📄Работа №46657
Тема: НЕЙРОСЕТЕВОЙ АЛГОРИТМ ИДЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЯ ПО ЕГО БИОМЕТРИЧЕСКИМ ХАРАКТЕРИСТИКАМ
Тип работы
Дипломные работы, ВКР
Предмет
информационная безопасность
Объем:
80 листов
Год:
2018
Просмотров:
328
4350
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 4
1. ФИЗИОЛОГИЯ 6
1.1. Строение глаза 6
1.2. Строение радужной оболочки глаза 6
2. БИОМЕТРИЯ 10
2.1. Основные понятия 10
2.2. Определение КЛД и КЛОД, положительная аутентификация 13
3. ОБРАБОТКА ИЗОБРАЖЕНИЙ 15
3.1. Линейное контрастирование 15
3.2. Преобразование с пороговой характеристикой 16
3.3. Алгоритм адаптивной бинаризации Брэдли-Рота 17
3.4. Медианная фильтрация 19
3.5. Детектор границ Канни 20
4. НЕЙРОННЫЕ СЕТИ 23
4.1. Специфика нейронных сетей 23
4.2. Модель нейрона 24
4.3. Типы функций активации 27
4.4. Архитектура сетей 29
4.4.1. Однослойные сети прямого распространения 29
4.4.2. Многослойные сети прямого распространения 30
4.5. Обучение с учителем 31
4.6. Алгоритм обучения 32
4.7. Свёрточная нейронная сеть 34
4.7.1. Архитектура свёрточной сети 34
4.7.2. Слой ReLU 37
4.7.3. Переобучение и слой dropout 38
4.7.4. Слой softmax 39
5. ВЫДЕЛЕНИЕ РИСУНКА РАДУЖНОЙ ОБОЛОЧКИ 40
5.1. Нахождение границ зрачка 40
5.2. Нахождение внешней границы радужной оболочки 45
5.3. Выделение рисунка радужной оболочки 49
6. ИНТЕРФЕЙС ПРИЛОЖЕНИЯ 50
7. ИДЕНТИФИКАЦИЯ 55
7.1. Сбор видеоданных 55
7.2. Структура нейронной сети 55
7.3. Обучение нейронной сети 57
7.4. Результаты идентификации 57
ЗАКЛЮЧЕНИЕ 60
СПИСОК ЛИТЕРАТУРЫ 61
ПРИЛОЖЕНИЕ 65
1. ФИЗИОЛОГИЯ 6
1.1. Строение глаза 6
1.2. Строение радужной оболочки глаза 6
2. БИОМЕТРИЯ 10
2.1. Основные понятия 10
2.2. Определение КЛД и КЛОД, положительная аутентификация 13
3. ОБРАБОТКА ИЗОБРАЖЕНИЙ 15
3.1. Линейное контрастирование 15
3.2. Преобразование с пороговой характеристикой 16
3.3. Алгоритм адаптивной бинаризации Брэдли-Рота 17
3.4. Медианная фильтрация 19
3.5. Детектор границ Канни 20
4. НЕЙРОННЫЕ СЕТИ 23
4.1. Специфика нейронных сетей 23
4.2. Модель нейрона 24
4.3. Типы функций активации 27
4.4. Архитектура сетей 29
4.4.1. Однослойные сети прямого распространения 29
4.4.2. Многослойные сети прямого распространения 30
4.5. Обучение с учителем 31
4.6. Алгоритм обучения 32
4.7. Свёрточная нейронная сеть 34
4.7.1. Архитектура свёрточной сети 34
4.7.2. Слой ReLU 37
4.7.3. Переобучение и слой dropout 38
4.7.4. Слой softmax 39
5. ВЫДЕЛЕНИЕ РИСУНКА РАДУЖНОЙ ОБОЛОЧКИ 40
5.1. Нахождение границ зрачка 40
5.2. Нахождение внешней границы радужной оболочки 45
5.3. Выделение рисунка радужной оболочки 49
6. ИНТЕРФЕЙС ПРИЛОЖЕНИЯ 50
7. ИДЕНТИФИКАЦИЯ 55
7.1. Сбор видеоданных 55
7.2. Структура нейронной сети 55
7.3. Обучение нейронной сети 57
7.4. Результаты идентификации 57
ЗАКЛЮЧЕНИЕ 60
СПИСОК ЛИТЕРАТУРЫ 61
ПРИЛОЖЕНИЕ 65
📖 Введение
Использование биометрических параметров для идентификации человека с каждым годом становится всё популярнее. Оно находит своё применение в различных современных системах обеспечения безопасности и контроля доступа и, более того, плотно вошло в повседневную жизнь. Общество уже в полной мере оценило все блага, предоставляемые технологиями, использующими биометрические данные: люди используют их помногу раз на дню для разблокировки смартфона, а также при проведении финансовых операций .
Биометрия как дисциплина на сегодня уже достаточна зрелая, её методы постоянно совершенствуются, а сфера применения расширяется. Биометрические технологии не просто заменяют пароли, а являются полноценной компонентой систем безопасности, интеграция которой требует продуманного подхода. При внедрении биометрических технологий необходимо учитывать многие параметры, такие как точность и быстрота распознавания, время получения образцов, общая стоимость, внутренняя и системная безопасность, конфиденциальность информации, удобство интерфейса и одобрение пользователей.
В данной работе исследуется применение искусственных нейронных сетей для задач биометрической идентификации. Одним из главных преимуществ нейронных сетей является то, что их можно обучать. Обучаясь, нейросеть, помимо выделения сложных зависимостей между данными на входе и выходе, может проводить обобщение. То есть успешно обученная сеть сможет выдать верный ответ на основании данных, которых не было в обучающей выборке. Для нейронных сетей не нужно писать сложные алгоритмы оценки - нужен только набор данных. Обученная сеть способна проводить быстрый и точный анализ данных. Благодаря названным преимуществам можно утверждать, что тема является актуальной.
Использование свёрточных нейронных сетей для задач классификации изображений привлекло всеобщее внимание в 2012 году, когда Алекс Крижевски с помощью них победил в конкурсе ImageNet, сумев уменьшить максимальное значение ошибки классификации с 26% до 15%. Такой результат был прорывным в то время [1]. Технологии глубокого обучения используются многими компаниями для совершенно различных целей: поиск фотографий, проставление тегов, создание рекомендаций, однако основным применением нейронных сетей является эффективная работа с изображениями.
Радужная оболочка благодаря своему расположению является хорошо защищённой от внешнего воздействия. Ношение контактных линз, в том числе и цветных, не является препятствием для идентификации, поскольку значимым является только её рисунок. Так же несомненным плюсом является то, что идентификация не требует непосредственного контакта. Всё это, а также высокая уникальность делает радужную оболочку отлично подходящим биометрическим параметром.
Целью работы является реализация нейросетевого алгоритма идентификации пользователя по радужной оболочке глаза. Для реализации цели нужно решить ряд задач:
1. Собрать базу видеофайлов с радужными оболочками глаза;
2. Разработать и реализовать алгоритм нахождения границ радужной оболочки на изображении и выделения её рисунка;
3. Выбрать наилучшую структуру нейронной сети для данной задачи;
4. Разработать и реализовать алгоритмы для работы с нейронной
сетью: обучение, сохранение и считывание параметров,
идентификация с использованием нейронной сети;
5. Реализовать интерфейс приложения;
6. Оценить эффективность идентификации с использованием
нейронной сети.
Биометрия как дисциплина на сегодня уже достаточна зрелая, её методы постоянно совершенствуются, а сфера применения расширяется. Биометрические технологии не просто заменяют пароли, а являются полноценной компонентой систем безопасности, интеграция которой требует продуманного подхода. При внедрении биометрических технологий необходимо учитывать многие параметры, такие как точность и быстрота распознавания, время получения образцов, общая стоимость, внутренняя и системная безопасность, конфиденциальность информации, удобство интерфейса и одобрение пользователей.
В данной работе исследуется применение искусственных нейронных сетей для задач биометрической идентификации. Одним из главных преимуществ нейронных сетей является то, что их можно обучать. Обучаясь, нейросеть, помимо выделения сложных зависимостей между данными на входе и выходе, может проводить обобщение. То есть успешно обученная сеть сможет выдать верный ответ на основании данных, которых не было в обучающей выборке. Для нейронных сетей не нужно писать сложные алгоритмы оценки - нужен только набор данных. Обученная сеть способна проводить быстрый и точный анализ данных. Благодаря названным преимуществам можно утверждать, что тема является актуальной.
Использование свёрточных нейронных сетей для задач классификации изображений привлекло всеобщее внимание в 2012 году, когда Алекс Крижевски с помощью них победил в конкурсе ImageNet, сумев уменьшить максимальное значение ошибки классификации с 26% до 15%. Такой результат был прорывным в то время [1]. Технологии глубокого обучения используются многими компаниями для совершенно различных целей: поиск фотографий, проставление тегов, создание рекомендаций, однако основным применением нейронных сетей является эффективная работа с изображениями.
Радужная оболочка благодаря своему расположению является хорошо защищённой от внешнего воздействия. Ношение контактных линз, в том числе и цветных, не является препятствием для идентификации, поскольку значимым является только её рисунок. Так же несомненным плюсом является то, что идентификация не требует непосредственного контакта. Всё это, а также высокая уникальность делает радужную оболочку отлично подходящим биометрическим параметром.
Целью работы является реализация нейросетевого алгоритма идентификации пользователя по радужной оболочке глаза. Для реализации цели нужно решить ряд задач:
1. Собрать базу видеофайлов с радужными оболочками глаза;
2. Разработать и реализовать алгоритм нахождения границ радужной оболочки на изображении и выделения её рисунка;
3. Выбрать наилучшую структуру нейронной сети для данной задачи;
4. Разработать и реализовать алгоритмы для работы с нейронной
сетью: обучение, сохранение и считывание параметров,
идентификация с использованием нейронной сети;
5. Реализовать интерфейс приложения;
6. Оценить эффективность идентификации с использованием
нейронной сети.
✅ Заключение
1. Собрана база видеофайлов с радужными оболочками глаза, включающая в себя 29 видеозаписей длительностью от 15 до 95 секунд;
2. Разработаны и реализованы алгоритм нахождения границ радужной оболочки на изображении, показавший высокую степень точности, и алгоритм выделения рисунка радужной оболочки;
3. Для реализации алгоритма идентификации была выбрана свёрточная нейронная сеть, позволяющая напрямую работать с изображениями. Также была подобрана оптимальная её структура;
4. Разработаны и реализованы алгоритмы для работы с нейронной сетью: обучение, сохранение и считывание параметров, идентификация с использованием обученной сети;
5. Реализован графический интерфейс для работы с приложением;
6. Проведена оценка эффективности идентификации с использованием свёрточной нейронной сети: для порога 0.99 значение FAR составило 0.0867%, значение FRR - 0.9524%.
2. Разработаны и реализованы алгоритм нахождения границ радужной оболочки на изображении, показавший высокую степень точности, и алгоритм выделения рисунка радужной оболочки;
3. Для реализации алгоритма идентификации была выбрана свёрточная нейронная сеть, позволяющая напрямую работать с изображениями. Также была подобрана оптимальная её структура;
4. Разработаны и реализованы алгоритмы для работы с нейронной сетью: обучение, сохранение и считывание параметров, идентификация с использованием обученной сети;
5. Реализован графический интерфейс для работы с приложением;
6. Проведена оценка эффективности идентификации с использованием свёрточной нейронной сети: для порога 0.99 значение FAR составило 0.0867%, значение FRR - 0.9524%.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.