMaP - bitmap, eller, på ryska, bitarray) är en okomprimerad (för det mesta) bild, som låter dig undvika att introducera fel. Bmp-formatet är ganska lätt att läsa och skriva ut på Windows, som har speciella API-funktioner /13/.

2.3.3. Ledig dag information

Utdatainformationen är en lista över parametrar där det fanns och specifika punkter (egenskap, detalj) detekteras i absoluta parametrar. Listan som finns i minnet i detta skede innehåller, förutom de nödvändiga punkterna, falska sådana som bildas när inmatningsbilden är av dålig kvalitet. Varje matriselement innehåller alla nödvändiga parametrar: heltalstypkoordinater - 2x4 byte, riktningsvinkel - 8 byte, punkttyp - 1 byte.

Arraystruktur:

X i, Y i - Minutkoordinater på rastret

i - Minuteorientering

T - Typ (avslutning eller split)

k - Antal minuter

2.3.4. Matematisk iscensättning uppgifter

Sökandet efter detaljer sker genom att hitta lokala egenskaper. Lokala särdrag är starka krökningar av linjernas kontur, några av krökningarna är små detaljer - dessa är avslutningar och bifurkationer, men utöver dem finns det sammanfogningar av intilliggande linjer och avbrott i en linje.

I fig. 2.4 visar "slutet" och villkor 2 är uppfyllt.

där A = (x,y);

Empiriskt värde.

I fig. 2.5 visar en "bifurkation", medan villkor 2 för fig. 2.5.

Slut

A - stark krökning av konturen av papillärmönsterlinjen;

B - trolig punkt för fortsättning av linjen i papillärmönstret;

C - krökning av konturen vid den troliga fortsättningspunkten;

D1, D2 - intilliggande områden;

L1, L2 - troliga intilliggande linjer av papillärmönstret.

Bifurkation

A - stark krökning av konturen av papillärmönsterlinjen;

B - trolig punkt för fortsättning av linjen i papillärmönstret;

C - krökning av konturen vid den troliga fortsättningspunkten;

D1, D2 - intilliggande områden;

L1, L2 är troliga intilliggande fördjupningar av papillärmönstret.

Lokala egenskaper: brott och vidhäftning beskrivs i stycken. 2.2.4.

2.3.5. Algoritm lösningar uppgifter

Låt oss markera huvudstegen för att bearbeta varje rad i fingeravtrycksbilden:

Välj en godtycklig svart punkt på rastret som hör till linjen som bearbetas och gå längs konturen av den papillära mönsterlinjen som denna punkt tillhör;

Om en minutia upptäcks skriver vi in ​​dess koordinater i listan.

Resultatet är en lista över parametrar, med specifika punkter (funktion, detalj) upptäckta, i absoluta parametrar. Listan i detta skede innehåller, förutom nödvändiga punkter, falska sådana som bildas när ingångsbilden är av dålig kvalitet.

R - bitmapp

Karta - lista. Karta = (x, y) i

R.GetPixelColor(x,y) - få färgvärdet för en pixel med koordinater (x,y) på R-rastret

R.FloodFill(x, y, färg) - fyll området med färgen R.GetPixelColor(x,y) till färgfärg

R.width() - rasterbredd i pixlar

R.height() - rasterhöjd i pixlar

R.ReadLine(Map[i]) - korsning längs konturen av en linje från punkt Map[i], tar emot en lista med koordinater för detaljer

7. Skapa en lista över kartlinjer från raster R

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

Liknande dokument

Analys av biometriska personliga identifieringssystem baserat på fingeravtryck, handform och ögonskal. Ansikte som en biometrisk identifierare. Analys av marknaden för personlighetsigenkänningssystem. Utvärdera effektiviteten av identifieringssystem baserat på ansiktsgeometri.

kursarbete, tillagt 2013-05-30


Utveckling av en algoritm för att generera relativa parametrar för miniatyrbilder. Val av toleranssystemparametrar och likhetskriterier vid jämförelse av utskrifter. Metoden är lämplig för att känna igen bitbilder: symbolisk information, typsnitt och signaturer.

avhandling, tillagd 2008-06-23


Använda lösenord som ett sätt att skydda mot obehörig åtkomst till program och data lagrade på datorn. Biometriska identifieringssystem baserade på fingeravtryck, handflatsgeometri, talegenskaper och iris.

presentation, tillagd 2015-06-05


Analys av befintliga metoder för att implementera ett mjukvaruverktyg för personlig identifiering med röst. Faktorer som påverkar talets unika karaktär. Utveckling av ett mjukvaruverktyg för personlig identifiering med röst. Krav på dokumentation av programvara.

avhandling, tillagd 2016-06-17


Klassificering och huvudsakliga egenskaper hos biometriska medel för personlig identifiering. Funktioner för implementering av statiska och dynamiska metoder för biometrisk kontroll. Medel för auktorisering och autentisering i elektroniska säkerhets- och säkerhetssystem.

kursarbete, tillagd 2011-01-19


Utveckling av en preliminär och teknisk design för ettram. Syfte och omfattning, beskrivning av algoritmen, in- och utdata. Val av sammansättning av hårdvara och mjukvara. Produkttester och implementering.

kursarbete, tillagt 2015-12-05


Problemet med att förbättra kvaliteten på fingeravtryck för att öka effektiviteten hos biometriska autentiseringsalgoritmer. Granskning av bildbehandlingsalgoritmer för fingeravtryck. Analys av en algoritm baserad på användningen av Gabor-transformen.

avhandling, tillagd 2014-07-16


Telefax som en enhet för överföring av faxbilder över telefonnätet. Syftet med en flatbäddsskanner. Använda arkmatade skannrar. Funktionsprincip för en trumskanner. Använda en streckkodsläsare. Optisk fingeravtrycksläsare.

abstrakt, tillagt 2010-01-19


De huvudsakliga målen och målen för att bygga igenkänningssystem. Konstruktion av en matematisk modell av ett mönsterigenkänningssystem med hjälp av exemplet på en algoritm för att identifiera objekt av militär utrustning i automatiserade telekommunikationskomplex av styrsystem.

avhandling, tillagd 2012-11-30


Grunderna för biometrisk identifiering. Möjlighet att använda neurala nätverk för att bygga ett taligenkänningssystem. Utveckling av mjukvara för skydd mot obehörig åtkomst baserad på spektralanalys av användarens röst.

Nyligen har många artiklar dykt upp på Habré ägnade åt Googles ansiktsidentifieringssystem. För att vara ärlig luktar många av dem av journalistik och milt uttryckt inkompetens. Och jag ville skriva en bra artikel om biometri, det är inte min första! Det finns ett par bra artiklar om biometri på Habré – men de är ganska korta och ofullständiga. Här ska jag försöka kortfattat beskriva generella principer biometrisk identifiering och mänsklighetens moderna prestationer i denna fråga. Inklusive identifiering med ansikten.

Artikeln har, som i huvudsak är dess prequel.

En gemensam publikation med en kollega i en tidskrift (BDI, 2009), reviderad för att passa moderna verkligheter, kommer att användas som grund för artikeln. Habré är ännu inte en kollega, men han stödde publiceringen av den reviderade artikeln här. Vid publiceringstillfället var artikeln en kort översikt av den moderna marknaden för biometriska teknologier, som vi genomförde för oss själva innan vi lanserade vår produkt. Tillämplighetsbedömningarna som presenteras i den andra delen av artikeln är baserade på åsikter från personer som har använt och implementerat produkterna, såväl som på åsikter från personer som är involverade i produktionen av biometriska system i Ryssland och Europa.

allmän information

Låt oss börja med grunderna. I 95 % av fallen är biometri i huvudsak matematisk statistik. Och matstat är en exakt vetenskap, vars algoritmer används överallt: i radar och i Bayesiska system. Fel av den första och andra typen kan ses som två huvudegenskaper hos vilket biometriskt system som helst). I radarteorin brukar de kallas för "falskt larm" eller "målmiss", och inom biometri är de mest etablerade begreppen FAR (False Acceptance Rate) och FRR (False Rejection Rate). Den första siffran kännetecknar sannolikheten för en falsk matchning mellan två personers biometriska egenskaper. Det andra är sannolikheten att neka tillträde till en person med tillstånd. Ju lägre FRR-värde för samma FAR-värden, desto bättre är systemet. Används ibland Jämförande egenskaper EER, som bestämmer punkten där FRR- och FAR-graferna skär varandra. Men det är inte alltid representativt. Du kan till exempel se fler detaljer.
Följande kan noteras: om systemets egenskaper inte inkluderar FAR och FRR för öppna biometriska databaser, oavsett vad tillverkarna deklarerar om dess egenskaper, är detta system troligen ineffektivt eller mycket svagare än sina konkurrenter.
Men inte bara FAR och FRR bestämmer kvaliteten på ett biometriskt system. Om detta var det enda sättet skulle den ledande tekniken vara DNA-igenkänning, för vilken FAR och FRR tenderar att vara noll. Men det är uppenbart att denna teknik inte är tillämplig i det nuvarande skedet av mänsklig utveckling! Vi har utvecklat flera empiriska egenskaper som gör att vi kan bedöma kvaliteten på systemet. ”Förfalskningsbeständighet” är en empirisk egenskap som sammanfattar hur lätt det är för en biometrisk identifierare att bli lurad. "Miljöstabilitet" är en egenskap som empiriskt utvärderar systemets stabilitet under olika yttre förhållanden, såsom förändringar i belysning eller rumstemperatur. "Användarvänlighet" visar hur svårt det är att använda en biometrisk skanner och om identifiering är möjlig "på språng". Viktig egenskapär "Driftshastighet" och "Systemkostnad". Vi bör inte glömma att en persons biometriska egenskaper kan förändras över tiden, så om den är instabil är detta en betydande nackdel.
Överflödet av biometriska metoder är fantastiskt. De viktigaste metoderna som använder statiska biometriska egenskaper hos en person är identifiering av papillärt mönster på fingrarna, iris, ansiktsgeometri, näthinna, mönster av handvener, handgeometri. Det finns också en familj av metoder som använder dynamiska egenskaper: identifiering med röst, handstilsdynamik, hjärtfrekvens och gång. Nedan följer uppdelningen av den biometriska marknaden för ett par år sedan. Varannan källa fluktuerar med 15-20 procent, så detta är bara en uppskattning. Även här, under konceptet "handgeometri", finns det två olika metoder dolda, som kommer att diskuteras nedan.

I den här artikeln kommer vi endast att överväga de egenskaper som är tillämpliga i åtkomstkontroll- och hanteringssystem (ACS) eller i uppgifter som liknar dem. På grund av sin överlägsenhet är dessa i första hand statiska egenskaper. Av de dynamiska egenskaperna för tillfället är det bara röstigenkänning som har åtminstone viss statistisk signifikans (jämförbar med de värsta statiska algoritmerna FAR~0,1%, FRR~6%), men endast under idealiska förhållanden.
För att få en känsla för sannolikheterna för FAR och FRR kan du uppskatta hur ofta falska matchningar kommer att inträffa om du installerar ett identifieringssystem vid entrén till en organisation med N anställda. Sannolikheten för en falsk matchning av en fingeravtrycksläsare för en databas med N fingeravtryck är FAR∙N. Och varje dag passerar också cirka N personer genom åtkomstkontrollpunkten. Då är sannolikheten för fel per arbetsdag FAR∙(N∙N). Naturligtvis, beroende på målen för identifieringssystemet, kan sannolikheten för ett fel per tidsenhet variera mycket, men om vi accepterar ett fel per arbetsdag som acceptabelt, då:
(1)
Sedan finner vi att en stabil drift av identifieringssystemet vid FAR=0,1% =0,001 är möjlig med en personalstorlek på N≈30.

Biometriska skannrar

Idag är begreppen "biometrisk algoritm" och "biometrisk skanner" inte nödvändigtvis relaterade till varandra. Företaget kan producera dessa element var för sig eller tillsammans. Den största skillnaden mellan skannertillverkare och mjukvarutillverkare har uppnåtts på marknaden för biometriska fingerpapillära mönster. Den minsta 3D-ansiktsskannern på marknaden. I själva verket återspeglar nivån av differentiering till stor del marknadens utveckling och mättnad. Ju fler val det finns, desto mer utarbetas och förs temat till perfektion. Olika skannrar har olika uppsättningar av förmågor. I grund och botten är det en uppsättning tester för att kontrollera om ett biometriskt föremål har manipulerats eller inte. För fingerskannrar kan detta vara ett bumptest eller en temperaturkontroll, för ögonskannrar kan det vara ett pupillackommodationstest, för ansiktsscannrar kan det vara ansiktsrörelser.
Skanners påverkar i hög grad den resulterande FAR- och FRR-statistiken. I vissa fall kan dessa siffror ändras tiotals gånger, särskilt under verkliga förhållanden. Typiskt ges algoritmens egenskaper för en viss "ideal" bas, eller helt enkelt för en väl lämpad, där suddiga och suddiga ramar kasseras. Endast ett fåtal algoritmer indikerar ärligt både basen och den fullständiga utgivningen av FAR/FRR för det.

Och nu mer detaljerat om var och en av teknikerna

Fingeravtryck

Daktyloskopi (fingeravtrycksigenkänning) är den mest utvecklade biometriska metoden för personlig identifiering hittills. Katalysatorn för utvecklingen av metoden var dess utbredda användning inom kriminaltekniken på 1900-talet.
Varje person har ett unikt papillärt fingeravtrycksmönster, vilket gör identifiering möjlig. Vanligtvis använder algoritmer karakteristiska punkter på fingeravtryck: slutet av en mönsterlinje, förgreningen av en linje, enstaka punkter. Dessutom används information om fingeravtryckets morfologiska struktur: den relativa positionen för de stängda linjerna i papillärmönstret, "bågformade" och spirallinjer. Det papillära mönstrets egenskaper omvandlas till en unik kod som bevarar informationsinnehållet i fingeravtrycksbilden. Och det är "fingeravtryckskoderna" som lagras i databasen som används för sökning och jämförelse. Tiden för att konvertera en fingeravtrycksbild till en kod och identifiera den överstiger vanligtvis inte 1s, beroende på databasens storlek. Tiden för att räcka upp handen tas inte med i beräkningen.

VeriFinger SDK-statistik erhållen med DP U.are.U fingeravtrycksläsare användes som en källa för FAR- och FRR-data. Under de senaste 5-10 åren har egenskaperna för fingerigenkänning inte gjort stora framsteg, så ovanstående siffror visar medelvärdet av moderna algoritmer ganska bra. Själva VeriFinger-algoritmen vann International Fingerprint Verification Competition i flera år, där fingerigenkänningsalgoritmer tävlade.

Det karakteristiska FAR-värdet för metoden för fingeravtrycksigenkänning är 0,001 %.
Från formel (1) finner vi att stabil drift av identifieringssystemet vid FAR=0,001% är möjlig med en personalstorlek på N≈300.

Fördelar med metoden. Hög tillförlitlighet - de statistiska indikatorerna för metoden är bättre än indikatorerna för identifieringsmetoder genom ansikte, röst och målning. Lågprisenheter som skannar en fingeravtrycksbild. En ganska enkel procedur för att skanna ett fingeravtryck.
Nackdelar: det papillära fingeravtrycksmönstret skadas mycket lätt av små repor och skärsår. Personer som har använt skannrar i företag med flera hundra anställda rapporterar en hög frekvens av skanningsfel. Många av skannrarna behandlar inte torr hud på ett adekvat sätt och tillåter inte äldre människor att passera. När han kommunicerade vid den senaste MIPS-utställningen sa chefen för säkerhetstjänsten för ett stort kemiskt företag att deras försök att införa fingeravläsare på företaget (skannrar av olika system provades) misslyckades - minimal exponering för kemiska reagenser på fingrar på anställda orsakade ett fel i skannrarnas säkerhetssystem - skannrarna förklarade att fingrarna var falska. Det finns också otillräcklig säkerhet mot förfalskning av fingeravtrycksbilder, delvis orsakat av den utbredda användningen av metoden. Alla skannrar kan förstås inte luras av metoder från MythBusters, men ändå. För vissa personer med "olämpliga" fingrar (kroppstemperatur, luftfuktighet) kan sannolikheten för att nekas åtkomst nå 100%. Antalet sådana personer varierar från en bråkdel av en procent för dyra skannrar till tio procent för billiga.
Naturligtvis är det värt att notera att ett stort antal brister orsakas av den utbredda användningen av systemet, men dessa brister finns och de dyker upp väldigt ofta.

Marknadsläget

För närvarande upptar system för fingeravtrycksigenkänning mer än hälften av den biometriska marknaden. Många ryska och utländska företag är engagerade i produktionen av passerkontrollsystem baserade påden. På grund av att denna riktning är en av de äldsta, har den blivit mest utbredd och är den i särklass mest utvecklade. Fingeravtrycksläsare har kommit en riktigt lång väg för att förbättras. Moderna system är utrustade med olika sensorer (temperatur, tryck etc.) som ökar graden av skydd mot förfalskning. Varje dag blir systemen mer bekväma och kompakta. I själva verket har utvecklarna redan nått en viss gräns på detta område, och det finns ingenstans att utveckla metoden vidare. Dessutom producerar de flesta företag färdiga system som är utrustade med allt som behövs, inklusive mjukvara. Integratörer inom detta område behöver helt enkelt inte montera systemet själva, eftersom detta är olönsamt och kommer att ta mer tid och ansträngning än att köpa ett färdigt och redan billigt system, särskilt eftersom valet kommer att vara riktigt brett.
Bland de utländska företag som är involverade i system för fingeravtrycksigenkänning kan man notera SecuGen (USB-skannrar för PC, skannrar som kan installeras i företag eller inbyggda i lås, SDK och mjukvara för att ansluta systemet till en dator); Bayometric Inc. (fingeravtrycksläsare, TAA/åtkomstkontrollsystem, fingeravtrycks-SDK, inbäddade fingeravtrycksmoduler); DigitalPersona, Inc. (USB-skannrar, SDK). I Ryssland är följande företag verksamma inom detta område: BioLink (fingeravtrycksläsare, biometriska enheter för åtkomstkontroll, programvara); Sonda (fingeravtrycksläsare, biometriska åtkomstkontrollenheter, SDK); SmartLock (fingeravtrycksläsare och moduler) etc.

Iris

Ögats iris är en unik egenskap hos en person. Irismönstret bildas under den åttonde månaden av intrauterin utveckling, stabiliserar sig slutligen vid en ålder av cirka två år och förändras praktiskt taget inte under hela livet, förutom som ett resultat av allvarliga skador eller allvarliga patologier. Metoden är en av de mest exakta bland biometriska metoder.
Irisidentifieringssystemet är logiskt uppdelat i två delar: en enhet för att fånga en bild, dess primära bearbetning och överföring till en dator, och en dator som jämför bilden med bilder i databasen och överför tillträdeskommandot till den verkställande enheten.
Primär bildbehandlingstid in moderna system cirka 300-500 ms, är hastigheten för att jämföra den resulterande bilden med basen 50 000-150 000 jämförelser per sekund på en vanlig PC. Denna jämförelsehastighet sätter inga begränsningar för användningen av metoden i stora organisationer när den används i åtkomstsystem. När man använder specialiserade datorer och sökoptimeringsalgoritmer blir det till och med möjligt att identifiera en person bland invånarna i ett helt land.
Jag kan genast svara att jag är något partisk och har en positiv inställning till denna metod, eftersom det var inom detta område vi lanserade vår startup. Ett stycke i slutet kommer att ägnas åt lite själv-PR.

Metodens statistiska egenskaper

FAR- och FRR-egenskaperna för regnbågshinnan är de bästa i klassen av moderna biometriska system (med eventuellt undantag för retinaligenkänningsmetoden). Artikeln presenterar egenskaperna hos irisigenkänningsbiblioteket för vår algoritm - EyeR SDK, som motsvarar VeriEye-algoritmen som testats med samma databaser. Vi använde CASIA-databaser som erhållits av deras skanner.

Det karakteristiska FAR-värdet är 0,00001%.
Enligt formel (1) är N≈3000 antalet anställda i organisationen, där anställds identifiering är ganska stabil.
Här är det värt att notera en viktig egenskap som skiljer irisigenkänningssystemet från andra system. När du använder en kamera med en upplösning på 1,3 MP eller mer kan du fånga två ögon i en bildruta. Eftersom FAR- och FRR-sannolikheterna är statistiskt oberoende sannolikheter, när man identifierar med två ögon, kommer FAR-värdet att vara ungefär lika med kvadraten på FAR-värdet för ett öga. Till exempel, för en FAR på 0,001 % med två ögon, skulle den falska antagningsfrekvensen vara 10-8 %, med en FRR endast dubbelt så hög som motsvarande FRR-värde för ett öga vid FAR=0,001 %.

För- och nackdelar med metoden

Fördelar med metoden. Algoritmens statistiska tillförlitlighet. Att fånga en bild av iris kan göras på ett avstånd av flera centimeter till flera meter, utan fysisk kontakt mellan en person och enheten. Iris är skyddad från skador - vilket innebär att den inte kommer att förändras med tiden. Det är också möjligt att använda ett stort antal metoder som skyddar mot förfalskning.
Nackdelar med metoden. Priset för ett system baserat på iris är högre än priset för ett system baserat på fingerigenkänning eller ansiktsigenkänning. Låg tillgänglighet på färdiga lösningar. Alla integratörer som kommer till den ryska marknaden idag och säger "ge mig ett färdigt system" kommer med största sannolikhet att misslyckas. De flesta av dem säljer dyra nyckelfärdiga system installerade stora företag, som Iridian eller LG.

Marknadsläget

Tills vidare Specifik gravitation irisidentifieringsteknologier på den globala biometriska marknaden står enligt olika uppskattningar för från 6 till 9 procent (medan teknik för fingeravtrycksigenkänning upptar över hälften av marknaden). Det bör noteras att från början av utvecklingen av denna metod bromsades dess förstärkning på marknaden av de höga kostnaderna för utrustning och komponenter som var nödvändiga för att montera ett identifieringssystem. Men allt eftersom digital teknik utvecklas blir kostnaden separat system började avta.
Ledaren inom mjukvaruutveckling inom detta område är Iridian Technologies.
Går in på marknaden ett stort antal Tillverkaren var begränsad av den tekniska komplexiteten hos skannrarna och, som en konsekvens, deras höga kostnad, såväl som det höga priset på programvaran på grund av Iridians monopolställning på marknaden. Dessa faktorer tillät endast stora företag att utvecklas inom området för irisigenkänning, troligen redan engagerade i produktionen av vissa komponenter som är lämpliga för identifieringssystemet (högupplöst optik, miniatyrkameror med infraröd belysning, etc.). Exempel på sådana företag är LG Electronics, Panasonic, OKI. De ingick ett avtal med Iridian Technologies, och som ett resultat av gemensamt arbete dök följande identifieringssystem upp: Iris Access 2200, BM-ET500, OKI IrisPass. Därefter uppstod förbättrade modeller av system, tack vare dessa företags tekniska förmåga att självständigt utvecklas inom detta område. Det ska sägas att ovanstående företag också utvecklat sin egen mjukvara, men i slutändan föredrar de Iridian Technologies mjukvara i det färdiga systemet.
På ryska marknaden produkter från utländska företag "dominerar". Även om även det kan köpas med svårighet. Under en lång tid försäkrade företaget Papillon alla att de hade irisigenkänning. Men även representanter för RosAtom, deras direkta köpare, som de skapade systemet för, säger att detta inte är sant. Vid något tillfälle dök ett annat ryskt företag upp som tillverkade irisskannrar. Nu kommer jag inte ihåg namnet. De köpte algoritmen från någon, kanske från samma VeriEye. Själva skannern var ett 10-15 år gammalt system, inte på något sätt kontaktlöst.
Under det senaste året har ett par nya tillverkare kommit in på den globala marknaden på grund av utgången av det primära patentet för igenkänning av mänskliga ögon. Den mest pålitliga av dem, enligt min mening, är AOptix. Åtminstone deras förhandsvisningar och dokumentation väcker inte misstankar. Det andra företaget är SRI International. Redan vid första anblicken, för en person som har arbetat med irisigenkänningssystem, verkar deras videor mycket bedrägliga. Även om jag inte skulle bli förvånad om de i verkligheten kan göra något. Båda systemen visar inte data om FAR och FRR, och är tydligen inte heller skyddade från förfalskning.

Ansiktsigenkänning

Det finns många igenkänningsmetoder baserade på ansiktsgeometri. Alla är baserade på det faktum att ansiktsdragen och formen på varje persons skalle är individuella. Detta område av biometri verkar attraktivt för många eftersom vi känner igen varandra främst på våra ansikten. Detta område är uppdelat i två områden: 2D-igenkänning och 3-D-igenkänning. Var och en av dem har fördelar och nackdelar, men mycket beror också på tillämpningsområdet och kraven för en viss algoritm.
Jag ska kort berätta om 2-d och gå vidare till en av de mest intressanta metoderna idag - 3-d.

2D ansiktsigenkänning

2-D ansiktsigenkänning är en av de mest statistiskt ineffektiva biometriska metoderna. Den dök upp för ganska länge sedan och användes främst inom rättsmedicin, vilket bidrog till dess utveckling. Därefter dök datortolkningar av metoden upp, vilket resulterade i att den blev mer tillförlitlig, men den var naturligtvis sämre och varje år blir den allt sämre än andra biometriska metoder för personlig identifiering. För närvarande, på grund av dåliga statistiska indikatorer, används det i multimodala eller, som det också kallas, cross-biometrics, eller i sociala nätverk.

Metodens statistiska egenskaper

För FAR och FRR användes data för VeriLook-algoritmerna. Återigen, för moderna algoritmer har den mycket vanliga egenskaper. Ibland blinkar algoritmer med en FRR på 0,1 % med en liknande FAR förbi, men grunderna på vilka de erhölls är mycket tveksamma (utklippt bakgrund, identiskt ansiktsuttryck, identisk frisyr, belysning).

Det karakteristiska FAR-värdet är 0,1 %.
Från formel (1) får vi N≈30 - antalet anställda i organisationen, där anställds identifiering sker ganska stabilt.
Som du kan se är de statistiska indikatorerna för metoden ganska blygsamma: detta eliminerar fördelen med metoden att det är möjligt att i hemlighet fotografera ansikten på trånga platser. Det är roligt att se hur ett par gånger om året ett annat projekt finansieras för att upptäcka brottslingar genom videokameror installerade på trånga platser. Under de senaste tio åren har algoritmens statistiska egenskaper inte förbättrats, men antalet sådana projekt har ökat. Även om det är värt att notera att algoritmen är ganska lämplig för att spåra en person i en folkmassa genom många kameror.

För- och nackdelar med metoden

Fördelar med metoden. Med 2D-igenkänning, till skillnad från de flesta biometriska metoder, krävs ingen dyr utrustning. Med lämplig utrustning är igenkänning möjlig på betydande avstånd från kameran.
Brister. Låg statistisk signifikans. Det finns krav på belysning (det är till exempel inte möjligt att registrera ansiktena på personer som kommer in från gatan en solig dag). För många algoritmer är all extern störning oacceptabel, som glasögon, skägg eller vissa delar av en frisyr. En frontalbild av ansiktet krävs, med mycket små avvikelser. Många algoritmer tar inte hänsyn till eventuella förändringar i ansiktsuttryck, det vill säga uttrycket måste vara neutralt.

3-D ansiktsigenkänning

Implementeringen av denna metod är en ganska komplex uppgift. Trots detta finns det för närvarande många metoder för 3-D ansiktsigenkänning. Metoderna kan inte jämföras med varandra, eftersom de använder olika skannrar och databaser. Inte alla utfärdar FAR och FRR helt olika tillvägagångssätt.
Övergångsmetoden från 2-d till 3-d är en metod som implementerar ackumulering av information om en person. Denna metod har bättre egenskaper än 2d-metoden, men den använder också bara en kamera. När ett ämne läggs in i databasen vrider objektet på huvudet och algoritmen kopplar ihop bilden och skapar en 3D-mall. Och under igenkänning används flera bildrutor av videoströmmen. Denna metod är ganska experimentell och jag har aldrig sett en implementering för passersystem.
Mest klassisk metodär en mönsterprojektionsmetod. Det består av att projicera ett rutnät på ett objekt (ansikte). Därefter tar kameran bilder med en hastighet av tiotals bilder per sekund, och de resulterande bilderna bearbetas av ett speciellt program. En stråle som faller in på en krökt yta böjs - ju större krökning ytan har, desto starkare böjning av balken. Inledningsvis användes en källa för synligt ljus, som tillfördes genom "persienner". Då ersattes synligt ljus med infrarött, vilket har flera fördelar. Vanligtvis, i det första steget av bearbetningen, kasseras bilder där ansiktet inte alls är synligt eller där det finns främmande föremål som stör identifieringen. Baserat på de resulterande bilderna rekonstrueras en 3D-modell av ansiktet, på vilken onödigt brus (frisyr, skägg, mustasch och glasögon) väljs och tas bort. Därefter analyseras modellen - antropometriska egenskaper identifieras, som slutligen registreras i en unik kod som matas in i databasen. Bildtagning och bearbetningstid är 1-2 sekunder för bästa modellerna.
Metoden för 3D-igenkänning baserad på bilder erhållna från flera kameror vinner också popularitet. Ett exempel på detta är företaget Vocord med sin 3D-skanner. Denna metod ger positioneringsnoggrannheten, enligt utvecklarna, högre än mallprojektionsmetoden. Men tills jag ser FAR och FRR åtminstone i deras egen databas, kommer jag inte tro det!!! Men det har varit under utveckling i 3 år nu, och framsteg på utställningar är ännu inte synliga.

Statistiska indikatorer för metoden

Fullständiga data om FRR och FAR för algoritmer av denna klass är inte offentligt tillgängliga på tillverkarnas webbplatser. Men för de bästa modellerna från Bioscript (3D EnrolCam, 3D FastPass), som arbetar med mallprojektionsmetoden med FAR = 0,0047 %, är FRR 0,103 %.
Man tror att metodens statistiska tillförlitlighet är jämförbar med tillförlitligheten för metoden för identifiering av fingeravtryck.

För- och nackdelar med metoden

Fördelar med metoden. Du behöver inte kontakta skannerenheten. Låg känslighet för yttre faktorer, både på personen själv (utseendet på glasögon, ett skägg, en förändring i frisyr) och i hans miljö (belysning, vrid på huvudet). Hög nivå av tillförlitlighet jämförbar med fingeravtrycksidentifiering.
Nackdelar med metoden. Hög kostnad för utrustning. Kommersiellt tillgängliga system var till och med dyrare än irisskannrar. Förändringar i ansiktsuttryck och ansiktsbrus försämrar metodens statistiska tillförlitlighet. Metoden är ännu inte välutvecklad, särskilt i jämförelse med det långa använda fingeravtrycket, vilket försvårar dess utbredda användning.

Marknadsläget

Igenkänning av ansiktsgeometri anses vara en av de "tre stora biometrierna", tillsammans med igenkänning av fingeravtryck och iris. Det måste sägas att denna metod är ganska vanlig, och den är fortfarande att föredra framför igenkänning av ögats iris. Andelen ansiktsgeometriigenkänningstekniker av den totala volymen av den globala biometriska marknaden kan uppskattas till 13-18 procent. I Ryssland finns också ett större intresse för denna teknik än för exempelvis irisidentifiering. Som tidigare nämnts finns det många 3D-igenkänningsalgoritmer. För det mesta föredrar företag att utveckla färdiga system, inklusive skannrar, servrar och mjukvara. Men det finns också de som bara erbjuder SDK till konsumenten. Idag är följande företag involverade i utvecklingen av denna teknik: Geometrix, Inc. (3D-ansiktsskannrar, mjukvara), Genex Technologies (3D-ansiktsskannrar, mjukvara) i USA, Cognitec Systems GmbH (SDK, specialdatorer, 2D-kameror) i Tyskland, Bioscrypt (3D-ansiktsskannrar, mjukvara) - ett dotterbolag till den amerikanska företag L- 1 Identity Solutions.
I Ryssland i i denna riktning Artec Group (3D-ansiktsskannrar och mjukvara) fungerar - ett företag vars huvudkontor ligger i Kalifornien, och utveckling och produktion utförs i Moskva. Flera ryska företag har också 2D-teknik för ansiktsigenkänning - Vocord, ITV, etc.
Inom området 2D ansiktsigenkänning är det huvudsakliga ämnet för utveckling mjukvara, eftersom... vanliga kameror gör ett bra jobb med att ta ansiktsbilder. Lösningen på problemet med igenkänning från en ansiktsbild har i viss mån hamnat i en återvändsgränd - sedan flera år tillbaka har det praktiskt taget ingen förbättring skett i de statistiska indikatorerna för algoritmer. Inom detta område pågår ett systematiskt ”arbete med misstag”.
3D-ansiktsigenkänning är nu ett mycket mer attraktivt område för utvecklare. Många team arbetar där och vi får regelbundet höra om nya upptäckter. Många verk är i tillståndet "på väg att släppas". Men än så länge finns det bara gamla erbjudanden på marknaden, för senaste åren valet har inte ändrats.
En av de intressanta punkter som jag ibland tänker på och som kan besvaras av Habr: är noggrannheten hos kinect tillräckligt för att skapa ett sådant system? Det finns en hel del projekt för att dra ut en 3D-modell av en person genom den.

Igenkänning av vener i armen

Detta är en ny teknik inom området biometri, dess utbredda användning började bara för 5-10 år sedan. En infraröd kamera tar bilder på utsidan eller insidan av handen. Mönstret av vener bildas på grund av att hemoglobin i blodet absorberar infraröd strålning. Som ett resultat minskar graden av reflektion och venerna syns på kameran som svarta linjer. Specialprogram Baserat på mottagen data skapar den en digital faltning. Ingen mänsklig kontakt med skannerenheten krävs.
Tekniken är jämförbar i tillförlitlighet med irisigenkänning, den är överlägsen på vissa sätt och underlägsen på andra.
FRR- och FAR-värdena ges för Palm Vein-skannern. Enligt utvecklaren, med en FAR på 0,0008%, är FRR 0,01%. Inget företag tillhandahåller en mer exakt graf för flera värden.

För- och nackdelar med metoden

Fördelar med metoden. Du behöver inte kontakta skannerenheten. Hög tillförlitlighet - de statistiska indikatorerna för metoden är jämförbara med avläsningarna av iris. Egenskapens doldhet: till skillnad från allt ovanstående är denna egenskap mycket svår att få från en person "på gatan", till exempel genom att fotografera honom med en kamera.
Nackdelar med metoden. Skannern bör inte utsättas för solljus eller halogenlampor. Vissa åldersrelaterade sjukdomar, såsom artrit, förvärrar kraftigt FAR och FRR. Metoden är mindre studerad i jämförelse med andra statiska biometriska metoder.

Marknadsläget

Igenkänning av handvensmönster är en ganska ny teknik, och därför är dess andel på världsmarknaden liten och uppgår till cirka 3 %. Men intresset för denna metod ökar. Faktum är att denna metod, eftersom den är ganska exakt, inte kräver så dyr utrustning som till exempel igenkänningsmetoder baserade på ansiktsgeometri eller iris. Nu utvecklas många företag inom detta område. Till exempel, på uppdrag av det engelska företaget TDSi, utvecklades mjukvara för den biometriska palmven-läsaren PalmVein, presenterad av Fujitsu. Själva skannern utvecklades av Fujitsu främst för att bekämpa ekonomiskt bedrägeri i Japan.
Följande företag är också verksamma inom området för identifiering av venmönster: Veid Pte. Ltd. (skanner, mjukvara), Hitachi VeinID (skannrar)
Jag känner inte till några företag i Ryssland som arbetar med den här tekniken.

Näthinnan

Fram till nyligen trodde man att den mest tillförlitliga metoden för biometrisk identifiering och personlig autentisering var en metod baserad på att skanna näthinnan. Den innehåller de bästa egenskaperna för identifiering av iris och armven. Skannern läser mönstret av kapillärer på ytan av näthinnan. Näthinnan har en fast struktur, oförändrad över tiden förutom till följd av sjukdomar, såsom grå starr.
En näthinneskanning använder lågintensivt infrarött ljus som riktas genom pupillen till blodkärlen på baksidan av ögat. Näthinneskannrar har blivit utbredda i åtkomstkontrollsystem för mycket känsliga anläggningar, eftersom de har en av de lägsta andelarna nekad åtkomst till registrerade användare och det finns praktiskt taget ingen felaktig åtkomstbehörighet.
Tyvärr uppstår ett antal svårigheter när man använder denna biometriska metod. Skannern här är ett mycket komplext optiskt system, och personen får inte röra sig under en betydande tid medan systemet riktas, vilket orsakar obehagliga förnimmelser.
Enligt EyeDentify, för ICAM2001-skannern med FAR=0,001% är FRR-värdet 0,4%.

För- och nackdelar med metoden

Fördelar. Hög nivå av statistisk tillförlitlighet. På grund av den låga förekomsten av system är sannolikheten för att utveckla ett sätt att "lura" dem låg.
Brister. Svåranvänt system med lång handläggningstid. Hög kostnad för systemet. Brist på ett brett utbud av marknaden och, som en konsekvens, otillräcklig intensitet i utvecklingen av metoden.

Handgeometri

Denna metod, som var ganska vanlig för 10 år sedan och härstammar från kriminologin, har varit på tillbakagång de senaste åren. Det är baserat på att erhålla händernas geometriska egenskaper: fingerlängder, handflatsbredd, etc. Denna metod, liksom ögats näthinna, håller på att dö, och eftersom den har mycket lägre egenskaper kommer vi inte ens att introducera en mer fullständig beskrivning av den.
Man tror ibland att venigenkänningssystem använder geometriska igenkänningsmetoder. Men vi har aldrig sett något liknande uttryckligen angett på rean. Och dessutom, ofta när man känner igen genom vener, tas en bild av endast handflatan, medan när man känner igen genom geometri tas en bild av fingrarna.

Lite själv-PR

Vid ett tillfälle utvecklade vi en bra ögonigenkänningsalgoritm. Men på den tiden behövdes inte en sådan högteknologisk sak i det här landet, och vi ville inte åka till bourgeoistan (där vi blev inbjudna efter den första artikeln). Men plötsligt, efter ett och ett halvt år, fanns det investerare som ville bygga sig en "biometrisk portal" - ett system som skulle mata 2 ögon och använda färgkomponenten i iris (som investeraren hade ett världsomspännande patent på). Det är faktiskt vad vi gör nu. Men det här är ingen artikel om själv-PR, det här är en kort lyrisk utvikning. Om någon är intresserad finns det lite information, och någon gång i framtiden, när vi kommer in på marknaden (eller inte gör det), kommer jag att skriva några ord här om upp- och nedgångarna i det biometriska projektet i Ryssland.

Slutsatser

Även i klassen statiska biometriska system finns ett stort urval av system. Vilken ska du välja? Allt beror på kraven på säkerhetssystemet. De mest statistiskt tillförlitliga och förfalskningsbeständiga åtkomstsystemen är iris- och handvensåtkomstsystemen. För den första av dem finns det en bredare marknad av erbjudanden. Men detta är inte gränsen. Biometriska identifieringssystem kan kombineras för att uppnå astronomisk precision. Det billigaste och enklaste att använda, men med bra statistik, är fingertoleranssystem. 2D ansiktstolerans är bekvämt och billigt, men har ett begränsat användningsområde på grund av dålig statistisk prestanda.
Låt oss överväga egenskaperna som vart och ett av systemen kommer att ha: motstånd mot förfalskning, miljöbeständighet, användarvänlighet, kostnad, hastighet, stabilitet hos den biometriska funktionen över tid. Låt oss sätta betyg från 1 till 10 i varje kolumn. Ju närmare poängen är 10, desto bättre är systemet i detta avseende. Principerna för att välja bedömningar beskrevs i början av artikeln.


Vi kommer också att överväga förhållandet mellan FAR och FRR för dessa system. Detta förhållande bestämmer systemets effektivitet och bredden av dess användning.


Det är värt att komma ihåg att för iris kan du öka systemets noggrannhet nästan kvadratiskt, utan tidsförlust, om du komplicerar systemet genom att göra det för två ögon. För fingeravtrycksmetoden - genom att kombinera flera fingrar och igenkänning av vener, genom att kombinera två händer, men en sådan förbättring är endast möjlig med en ökning av den tid som ägnas åt att arbeta med en person.
Genom att sammanfatta resultaten för metoderna kan vi säga att för medelstora och stora föremål, såväl som för föremål med de högsta säkerhetskraven, bör iris användas som en biometrisk åtkomst och eventuellt igenkänning av handvener. För anläggningar med upp till flera hundra personal kommer åtkomsten med fingeravtryck att vara optimal. Igenkänningssystem baserade på 2D-ansiktsbilder är mycket specifika. De kan krävas i fall där igenkänning kräver frånvaro av fysisk kontakt, men det är omöjligt att installera ett iriskontrollsystem. Till exempel, om det är nödvändigt att identifiera en person utan hans medverkan, med hjälp av en dold kamera eller en extern detekteringskamera, men detta är bara möjligt om det finns ett litet antal ämnen i databasen och ett litet flöde av människor filmade av kameran.

En anteckning för unga tekniker

Vissa tillverkare, till exempel Neurotechnology, har demoversioner av de biometriska metoder de producerar tillgängliga på sin hemsida, så att du enkelt kan koppla ihop dem och leka. För dem som bestämmer sig för att fördjupa sig i problemet mer seriöst kan jag rekommendera den enda bok som jag har sett på ryska - "Guide to Biometrics" av R.M. Ball, J.H. Connell, S. Pankanti. Det finns många algoritmer och deras matematiska modeller. Allt är inte komplett och allt överensstämmer inte med modern tid, men basen är bra och omfattande.

P.S.

I detta opus gick jag inte in på problemet med autentisering, utan berörde bara identifiering. I princip, från egenskaperna hos FAR/FRR och möjligheten till förfalskning, antyder alla slutsatser i frågan om autentisering sig själva.

Du kan vara intresserad av följande material

Gasmätare

Värmesystem

Vattentillgång

Ventilationssystem

Radiatorer

Vatten rör

2024 Om komfort i hemmet. Gasmätare. Värmesystem. Vattentillgång. Ventilationssystem