CC BY
5УДК 681.518.3
Подход к решению задачи идентификации личности с помощью метода газоразрядной визуализации
Волков С.С.
Военная академия Ракетных войск стратегического назначения имени Петра Великого, ул. Карбышева, 8, Балашиха, 143900, Россия e-mail: blockfm @yandex. ru
Аннотация
В статье рассматривается подход к решению задачи идентификации личности с помощью метода газоразрядной визуализации (ГРВ). Предлагается использовать метод ГРВ как способ идентификации с применением нейросетевых технологий. Описывается процесс идентификации личности с помощью ГРВ-снимков.
Ключевые слова: процессы автоматизации, автоматизированная система, идентификация личности.
В авиационной, ракетной и космической отрасли большое внимание уделяется состоянию эксплуатируемой техники. Разрабатываются и совершенствуются методы контроля, диагностики и мониторинга состояния техники для выявления дефектов на ранных стадиях. В области идентификации, к примеру, уделено внимание фильтрации шумов инерциальных измерителей, а так же аэродинамическим коэффициентам на основе гармонических входных сигналов. В первой работе
предлагается добавление процедур настройки моделей шумов инерциальных измерителей, к известным алгоритмам адаптации обобщенного фильтра Калмана. Настройку моделей предлагается выполнять на основе структурно-параметрической идентификации по результатам корреляционной обработки оценок ошибок измерителей[20].
Во второй работе освящена проблема алгоритма повышения точности идентификации аэродинамических коэффициентов самолёта по данным летных экспериментов. Все сигналы, используемые в процессе идентификации коэффициентов, содержат шумы измерений, аппроксимируемые нормально распределенными случайными величинами с нулевым средним и заданными дисперсиями. Для повышения точности идентификации рассмотрен метод декомпозиции гармонических сигналов[15].
В данной статье рассматривается идентификация не со стороны техники, а со стороны личности, которая эксплатирует данную технику и имеет доступ к ней, и информации о ней.
Стремительно развивающий научно-технический прогресс, опасные тенденции развития терроризма, промышленный шпионаж, обеспечение закрытого доступа к материальным средствам, оружию и иным источникам, требующим ограниченный доступ, определяют задачу надежной идентификации личности человека. Особый интерес в данном напралении вызывает аэрокосмическая отрасль. Где необходимо сохранить надежность хранения данных об нынешних и будущих
образцах техники технологий летательных и космических аппаратов.
Поэтому сегодня возникает необходимость проанализировать существующие методы идентификации личности, а так же определить их преимущества и недостатки. И, кроме того, осуществить поиск новых и надежных способов идентификации личности. Существуют следующие методы идентификации личности:
- дактилоскопическая идентификация, которая осуществляется за счет индивидуальности и устойчивости пальцевого узора [7]. Однако удалось фальсифицировать уникальность данного метода с помощью резинового колпачка надеваемого на палец, был получен дубликат отпечатка пальца человека. Для этого достаточно наличие оставленных отпечатков пальцев человека, на каком либо предмете [17];
- генотипоскопическая идентификация по строению молекулы ДНК человека. Существенным недостатком метода является длительность подготовки и обработки данных, а также относительно высокая стоимость исследований [10];
- метод сканирования т.н. венной карты. Как оказалось, что рисунок расположения венной сети неповторим и не изменяется для каждого человека, его еще не научились подделывать, и он может быть использован для отождествления [1];
- метод идентификации по рисунку радужной оболочки глаза. Несмотря на разработку инструментальной базы метода, относительной быстрой процедуры (1-2 с) считывания информации, этот метод критикуется из-за возможности ошибок при получении результатов [9];
- автоматическое распознавание человека по изображению его лица. Но сегодня подобные системы также далеки от совершенства. Тестирование прибора распознавания внешности человека через системы видеонаблюдения, проводившееся в американском городе Тампа (Флорида) привело к 14 срабатываниям системы, однако все они оказались ложными [16];
- использования такого признака как рисунок глазного дна, то эта методика также имеет ряд недостатков. Прежде всего, это неудобство самой процедуры. Проверяемый должен неподвижно вглядываться в окуляр прибора более минуты, что делает невозможным проверку лица, которой не желает ее проходит. К тому же некоторые глазные болезни, катаракта например, могут сделать со временем недоступными идентификационные признаки [14].
- и другие методы: распознанием по голосу, по артикуляции при произнесении определенных звуков и т.п. У всех данных методов есть свои достоинства и недостатки [5,18].
Помимо совершенствования имеющихся методов идет и активный поиск новых. Для методов идентификации должны быть разработаны четкие критерии классификации, чтоб эффективнее использовать их для решения тех или иных задач.
Классификация методов идентификации имеет следующий вид:
- морфологические и поведенческие;
- идентификация по статическим признакам и динамическим признакам. Именно динамические признаки в большей мере подвержены фальсификации
- быстрые и медленные. Например, генотипоскопическая идентификация проходит значительно медленней, чем отождествление по внешности или голосу.
- универсальные методы, позволяющие идентифицировать любого человека и методы специальные для более узкого круга объектов.
Перспектива применения новых методов идентификации для авиационной, ракетной и космической прмышленности довольно реальна и оптимистична. В данном направлении к рассмотрению предлагается метод газоразрядной визуализации, с помощью которго осуществляется подход к идентификации личности.
Метод ГРВ - это компьютерная регистрация и анализ свечений, индуцированных объектами, в том числе и биологическими, при стимуляции их электромагнитным полем с усилением в газовом разряде [11,12]. При обследовании оператора получаем 10 изображений пальцев рук с фильтром и 10 изображений пальцев рук без фильтра. (рис.1)
о о о о о
большой палец указательный средний палец безымянный палец мизинец правой руки палец правой руки правой руки правой руки правой руки
большой палец указательный средний палец безымянный палец мизинец левой руки палец левой руки левой руки левой руки левой руки
о о о. о V , о:
большой палец правой руки указательный палец правой руки средний палец правой руки безымянный палец правой руки мизинец правой руки
1 ] V п и /Л 0 V 0 Л к I
большой палец левой руки указательный палец левой руки средний палец левой руки безымянный палец левой руки мизинец левой руки
Рис. 1. Слева 10 пальцев рук с фильтром, справа 10 пальцев рук без фильтра.
Полезность внедренния данного метода в аэрокосмическую отрасль интересна по следующим показателям:
- в сфере противодействия преступности, прежде всего терроризма, так как повзволяет состивать всеобщую базу данных на каждого сотрудника, имеющего отношение к авиационной, ракетной или космической промышленности;
- сокращенное время снятия и обработки информации;
- технология позволяющая классифицировать и систематизировать данные, что обеспечит эффективный поиск в больших массивах.
- эффективность метода идентификации позволит оперативно устанавливать личность сотрудника, что позволит пречечь попытки кражи секретной информации, проникновение на секретные объекты и к технике.
Согласно определению из « Большого энциклопедического словаря»
идентификация (в технике) - это установление соответствия распознаваемого
предмета своему образу (знаку). А аутентификация - это процедура проверки
подлинности, напрмер: путем сравнения введенного пароля, с паролем,
сохраненным в базе [3]. Выдвинута гипотеза о наличии неких «идентификационных
ячеек», которые остаются неизменными при каждой регистрации, что дает
возможность уйти от постоянной съемки изображений с фильтром. Так как ГРВ-
изображения с фильтром являются для нас «эталоном», то есть это робастное
состояние, которое обеспечивает долговременное функционирование организма и
сохраняется в ходе текущих психофизиологических изменений. Следовательно,
согласно определению идентификации это будет образец, с которым мы сравниваем
получаемые изображения без филтра. В итоге идентификация с помощью метода ГРВ будет использоваться в качестве аутентификации пользователя в системе.
На рисунке 2 показан пример применения идентификации в автоматизированной системе определния психофизиологического состояния оператора. Это позволит использовать идентификацию для формирования базы данных на каждого сотрудника предприятия и не позволить осуществить подмену одного оператора на другого. Это обуславливает объективность каждого обследования для лица, принимающего решение о допуске оператора к исполнению служебных обязаностей.
Рис. 2. Схема работы автоматизированной системы оценки ПФС.
Компьютерная обработка изображений возможна после преобразования
сигнала изображения из непрерывной формы в цифровую форму[19].
Следовательно, для успешного функционирования «Блока ИД» необходимо
7
обработать изображения, полученные в процессе обследования с помощью MATLAB и Image Processing Toolbox. В рассматриваемом случае изображение полутоновое и его интерпретация, системой MATLAB, представляется в виде матрицы данных приведенной в таблице №1, где показана часть матрицы размером 285x370 пикселей. [6]
Таблица №1. Таблица значений матрицы интенсивности пикселей.
№ Пикс. 1 2 3 4 5 15 5 15 6 15 7 15 8 15 9 16 0 36 7 36 8 36 9 370
1 10 13 11 11 6 9 15 14 13 22 19 19 9 19 15
2 16 23 12 11 21 6 19 11 18 12 8 10 15 8 11
3 18 14 10 17 13 8 26 16 6 12 10 12 14 10 12
145 14 13 20 15 17 11 8 10 6 93 71 68 13 6 9 11 12 21
146 12 13 12 15 10 13 0 13 6 11 8 11 1 94 14 7 15 8 20 12
147 6 7 14 12 15 13 6 14 7 13 0 12 7 11 5 11 8 6 21 9 16
148 6 7 15 12 13 14 7 13 9 14 7 15 0 16 2 13 0 10 22 8 9
282 11 13 8 17 10 13 13 10 12 6 27 7 18 6 14
283 8 13 8 10 10 11 21 15 15 8 18 13 21 10 18
284 17 8 13 10 11 29 22 14 15 11 14 13 7 8 23
285 6 7 22 11 20 12 15 13 12 14 7 7 15 8 7
Так же блок «ИД» работает на основе выдвинутой гипотезы, поэтому преобразование в числовую матрицу и «идентификационные ячейки» неразрыно связаны друг с другом. Суть работы заключается в слудующем:
- при первичном обследовании как говорилось выше, получаем необходимое количество ГРВ-снимков, затем с помощью специальной программы написанной в системе MATLAB производим сравнение матриц соответствующих друг другу изображений, т.е. изображение большого пальца правой руки с фильтром с изображением большого пальца руки без фильтра;
- полученные в результате сравнения «идентификационные ячейки» заносятся в базу данных компьютера и будут использоваться в дальнейшем как идентификаторы для соответствующего человека.
При последующих обследованиях изображения с фильтром рекомендуется делать для улучшения качества идентификации. Это производится за счет заложенной в блок «ИД» самообучающейся нейронной сети Кохонена. Данная сеть проводит кластеризацию данных или прогнозирование свойств объекта. За счет этого обучение проиходит путем поиска в изображениях с фильтром закономерностей необходимых для безошибочной идентификации и более объективного определния ПФС.
При компьютерной обработке изображений решается широкий круг задач, таких как измерение параметров; распознавание изображений; сжатие изображений.
Имеется два ГРВ-изображения с фильтром и без фильра одного пальца. (рис.3) Необходимо получить «идентификационные ячейки».
Рис. 3. Справа изображение с фильтром, слева изобраджение без фильтра.
Чтобы получить объективные данные для идентификации сравнение матриц должно происходить следующим образом:
1. Удаляется шумовая состовляющая. Это происходит в два этапа. На
первом этапе задается гпор, все пиксели, которые меньше данного значения удаляются из изображения:
Нх, у), если /(х у) > ¡п0р
г(Х У) = Т п У
0, если г(х у) < 1Пор ,
где гпор - заданная интенсивность порога. Порог определятся автоматически для
каждого изображения по какой-либо характеристике спектра ГРВ-граммы. На втором этапе происходит построение списка фрагментов свечения, т.е. восьмисвязных групп пикселей с ненулевой интенсивностью свечения. Каждый фрагмент представляется в виде списка непрерывных горизонтальных линий
сканирования. После этого из изображения удаляются все пиксели, которые принадлежат фрагментам F с площадью Б(Г) меньшей заданного порога $тт :
где величина порога $тт задается пользователем явно [13].
2. Выделяются края свечения. При опредлении границ объекта производится вычисление двумерного пространственного градиента на изображении и вывляются области, соответствующие краям. При этом проиходит оценка модуля градиента в каждой точке полутонового изображения [2]. Для выделения краев на полутоновом изображении использован метод Собеля [8]. В отличие от метода Лапласа и метода выделения краев на основе применения математической морфологии, данный метод дает более четкие границы, что необходимо для исключения потери информации [4]. Суть метода заключается в наложении на каждую точку изображения масок вращения, которые выявляют границы и дают
оценку градиенту по вертикальному и горизонтальному направлению Ох, Оу.
Градиент определяется по формуле:
3. Проводим сравнение изображения с фильтром и без фильтра в MATLAB с помощью специальной программы, где нижеописанный блок выдает координаты искомых «идентификационных ячеек»:
for i = 1 : size(cmpResList.cmpResItem(3).matrix, 1)
КX У)
i( x, y), если p( x, y) e F: S(F) > S 0, если p( x, y) e F: S(F) <Smn
min
mm
G - + Gу
for j = 1 : size(cmpResList.cmpResItem(3).matrix, 2) if cmpResList.cmpResItem(3).matrix(i,j) > 40
strAns = sprintf('%s[%d,%d]: %d\n',cmpResList.cmpResItem(3).name, i,j, cmpResList.cmpResItem(3).matrix(i,j)); disp(strAns); end end end
Для поиска искомых «идентификационных ячеек» использовались ГРВ снимки, полученные от группы испытуемых, где сбор данных проводился в условиях их повседневной жизнедеятельности в разный период времени. Результатом эксперимента стало получение искомых «идентификационных ячеек», что подтверждает гипотезу о возможности применения метода ГРВ к идентификации личности. Но для большей чистоты эксперимента необходимо провести как минимум 10 итераций.
Вывод: данный подход расурывает уникальные возможности метода ГРВ. Применение данного подхода в аэрокосмической отрасли целесообрано в сосвокупности с автоматизированной системой оценки психофизиологического состояния оператора. Это позволит не только идентифицировать человека, тем самым пресечь попытки, к примеру, промышленного шпионажа, но и осуществлять мониторинг летного экипажа, космонавтов, летчиков-испытателей, операторов РТК и т.д.
Предложенный подход к идентификации личности путем получения ГРВ-грамм пальцев рук, является началом и требует своего экспериментального продолжения.
Библиографический список
1. Biever C. Vein camera keeps injections on target, 2004, New Scientist, available at: www.newscientist.com/article/dn6497-vein-camera-keeps-iniections-on-target
2. Senthilkumaran N.A., Rajesh R. Study on edge detection methods for image segmentation // Hroceeding of tye International Conference jn mathematics and computer science (ICMCS-2009), 2009, vol. 1, pp. 255 - 259.
3. Введенский Б.А. Энциклопедический словарь. В 3 -х томах. - М.: Большая Советская энциклопедия, 1953 -1955. Т. 1 - 719 с., Т. 2 - 719 с., Т. 3. - 744 с.
4. Буй Тхи Тху Чанг, Спицин В.Г. Анализ методов выделения краев на цифровых изображениях // Доклады ТУСУР. 2010. № 2-2(22). С. 221 - 223.
5. Булгаков В.Г. Перспективы криминалистического исследования жестикуляции, мимики и артикуляции человека по материалам видеозаписи // Вестник Волгоградсгого государственного университета. Серия 5: Юриспруденция. 2005. № 7. С. 120 - 123.
6. Введение. Изображения в MATLAB и Image Processung Toolbox // Центр компетенций MathWorks. URL: http://matlab.exponenta.ru/imageprocess/book5/6 1 .php
7. Гимазетдинова А.Р., Нурисламова А.И., Аминев Ф.Г. Всеобщая дактилоскопическая регистрация и современные реалии // Отечественная юриспруденция. 2018. № 1 (26). С. 49 - 52.
8. Гонсалес Р. Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005. - 1070 с.
9. Гришенкова Н.П., Лавров Д.Н. Обзор методов идентификации человека по радужной оболочке глаза // Математические структуры и моделирование. 2014. №1 (29). С. 43 - 64.
10. Комаровский Ю.А. Применение молекулярно-генетических методов в судебно-медицинской экспертизе. - СПб.: Санкт-Петербургский юридический институт Генеральной прокуратуры РФ, 1998. - 16 с.
11. Коротков К.Г. Основы ГРВ биоэлектрографии. - СПб.: ИТМО, 2001. - 356 с.
12. Коротков К.Г. Принципы анализа ГРВ биоэлектрографии. - СПб: Изд-во Реноме, 2007. - 286 с.
13. Крылов Б.А., Гришенцев А.Ю., Величко Е.Н. Методы регистрации, обработки и анализа изображений. - СПб: СПб ГУ ИТМО, 2010. - 60 с.
14. Михайлов М.А. Проблема идентификация лица выходит за пределы, определенные предметом криминалистики // Ученые записки Таврического национального университета им. В.И. Вернадского. 2007. Т. 20(59). № 2. С. 149 -157.
15. Моунг Х.О., Чжо З.Л., Приходько С.Ю. Разработка алгоритма повышения точности идентификации аэродинамических коэффициентов на основе гармонических входных сигналов // Труды МАИ. 2018. № 99. URL: http: //trudymai. ru/published.php?ID=91920
16. Ревич Ю. Биометрическая утопия. URL: http: //www.biometric s .ru/news/articl e453
17. Соколова О.А., Лаптева А.О. Особенности выявления признаков фальсификации следов папиллярных узоров рук при производстве дактилоскопических экспертиз (экспериментальные исследования) // Вестник экономической безопасности. 2018. № 1. C. 112 - 116.
18. Сорокин ВН., Вьюгин ВВ., Тананыкин А.А. Распознавание личнсти по голосу // Информационные процессы. 2012. Т. 12. № 1. C. 1 - 30.
19. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. - СПб: СПбГУ ИТМО, 2008. - 192 с.
20. Чернодаров А.В., Иванов С.А. Идентификация моделей и адаптивная фильтрация шумов инерциальных измерителей // Труды МАИ. 2018. № 99. URL: http: //trudymai .ru/published.php?ID=91962
Статья поступила в редакцию 14.12.2018
