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.
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%.
