Разработка элементов системы биометрической аутентификации

Размещено на http://www.allbest.ru/

Федеральное агентство связи Федеральное государственное бюджетноеобразовательное учреждение высшего образования

«Поволжский государственный университет телекоммуникаций и информатики»

ФакультетТелекоммуникаций и радиотехники

Направление(специальность)

Информационная безопасностьтелекоммуникационных систем

Кафедра

Мультисервисных сетей и информационной безопасности

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

(ДИПЛОМНАЯ РАБОТА)

Разработка элементов системы биометрической аутентификации

Руководитель

доцент к.т.н

А.С.Раков

Разработал ИБТС-12

С.Н. Кухарев

Самара 2017



Федеральное агентство связи

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«Поволжский государственный университет телекоммуникаций и информатики»

ЗАДАНИЕ

по подготовке выпускной квалификационной работы

Студента Кухарева Сергея Николаевича

1 Тема ВКР Разработка элементов системы биометрической аутентификации

Утверждена приказом по университету от 28.10.2016 № 265-2

2 Срок сдачи студентом законченной ВКР 28.01.17

3 Исходные данные и постановка задачи

1) Научно-техническая литература по предмету исследования

2) Рассмотреть основы биометрической аутентификации

3) Анализ существующих методов биометрической аутентификации

4) Реализация экспериментальной части (разработка сканера рисунка вен ладони, подбор параметров компонентов сканера)

5) Анализ существующих методов компьютерной обработки изображений

6) Анализ существующих методов распознавания биометрических образов

4 Перечень подлежащих разработке в ВКР вопросов иликраткоесодержание ВКР. Сроки исполнения 28.01.17

1) Рассмотреть основы биометрической аутентификации

2) Разработка и создание биометрического сканера рисунка вен ладони, а также экспериментальный и аналитический подбор параметров компонентов сенсора

3) Анализ существующих методов компьютерной обработки изображений, а также реализация оптимальных методов компьютерной обработки изображений в программной среде «MatLab»

4) Проведение анализа существующих методов распознавания биометрических образов, а также реализация оптимального метода распознавания образов для разработанной биометрической системы

5 Перечень графического материала. Сроки исполнения 28.01.17

1) Приложение А - Иллюстрационный материал, представленный на защиту

6 Дата выдачи задания « 28 » октября 2016 г.

Кафедра Мультисервисные сети и информационная безопасность

Утверждаю зав.кафедрой д.т.н., проф. 28.10.16 В.Г.Карташевский

Руководитель доцент к.т.н. 28.10.16 А.С.Раков

Задание принял к исполнению ИБТС-12 28.10.16 С.Н.Кухарев



Федеральное агентство связи

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«Поволжский государственный университет телекоммуникаций и информатики»

ПОКАЗАТЕЛИ КАЧЕСТВА ВКР

Студент ИБТС-12 С.Н.Кухарев

Руководитель ВКР доцент к.т.н. А.С.Раков

По ВКР студента Кухарева Сергея Николаевича

На тему Разработка элементов системы

Биометрической аутентификации

1 Работа выполнена :

- по теме, предложенной студентом

- по заявке предприятия наименование предприятия

- в области фундаментальных и поисковых научных исследований указать область исследований

2 Результаты ВКР:

- рекомендованы к опубликованию указать где

- рекомендованы к внедрению

Кафедра МСИБ

указать где

- внедрены акт внедрения

3 ВКР имеет практическую ценность

Система биометрической аутентификации в чем заключается практическая ценность

4 Использование ЭВМ при выполнении ВКР:

(ПО, компьютерное моделирование, компьютерная обработка данных и др.) «MatLab»

5. ВКР прошла проверку на объем заимствований % заимствований



Федеральное агентство связи

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«Поволжский государственный университет телекоммуникаций и информатики»

РЕФЕРАТ

Название Разработка элементов системы биометрической аутентификации

Автор Кухарев Сергей Николаевич

Научный руководитель Раков Александр Сергеевич

Ключевые слова Система аутентификации, биометрические технологии, васкулярное сканирование ладони, компьютерная обработка изображений, система распознавания образов.

Библиографическое описание Кухарев, С.Н. Разработка элементов системы биометрической аутентификации[Текст]: дипломная работа / С.Н. Кухарев. Поволжский государственный университет телекоммуникаций и информатики (ПГУТИ). Факультет телекоммуникаций и радиотехники (ФТР). Кафедра мультисервисных сетей и информационной безопасности (МСИБ): науч. рук. А.С. Раков - Самара, 2017. - 94 с.

Аннотация Разработка элементов системы биометрической аутентификации. Выполнил студент ПГУТИ факультета телекоммуникаций и радиотехники Кухарев С.Н. Дипломная работа содержит 94 страницы, включая приложения, математические формулы, 42 рисунка, 3 таблицы, а также использовано 12 различных источников информации. Целью работы являлось разработать элементы системы биометрической аутентификации по рисунку вен ладони. Результатом работы стало создание стенда биометрической аутентификации, с помощью которого существует возможность создания лабораторных работ для студентов.

Руководитель ВКР ___А.С.Раков___



Введение

В современных условиях глобального внедрения информационных технологий всё острее встаёт вопрос защиты информации. Одним из ключевых аспектов обеспечения информационной безопасности является защита от несанкционированного доступа. Для решения задач безопасности используются системы идентификации и аутентификации пользователей. Одним из перспективных направлений развития этих систем являются системы биометрической аутентификации. Их популярность обуславливается наличием ряда неоспоримых преимуществ биометрических систем перед системами других типов. Во-первых, биометрические системы удобны в применении с точки зрения обычного пользователя, так как их использование не требует от пользователя хранения ключевой информации (в вербальном виде и на носителях информации), а также наличия специальных знаний. Во-вторых, большинство биометрических систем имеет высокую надежность и устойчивость к ошибкам первого и второго родов, что позволяет использовать их в различных сферах человеческой деятельности, вплоть до использования на объектах критической инфраструктуры, а также в финансовой сфере. В-третьих, предъявляемые пользователем системы биометрические признаки, в большинстве случаев, крайне тяжело фальсифицировать. биометрический аутентификация распознавание

Однако, несмотря на емкий рынок биометрических технологий, российские разработки в данной области не распространены и, обычно, базируются на блоках иностранного производства, что усложняет создание перспективных, сертифицированных систем защиты информации и противоречит принципам импортозамещения.

Кроме того большинство систем реализовано по закрытому типу (порой, даже не известен параметр идентификации), что противоречит принципу Керкгоффса об открытости системы защиты информации и может увеличивать риски при компрометации алгоритма работы системы, также большая часть современных биометрических систем является крайне дорогостоящей.

Цель работы заключается в разработке элементов системы биометрической идентификации по рисунку вен ладони, которая сможет быть использована в учебном процессе для приобретения студентами базовых знаний и навыков по биометрическим системам, а также более глубокого исследования метода биометрической аутентификации по рисунку вен ладони. Для достижения поставленной цели необходимо провести структурный анализ принципов построения систем биометрической аутентификации, а также основные типы биометрических систем.

Достижение цели предполагает решение следующих задач:

Проведение системного сравнительного анализа существующих методов биометрической аутентификации;

Разработка и создание биометрического сканера рисунка вен ладони, а также экспериментальный и аналитический подбор параметров компонентов сенсора;

Проведение анализа существующих методов компьютерной обработки изображений, а также реализация оптимальных методов компьютерной обработки изображений в программной среде «MatLab»;

Проведение анализа существующих методов распознавания биометрических образов, а также реализация оптимального метода распознавания образов для разработанной биометрической системы.

Объектом исследования является система биометрической аутентификации по рисунку вен ладони.

Предмет исследований - принципы создания систем биометрической аутентификации, параметры и характеристики создаваемой системы.

Источниками информации для создания работы являлась учебная, научная и научно-техническая литература, а также электронные ресурсы и базы знаний.

Работа состоит из четырех разделов, введения, заключения и списка использованных источников.

Первый раздел описывает общие подходы к аутентификации, а также сравнительный анализ существующих методов биометрической аутентификации.

Второй раздел включает в себя описание технологии создания сканера рисунка вен ладони, а также влияние параметров сенсора на результат сканирования.

В третьем разделе приведена информация о реализации компьютерной обработки изображений в разработанной системе, а также обзор других существующих подходов к обработке изображений.

Четвертый раздел рассказывает о реализованных методах распознавания биометрических образов, а также приводит сравнительный анализ существующих подходов к распознаванию образов.

Заключение содержит основные выводы о проделанной работе.



1. Основы биометрической аутентификации

1.1 Основные принципы аутентификации

Аутентификация (с точки зрения информационной безопасности) - это процесс, при котором субъект доступа, предъявивший системе контроля доступа некоторый уникальный признак (идентификатор), подтверждает его подлинность предоставлением некоторых уникальных данных, а система сопоставляет полученную информацию с информацией хранящейся в базе данных, соответствующей предъявленному идентификатору.

В настоящие время выделяют три основных типа аутентификации:

Аутентификация на основе материального носителя (субъект доступа предъявляет системе контроля доступа идентификатор, представленный в виде физического объекта, например, различного рода токены, чипы и цифровые метки)

Аутентификация на основе уникального знания (субъект доступа предоставляет системе контроля доступа исключительную информацию, известную только ему, например, пароль, кодовое слово, PIN-код и т.д.)

Аутентификация на основе физиологического признака (система контроля доступа идентифицирует субъект доступа по уникальному биометрическому признаку, например, отпечатки пальцев, голос, рисунок вен ладони и т.д.)

Данную классификацию можно представить в виде схемы (рис. 1.1):

Рис. 1.1 - Классификация типов идентификации.



Все три типа могут использоваться как самостоятельно, так и в комбинации с другими типами. Однако в данной работе будет сделан акцент на биометрическую идентификацию, поскольку данный тип идентификации на сегодняшний день является наиболее оптимальным и динамично развивающимся, так как сочетает в себе удобство применения, достаточную надёжность распознавания, сложность фальсификации.

Надежность биометрических систем, а также априорная неотделимость биометрического идентификатора от его обладателя позволяет применять данную технологию в различных сферах деятельности (финансовый сектор, датацентры, здравоохранение, государственные органы, промышленность и т.д.) для решения обширного круга задач (системы контроля и управления доступом, учет рабочего времени, безопасный доступ к хранилищам данных, идентификация при транзакциях, авторизация на рабочем месте, идентификация пациентов и т.д.).

1.2 Биометрические системы аутентификации

Биометрическая аутентификация основывается на использование уникального параметра человека, называемого фактором биометрической аутентификации. В современной биометрии факторы аутентификации достаточно разнообразны. Однако все их можно разделить на два основных вида (рис. 1.2): статические (физические параметры человека, информация о которых может быть получена в определенный момент времени, например, отпечатки пальцев, радужная оболочка глаза, геометрия лица, рисунок вен ладони и т.д.) и динамические (поведенческие особенности человека, информация о которых получается в течение промежутка времени, например, походка, голос, почерк, особенности работы с клавиатурой).



Рис. 1.2 - Классификация биометрических средств защиты информации

Биометрия подразумевает автоматизированное использование физиологического или поведенческого признака человека для установления его личности. Однако это накладывает на признак (характеристику) ряд обязательных требований:

Универсальность (каждый субъект доступа должен обладать данным признаком или характеристикой);

Уникальность (два различных субъекта доступа не должны иметь двух одинаковых признаков, кроме того, у каждого субъекта доступа должен быть только один оригинальный признак);

Постоянство (характеристика должна быть стационарной);

Собираемость (характеристика может быть измерена);

Сохранность (должна быть возможность хранить большое количество признаков на протяжении длительного времени);

Производительность (измерение характеристики должно производиться быстро, но при этом с высокой точностью и надежностью, чтобы обнаружить малейшие различия между измеренной характеристикой и эталонным образом).

Кроме того, существует ряд требований, которые не являются обязательными для биометрических систем, однако очень важны на практике:

Удобство (измерение и хранение характеристик должны быть быстрыми и удобными);

Стоимость (измерение и хранение характеристик должны быть доступны по цене);

Эксклюзивность (характеристика должна использоваться самостоятельно без каких-либо дополнительных проверок личности);

Устойчивость (характеристика должна быть достаточно устойчива к попыткам её подделать или скомпрометировать).

В общем виде систему биометрической идентификации можно представить в виде шести блоков (рис. 1.3):

Рис. 1.3 - Обобщенный вид системы биометрической аутентификации.

Сенсор для считывания биометрического признака - устройство, предназначенное для получения биометрической информации, которая потом будет преобразована в биометрический образ.

Блок предварительной обработки предназначен для первичной обработки информации полученной от сенсора, а также для получения параметров биометрического признака, необходимых для формирования образа.

Блок извлечения признака формирует биометрический образ на основе предварительно обработанной информации от биометрического сенсора.

Блок сравнения образов выполняет сравнение полученного образа с эталонным, хранящимся в базе данных.

Блок результата верификации принимает решение по данным полученным от блока сравнения образов о результатах аутентификации.

База эталонных биометрических образов - база данных, в которой хранятся идентификаторы пользователей системы и сопоставленные им биометрические аутентификаторы, полученные во время регистрации пользователя в системе.

Основными характеристиками любой биометрической системы являются значения вероятностей FAR и FRR, также известных как ошибки первого и второго рода.

FAR (FalseAcceptanceRate, «ошибка второго рода») - вероятность ложного доступа, рассчитываемая по формуле (1.1). Вероятность того, что система при сравнении предоставленного образа сэталонным примет решение о достаточной схожести признаков и воспринимает незарегистрированного пользователя как легитимного, предоставляя ему доступ. Данные ошибки опасны тем, что при их возникновении могут быть нарушены такие основные критерии защищенности информации, как конфиденциальность и целостность.

(1.1)

где FAR - вероятность ложного доступа;

NFA - количество фактов ложного доступа;

NIVA - общее число обращений к системе.

FRR (FalseRejectionRate, «ошибка первого рода») - вероятность ложного отказа в доступе, рассчитывается по формуле (1.2). Вероятность того, что система при сравнении предоставленного образа с эталонным примет решение об отказе в доступе легитимному пользователю, сочтя его нарушителем. Данные ошибки нарушают такой критерий защищенности информации, как доступность.



(1.2)

где FRR - вероятность ложного отказа в доступе;

NFF - количество фактов отказа в доступе;

NEVA - общее число попыток пройти верификацию.

Две данных величины тесно взаимосвязаны друг с другом. В точке пересечения графиков вероятностей ошибок первого и второго рода находится так называемый коэффициент EER (EqualErrorRate) - коэффициент равного уровня ошибок (рис 1.4). Чем ниже показатель EER тем надежнее биометрическая система.

Рис. 1.4 - Графики FAR и FRR

Вероятности, обратные FAR и FRR, называются соответственно «специфичность» (1-FAR) и «чувствительность» (1-FRR). Чувствительность и специфичность обратнопропорциональны друг другу.

Объективная картина о надежности биометрической системы может быть получена только при анализе совокупности данных параметров. Рассмотрение параметров по отдельности не является информативным.



1.3 Основные виды современных биометрических систем

1.3.1 Распознавание по отпечаткам пальцев

Дактилоскопия (в качестве биометрического признака используется рисунок вен ладони) - данная технология основывается на анализе рисунка папиллярных линий пальцев рук, уникального для каждого человека. На основе узора папиллярных линий строится биометрическое изображение (рис. 1.5). После этого из изображения извлекаются характерные признаки отпечатка (центры, арки, завитки, характерные области, точки схождения и расхождения). Из этих данных формируется уникальный биометрический код, который впоследствии хранится в базе биометрических шаблонов и используется для сравнения с кодами полученными из идентификаторов пользователей.

Рис. 1.5 - Пример отпечатка пальцев

На сегодняшний момент, данный метод является одним из самых популярных на рынке биометрических технологий. Основными достоинствами данного метода являются:

Достоверность - статистические показатели данного метода одни из самых лучших среди систем биометрической идентификации.

Стоимость - сканеры отпечатков пальцев на рынке имеют низкую стоимость. Кроме того сенсоры для данного метода реализуются на базе целого ряда технологий (на основе получения фото изображения, ИК-сканеры, резистивные сканеры, емкостные сканеры, пьезоэлектрические сканеры, сканеры для получения 3D изображения и т.д.). К сожалению, не все из перечисленных технологий достаточно эффективны или достаточно дешевы, поэтому сканер для реальной системы приходиться подбирать под конкретные цели и искать оптимальное соотношение цена-качество.

Простота - сканирование, обычно, представляет из себя несложную процедуру.

Однако у метода есть и ряд недостатков:

Метод крайне восприимчив к состоянию кожных покровов. Даже незначительные повреждения на коже могут оказать негативное влияние на работу сенсора, вплоть до невозможности получения биометрической характеристики. Тоже относится и к загрязнениям кожи, а также к влажности кожных покровов. Причем вызвать некорректною работу системы может вызвать как избыточная влажность, так и сухость кожи.

Удешевление оборудования приводит к упрощению подделки идентификаторов злоумышленниками.

Необходимость непосредственного контакта кожи с сенсором, что является негигиеничным, особенно при использовании в метах с большим потоком людей (проходные крупных предприятий, учреждения здравоохранения, банкоматы).

1.3.2 Распознавание по радужной оболочке глаза

Биометрическая идентификация по радужной оболочке глаза - данный метод основывается на ещё одной уникальной характеристике человеческого тела. Вероятность того, что два разных человека имеют один и тот же рисунок радужной оболочки глаза равняется 1 к 1078 (даже для близнецов). Характеристики, которые можем использовать для различия: кольца, борозды, веснушки и область короны. Метод уникален тем, что для идентификации используется количество точек в десятки раз превосходящее количество точек используемых другими методами, что обуславливает высокую надежность. Кроме того незначительное улучшение параметров системы (разрешение камеры) можно использовать для распознавания сразу два глаза, что в разы увеличивает надежность системы. Принцип работы сенсора основывается на получении фотографии глаза (рис. 1.6) и выделения на ней области радужной оболочки для дальнейшего распознавания.

Рис. 1.6 - Снимок радужной оболочки глаза.

К недостаткам системы можно отнести трудность получения изображения, неудобство для пользователей, дороговизну системы.

1.3.3 Распознавание по геометрии лица

Данный вид распознавания индивидуален, поскольку черты лица и форма черепа человека уникальны. На сегодняшний день известны два направления в этой области: 2Dраспознавание и 3D. Распознавание по геометрии лица является актуальной областью биометрии, так как людей узнаем и запоминаем в первую очередь по лицу.

2D распознавание лица.Метод 2D распознавание лица большую часть времени использовался в криминалистике, а также с появлением компьютерной интерпретацией он стал более надежным, однако по истечению определенного количества времени данный метод утратил свою популярность. Сегодня он применяется в перекрестной биометрии (мультимодальной), либо в социальных сетях.

Метод основывается на получении изображения лица, определении на нем характерных точек и измерении расстояния между ними (рис. 1.7)

Рис.1.7 - Пример 2Dраспознавание лица.

Главными недостатками данного метода являются плохие статистические показатели. Также метод подвержен зависимости от освещения и внешних помех. При съемке изображения необходимо правильно подобрать ракурс: фронтальное изображение, без отклонений в стороны, при этом лицо должно быть серьезным, так как не учитываются изменения мимики человека. Из достоинств можно отметить возможность распознавания на внушительном расстоянии, а также приемлемая стоимость оборудования. Можно сделать вывод, что недостатков у данного метода гораздо больше, чем достоинств, а статистические показатели имеют обыкновенную характеристику, однако для ведения скрытой съемки лиц в толпе людей данный способ распознавания является годным.

3D распознавания по изображению.Для реализации данного метода существует множество методов, которые используют различные сканеры и базы. Одним из первых методов является накопление информации о лице. Здесь, как и в 2D методе используется одна камера. При пополнении базы изображением лица субъекта, субъект, поворачивая голову, тем самым создает 3D шаблон (рис 1.8). Для распознавания изображения используются кадры из видеопотока.

Рис. 1.8 - Шаблон 3D распознавания лица

Наиболее распространенным методом является проецирование шаблона. Алгоритм реализации данного метода:

Проецирование на лицо сетки;

Фиксирование камерой снимков со скоростью десятки кадров в секунду;

Полученные изображения обрабатываются специальной программой;

Луч, падающий на искривленную поверхность, терпит изгиб: чем больше кривизна поверхности, тем сильнее изгиб луча.

По полученным изображениям восстанавливается 3D модель лица;

Проводится анализ модели, при котором выделяются особенности лица, которые далее заносятся в базу.

Во время реализации данного метода отбрасываются посторонние предметы, которые способны помешать идентификации субъекта, а также помехи, такие как усы, борода. Для лучших моделей сканеров примерное время захвата и обработки изображения составляет 1-2 секунды.

На сегодняшний день метод 3Dраспознавания по изображению, набирающий популярность, основывается на данных, полученных с нескольких камер. Данный метод позволит увеличить точность позиционирования.

Для методов 3D распознавания изображений преимуществами являются: малая чувствительность к внешним факторам (поворот головы, изменение уровня освещенности помещения, смена прически), нет необходимости контакта со сканером и высокий уровень надежности данного метода.

К недостаткам можно отнести: стоимость оборудования, недоработка метода с использованием нескольких камер, изменение мимики лица отрицательно воздействуют на статистические характеристики.

1.3.4 Распознавание по сетчатке глаза

Суть метода состоит в получение снимка сетчатки глаза посредством специальной камеры (рис 1.9)



Рис. 1.9 - Снимок сетчатки глаза

Метод, основанный на сканировании сетчатки глаза, по мнению большинства людей, считался наиболее надежным для аутентификации и идентификации субъекта, однако, здесь есть свои нюансы. При поражении сетчатки глаза болезнями, такие как катаракта, глаукома, сетчатка изменяет свою структуру, и, следовательно, рисунок капилляров на поверхности глаза будет другим. Таким образом, сканер не сможет правильно идентифицировать личность. Работа сканера выглядит следующим образом: с помощью инфракрасного света малой интенсивности происходит сканирование сетчатки глаза, свет направлен через зрачок к кровеносным сосудам на задней стенке глаза. У данного метода низкий порог ошибочного срабатывания, поэтому сканеры сетчатки глаз в основном используется как средство контроля доступа в особо секретные помещения. Недостатками данного метода являются дороговизна оборудования, поскольку сканер - сложная оптическая система. Также можно отметить, что система сложна при использовании с долгим временем обработки, а человек при этом должен не двигаться, что вызывает неприятные ощущения. Ввиду малой распространенности данного метода отсутствует широкий рынок предложений, и как следствие недостаточное развитие метода.



1.3.5 Распознавание по геометрии руки

Данный метод появился очень давно, как и 2D распознавание лица, используется в криминалистике. Основывается на природных особенностях рук: длина пальца, ширина пальца, расположение складок кожи на сгибах. Для получения биометрического образа делается снимок ладони (рис. 1.10), Вероятность того что существуют кисти рук с одинаковой геометрией мала.

Рис. 1.10 - Снимок ладони с выделенными на нем характерными геометрическими признаками.

На сегодняшний день выделают два основных метода распознавания по геометрии рук:

1. Первый основывается на измерении характерных расстояний ладони без учета дополнительных особенностей. Метод является простым в исполнении: хранится только информация о длине и ширине пальцев. Соответственно данный класс системы является экономичным, а также может быть легко изготовлен в виде картонного муляжа руки оригинала.

2. Второй, кроме основных расстояний, учитывает ещё расположение дополнительных характерных участков ладони. Метод является более совершенным, так как он позволяет вычислять объем кисти руки, измерять расположение складок кожи, неровности ладони. Данный метод основан на характеристиках геометрических и образцовых, например, расположение кровеносных сосудов.

Недостатком распознавания по геометрии руки является тот факт, что возрастом меняются руки, и, следовательно, точность измерения будет мала. Как и у метода распознавания по сетчатке глаза здесь показатели характеристик очень низкие.

1.3.6 Распознавание по рисунку вен ладони

Ещё одним важным биометрическим методом является васкулярный анализ или распознавание по рисунку вен. Существуют различные подходы к распознаванию по рисунку вен, анализирующие васкулярный рисунок в различных частях тела (палец, наружная сторона руки, запястье, ладонь и т.д.), однако в данной работе основное внимание будет уделено биометрической идентификации по рисунку вен ладони. Метод основан на получении снимка ладони в инфракрасном свете (рис. 1.11).

Рис. 1.11 - Снимок ладони в инфракрасном свете.



Вены на снимке выглядят более темными относительно остальной поверхности ладони. Это и позволяет выделить венозный рисунок. Метод имеет ряд преимуществ:

Метод является бесконтактным, что делает его гигиеничным и дает возможность использовать его в системах с большим количеством пользователей (на крупных предприятиях, в общественных местах, в учреждениях здравоохранения и т.п.);

Метод является очень точным и позволяет добиться крайне низких показателей ошибок первого и второго родов, что делает метод применимым на объектах с высокими требованиями к системам безопасности (объектах критической инфраструктуры, сфера электронных платежей, системы формирования цифровой подписи);

Метод достаточно надежен и устойчив к отказам, что делает спектр применения технологии практически неограниченным;

Метод удобен в применении. Сенсоры, построенные на основе данной технологии, просты в использовании и не требуют от пользователя сложных действий, кроме того процесс сканирования не занимает много времени. Данное свойство делает сенсор общедоступным и применимым даже на бытовом уровне;

Метод достаточно устойчив к небольшим повреждениям, а также загрязнению ладоней (в отличии, например, от дактилоскопии). Данная особенность является критичной, например, для реализации систем контроля и управления доступом на предприятиях связанных с обработкой материалов, химическими веществами и т.д.

Идентификатор (ладонь с рисунком вен) устойчив к подделкам. Создание искусственного идентификатора - крайне дорогой и трудоёмкий процесс, требующий от злоумышленника высокого уровня технического оснащения.

И, конечно, данный метод, как и все остальные, не лишен недостатков. Основными из них являются:

Возможность возрастного изменения венозного рисунка, а также изменения рисунка вен в результате травм и заболеваний.

Достаточно высокая стоимость относительно других менее затратных методов

Необходимость достаточно серьезной компьютерной обработки для формирования биометрического образа.

1.4 Сравнение различных биометрических технологий

В данной дипломной работе в качестве биометрического метода был выбран метод распознавания по рисунку вен ладони, поскольку данный метод, при сравнении с другими, имеет оптимальное соотношение уровня реализации требований (таблица 1.1)

Таблица 1.1. Сравнение показателей различных биометрических методов.

	Отпечатки пальцев	Геометрия лица	Радужная оболочка глаза	Вены ладони	Прочие вены
Гигиеничность	Низкая	Высокая	Высокая	Высокая	Низкая
Универсальность	Средняя	Высокая	Средняя	Высокая	Средняя
Уровень надежности	Средний	Средний	Высокий	Высокий	Высокий
Уровень удобства	Высокий	Средний	Низкий	Высокий	Средний
Точность	Средняя	Низкая	Средняя	Высокая	Средняя
Положительный имидж в общественном сознании	Низкий	Низкий	Средний	Высокий	Средний
Стоимость	Низкая	Средняя	Низкая	Средняя	Средняя

Как видно из таблицы метод распознавания по рисунку вен ладони имеет оптимальные показатели по всем требованиям. Именно поэтому создаваема система биометрической аутентификации будет построена на базе метода биометрической верификации по рисунку вен ладони.



2. Сканер венозного рисунка ладони

2.1 Описание технологии васкулярного сканирования вен ладони

Уникальность венозного рисунка ладони была отмечена учеными ещё в 30-е годы XX-го века. Однако только сегодня уровень развития технологий позволил сделать систему приемлемой по цене.

Как было отмечено ранее, технология имеет ряд преимуществ перед другими биометрическими технологиями. Во-первых, технология является бесконтактной, что значительно повышает гигиеничность метода. Во-вторых, технология отличается высочайшей надежностью (сравнительный анализ показателей надежности различных технологий биометрической идентификации приведены в таблице 2.1.). В-третьих, технология не несёт негативного репутационного подтекста, как, например, отпечатки пальцев, которые большинство людей связывает с криминалистикой, а значит с преступлениями и поэтому отрицательно относится к сбору данной биометрической информации.

Таблица 2.1. Сравнение эффективности различных методов биометрической идентификации на основе показателей ошибок первого и второго родов.

Методы идентификации	FAR,%	FRR, %
Распознавание по геометрии лица	? 1,3	? 2,6
Распознавание по голосу	? 0,01	? 0,3
Отпечатки пальцев	? 0,001	? 0,1
Рисунок вен пальца	? 0,0001	? 0,01
Сетчатка глаза	? 0,0001	? 0,01
Рисунок вен ладони	<0,00008	? 0,01

Технология сканирования рисунка вен ладони основывается на том, что при облучении кисти руки инфракрасным излучением гемоглобин крови поглощает часть излучения, на определенных длинах волн. Причем эффективные длины волн поглощения для артериального (обогащенного кислородом) и венозного (бескислородного) гемоглобина различаются (рис. 2.1):

Рис. 2.1 - Зависимость коэффициента поглощения от длины волны излучения.

Вследствие поглощения гемоглобином инфракрасного излучения отражающая способность крови уменьшается и при регистрации отражённого потока с помощью камеры изображение вен на снимке получается более тёмным относительно остального фона.

2.2 Принципы построения сканера венозного рисунка

На основе свойства поглощения ИК-излучения бескислородным гемоглобином крови строятся считыватели рисунка вен ладони. Существует два основных подхода к построению сенсоров:

1.Получение снимков в проходящем инфракрасном свете (рис. 2.2) - принцип построения сенсора заключается в том, что камера размещается с одной стороны ладони, а инфракрасная подсветка - с другой.

Рис. 2.2 - Структурная схема сканера вен ладони в проходящем ИК-излучении

Таким образом, часть инфракрасных лучей поглощается гемоглобином крови, а другая часть проходит сквозь ладонь. Камера, способная регистрировать ИК-излучение, делает снимок и получает изображение ладони с рисунком вен (рис. 2.3). Инфракрасный фильтр, установленный на камере, необходим для недопущения засветки снимка посторонним излучением.



Рис 2.3 - Снимок вен ладони в проходящем ИК-излучении

2. Получение снимков в отраженном инфракрасном свете (рис. 2.4) - принцип построения сенсора заключается в том, что камера и источник ИК-излучения расположены с одной стороны от ладони.

Рис. 2.4 - Структурная схема сканера вен ладони в отраженном ИК-излучении

Таким образом, основной поток инфракрасного излучения отражается от поверхности ладони с незначительным поглощением, однако в местах прохождения вен коэффициент поглощения увеличивается и камера, способная регистрировать ИК-излучение также получает снимок ладони с выделяющимся на нем венозным рисунком (рис. 2.5). ИК-фильтр на камере, как и в первом случае, необходим для предотвращения засветки снимков посторонним излучением.

Рис. 2.5 - Снимок вен ладони в отраженном ИК-излучении

Из рисунков 2.3 и 2.5 можно сделать вывод, что более отчетливый рисунок вен ладони получается при использовании сканера вен ладони в проходящем свете, однако данный метод имеет ряд недостатков: во-первых, для получения снимка необходим мощный источник инфракрасного излучения, в несколько раз превосходящий по мощности источник излучения используемый для сканера вен ладони в отраженном свете, что является достаточно затратным, во-вторых, реализация сканера предполагает, что объект сканирования будет помещен в замкнутое пространство между источником ИК-излучения и камерой, что является негативным психологическим фактором для пользователей системы, которым придется помещать свою руку в замкнутое пространство, кроме того использование сканера вен ладони в проходящем свете не исключает необходимость компьютерной обработки полученных снимков, поэтому для создания биометрической системы идентификации была выбрана схема построения сканера вен ладони в отраженном свете.

Построенный сенсор состоит из (рис. 2.6):

Инфракрасный фильтр для диапазона частот с медианным значением длины волны 850 нм. (существует возможность замены установленного фильтра на фильтры с другими медианными значениями длин волн.)

Панель инфракрасных светодиодов с длиной волны излучения равной 850 нм. (существует возможность замены установленной светодиодной панели на светодиодные палеи с другими длинами волн излучения.)

Камера без ИК-фильтра (камера способная регистрировать ИК-излучение)

Рис. 2.6 - Внутреннее устройство сенсора

2.3 Анализ выбора длины волны излучения

Для подтверждения правильности выбранных значений длин волн излучения и фильтра был проведен следующий эксперимент:

Для пяти длин волн излучения и пяти фильтров были сделаны снимки четырех образцов (рук различных людей), снимки одного из образцов при различных длинах волн излучения представлены на рисунке 2.7 (а-д).

а) длина волны излучения 460 нм. б)длина волны излучения 630 нм

в) длина волны излучения 700 нм. г)длина волны излучения 850 нм

д)длина волны излучения 940 нм

Рис. 2.7 - Снимки ладони, сделанные при различных длинах волн излучения с различными фильтрами

Для образцов заранее были определены характерные точки (по фактическому расположению) вен и точки фона. Далее для четырех образцов, по формуле (2.1) был рассчитан относительный коэффициент поглощения

(2.1)

где цпогл- относительный коэффициент поглощения;

ввен- контрастно-яркостная характеристика участка изображения венозного рисунка;

вфон - контрастно-яркостная характеристика участка изображения общего фона.

На основании полученных характеристик была составлена таблица (Таблица 2.2), отражающая зависимость относительного коэффициента поглощения от длины волны излучения для четырех образцов ладоней на пяти длинах волн (460 нм., 630 нм., 700 нм., 850 нм., 940 нм.). Кроме того в таблицу были добавлены средние арифметические показатели коэффициента поглощения для каждой длины волны излучения.

Таблица 2.2. Зависимость относительного коэффициента поглощения от длины волны излучения

Длина волны излучения, нм	Относительный коэффициент поглощения
	Образец 1	Образец 2	Образец 3	Образец 4	Среднее арифметическое
460	0,437	0,423	0,459	0,397	0,429
630	0,498	0,455	0,481	0,442	0,469
700	0,464	0,472	0,511	0,482	0,482
850	1,098	1,113	0,996	1,203	1,103
940	1,123	1,028	1,242	1,196	1,147

На основании полученных значений был построен график зависимости относительного коэффициента поглощения от длины волны излучения (рис. 2.8)



Рис. 2.8 - Зависимость относительного коэффициента поглощения от длины волны излучения

Результаты данного анализа весьма показательны: во-первых, они полностью соответствуют теоретическим выкладкам, во-вторых, они доказывают состоятельность метода получения рисунка вен ладони в отраженном инфракрасном свете, в-третьих, они подтверждают характеристики использованного оборудования (длины волн излучения светодиодных панелей, медианные значения длин волн световых фильтров), и наконец, они имеют большое академическое значение, ведь при повторении студентами данного эксперимента на лабораторном комплексе, созданном на базе данного сканера, они смогут лучше усвоить зависимость коэффициента поглощения от длины волны излучения.

2.4 Подбор элементной базы сенсора

Кроме подбора длины волны излучения был также осуществлен подбор оптимальных параметров камеры, позволяющих получить наиболее четкое изображение при низкой стоимости самой камеры.

При построении сенсора были использованы несколько моделей камер с различными параметрами разрешения и фокусного расстояния. Наиболее показательным является сравнение снимков полученных с помощью камер разрешением 0.3 МПикс. и 2 МПикс. (рис. 2.9 а и б)

а) на базе камеры 0,3 МПикс. б) на базе камеры 2 МПикс.

Рис. 2.9 - Пример влияния на качество снимков различных камен в составе сенсора

Рис. 2.10 - Внешний вид лабораторного прототипа сенсора

Как видно из примера (рис. 2.9), снимки на камере с большим разрешением получаются с более отчетливым рисунком вен ладони, что упрощает процесс компьютерной обработки.

По результатам исследования элементной базы сенсора были построены два прототипа:

Первый прототип (рис. 2.10), изготовленный на 3D-принтере, является прототипом для реализации лабораторного стенда.

Данный прототип оснащен пластиковым шаблоном положения руки - шаблоном, расположенным на оптимальном расстоянии от камеры. На данном стенде студенты смогут знакомиться с принципами построения систем биометрической идентификации, изучать идентификацию человека по рисунку вен ладони, процесс обработки изображений в биометрических системах, способы распознавания биометрических образов, а также зависимость коэффициента поглощения венозного гемоглобина крови от длины волны излучения.

Второй прототип (рис. 2.10) также изготовлен на 3D-принтере и является прототипом для общего внедрения.

Рис. 2.11 - Внешний вид прототипа сенсора общего внедрения

Прототип предназначен для внедрения в различных сферах использования систем биометрической идентификации и после некоторых доработок: установка микроконтроллера с функцией шифрования, установка дальномера со световой индикацией положения для определения оптимального положения руки над сенсором, установка пирометра для определения температуры предъявляемого образца.

Кроме того, прототип может использоваться и в академических целях, так как он включает в себя функционал первого прототипа, но может использоваться в других учебных целях, например, для изучения студентами влияния фокусного расстояния на качество изображения.



3. Компьютерная обработка изображений

3.1 Основные положения

Обработка изображения является неотъемлемой частью биометрических систем, построенных на получении изображений от камеры. Компьютерная обработка изображений в биометрических системах преследует несколько целей:

Удаление шумов с полученного изображения - данная операция необходима для минимизации влияния внешних факторов на полученное изображение биометрического образа;

Выделение признаков из полученного изображения - данная операция необходима для выделения характерных признаков на изображении, которые характеризуют биометрический образ;

Обработка выделенных признаков - данная операция необходима для унификации выделенных признаков с цель последующего формирования биометрического образа

Формирование биометрического образа - данная операция необходима для последующего сравнения полученного образа с эталонным, полученным по тому же принципу.

В данной работе компьютерная обработка изображений будет реализована в среде «MatLab».

3.2 Удаление шумов со снимка ладони

Существует множество подходов к удалению шумов с полученных изображений, однако одним из наиболее эффективных является метод анизотропной диффузии также известный как метод диффузии Перона-Малика. Метод направлен на снижение шума изображения без удаления значимых частей содержимого изображения (как правило краев, линий и т.п.).

Анизотропная диффузия напоминает процесс, при котором создается масштабированное пространство, в котором изображение создает параметризованное семейство последовательно все более измененных изображений на основе диффузионного процесса. Каждое из полученных изображений в этом семействе получается путем свертки изображения и двухмерного изотропного гауссовского фильтра. Анизотропная диффузия создает семейство параметризованных образов, при чем каждое результирующее изображение представляет собой свертку между исходным изображением и фильтром, который зависит от локального содержания исходного изображения.

Математическая модель анизотропной диффузии формулируется следующим образом:

Пусть ЩCR2 - подмножество плоскости и I(·,t):Щ>R -семейство полутоновых изображений, тогда анизотропная диффузия определяется формулой (3.1)

(3.1)

где Д - оператор Лапласа;

- градиент;

c(x,y,t)- коэффициент диффузии.

Коэффициент диффузии регулирует скорость диффузии и, как правило, выбирается в зависимости от градиента изображения таким образом, чтобы сохранить края изображения.

Изначально существовало две функции для вычисления коэффициента диффузии (3.2) и (3.3) соответственно



, (3.2)

, (3.3)

где - градиент;

c- коэффициент диффузии;

K- константа, регулирующая чувствительность к краям

Константа Kобычно подбирается экспериментально или в зависимости от шумов в изображении.

Существует также модифицированная модель Перона-Малика выраженная формулой (3.4)

(3.4)

где Gу = Cу-(1/2)exp (-|x|2/4у).

Анизотропная диффузия может использоваться для удаления шума из цифровых изображений без размытия краев.

Анизатропный диффузионный фильтр в среде «MatLab» был реализован в виде программы, описывающей функцию, необходимую для дальнейшего проведения математической обработки. Фрагмент листинга данной программы представлен ниже:

% Определение расстояния пиксельных центров

dx = 1;

dy = 1;

dd = sqrt(2);

Фрагмент кода отвечающей за определение расстояния между центральными пикселями, задающий некоторый базис, в котором будет вестись дальнейшая обработка



% Двухмерная маска свертки

hN = [0 1 0; 0 -1 0; 0 0 0];

hS = [0 0 0; 0 -1 0; 0 1 0];

hE = [0 0 0; 0 -1 1; 0 0 0];

hW = [0 0 0; 1 -1 0; 0 0 0];

hNE = [0 0 1; 0 -1 0; 0 0 0];

hSE = [0 0 0; 0 -1 0; 0 0 1];

hSW = [0 0 0; 0 -1 0; 1 0 0];

hNW = [1 0 0; 0 -1 0; 0 0 0];

Фрагмент кода отвечающей за задание маски по которой будет произведена свертка (задание характеристик изотропного гаусского фильтра)

%Функциядиффузии

for t=1:num_iter

nablaN=imfilter(diff_im,hN,'conv');

nablaS = imfilter(diff_im,hS,'conv');

nablaW = imfilter(diff_im,hW,'conv');

nablaE = imfilter(diff_im,hE,'conv');

nablaNE = imfilter(diff_im,hNE,'conv');

nablaSE = imfilter(diff_im,hSE,'conv');

nablaSW = imfilter(diff_im,hSW,'conv');

nablaNW = imfilter(diff_im,hNW,'conv');

Фрагмент кода отвечающей за построение семейства диффузионных функций с определенным количеством итераций

if option == 1

cN = exp(-(nablaN/kappa).^2);

cS = exp(-(nablaS/kappa).^2);

cW = exp(-(nablaW/kappa).^2);

cE = exp(-(nablaE/kappa).^2);

cNE = exp(-(nablaNE/kappa).^2);

cSE = exp(-(nablaSE/kappa).^2);

cSW = exp(-(nablaSW/kappa).^2);

cNW = exp(-(nablaNW/kappa).^2);

elseif option == 2

cN = 1./(1 + (nablaN/kappa).^2);

cS = 1./(1 + (nablaS/kappa).^2);

cW = 1./(1 + (nablaW/kappa).^2);

cE = 1./(1 + (nablaE/kappa).^2);

cNE = 1./(1 + (nablaNE/kappa).^2);

cSE = 1./(1 + (nablaSE/kappa).^2);

cSW = 1./(1 + (nablaSW/kappa).^2);

cNW = 1./(1 + (nablaNW/kappa).^2);

end

Фрагмент кода отвечающей за выбор формулы расчета и расчет коэффициента диффузии

diff_im = diff_im+ ...

delta_t*(...

(1/(dy^2))*cN.*nablaN + (1/(dy^2))*cS.*nablaS + ...

(1/(dx^2))*cW.*nablaW + (1/(dx^2))*cE.*nablaE + ...

(1/(dd^2))*cNE.*nablaNE + (1/(dd^2))*cSE.*nablaSE + ...

(1/(dd^2))*cSW.*nablaSW + (1/(dd^2))*cNW.*nablaNW );

Фрагмент кода отвечающей за применение анизотропного диффузионного фильтра к исходному изображению и формирование конечного изображения.

В результате работы программы исходное изображение (рис. 3.1), полученное с помощью сканера рисунка вен, преобразуется в изображение, прошедшее анизотропно-диффузную фильтрацию (рис. 3.2)

Рис. 3.1 - Исходное изображение, полученное с помощью сканера вен ладони

Рис. 3.2 - Изображение после прохождения анизотропного диффузного фильтра



При сравнении изображений можно увидеть, что, несмотря на некоторое помутнение фильтрованного изображения, на нем нет шумовых элементов (складок кожи, борозд), присущих снимкам ладони.

3.3 Выделение морфологических признаков изображения

Следующим этапом компьютерной обработки изображений является выделение признаков из изображения. Для этого в работе используется выделение морфологических структур внутри изображения, посредством вычитания фона.

Для выделения морфологических признаков внутри изображения используется так называемая «математическая морфология», оперирующая понятиями теории множеств.

Математическую морфологию разрабатывали в 1970-е г Дж. Матерон и Дж. Сера. Под математической морфологией стоит понимать способ извлекания некоторых особенностей изображений, таких как контуры, выпуклость оболочки и т.д. Поскольку данные характеристики изображения полезны для его представления и описания. Особое внимание стоит уделить морфологическим методам, которые применяются при предварительной и заключительной обработке рисунка.

В качестве множеств в математической морфологии выступают элементы внутри изображений. Цифровые изображения, заданные в полутоновом виде, описываются множествами из элементов пространства Z3, задающих координаты пикселей на плоскости и их яркость, выраженную дискретным значением.

Для выполнения операций в математической морфологии используются два изображения: исходное и специально созданное. Специально созданное изображение варьируется в зависимости от решаемой задачи и типа операции. В математической морфологии такое изображение обычно называется структурным элементом или примитивом.

Многие операции из теории множеств (объединения, дополнения, разности, пресечения, параллельный перенос, сдвиг множеств, их центральное отображение и т.д.) используются и в математической морфологии.

Кроме того, в математической морфологии определен ряд основных операций:

Дилатация. Определяется по формуле:

(3.5)

где

A,B - множества из пространства ;

Данное соотношение получается путем центрального отражения множества В относительно его центра и затем сдвига полученного результата в точку z из пространства изображения А. Таким образом, дилатация множества А по множеству В - множество всех смещений z, при которых множестваA, B имеют совпадение как минимум в одном элементе.

Эрозия. Данная операция определяется по следующей формуле:

(3.6)

где A,B- множества из пространства ;

Суть этой операции заключается в том, что при сдвиге всех точек z множество B целиком содержится в множестве А.

Размыкание. Выражается следующим равенством:



, (3.7)

где-размыкание множества А по примитиву В.

Таким образом, размыкание множества А по примитиву В происходит посредством эрозии и дилатации. После эрозии А по В предполагается дилатация результата по тому же примитиву В. С помощью данной морфологической операции можно сгладить контуры объекта, а также убрать выступы небольшой ширины.

Замыкание. Операция замыкание определяется следующим равенством:

, (3.8)

где- замыкание множества А по примитиву В.

Замыкание определяется как дилатация А по В, за которой следует эрозия по примитиву В. Замыкание также дает возможность сгладить участки контура изображения, однако, в отличии размыкания, заполняет узкие разрывы и длинные углубления малой ширины, а также убирает малые отверстия и заполняет промежутки контура.

Преобразование «Успех/Неудача». Данное преобразование является основным при обнаружении объектов определенного размера и формы. Искомый объект задается с помощью примитива (структурный элемент). Преобразование «Успех/Неудача» определяется по следующей формуле:

, (3.9)

где - преобразование «Успех/Неудача».

Множество соединяет в себе все точки центра, в которых для , выполняется следующее условие: одновременно для имеется эквивалент в А, для - эквивалент в Совместное применение примитивов и основывается на том, что два или более объектов различаются только в том случае, если они образованы непересекающимися множествами. Данное предположение выполняется при условии того, что вокруг каждого объекта присутствует область фона как минимум в один пиксель.

Для формирования изображения фона (рис 3.3) необходимо выделить на исходном изображении морфологические структурные элементы.

Рис. 3.3 - Изображение рассчитанного фона

Для реализации данного действия используются встроенные функции программного пакета «MatLab»из библиотеки «ImageProcessingToolbox»

Первая из них функция «strel(shape, parameters)», где параметр «shape» определяет тип структурного элемента, а «parameters» определяет характеристики этого элемента.

...