ПРОЕКТУВАННЯ СИСТЕМИ АВТЕНТИФІКАЦІЇ БІОМЕТРИЧНОГО ЗАХИСТУ НА ОСНОВІ МЕТОДУ K-СЕРЕДНІХ
DOI:
https://doi.org/10.28925/2663-4023.2021.12.8595Ключові слова:
відбитки пальців, біометричні зображення, машинне навчанняАнотація
Розглянуто метод біометричної ідентифікації, призначений для забезпечення захисту конфіденційної інформації. Запропоновано метод класифікації біометричних відбитків за допомогою машинного навчання. Подано один із варіантів розв’язку задачі ідентифікації біометричних зображень на основі алгоритму к-середніх. Було створено позначені зразки даних для процесів навчання та тестування. Для встановлення особистості використовувались біометричні дані відбитків пальців. Нове сканування відбитків пальців, яке належить певній особі, порівнюється з даними, що зберігаються для цієї особи. Якщо вимірювання збігаються, твердження про те, що особа пройшла ідентифікацію, відповідає дійсності. Експериментальні результати вказують, що метод k-середніх є перспективним підходом до класифікації відбитків пальців. Розвиток біометрії призводить до створення систем безпеки з кращим ступенем розпізнавання і з меншою кількістю помилок, ніж система безпеки на традиційних носіях інформації. Машинне навчання проводили з використанням ряду зразків із відомої біометричної бази даних, а перевірку / тестування проводили із зразками з тієї самої бази даних, які не були включені до набору навчальних даних. Для встановлення особистості використовувались біометричні дані відбитків пальців на основі вільдоступної бази NIST Special Database 302, та показано результати навчання. Нове сканування відбитків пальців, яке належить певній особі, порівнюється з даними, що зберігаються для цієї особи. Якщо вимірювання збігаються, твердження про те, що особа пройшла ідентифікацію, відповідає дійсності. Система машинного навчання побудована на модульній основі, шляхом формування комбінацій окремих модулів бібліотека scikit-learn у середовищі python.
Завантаження
Посилання
Hrytsyk, V., Grondzal, A., & Bilenkyj, A. (2015, September). Augmented reality for people with disabilities. In 2015 Xth International Scientific and Technical Conference" Computer Sciences and Information Technologies"(CSIT) (pp. 188-191). IEEE.
Zhang, Q., Zhou, D., & Zeng, X. (2017). Machine learning-empowered biometric methods for biomedicine applications. AIMS Medical Science, 4(3), 274-290.
Kasprowski, P., & Ober, J. (2004, May). Eye movements in biometrics. In International Workshop on Biometric Authentication (pp. 248-258). Springer, Berlin, Heidelberg.
Medykovskyy, M., Lipinski, P., Troyan, O., & Nazarkevych, M. (2015, September). Methods of protection document formed from latent element located by fractals. In 2015 Xth International Scientific and Technical Conference" Computer Sciences and Information Technologies"(CSIT) (pp. 70-72). IEEE.
Syazana-Itqan, K., Syafeeza, A. R., Saad, N. M., Hamid, N. A., & Saad, W. H. B. M. (2016). A review of finger-vein biometrics identification approaches. Indian J. Sci. Technol, 9(32), 1-9.
Tsmots, I., Skorokhoda, O., & Rabyk, V. (2016, September). Structure and software model of a parallel-vertical multi-input adder for FPGA implementation. In 2016 XIth International Scientific and Technical Conference Computer Sciences and Information Technologies (CSIT) (pp. 158-160). IEEE.
Kovalskyi, B., Dubnevych, M., Holubnyk, T., Pysanchyn, N., & Havrysh, B. (2019). Development of a technology for eliminating color rendering imperfections in digital photographic images. Vostochno-Evropeiskyi zhurnal peredovыkh tekhnolohyi, (1 (2)), 40-47.
Nazarkevych, M., Oliiarnyk, R., Nazarkevych, H., Kramarenko, O., & Onyshschenko, I. (2016, August). The method of encryption based on Ateb-functions. In 2016 IEEE First International Conference on Data Stream Mining & Processing (DSMP) (pp. 129-133). IEEE.
Nazarkevych, M., Logoyda, M., Troyan, O., Vozniy, Y., & Shpak, Z. (2019, September). The Ateb-Gabor Filter for Fingerprinting. In International Conference on Computer Science and Information Technology (pp. 247-255). Springer, Cham.
Nazarkevych, M., Lotoshynska, N., Brytkovskyi, V., Dmytruk, S., Dordiak, V., & Pikh, I. (2019, September). Biometric Identification System with Ateb-Gabor Filtering. In 2019 XIth International Scientific and Practical Conference on Electronics and Information Technologies (ELIT) (pp. 15-18). IEEE.
Sheketa, V., Zorin, V., Chupakhina, S, Kyrsta, N., Pasyeka, M., Pasieka, N. (2020). "Empirical Method of Evaluating the Numerical Values of Metrics in the Process of Medical Software Quality Determination,". U International Conference on Decision Aid Sciences and Application (DASA), (s. 22- 26). https://doi.org/10.1109/DASA51403.2020.9317218.
Varetskyy, Y., Rusyn, B., Molga, A., & Ignatovych, A. (2010). A new method of fingerprint key protection of grid credential. In Image Processing and Communications Challenges 2 (pp. 99-103). Springer, Berlin, Heidelberg.
Ahmed, S., Lee, Y., Hyun, S. H., & Koo, I. (2018). Covert cyber assault detection in smart grid networks utilizing feature selection and euclidean distance-based machine learning. Applied Sciences, 8(5), 772.
Yaacob, R., Pritam, H. M. H., Hassan, N. F. N.,. Ooi, C. D., Ibrahim, H., Othman, P. J. (2017). Computer assisted segmentation of palmprint images for biometric research. U 7th IEEE International Conference on Control System, Computing and Engineering (ICCSCE) (s. 273–277). https://doi.org/10.1109/ICCSCE.2017.8284418.
Mishra, M., Bhattacharya, A., Singh, A., Dutta, M. K. (2018). A Lossless Model for Generation of Unique Digital Code for Identification of Biometric Images. U 4th International Conference on Computational Intelligence & Communication Technology (CICT), (s. 1-5). https://doi.org/10.1109/CIACT.2018.8480297.
Jaswal, G., Nath, R., Nigam, A. (2017). Deformable multi-scale scheme for biometric personal identification. U IEEE International Conference on Image Processing (ICIP), (s. 3555-3559). https://doi.org/10.1109/ICIP.2017.8296944.
Do, H., Truong, V., George, K., Shirke, B. (2019). EEG-Based Biometrics Utilizing Image Recognition for Patient Identification. U IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), (s. 0591-0595). https://doi.org/10.1109/UEMCON47517.2019.8992962.
Bychkov, O., Merkulova, K., Zhabska, Y. (2019). Software Application for Biometrical Persons Identification by Portrait Photograph Based on Wavelet Transform. U IEEE International Conference on Advanced Trends in Information Theory (ATIT), (s. 253-256). https://doi.org/10.1109/ATIT49449.2019.9030462.
Setiawan, H., Yuniarno, E. M. (2017). Biometric Recognition Based on Palm Vein Image Using Learning Vector Quantization. U 5th International Conference on Instrumentation, Communications, Information Technology, and Biomedical Engineering (ICICI-BME), (s. 95-99). https://doi.org/10.1109/ICICI-BME.2017.8537770.
Abdufattokhov, S., Muhiddinov, B. (2019). Stochastic Approach for System Identification using Machine Learning. Dynamics of Systems, Mechanisms and Machines (Dynamics), (s. 1-4). https://doi.org/10.1109/Dynamics47113.2019.8944452.
Yang, B., Liu, D. (2019). Research on Network Traffic Identification based on Machine Learning and Deep Packet Inspection. U IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), (s. 1887-1891). https://doi.org/10.1109/ITNEC.2019.8729153.
Hammad I., El-Sankary, K. (2020).Using Machine Learning for Person Identification through Physical Activities. U IEEE International Symposium on Circuits and Systems (ISCAS), (s. 1-5). https://doi.org/10.1109/ISCAS45731.2020.9181231.
Jadav, S. (2018). Voice-Based Gender Identification Using Machine Learning. U 4th International Conference on Computing Communication and Automation (ICCCA), (s. 1-4). https://doi.org/10.1109/CCAA.2018.8777582.
Deng, Y., Wu, F., Du, L., Zhou, R., Cao, L. (2019). EEG-Based Identification of Latent Emotional Disorder Using the Machine Learning Approach. U IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), (s. 2642-2648). https://doi.org/10.1109/ITNEC.2019.8729424.
Traboulsi, A., Barbeau, M. (2019). Recognition of Drone Formation Intentions Using Supervised Machine Learning,". U International Conference on Computational Science and Computational Intelligence (CSCI), (s. 408-411). https://doi.org/10.1109/CSCI49370.2019.00079.
Mokni, R., Elleuch, M., Kherallah, M. (2016). Biometric Palmprint identification via efficient texture features fusion. U International Joint Conference on Neural Networks (IJCNN), (s. 4857-4864). https://doi.org/10.1109/IJCNN.2016.7727838.
