CC BY
18
Key words: UAV, depth map, artificial neural networks, ANN, convoluted neural network, SNA, Microsoft AirSim, Pix2Pix, CycleGAN, loss function, neural network training, Multi-Scale Deep Network, machine learning, deep learning.
Selikhov Vladimir Alexandrovich, engineer, selikhovladimir@,gmail. com, Russia, Moscow, National Research Nuclear University MEPhI (Moscow Engineering Physics Institute)
УДК 004.052.34
МЕТОДИКА ОЦЕНКИ КАЧЕСТВЕННЫХ ПОКАЗАТЕЛЕЙ АЛГОРИТМА ВЕРИФИКАЦИИ БИОМЕТРИЧЕСКОЙ СИСТЕМЫ
ДОСТУПА
С.В. Бибиков, А.Г. Певнева, Э.М. Халиков
Предложена методика оценки качественных показателей алгоритма функционирования биометрической системы верификации диктора с целью оценки функциональной безопасности системы доступа. Методика разработана на основании положений теории помехоустойчивости радиотехнических систем.
Ключевые слова: биометрическая система доступа, верификация диктора, оценка ошибки доступа, функциональная безопасность.
Информационные системы, предназначенные для структурированного хранения информации, с целью удобного доступа и представления, не несут в себе непосредственной угрозы жизни и здоровью людей. Опасность возникает при реализации алгоритмов принятия решений в системе искусственного интеллекта (СИИ). СИИ решает задачу распознавания объекта в какой-либо постановке - задачу идентификации, задачу верификации и т.д. Очевидно, что ошибочный вывод в итоге процесса распознавания повлечет за собой принятие ошибочного решения, последствия которого могут быть непредсказуемы.
В общем, такие системы можно считать системами управления и контроля. К этим системам понятие функциональной безопасности имеет прямое отношение [1]. Контроль или мониторинг может рассматриваться как сбор данных с выдачей управляющего воздействия только в случае обнаружения критического состояния, следовательно, считается частным случаем системы управления. Критическим состоянием здесь считается обнаружение нераспознанных контуров в видеопотоке в системе наблюдения, или наличие нераспознанных компонент в смеси речевых сигналов.
Информационная и функциональная безопасность, по сути, есть две стороны одного и того же явления. Свойство информационной безопасности обеспечивает доступность, целостность и конфиденциальность данных системы управления. В [2] проведен анализ киберугроз и методов обеспечения информационной безопасности для интернета вещей (Internet of Things, IoT). В соответствии с комплексом стандартов ГОСТ Р МЭК 61508[3] ^свойство функциональной безопасности должно обеспечить корректное выполнение системой своих функций, а при возникновении критических ситуаций перевести объект управления в одно из безопасных состояний.
При оценке функциональной безопасности степень полноты безопасности системы оценивают как степень риска невыполнения системой своей основной функции, причем этот риск несет угрозу жизни, здоровья или благосостояния человека. Часто основным показателем функциональной безопасности электронной системы считается надежность, мерой которой считают время наработки на отказ. Восстанавливаемый сбой системы или кратковременное невыполнение своей функции трудно оценить и учесть. Тем не менее, учет качественных показателей алгоритма реализации основной функции в программно-аппаратной электронной системе необходим для оценки функциональной безопасности. На начальном этапе проектирования системы доступа или в процессе разработки или модернизации программных средств необходима достоверная и не особо трудоемкая оценка качественных показателей алгоритма основной функции системы. Наиболее информативным показателем для системы доступа представляется оценка риска принятия ошибочного решения.
Для решения этой задачи применим хорошо разработанный аппарат проверки статистических гипотез. В общем случае, эта оценка сводится к варьированию уровней значимости статистической гипотезы в зависимости от меры и структуры множества, на котором определены соответствующие случайные события, то есть, в конечном счете, от распределения вероятностей.
Выбор речевых технологий в качестве предмета исследования обусловлен, с одной стороны, более скромными требованиями к объему данных, по сравнению с данными видеопотока. С другой стороны, в речевом сигнале помехи не просто присутствуют всегда, а могут резко возрасти в процессе обработки сигнала, поэтому задача верификации диктора требует более тонкого подхода и тщательного решения.
Актуальность задач, возникающих в ходе реализации речевых технологий, не требует развернутого доказательства. Военные ведомства, спецслужбы и большинство предприятий, располагающие объектами, составляющими коммерческую и иную тайну, в большинстве стран используют зоны с ограничением доступа. Для обеспечения секретности и безопасности в такой зоне используют системы идентификации диктора. Эти
278
системы позволяют учреждениям ограничить доступ и выявлять наличие несанкционированных проникновений в защищенную зону. Система содержит базу данных голосов лиц, которые имеют доступ на защищенную территорию. Эти лица идентифицируются системой идентификации диктора, тем самым предотвращается доступ людей, чьих голосов нет в базе данных системы. ВВС США используют голосовые команды для управления самолетом. Кроме того, военные ведомства используют распознавание речи и систему Уоюе-1;о-1;еХ для коммуникации с гражданами в других странах. Например, американские военные активно используют системы распознавания речи в своих операциях в Ираке и Афганистане. Таким образом, существует высокий спрос на распознавание речи и голоса для военных целей.
Методы решения задачи верификации и трудности, возникающие при ее решении
Под задачей верификации диктора понимается задача определения принадлежности голоса на речевых данных определенному диктору. Отличие между задачей верификации диктора и близкой задачей идентификации диктора на ограниченном множестве голосов заключается в количестве моделей голосов зарегистрированных дикторов. В большинстве практических решений голосовых систем доступа задача верификации диктора является завершающей частью решения задачи идентификации диктора.
Верификация диктора предполагает бинарное решение, принадлежат ли произнесенные фрагменты одному и тому же уже известному диктору, чей голос присутствует на одном или нескольких записанных ранее фрагментах. Процесс получения образца голоса этого диктора, расчета и сохранения голосовой статистической модели является процессом регистрации диктора в системе доступа. Основная функция системы верификации диктора заключается в установлении степени соответствия голосовой модели зарегистрированного диктора речевым данным на тестовых произнесениях (рис. 1.). Записанное тестовое произнесение будем называть сообщением верификации.
Рис.1. Структурная схема верификации
Даже в случае отсутствия помех первый источник погрешности в сравнении - возможное различие амплитудно-частотных характеристик записывающей аппаратуры и различные акустические свойства помещения
279
(спектральные характеристики поглощения звука и временные характеристики эха) при получении тестового произнесения и при регистрации диктора в системе.
Следующими причинами неидеальности процесса верификации являются аддитивные помехи (шумы) и использование разной аппаратуры записи и обработки сигналов (с различной нелинейностью характеристик) на этапах регистрации диктора в системе и верификации тестового произнесения.
В такой постановке задача верификации - задача принятия решения о наличии или отсутствии близости модели голоса зарегистрированного диктора (эталонной модели) и смеси «сигнал - помеха», где сигналом является совокупность признаков, выделенных из сообщения верификации в произвольном разрешающем объёме, становится эквивалентной задаче обнаружения сигнала[4].
Таким образом, формулируются две гипотезы: прямая гипотеза о близости с эталонной моделью и альтернативная гипотеза об отсутствии близости образцов с эталонной моделью. Каждая гипотеза может быть принята, при этом вероятность совершить ошибку - это уровень значимости соответствующей гипотезы, поэтому возможны следующие ситуации:
- правильное решение о близости тестового произнесения с эталонной моделью;
- правильное необнаружение близости тестового произнесения с эталонной моделью;
- пропуск близости тестового произнесения с эталонной моделью;
- ложное решение о близости тестового произнесения с эталонной моделью.
Два последних случая соответствуют ситуации ошибок первого и второго рода. Ошибки первого рода определяют вероятность ложного отказа (FRR, False Rejection Rate) и возникают при отказе в доступе зарегистрированному пользователю системы. Ошибки второго рода показывают вероятность ложного допуска (FAR, False Acceptance Rate) Вероятности этих ситуаций являются качественными показателями биометрических систем доступа, использующих алгоритмы верификации диктора. В реальных биометрических системах разброс этих характеристик может быть весьма значительным, прежде всего из-за различной окружающей акустической обстановки.
В теоретических исследованиях решение о принятии или отвержении гипотезы принимается на основе вычисления значения некоторой статистики и априорного знания уровня значимости гипотез. Однако на практике это вызывает определенные практические трудности, связанные с неоднозначностью распределения речевого сигнала. Поэтому пользуются условными вероятностями пропуска близости с эталонной моделью и ложного решения о близости с эталонной моделью, являющимися качественными показателями обнаружения при условии наличия или отсутствия близости модели.
Существующая неидеальность процесса верификации, в свою очередь, накладывает ограничения на предельные значения ошибок верификации в зависимости от соотношения «сигнал-помеха». На этапе проектирования системы нужно совершенно четко понять, каковы эти предельные значения, и какие реальные составляющие функциональной безопасности достижимы системой доступа при заданном отношении «сигнал - помеха» в случае варьирования ошибкой.
В тестовом произнесении априори содержится вся информация, необходимая для идентификации и верификации диктора, однако из-за сильной вариативности сигнала необходимо проведение предварительной обработки для выделения специфических признаков речевого сигнала с целью последующего анализа. Известно и используется в практических целях большое количество таких признаков. Наиболее популярными из них являются коэффициенты линейного предсказания [5] и кепстральные коэффициенты [6]. Статистические свойства речевого сигнала важны для вычисления признаков, используемых для самой верификации и для оценки ошибок верификации. На практике широко используются признаки, основанные на моментах второго порядка: спектр и автокорреляционная функция. В случаях, когда очевидно отсутствие нормального распределения речевого сигнала, используют моменты более высокого порядка, такие как асимметрия и эксцесс[7]. Решением задачи выбора признаков является построение модели диктора на основе смеси гауссовых распределений (СГР). СГР - подход, при котором речевой сигнал разбивается на фрагменты, в пределах каждого из которых распределение с достаточной для практических целей точностью является нормальным [7]. Принятие факта, что распределение сигнала в пределах каждого выбранного фрагмента тестового произнесения близко к нормальному, является важной отправной точкой для справедливости большинства соображений, изложенных ниже.
В процессе обработки сигнал неизбежно будет подвергаться нелинейным преобразованиям и «обогащаться» аддитивными помехами. В результате исходное отношение «сигнал - помеха» изменится, появится эквивалентное отношение «сигнал - помеха». На сегодняшний день серьезных исследований в области ухудшения эквивалентного отношения «сигнал - помеха» в системах обработки речевых сигналов нет. Предварительный анализ экспериментальных данных показывает, что это ухудшение может приводить к значительному увеличению ошибок верификации диктора.
Особенно внимательно следует подходить к процессу выравнивания эквивалентных характеристик устройств регистрации диктора и обработки тестового произнесения, так как этот процесс в силу нелинейности способен привести к обогащению спектра сигнала тестового произнесения новыми компонентами, которые по отношению к исходному сигналу будут помехой.
Алгоритм верификации диктора чаще всего использует для принятия решения энергетические и неэнергетические признаки сигнала в соответствии с классификацией [4].
Обоснование методики оценки вероятности ошибок 1-го и 2-го
рода
Начнем с вероятности ошибки 2 рода [8], ошибки пропуска события (в нашем случае ошибки пропуска правильной верификации зарегистрированного диктора), при наличии помех. Понятие «помеха» вводится вместо понятия «шум», чтобы показать интегральный характер помехи. Помеха описывается суммой шумов при первичном преобразовании речевого сообщения, дополнительных спектральных компонент, возникающих вследствие преобразования и размножения спектра при нелинейной обработке исходного сигнала, и совокупности эхо-сигналов. Вследствие случайного характера помех принципиально невозможно добиться их полного устранения. Путём совершенствования алгоритмов обработки можно снизить вероятность ошибки пропуска события только до некоторого уровня. Пусть на выходе одного частотного канала имеется некий сигнал - случайный процесс [10]:
и (г) = к (г) + г (г), где У(г) - полезный сигнал, г(г) - помеха.
Для решения вопроса о наличии сигнала в данный момент времени г можно принять правило: сигнал присутствует, если и (г) > Е, т.е. превышает пороговое значение Е, и что сигнал отсутствует в случае и (г) £ Е .
Ошибочный ответ может быть в двух несовместимых случаях:
1) когда сигнал отсутствует, V(г) = 0, но значение помехи превышает Е. Обозначим это событие А = «ложная тревога».
2) Когда сигнал присутствует, V(г) Ф 0 , но сумма сигнала и помехи не превышает уровня Е. Обозначим это событие В, «пропуск сигнала».
Итак,
Р( А) = Р( А1) Р( А2), где событие А1 - отсутствие сигнала, событие А2 -превышение помехой уровня Е при отсутствии сигнала. Пусть Р(А1) = д, тогда по одномерной функции распределения помехи Ж(х)
Р(и > Е) = | Ж(х^,
Е
и
Р(А) = д(х)ах .
Е
Аналогично,
Р( В) = Р( В1) Р( В 2), где В1- присутствие сигнала, В2- непревышение суммарной энергией уровня Е, при этом
Р( В1) = 1 - д.
Апостериорную вероятность непревышения уровня Е можно получить, используя одномерную функцию распределения суммы сигнала и помехи ^ (х,у).
E
P(U £ E)= jW1(x,V)dx.
(1)
E
ответа
Тогда P(B) = p j W1(x,V)dx. —¥
Так как события А и B несовместны, то вероятность ошибочного
P( AorB) = P( A) + P( B) =
¥ E
= q j W(x)dx + p j W1(V, x)dx == 1 — E —¥
¥E p j W1(V, x)dx + q j W(x)dx
E —¥
и вероятность правильного ответа Po равна:
¥
P0 (E, V) = 1 — P(A _ или _ B) = p j W1(x, V)dx + q j W(x)dx .
E
(2)
Теперь поставим задачу нахождения оптимальной величины порога Е, для которого вероятность правильного ответа (2) при заданных функциях распределения сигнала и помехи максимальна. Вычисляя производную выражения (2) по Е и приравнивая её нулю, получаем уравнение для определения оптимального уровня:
йР (Е)
dE
0, ^ qW (E) = pW1(E ,V).
Плотности распределения будут иметь вид:
W (U)
1
V2
PS
exp
U
2 Л
2 s
, W1(U ,V) =
1
PS
exp
(U — V) 2s2
2 \
Это справедливо, например, для положительного импульса с амплитудой V на фоне помехи.
Заметим, что в случае, когда априорная вероятность появления сигнала неизвестна, часто полагают р=1/2, считая, что априорно равновероятно, как наличие, так и отсутствие сигнала, при этом д=1/2. Тогда для описанных распределений величина порога Е равна V/2.
Если уровень Е выбран, то для вероятностей ложной тревоги и пропуска сигнала, используя ранее приведенные формулы, получаются выражения:
" (Е VI Г (и — Е У
РЛТ = д1 — Ф^ , РПР = р1 — Ф^^ , (3)
s
где
1 у
F( У) = -7= j
exp
f x2 >
dx - функция Крампа.
— oo
E
При использовании критерия обнаружения Неймана-Пирсона вероятность ложной тревоги фиксируется изначально. Так как вероятность ложной тревоги функционально связана с относительным порогом, то последний также оказывается заданным.
Для минимизации вероятности ошибочного решения необходимо удовлетворить одновременно двум противоречивым требованиям:
1) чтобы вероятность P (B) пропуска сигнала не превосходила некоторой величины: P(B) < K ,
2) чтобы вероятность P( A) ложной тревоги была минимальна. Численный анализ взаимозависимости и практический пример
использования методики оценки ошибок 1 и 2 рода
Для выбора порога обнаружения примем предположение, что распределение смеси сигнала и помехи - нормальное: M=0, s= 1. Рассчитаем зависимость вероятности ложной тревоги от величины порога с помощью программы для Matlab [9]. В программе используется встроенная функция
erf[10].
x=1:0.01:5; P1 = testPlt(x); semilogy(x,P1); grid on; title('');
xlabel('Threshold'); ylabel('Error 1, 1/s'); function Plt=test_Plt(E)
p=0.5; q=1-p;
sigma=1;
Plt=q*(1 -erf(E/sigma));
В результате выполнения программы получим следующую зависимость вероятности ложной тревоги от величины порога в значениях дисперсии шума случайного процесса s при отсутствии сигнала:
1 о""1-'-'-'-'-'->->-1-
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 Threshold Е
Рис. 2. Зависимость вероятности ложной тревоги от величины порога
284
Расчеты по (3) (рис. 2) показывают, что для достижения вероятности ложной тревоги 10-5 достаточно установить порог обнаружения 3*о, где о - дисперсия помехи при отсутствии сигнала.
Чтобы при заданном пороге обнаружения найти вероятность пропуска цели, снова проведем расчеты, но в качестве функции для расчета значений возьмем функцию Р пр (3):
В результате расчета получим следующую зависимость вероятности пропуска цели от отношения сигнал-помеха (ОСП) и зависимость от порога при заданном ОСП, равном 3(рис. 3):
ю"
10'
10"
V
1 : \
10
12
14
16
18
20
Рис. 3. Зависимость вероятности ошибки 2 рода от отношения сигнал-помеха (слева) и зависимость вероятности ошибки 2 рода от порога при заданном отношении сигнал - помеха 3о (справа)
На рис.3 (слева) видно, что при ОСП 17 дБ вероятность ошибки 2 рода (пропуска цели) составляет менее 10-8, и резко снижается при увеличении ОСП. Таким образом, для минимизации вероятности ошибки 2 рода при фиксации ошибки 1 рода необходимо уменьшать ОСП сигнала до значений, определенных зафиксированным значением вероятности ложной тревоги (ошибки 1 рода). Можно определить граничное значение отношения сигнал - помеха.
Возникают ситуации, когда необходимо решить иную задачу: при фиксированном значении ошибки 2 рода минимизировать ошибку 1 рода. Если вероятности наличия и отсутствия специфических признаков сигнала равновероятны, выражения (2) и (3) остаются в силе и для данной задачи.
Вычисление зависимости ошибки пропуска цели от порога аналогично приведенным выше программам на МаИаЬ и осуществляется в соответствии с (3). При этом порядок действий оказывается неудобным: для построения зависимости ошибки 2 рода от порога требуется априорное знание ОСП. Если задать исходное ОСП равным 3о, то зависимость ошибки 2 рода от порога будет иметь вид рис. 3 (справа).
285
Удобнее пользоваться методикой, обоснованной выше, при фиксации вероятности ошибки 1 рода и минимизации вероятности ошибки 2 рода, сделав ее итеративной:
1. Производим расчет и построение зависимости вероятности ложной тревоги от величины порога (рис 2. и соответствующая программа МаНаЬ).
2. Фиксируем некое произвольное значение вероятности ложной тревоги, рассчитываем или выбираем по графику п.1 значение порога.
3. По значению порога производим расчет зависимости вероятности ошибки 2 рода от ОСП и строим соответствующий график.
4. На полученной зависимости фиксируем точку необходимой величины вероятности ошибки 2 рода и в соответствии с п.1 и п.2 предложенной методики выбираем возможные пути минимизации ошибки 1 рода.
Ниже приведена использованная для практических целей иллюстрация описанной методики.
Пусть зафиксировано значение вероятности ошибки 2 рода
0.001. Требуется минимизировать вероятность ошибки 1 рода при значении ОСП 14 дБ.
1. Рассчитываем и строим график зависимости вероятности ошибки 1 рода от величины порога (рис.2).
2. Фиксируем вероятность ошибки 1 рода на том же уровне, что и вероятность ошибка 2 рода: 0,001.
Значение порога приблизительно составит : Е = 2,3.
3. Для данного значения порога рассчитываем и строим зависимость ошибки 2 рода от отношения сигнал - помеха (рис. 4).
6 7 8 9 10 11 12 13 14 БМКсШ
Рис. 4. Зависимость вероятности ошибки 2 рода от отношения
сигнал-помеха, порог Е = 2,3
На основании рис.4 можно сделать вывод, что для достижения вероятности ошибки 2 рода 10-3 необходимое значение ОСП 13 дБ.
286
Уменьшим исходное значение вероятности ошибки 1 рода до 10-4. На графике рис. 2 значение порога составит Е=2.7.
Примем значение порога Е=2.8 (с целью получить небольшой «перелет»). График вероятности ошибки 2 рода для порога Е=2.8 приведен на рис. 5. Непосредственные расчеты по (2) и (3) дают следующие значения: при исходном значении отношения сигнал - помеха 14 дБ вероятность ошибки 2 рода: 8.7-10"4, вероятность ошибки 1 рода минимизирована до 6,46 • 10-4. Результат достигнут за 2 итерации.
ю° р
10"-
<Л
£ 10"2:
О
ш
10"3г
1 о"4-1-1-1-1-
6 7 8 9 10 11 12 13 14 SNR.de
Рис. 5. Зависимость вероятности ошибки 2 рода от отношения сигнал-помеха, порог Е = 2,8
Анализ показывает, что для уменьшения ошибки 1 рода, как правило, необходимо повышать значение порога. Для сохранения исходного значения вероятности ошибки 2-го рода необходимо повышать отношение сигнал-помеха. Приведенный пример показал, что для получения приемлемого результата может потребоваться несколько итераций.
Показанная методика дает возможность проведения предварительных инженерных расчетов, необходимых при первичном определении требований к системе допуска, или оценки предельных значений вероятности ошибок для уже существующих систем при попытке улучшить качественные характеристики путем изменения алгоритмов обработки и верификации.
При необходимости автоматизации указанной методики есть возможность разработки программы расчетов, реализующей описанный выше итеративный процесс.
Заключение
1. Предложена методика оценки ошибки ложного допуска биометрической системы верификации диктора на основе поочередной фиксации эквивалентного отношения «сигнал-помеха» и ошибки ложного отказа в доступе.
2. Данная методика позволяет оценить предельные допустимые значения любых двух других параметров при фиксации значения третьего параметра с достаточной для практической оценки точностью.
3. Для достоверности оценки по предложенной методике необходимо, чтобы в системе верификации использовалась модель признаков голоса диктора на основе смеси гауссовых распределений (СГР).
4. Необходимо знать состав признаков голосовой модели и при существенном отличии признаков сообщения верификации и соответствующей ему модели зарегистрированного диктора принять меры к выравниванию акустических характеристик и нелинейности узла регистрации и узла верификации системы доступа.
5. При необходимости автоматизации процесса расчетов возможно создание программы на основе предложенной методики оценки.
Список литературы
1. Скляр В.В. Обеспечение безопасности АСУТП в соответствии с современными стандартами. Методическое пособие / Вологда: Инфра-Инженерия, 2018. 384 с.
2. Интернет вещей (IoT) - вызовы новой реальности [Электронный ресурс] URL: https://habr.com/company/gemaltorussia/blog/281619 (дата обращения: 24.06.2018).
3. ГОСТ Р МЭК 61508-1-2012. Функциональная безопасность систем электрических, электронных, программируемых электронных, связанных с безопасностью. Часть 1. Общие требования [Электронный ресурс] URL: http://meganorm.ru/Data2/1/4293776/4293776878.pdf (дата обращения: 22.06.2018).
4. Акимов П.С., Бакут П.А., Богданович В.А. и др. Теория обнаружения сигналов. М.: Радио и связь, 1984. 440 с.
5. Rabiner L. Fundamentals of speech recognition / L.Rabiner, B.-H. Juang // Prentice-Hall. Inc., 1993.
6. Nemer E. Speech enhancement using fourth-order cumulants and optimum filters in the subband domain / E.Nemer, R.Goubran, S. Mahmoud // Speech Communication, 2002. Vol. 36, №. 3. P. 219-246.
7. Пекарь Д.В., Тихоненко С. Г. Алгоритм использования гауссовых смесей для идентификации диктора по голосу в технических системах / Информационные технологии, электронные приборы и системы (ITEDS'2010): Материалы Международной научно-практической конференции, 6-7 апреля 2010 г., Минск / Белорусский государственный университет. Минск, 2010. [Электронный ресурс] URL: http://elib.bsu.by/ handle/123456789/28611 (дата обращения: 22.06.2018).
8. Бибиков С.В. Оценка функциональной безопасности обнаружения виброакустического сигнала приближающегося поезда / С.В Бибиков, Ю.Н. Матвеев, Н.Н. Семенов // Изв. вузов. Приборостроение, 2014. №2(57). С. 47-52.
9. Лазарев Ю. Моделирование процессов и систем в MATLAB. Учебный курс / СПб: Питер; Киев: Издательская группа BHV, 2005. 512 с.
10. Бибиков С.В. Алгоритмы и устройства системы оповещения о приближении поезда по виброакустическим колебаниям рельса. Диссертация на соискание ученой степени кандидата наук / СПб.: Университет ИТМО, 2015. [Электронный ресурс] URL: http: //fppo. ifmo .ru/ ?page1=16&page2=52&page d=1&page d2=164469 (дата обращения: 21.06.2018).
Бибиков Сергей Викторович, канд. техн. наук, доцент, shih ahk.ru, Россия, Санкт-Петербург, Университет ИТМО,
Певнева Анна Геннадьевна, канд. техн. наук, доцент, pevnevaaainhox.ru, Россия, Санкт-Петербург, Военно - космическая академия им. А. Ф. Можайского,
Халиков Эльдар Мавлютович, канд. техн. наук, начальник отдела, Россия, kha-likov. eldarayandex.ru, Санкт-Петербург, Военно - космическая академия им. А.Ф. Можайского
THE ESTIMATION TECHNIQUE OF THE VERIFICATION ALGORITHM QUALITY INDICA TORS FOR BIOMETRIC ACCESS SYSTEMS
S. V.Bihikov, A. G.Pevneva, E.M. Khalikov
The technique of quality indicators estimation of the algorithm of the speaker verification hiometric system for the purpose of an assessment of the access systems functional safety is offered. The technique is developed on the basis of radiotechnical systems noise immunity theory.
Key words: hiometric access systems, speaker verification, the assessment of access errors, functional safety.
Bihikov Sergei Viktorovich, candidate of technical science, docent, shihahk.ru, Russia, Saint-Petershurg, ITMO University,
Pevneva Anna Gennadievna, candidate of technical science, docent, pevne-vaa@inhox.ru, Russia, Saint-Petershurg, Mozhaisky Military Space Academy,
Khalikov Eldar Mavlyutovich, candidate of technical science, head of department, khalikov. eldarayandex.ru, Russia, Saint-Petershurg, Mozhaisky Military Space Academy
