CC BY
79
НЕЙРОСЕТЕВЫЕ МОДЕЛИ БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИЯ
И АУТЕНТИФИКАЦИЯ ПОЛЬЗОВАТЕЛЕЙ ПО ОТПЕЧАТКАМ
Силантьев Илья Олегович
магистр Казанского Национального Исследовательского Технического Университета им. А.Н. Туполева (КАИ), РФ, г. Казань
E-mail: i.silantev@icloud. com
NEURAL NETWORK MODELS OF BIOMETRIC IDENTIFICATION AND USER FINGERPRINT AUTHENTICATION
Ilya Silantyev
мasteг of Kazan National Research Technical University named after A.N. Tupolev
(KAI), Russia, Kazan
АННОТАЦИЯ
Рассматривается проблема биометрической идентификации и аутентификации пользователей по отпечаткам пальцев. Предлагаются нейросетевые модели биометрические идентификация и аутентификация пользователя, основанные на методах интеллектуального анализа данных.
ABSTRACT
Problem of biometric identification and user fingerprint authentication is under consideration in this article. Neural network models of biometric identification and authentication of a user based on methods of database mining have been proposed.
Ключевые слова: нейросетевые модели; биометрия; идентификация; аутентификация.
Keywords: neural network models; biometry; identification; authentication.
Введение
Идентификация личности по отпечатку пальца является самой удачной биометрической технологией благодаря простоте использования, удобству и надежности. Вероятность ошибки при идентификации пользователя по отпечаткам пальцев намного меньше в сравнении с другими биометрическими методами. Кроме того, само устройство идентификации по отпечатку пальца малогабаритно и приемлемо по цене [2].
Сбор, подготовка данных и формирование обучающей выборки
Главными проблемами при построении систем аутентификации пользователя по отпечаткам пальцев является получение изображения отпечатка пальца и нахождение оптимального алгоритма выделения признаков сравнения отпечатков.
Для получения изображения отпечатка пальцев был выбран метод сканирования, а для достижения наилучшего результата сравнения был выбран алгоритм сравнения отпечатков пальцев - сравнение по особым точкам. При реализации алгоритма сравнения отпечатков по особым точкам из отпечатка извлекаются детали, характеризующие уникальность данного отпечатка.
Координаты обнаруженных деталей и их углы ориентации записываются в вектор: W(p)=[(x1, y1, 0 1), (x2, y2, 0 2)...(xp, yp, 0 p)], где p — число деталей. При регистрации пользователей этот вектор считается эталоном и записывается в базу данных. При распознавании вектор определяет текущий отпечаток [2].
Два отпечатка одного пальца будут отличаться друг от друга поворотом, смещением, изменением масштаба и площадью соприкосновения в зависимости от того, как пользователь прикладывает палец к сканеру. Поэтому нельзя сказать, принадлежит ли отпечаток человеку или нет на основании простого их сравнения (векторы эталона и текущего отпечатка могут отличаться по длине, содержать несоответствующие детали и т. д.). Из-за этого процесс сопоставления должен быть реализован для каждой детали отдельно.
Сбор данных отпечатков пальцев
В рамках данной работы для получения изображений отпечатков пальцев было использовано программное обеспеспечение BioLink BSDK Explorer с оптическим сканером отпечатков пальцев BioLink U-Match.
Для проведения исследования были собраны отпечатки пальцев с 4 легальных пользователей системы для двух выборок: обучающей (по 50 отпечатков с каждого пользователя) и тестовой (по 25 отпечатков с каждого пользователя). Итого в выборке для обучения нейросетевой модели получены отпечатки в количестве 200 шт., а в тестовой выборке — 100 шт.
Для выделения из отпечатков локальных деталей применялся программный продукт VeriFmger 6.6/MegaMatcher 4.4 от компании Neurotechnology. Это программа предназначена для демонстрации эффективности механизмов, которая использует компания разработчик.
После добавления в программу изображения отпечатка пальцев, она производит обработку, выделяет множество локальных признаков отпечатка, формирует из них вектор признаков и добавляет его в базу данных отпечатков пальцев.
Каждый локальный признак отпечатка в ПО VeriFinger 6.6/MegaMatcher описывается 3 составляющими: координата (X), координата вектор
направления Эти составляющие будут являться входными параметрами для обучающей выборки.
Так как один отпечаток пальца может иметь от 30—70 локальных признаков для облегчения работы нейросетевых моделей было принято решение шаблон отпечатка пальца составлять с помощью 30 локальных признаков. Результаты исходных данных представлены в таблице 1.
Таблица 1.
Фрагмент исходных данных ^_
№ п/п Входные параметры Выходные параметры
V1 X1 Y1 • • • V30 X30 Y30 P1 P2 P3 P4
1 11 103 119 13 45 383 1 0 0 0
200 8 89 96 28 122 278 0 0 0 1
В данной таблице каждому вектору-строке матрицы входных данных было сопоставлено 4 выходных значения, соответствующие определенному пользователю системы. Выходные нейроны принимают значения 0 или 1: 0 — нелегальный пользователь, 1 — легальный.
Полученную выборку обработали в аналитической платформе Deductor: произвели удаление одинаковых значений, аномальных значений и другие дефекты, которые могли бы понизить работу моделей.
Разработка нейросетевых моделей
Для создания и обучения нейронной сети использовалась аналитическая платформа Deductor Studio Academic компании BaseGroup Labs, г. Рязань.
В результате проведения исследования были созданы более 30 нейросетевых моделей и скриптов тестирования ко всем построенным моделям.
После проведения тестирования нейронных сетей были выделены наиболее эффективные модели.
Главным критерием при отборе нейросетевых моделей является отсутствие ошибок второго рода, а ошибки первого рода находятся в пределах 20 %.
Таблица 2.
Архитектура нейронной сети Алгоритм обучения
Resilient propagation
Ошибки I рода, % Ошибки II рода, %
90х2х4 4 0
90х32х15х4 19 0
90х16х17х14х4 15 0
Таблица 3.
Результат отбора эффективных моделей с алгоритмом Back propagation
Архитектура нейронной сети
Алгоритм обучения
Back-Propagation
Ошибки
I рода, %
Ошибки
II рода,
%
90х10х4
1
0
90х25х4
18
0
90х30х4
18
0
По результатам проведенных экспериментов, представленных в приведенных выше таблицах, можно сделать вывод, что наиболее подходящая модель биометрической идентификации и аутентификации является нейронная сеть со следующими параметрами:
• Алгоритм обучения — Back-Propagation;
• число нейронов входного слоя = 90;
• число нейронов выходного слоя = 4;
• число скрытых слоев = 1;
• число нейронов скрытого слоя = 10.
Из результатов тестирования данной нейросетевой можно сделать вывод, что результаты работы нейронной сети являются отличными, а построенная модель биометрической идентификации и аутентификации пользователей по отпечаткам пальцев является — эффективной. Заключение
Основываясь на результаты исследования можно сделать вывод, что построенная нейросетевая модель биометрической идентификации и аутентификации пользователей по отпечаткам пальцев является эффективной по отношению к другим биометрическим технологиям (классификатор отклонения выбора имеет уровень ошибок первого рода 5,2 %, второго рода — 0 %). Таким образом, цель повышения эффективности работы систем биометрической идентификации и аутентификации по отпечаткам пальцев достигнута.
Список литературы:
1. Методы и алгоритмы распознавания изображений отпечатков пальцев в биометрических системах контроля доступа — [Электронный ресурс] — Режим доступа. — URL: http://www.masters.donntu.edu.ua/2008/kita/petrova/diss/index.htm (дата обращения 01.05.2013).
2. Nauck D., Klawonn F., Kruse R. Foundations of Neuro-Fuzzy Systems. John Wiley & Sons. 1997. — 305 с.
