Разработка метода определения информативных признаков биометрической идентификации пользователей

Системы идентификации по узору радужной оболочки и сетчатки глаз разделяются на два класса:

использующие рисунок радужной оболочки глаза;

использующие рисунок кровеносных сосудов сетчатки глаза;

использующие рисунок радужной оболочки глаза;

использующие рисунок кровеносных сосудов сетчатки глаза. Эти системы считаются наиболее надёжными среди всех биометрическим систем и используются там, где требуется высокий уровень безопасности, так как вероятность повторения данных параметров равна 10-78.

Самыми распространенными являются системы идентификации по отпечаткам пальцев, так как имеются большие банки данных по отпечаткам пальцев. Основными пользователями подобных систем во всём мире являются полиция, различные государственные и некоторые банковские организации.

Системы идентификации по геометрической форме руки используют сканеры формы руки, устанавливаемые на стенах. Большинство пользователей предпочитает именно системы идентификации такого типа.

Системы идентификации по лицу и голосу являются наиболее доступными из-за их дешевизны, так как современные компьютеры имеют видео- и аудиосредства. Такие системы применяются при удалённой идентификации субъекта доступа в телекоммуникационных сетях.

Системы идентификации личностей по динамике рукописной подписи учитывают интенсивность каждого усилия подписывающего, частотные характеристики каждого элемента подписи и начертания подписи в целом.

Системы идентификации по биомеханическим характеристикам «клавиатурного почерка» основываются на том, что моменты нажатия и отпускания клавиш при наборе текста на клавиатуре существенно различаются у разных пользователей. Этот «клавиатурный почерк» позволяет построить достаточно надёжные средства идентификации. В случае обнаружения изменения клавиатурного почерка пользователя ему автоматически запрещается работа на ЭВМ.

Применение систем биометрической идентификации не получило надлежащего нормативно-правового обеспечения в виде стандартов, поэтому они используются только в автоматизированных системах, обрабатывающих и хранящих персональные данные, составляющие коммерческую или служебную тайну.

Рассмотрим метод сокращения признакового пространства, известный как метод группового учета аргументов(МГУА).

Перед тем, как начинать рассмотрение МГУА, было бы полезно вспомнить или узнать впервые метод наименьших квадратов - наиболее распространенный метод подстройки линейно зависимых параметров.

Рассмотрим для примера МНК для трех аргументов:

Пусть функция T=T(U, V, W) задана таблицей, то есть из опыта известны числа U-i, Vi, Wi, Ti ( i = 1, : , n). Будем искать зависимость между этими данными по формуле 3.1:

, (3.1)

где a, b, c - неизвестные параметры.

Подберем значения этих параметров так, чтобы была наименьшей сумма квадратов уклонений опытных данных Ti и теоретических Ti = aUi + bVi + cWi, то есть сумма, представленная в формуле 3.2

(3.2)

Величина s является функцией трех переменных a, b, c. Необходимым и достаточным условием существования минимума этой функции является равенство нулю частных производных функции s по всем переменным, по виду в формуле 3.3

(3.3)

Система для нахождения a, b, c будет иметь вид, представленный в формуле 3.4:

(3.4)

Формула 3.4 - Система нахождения a, b, c.

Данная система решается любым стандартным методом решения систем линейных уравнений (Гаусса, Жордана, Зейделя, Крамера).

Рассмотрим некоторые практические примеры нахождения приближающих функций.

1. y = ax2 + bx + g

Задача подбора коэффициентов a, b, g сводится к решению общей задачи при T=y, U=x2, V=x, W=1, a=a, b=b, g=c.

2. f(x, y) = asin(x) + bcos(y) + g/x

Задача подбора коэффициентов a, b, g сводится к решению общей задачи при T=f, U=sin(x), V=cos(y), W=1/x, a=a, b=b, g=c.

Если мы распространим МНК на случай с m параметрами, то путем рассуждений, аналогичных приведенным выше, получим следующую систему линейных уравнений представленных в формулах 3.5

(3.5)

,

, .

Заимствование алгоритмов переработки информации у природы является одной из основных идей кибернетики. "Гипотеза селекции" утверждает, что алгоритм массовой селекции растений или животных является оптимальным алгоритмом переработки информации в сложных задачах. При массовой селекции высевается некоторое количество семян. В результате опыления образуются сложные наследственные комбинации. Селекционеры выбирают некоторую часть растений, у которых интересующее их свойство выражено больше всего (эвристический критерий).

Семена этих растений собирают и снова высевают для образования новых, еще более сложных комбинаций. Через несколько поколений селекция останавливается и ее результат является оптимальным. Если чрезмерно продолжать селекцию, то наступит <инцухт> - вырождение растений. Существует оптимальное число поколений и оптимальное количество семян, отбираемых в каждом из них.

Алгоритмы МГУА воспроизводят схему массовой селекции , показанной на рисунке 3.1. В них есть генераторы усложняющихся из ряда в ряд комбинаций и пороговые самоотборы лучших из них. Так называемое «полное» описание объекта представлено в формуле 3.6

j = f(x1,x2,x3,ј,xm), (3.6)

y1= f(x1x2), y2= f(x1x3),..., ys= f(xm-1xm)

z1= f(y1y2), z2= f(y1y2),..., zp= f(ys-1ys),

Рисунок 3.1 - Селекция самого черного тюльпана при расширяющемся опытном поле (эквивалент полного перебора), и при постоянном размере поля (эквивалент селекции при сохранении свободы выбора решений F = const)

Входные аргументы и промежуточные переменные сопрягаются попарно, и сложность комбинаций на каждом ряду обработки информации возрастает (как при массовой селекции), пока не будет получена единственная модель оптимальной сложности.

Каждое частное описание является функцией только двух аргументов. Поэтому его коэффициенты легко определить по данным обучающей последовательности при малом числе узлов интерполяции. Исключая промежуточные переменные (если это удается), можно получить "аналог" полного описания. Математика не запрещает обе эти операции. Например, по десяти узлам интерполяции можно получить в результате оценки коэффициентов полинома сотой степени и т. д.

Из ряда в ряд селекции пропускается только некоторое количество самых регулярных переменных. Степень регулярности оценивается по величине среднеквадратичной ошибки (средней для всех выбираемых в каждом поколении переменных или для одной самой точной переменой) на отдельной проверочной последовательности данных. Иногда в качестве показателя регулярности используется коэффициент корреляции.

Ряды селекции наращиваются до тех пор, пока регулярность повышается. Как только достигнут минимум ошибки, селекцию, во избежание "инцухта", следует остановить. Практически рекомендуется остановить селекцию даже несколько раньше достижения полного минимума, как только ошибка начинает падать слишком медленно. Это приводит к более простым и более достоверным уравнениям.

В этом алгоритме, изображенном на рисунке 3.2, используются частные описания, представленные в следующих формулах 3.7:

yi=a0+a1xi+a2xj+a3xixj; (3.7)

yk=a0+a1xi+a2xj+a3xixj+a4xi2+a5xj2.

Сложность модели увеличивается от ряда к ряду селекции как по числу учитываемых аргументов, так и по степени. Степень полного описания быстро растет. На первом ряду - квадратичные описания, на втором - четвертой степени, на третьем - восьмой и т. д. В связи с этим минимум критерия селекции находится быстро, но не совсем точно. Кроме того, имеется опасность потери существенного аргумента, особенно на первых рядах селекции (в случае отсутствия протекции). Специальные теоремы теории МГУА определяют условия, при которых результат селекции не отличается от результата полного перебора моделей.

Рисунок 3.2 - МГУА как эквивалент массовой селекции

Для того чтобы степень полного уравнения повышалась с каждым рядом селекции на единицу, достаточно рассматривать все аргументы и их ковариации как обобщенные аргументы и пользоваться составленными для них линейными описаниями.

3.3 Разработка заданий по выбору информативных признаков

Выделение признаков - это специфическая операция, реализуемая на одном из этапов обработки информации об объекте. Эта операция может реализовываться и на последующих этапах. По существу, выделение признаков включает в себя выделение определенных параметров модели объекта, и преобразование этих параметров в график плотности распределения признаков, описывающего этот объект.

В дальнейшем, в распознающих системах определенными методами обрабатываются плотности распределения и принимается решение об отнесении этого объекта к определенному классу. Для выделения признаков не существует общих алгоритмов, поэтому этот этап распознавания является достаточно сложным, нами предложен алгоритм последовательного выбора информативных признаков на основе критерия минимальной дисперсии.

В работе разработаны два задания включающие в себя основную задачу выбора информативных признаков.

Задание 1 Цель: Знакомство с методом выбора информативных признаков на основе критерия минимальной дисперсии.

Задание: Используя программу выбора информативных признаков ознакомиться с алгоритмом последовательного выбора информативных признаков на основе критерия минимальной дисперсии.

Для выполнения программы должен быть запущен исполняемый файл ПВИП.exe, если запуск произведен успешно, то появится главная форма программы, представленная на рисунке 3.3.

Рисунок 3.3 - Главная форма

После выбора задания , откроется рабочая форма, представленная на рисунке 3.5.

Рисунок 3.5 - Форма задания 1

После нажатия на кнопку «Принять» программа автоматически сработает по описанному выше алгоритму со следующими входными параметрами:

размерность признакового пространства - 100 признаков;

количество пользователей - 5;

диапазон изменения признака пользователей - 20.

По завершению выполнения работы программа выведет в соответствующие поля результаты расчетов, представленные на рисунке 3.6.

После нажатия на кнопку «График плотности распределения» программа выведет графики плотностей распределения признаков, представленные на рисунке 3.7, соответствующие первому и десятому признаку в выборке «10 минимальных дисперсий». Погрешность распознавания будет определяться областью выделенной красным цветом.

Задание 2. Цель: Исследовать зависимость погрешности распознавания от величины изменения диапазона признака пользователя.

Рисунок 3.6 - Вывод результатов работы программы

Рисунок 3.7 - Вывод графиков плотностей распределения

Задание: Используя программу выбора информативных признаков исследовать зависимость погрешности распознавания от величины значений входных данных. Для выполнения второго задания нежно в главной форме программы, в меню «Список заданий» выбрать. И изменяя входные параметры построить графики плотностей, как представлено на рисунке 3.8.

Рисунок 3.8 - Вывод графиков плотностей распределения

Заключение

В ВКР разработан метод выбора информативных признаков для биометрической идентификации пользователей.

В первой главе ВКР охарактеризована задача определения информативных признаков в теории и практики распознавания образов. Рассмотрены задачи распознавания образов. Проведен анализ методов сокращения признакового пространства, определены требования к методам выбора информативных признаков для биометрической идентификации пользователей, производится постановка задачи на разработку алгоритма и программы для сокращения признакового пространства.

Во второй главе разработан метода сокращения признакового пространства для биометрической идентификации пользователей. Предложена характеристика математической модели распознавания образов, рассмотрены общие требования к модели и исследованы законы распределения значений признаков. Проведен обзор методов и средств построения программного продукта. Разработаны алгоритм и программа сокращения признакового пространства.

В третьей главе разработан методический материал для решения задач распознавания образов. Так же предложен ряд заданий для распознавания образов.

Список использованных источников

1 Ефимов Ю. Н. Устройство для распознавания образов / Ю. Н. Ефимов. - М., 1990. - 162 с.

2 Вапник В. Н. Теория распознавания образов / В. Н. Вапник, А. Я. Червоненкис. - М., 1974. - 415с.

3 Васильев В. И. Распознающие системы / В. И. Васильев. - Киев..: Наукова думка, 1983. - 422с.

4 Вентцель Е. С. Прикладные задачи теории вероятностей / Е. С. Вентцель, Л. А. Овчарова. - М.: Радио и связь, 1983. - 416 с.

5 Генкин В. Л. Системы распознавания автоматизированных производств / В. Л. Генкин,И.Л. Ерош, Э. С. Москалев. - Л.: Машиностроение, 1988. - 246 с.

6 Горелик А. Л. Методы распознавания / А. Л. Горелик, В. А. Скрипкин. - М.: Высшая школа, 1989. - 232 с.

7 Ивахненко А. Г. Алгоритмы МГУА при непрерывных и бинарных признаках / А. Г. Ивахненко. - Киев: Институт кибернетики им. В.М. Глушкова, 1992. - 48 с.

8 Ивахненко А. Г. Системы автоматической самоорганизации в технической кибернетике / А. Г. Ивахненко. - Киев: Техника, 1971. - 370 с.

9 Ивахненко А. Г. Перцептрон - система распознавания образов / А. Г. Ивахненко. - Киев: Наукова думка, 1975. - 432 с.

10 Ту Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес. - М.: Мир, 1978. - 412 с.

11 Веников В. А. Теория подобия и моделирования / В. А. Веников, Г. В. Веников. - М.: Высшая школа, 1984. - 192 с.

12 Бочаров П.П. Теория вероятностей. Математическая статистика / П.П. Бочаров, А.В. Печинкин. - М.: Гардарика, 1998. - 328 с.

13 Основы Delphi [электронный ресурс] / Режим доступа: http://www.delphibasics.ru/

Размещено на Allbest.ru