Ідентифікація користувачів підсистеми розпізнавання на основі сітківки ока

Скорочена інформація про документ
dc.contributor.authorДобровська, Л. М.
dc.contributor.authorРуденко А. В.
dc.date.accessioned2023-02-21T10:33:56Z
dc.date.available2023-02-21T10:33:56Z
dc.date.issued2021
dc.description.abstractenBiometric security is essential in most user authentication and identification scenarios. Iris pattern recognition is an important area of research to provide a reliable, simple and fast user identification subsystem for a system using a camera (it can be used on any system with an authorization mechanism where enhanced security is required). The aim of the work is to establish the main stages of the identification (classification) algorithm of the system users based on the processing of the retinal image with the pupil. The iris recognition algorithm for registering system users includes the following stages: - image preprocessing: the image goes through various filters (among them the Gaussian filter and low-frequency filters, histogram transformations); - preprocessing: 1) localization of the inner and outer borders of the iris region using a genetic algorithm; 2) image normalization; 3) highlighting significant information; - classification (or comparison with database elements) - performed on the basis of a two-layer perceptron. A database of 100 digitized grayscale eye images from 50 different people was used to evaluate the iris recognition algorithm. The experiments were carried out in two stages: segmentation and iris recognition. In the first step, a rectangular region algorithm is used to localize the irises. The accuracy rate was 96%. At the second stage, the iris pattern is classified using a two-layer perceptron. Irises 20 people were selected from the iris database for classification. The detected irises after normalization and enhancement are scaled by averaging. This helps to reduce the size of the network. The images are then fed in the form of a matrix, which is the input signal for the network. The outputs of the network are classes of iris patterns. A two-layer perceptron neural learning algorithm is used to classify the iris. Modeling accuracy: for trained templates was 95.25%; on the set of testing was 89%.uk
dc.description.abstractukЗабезпечення біометричної безпеки має важливе значення в більшості сценаріїв перевірки справжності користувача та його ідентифікації. Розпізнавання, засноване на зразках райдужної оболонки, є важливою областю досліджень, покликаної забезпечити надійну, просту і швидку підсистему ідентифікації користувачів системи, яка використовує камеру (її можна використовувати у будь-якій системі, яка має механізм авторизації, де необхідна гарантія підвищеної безпеки). Мета роботи полягає у встановленні основних етапів алгоритму ідентифікації (класифікації) користувачів системи на основі обробки зображення сітківки ока із зіницею. Алгоритм розпізнавання райдужної оболонки ока для реєстрації користувачів системи включає такі етапи - попередня обробка зображення: зображення проходить різні фільтри (серед них фільтр Гауса та низько-частотні фільтри, гістограмні перетворення); - препроцессінг: 1) локалізація внутрішніх і зовнішніх меж області райдужної оболонки ока з використанням генетичного алгоритму; 2) нормалізація зображення, 3) виокремлення значущої інформації; - класифікація (або зіставлення із елементами БД) - виконана на основі двошарового персептрону (ДП). Для оцінки алгоритмів розпізнавання райдужної оболонки використано базу даних оцифрованих 100 зображень очей у відтінках сірого від 50 різних людей (класів). Експерименти проводилися у два етапи: 1) сегментація і 2) розпізнавання райдужної оболонки. На першому етапі для локалізації райдужних оболонок застосовується алгоритм прямокутної області. На другому етапі виконується класифікація малюнка райдужної оболонки за допомогою мережі. Сформовані множини навчання й тестування (відповідно 60 зображень очей від 30 різних людей; 40 зображень очей від 20 різних людей). Виявлені райдужки для класифікації після нормалізації та посилення масштабуються за допомогою усереднення. Це допомагає зменшити розмір мережі. Потім зображення подаються матрицями, які є вхідним сигналом для мережі. Виходами ДП є класи візерунків райдужки. Для класифікації райдужної оболонки використовується алгоритм нейронного навчання. Точність розпізнавання на множині навчання становила 95,25%; на множині тестування - 89%.uk
dc.format.pagerangeС. 121-129uk
dc.identifier.citationДобровська, Л. М. Ідентифікація користувачів підсистеми розпізнавання на основі сітківки ока / Добровська Л. М., Руденко А. В. // Біомедична інженерія і технологія. – 2021. – № 6. – С. 121-129.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/52837
dc.language.isoukuk
dc.publisherКПІ ім.Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceЖурнал Біомедична інженерія і технологія, № 6, 2021uk
dc.subjectбіометріяuk
dc.subjectрозпізнавання райдужної оболонки окаuk
dc.subjectнейронна мережаuk
dc.subjectbiometricsuk
dc.subjectiris recognitionuk
dc.subjectneural networkuk
dc.subject.udc004.8uk
dc.titleІдентифікація користувачів підсистеми розпізнавання на основі сітківки окаuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
BmT-2021-6_p121-129.pdf
Розмір:
458.12 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Біомедична інженерія і технологія, № 6