РОЗРОБЛЕННЯ МЕТОДУ МАШИННОГО НАВЧАННЯ ПРИ БІОМЕТРИЧНОМУ ЗАХИСТІ ІЗ НОВИМИ МЕТОДАМИ ФІЛЬТРАЦІЇ
DOI:
https://doi.org/10.28925/2663-4023.2021.11.1630Ключові слова:
вейвлет Ateb-Габор перетворення; вейвлет Габор перетворення; біометричні зображення; машинне навчанняАнотація
Здійснено обробку біометричних зображень і проведено фільтрацію новим розробленим фільтром вейвлет Ateb-Габора. Ідентифікацію біометричних зображень проведено методами машинного навчання. Фільтр Габора на основі Ateb-функцій є ефективним для проведення фільтрації, оскільки містить узагальнення тригонометричних функцій. Розроблено вейвлет-перетворення Ateb-Gabor функції. Показано, що функція залежить від семи параметрів, кожен з яких вносить суттєві зміни у результати фільтрації біометричних зображень. Проведено дослідження вейвлет Ateb-Габор функції. Побудовано графічні залежності вейвлет Габор фільтра та вейвлет Ateb-Габор фільтра. Введення вейвлет перетворень дає змогу зменшити складність обчислень Ateb-Gabor фільтра, спростивши обчислення функції та зменшивши час фільтрації. Проведено оцінку складності алгоритмів обчислення вейвлет Габор фільтра та вейвлет Ateb-Габор фільтра. Фільтрування Ateb-Габором дозволяє змінювати інтенсивність всього зображення, та забезпечити зміну певних діапазонів, і таким чином змінити певні ділянки зображення. Якраз цю властивість мають мати біометричні зображення, на яких мінуції бути контрасними і чіткими. Ateb-функції мають властивість зміни двох раціональних параметрів, а це, в свою чергу, дасть можливість гнучкіше керувати фільтрацією. Досліджено властивості Ateb-функції, а також можливості зміни амплітуди функції, частоти коливань на чисельні значення фільтра Ateb-Габора. Завдяки використанню параметрів Ateb-функції можна отримати значно більший діапазон форм і величин, що розширює кількість можливих варіантів фільтрації. Також можна реалізувати один раз фільтрацію, врахувавши напрям мінуцій і надійно визначити чіткість країв, а не проводити фільтрацію батократно. Результати достовірності протестовано на базі NIST Special Database 302, та показано добрі результати фільтрації. Це підтверджено експериментом порівняння між фільтрацією вейвлет-Габором та вейвлет Ateb-Габор функції на основі вимірювання співвідношення сигнал-шум PSNR.
Завантаження
Посилання
Valechha, L., Valecha, H., Ahuja, V., Chawla, T., & Sengupta, S. (2020). Orisyncrasy—An Ear Biometrics on the Fly Using Gabor Filter. Advances in Data Sciences, Security and Applications, 457-466. https://doi.org/10.1007/978-981-15-0372-6_37
Onifade, O., Akinde, P., & Isinkaye, F. (2020). Circular Gabor wavelet algorithm for fingerprint liveness detection. Journal of Advanced Computer Science & Technology, 9(1). https://doi.org/10.14419/jacst.v9i1.29908
Le, N. T., Wang, J.-W., Le, D. H., Wang, C.-C., & Nguyen, T. N. (2020). Fingerprint Enhancement Based on Tensor of Wavelet Subbands for Classification. IEEE Access, 8, 6602–6615. https://doi.org/10.1109/access.2020.2964035
Chanukya, P. S. V. V. N., & Thivakaran, T. K. (2019). Multimodal biometric cryptosystem for human authentication using fingerprint and ear. Multimedia Tools and Applications, 79(1-2), 659–673. https://doi.org/10.1007/s11042-019-08123-w
Wagh, D., Fadewar, H., & Shinde, G. (2020). Biometric Finger Vein Recognition Methods for Authentication. Computing in Engineering and Technology, 45–53. https://doi.org/10.1007/978-981-32-9515-5_5.
Lee, C.-J., & Wang, S.-D. (1999). Fingerprint feature extraction using Gabor filters. Electronics Letters, 35(4), 288-290. https://doi.org/10.1049/el:19990213.
Yang, J., Liu, L., Jiang, T., & Fan, Y. (2003). A modified Gabor filter design method for fingerprint image enhancement. Pattern Recognition Letters, 24(12), 1805–1817. https://doi.org/10.1016/s0167-8655(03)00005-9
Wang, W., Li, J., Huang, F., & Feng, H. (2008). Design and implementation of Log-Gabor filter in fingerprint image enhancement. Pattern Recognition Letters, 29(3), 301-308. https://doi.org/10.1016/s0167-8655(03)00005-9.
Areekul, V., Watchareeruetai, U., Suppasriwasuseth, K., & Tantaratana, S. (2005, September). Separable Gabor filter realization for fast fingerprint enhancement. In IEEE International Conference on Image Processing 2005, Vol. 3, pp. III-253. IEEE. DOI: 10.1109/ICIP.2005.1530376.
Usmonov, B., Evsutin, O., Iskhakov, A., Shelupanov, A., Iskhakova, A., & Meshcheryakov, R. (2017, November). The cybersecurity in development of IoT embedded technologies. In 2017 International Conference on Information Science and Communications Technologies (ICISCT) IEEE, pp. 1-4. DOI: 10.1109/ICISCT.2017.8188589.
Hryshchuk, R., & Molodetska, K. (2016, May). Synergetic control of social networking services actors’ interactions. In International Conference on Systems, Control and Information Technologies 2016, pp. 34-42. DOI: 10.1007/978-3-319-48923-0_5.
Bogachuk, I., Sokolov, V., & Buriachok, V. (2018, October). Monitoring subsystem for wireless systems based on miniature spectrum analyzers. In 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T) pp. 581-585. DOI: 10.1109/INFOCOMMST.2018.8632151
Korchenko, O., Vasiliu, Y., & Gnatyuk, S. (2010). MODERN QUANTUM TECHNOLOGIES OF INFORMATION SECURITY AGAINST CYBER‐TERRORIST ATTACKS. Aviation, 14(2), 58–69. https://doi.org/10.3846/aviation.2010.10
V. Dudykevych, O. Bakay and Y. Lakh, "Investigation of Payment Cards systems information security control," 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), Berlin, 2013, pp. 651-654. DOI: 10.1109/IDAACS.2013.6663005
Sara, U., Akter, M., & Uddin, M. S. (2019). Image quality assessment through FSIM, SSIM, MSE and PSNR—a comparative study. Journal of Computer and Communications, 7(3), 8-18.
Naidu, P. A., Prasad, C. H. G. V. N., Prasad, B., & Bodla, B. (2017). Fingerprint and Palmprint Multi-Modal Biometric Security System. International Journal of Engineering and Applied Computer Science, 2(05).
Ramos A.L.A., Dadiz B.G., Santos A.B.G. (2020) Classifying Emotion based on Facial Expression Analysis using Gabor Filter: A Basis for Adaptive Effective Teaching Strategy. In: Alfred R., Lim Y., Haviluddin H., On C. (eds) Computational Science and Technology. Lecture Notes in Electrical Engineering, vol 603. Springer, Singapore. DOI: 10.1007/978-981-15-0058-9_45.
Chen, W., Sui, L., Xu, Z., & Lang, Y. (2012, May). Improved Zhang-Suen thinning algorithm in binary line drawing applications. In 2012 International Conference on Systems and Informatics (ICSAI2012) (pp. 1947-1950). IEEE.
19. Nazarkevych, M., Lotoshynska, N., Klyujnyk, I., Voznyi, Y., Forostyna, S., & Maslanych, I. (2019, July). Complexity Evaluation of the Ateb-Gabor Filtration Algorithm in Biometric Security Systems. In 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), 961-964. DOI: 10.1109/UKRCON.2019.8879945.
20. Nazarkevych, M., Kynash, Y., Oliarnyk, R., Klyujnyk, I., & Nazarkevych, H. (2017). Application perfected wave tracing algorithm. In 2017 IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON), 1011-1014. IEEE. DOI: 10.1109/UKRCON.2017.8100403.
21. Nazarkevych, M., Riznyk, O., Samotyy, V., & Dzelendzyak, U. (2019). Detection of regularities in the parameters of the ateb¬gabor method for biometric image filtration. Eastern-European Journal of Enterprise Technologies, 2(97), 57–65. https://doi.org/10.15587/1729-4061.2019.154862
22. Nazarkevych, M., Voznyi, Y., & Dmytryk, S. (2020). WAVELET TRANSFORMATION ATEB-GABOR FILTERS TO BIOMETRIC IMAGES. Cybersecurity: Education, Science, Technique, 3(7), 115–130. https://doi.org/10.28925/2663-4023.2020.7.115130
23. Founds, A. P., Orlans, N., Genevieve, W., & Watson, C. I. (2011). Nist special databse 32-multiple encounter dataset ii (meds-ii).
24. Van der Walt, S., Schönberger, J. L., Nunez-Iglesias, J., Boulogne, F., Warner, J. D., Yager, N., & Yu, T. (2014). scikit-image: image processing in Python. PeerJ, 2, e453.
25 Nazarkevych, M., Klyujnyk, I., Maslanych, I., Havrysh, B., & Nazarkevych, H. (2018). Image filtration using the Ateb-Gabor filter in the biometric security systems. (с. 276–279). IEEE. https://doi.org/10.1109/MEMSTECH.2018.8365749
