ТҰЛҒАНЫ БІРНЕШЕ ПАРАМЕТРЛЕР БОЙЫНША БИОМЕТРИЯЛЫҚ СӘЙКЕСТЕНДІРУ

Мақала адамды бет, саусақ іздері мен дауысы бойынша биометриялық сәйкестендіру жүйесін жасауға арналған. Адамның бетінің екі өлшемді және үш өлшемді сипаттамалары, ауданы мен көлемін ескере отырып, тұлғаны биометриялық сәйкестендірудің ақпараттық белгілері ретінде қолданылады. Портреттік жылжу, әртүрлі фотосуреттер және сәйкестендірілген адамның қозғалысы сияқты құбылыстарды ескеретін кешенді сәйкестендіру алгоритмі жасалды.

Саусақ іздері бойынша адамды биометриялық сәйкестендіру үшін FPM10A сканері және Arduino микроконтроллері пайдаланылды. Сәйкестендіру белгілері саусақтағы папиллярлы өрнектердің құрылымын талдауға негізделген: папиллярлық өрнектің типі мен түрі; папиллярлық сызықтар ағындарының бағыты және тік болуы; өрнектің орталық суретінің құрылымын; дельта құрылымы; орталық пен дельта арасындағы папиллярлық сызықтардың саны және көптеген басқа белгілер. Белгілердің тағы бір түрі – жергілікті. Оларды минуция деп те атайды (ерекшеліктер немесе арнайы нүктелеріне байланысты) – папиллярлық сызықтар құрылымының өзгеру нүктелерін анықтайтын (аяқталу, екіге таралу, үзілісті және т.б.), папиллярлық сызықтардың бағытын анықтайтын белгілі бір ізге ғана тән ерекше белгілер және осы нүктелердегі координаттар. Әрбір саусақ ізі 70 немесе одан да көп минуцияны қамтуы мүмкін.

Адамды дауыспен биометриялық сәйкестендіру үшін MFCC және PLP алгоритмдері цифрлық өңдеу және аудиожазбаларды талдау үшін қолданылды. Сөйлеудің акустикалық талдауы үшін сан түрлі алгоритмдер қолданылды: жасырын Марков модельдері, Гаусс үлестірмесінің қоспасының моделі. Дауыспен сәйкестендіру мақсатында сөйлеу тонын және сөйлеу мазмұнын анықтаудың нәтижесі алынады. «Адамды биометриялық сәйкестендірудің көп параметрлі автоматтандырылған жүйесі» Visual FoxPro ДҚБЖ-да жасалған.

1. G.A. Buzov. Practical guide to identifying special technical means of unauthorized obtaining of information. – М.: Hot line – Telecom, 2010. – 240 p.

2. U.F. Katorin, A.V. Razumovskiy, A.Y. Spivak. Protection of information by technical means. Saint Petersburg: NRU ITMO, 2012. – 416 p.

3. R.M. Bolle, J.H. Connel, S. Pankanti, N.K. Ratha, A.W. Senior. Guide to Biometrics, SprinterVerlag New York, 2004.

4. S. Crihalmeanu, A. Ross. Multispectral sclera patterns for ocular biometric recognition, Pattern Recognition. Lett. 33 (2012)1860–1869.

5. V.B. Klepinin, T.P. Agafonov. Visual FoxPro 9.0. The most complete guide. – Saint Petersburg.: BHV-Petersburg, 2007. – 1216 p.

6. S. A. Ayvazyan, V. M. Buchberger, I. S. Enyukov, L. D. Meshalkin. Applied statistics. Classification and dimensionality reduction. – М.: Finance and statistics, 1989. – 607 p.

7. V. A. Petin. Projects using the Arduino controller. – Saint Petersburg.: BHV-Petersburg, 2016. – 464 p.

8. Tan and B. Bhanu. Robust fingerprint identification, in International Conference on Image Processing 2002. – Vol. 1. – IEEE. Р. 1-277.

9. Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary Bradski: «ORB: an efficient alternative to SIFT or SURF», Computer Vision (ICCV), IEEE International Conference on IEEE, 2011. – Р. 2564-2571.

10. Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio. Neural machine translation by jointly learning to align and translate. CoRR, abs/1409.0473, 2014.