Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов
Описаны перспективные методы распознавания папилярных изображений человека в системах защиты особо важных объектов. Рассмотрены метод определения периода отпечатка папилярных линий на изображении с помощью функционалов математического ожидания по случайной реализации, а также методы распознавания на...
Saved in:
| Published in: | Системні дослідження та інформаційні технології |
|---|---|
| Date: | 2004 |
| Main Authors: | , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
2004
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/50330 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов / Л. Пюшки, И.М. Васюхина, М.И. Васюхин // Систем. дослідж. та інформ. технології. — 2004. — № 1. — С. 70-81. — Бібліогр.: 17 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859910838412902400 |
|---|---|
| author | Пюшки, Л. Васюхина, И.М. Васюхин, М.И. |
| author_facet | Пюшки, Л. Васюхина, И.М. Васюхин, М.И. |
| citation_txt | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов / Л. Пюшки, И.М. Васюхина, М.И. Васюхин // Систем. дослідж. та інформ. технології. — 2004. — № 1. — С. 70-81. — Бібліогр.: 17 назв. — рос. |
| collection | DSpace DC |
| container_title | Системні дослідження та інформаційні технології |
| description | Описаны перспективные методы распознавания папилярных изображений человека в системах защиты особо важных объектов. Рассмотрены метод определения периода отпечатка папилярных линий на изображении с помощью функционалов математического ожидания по случайной реализации, а также методы распознавания на основе генетических алгоритмов.
Описано перспективні методи розпізнавання папілярних зображень людини в системах захисту особливо важливих об’єктів. Розглянуто метод визначення періоду відбитка папілярних ліній на зображенні із допомогою математичного сподівання за випадковою реалізацією, а також методи розпізнавання на основі генетичних алгоритмів.
The perspective methods of identification of the man papillary maps in protective systems of the relevant objects are reviewed. A method for definition of an impress of papillary lines on the map with the help of functionals of expectation on random implementation and also methods of identification on the basis of genetic algorithms.
|
| first_indexed | 2025-12-07T16:02:18Z |
| format | Article |
| fulltext |
© Л. Пюшки, И.М. Васюхина, М.И. Васюхин, 2004
70 ISSN 1681–6048 System Research & Information Technologies, 2004, № 1
TIДC
ТЕОРЕТИЧНІ ТА ПРИКЛАДНІ ПРОБЛЕМИ
ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ
ПРИЙНЯТТЯ РІШЕНЬ
УДК 004.932.75:519.76
ПЕРСПЕКТИВНЫЕ МЕТОДЫ РАСПОЗНАВАНИЯ
ПАПИЛЯРНЫХ ИЗОБРАЖЕНИЙ В
АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ ЗАЩИТЫ ОСОБО
ВАЖНЫХ ОБЪЕКТОВ
Л. ПЮШКИ, И.М. ВАСЮХИНА, М.И. ВАСЮХИН
Описаны перспективные методы распознавания папилярных изображений че-
ловека в системах защиты особо важных объектов. Рассмотрены метод опре-
деления периода отпечатка папилярных линий на изображении с помощью
функционалов математического ожидания по случайной реализации, а также
методы распознавания на основе генетических алгоритмов.
Папилярные отпечатки (ПО) занимают первое место среди биометрических
характеристик человека: лицо, голос, подпись и т.д., так как они не изменя-
ются в течение всей жизни. Считается, что вероятность совпадения отпечат-
ков пальцев рук одного человека с другим составляет 1 к 64 млрд [1, 2]. Это
означает, что такое совпадение отпечатков на всем Земном шаре просто не-
возможно. Поэтому ПО могут стать основой для разработки биометриче-
ских систем охраны особо важных объектов.
Здесь нельзя не отметить результаты исследований Физико-
механического ин-та им. Г.В. Карпенко НАН Украины и Ин-та кибер-
нетики им. В.М. Глушкова НАН Украины, которые не только значительно
упрощают создание автоматических и автоматизированных систем иден-
тификации личности, но и существенно увеличивают их надежность
[2, 3, 6, 11].
Существует два способа сканирования изображений: непосредственно
и с дактилоскопических отпечатков [4]. В системах охраны, по нашему мне-
нию, могут использоваться оба эти способа. Они предусматривают соответ-
ствующие методы и средства. Анализ литературных источников показал,
что для сканирования необходимы методы и средства обработки изображе-
ний ПО, посредством которых можно достичь разрешения 512512× и 256
градаций серого.
При обработке этих изображений большое значение имеет величина
так называемого периода ПО, равного сумме величин папилярных линий
(ПЛ) и межпапилярного промежутка (МП), в единицах измерения изобра-
жения.
Перспективные методы распознавания папилярных изображений …
Системні дослідження та інформаційні технології, 2004, № 1 71
Сначала улучшают качество изображения, напрямую зависящее от кон-
траста между ПЛ и МП, а также ликвидируют шумы, что достигается с по-
мощью соответствующего фильтра [5] с заданными параметрами. При этом
надо учитывать: толщина ПЛ — величина постоянная, но при получении
ПО она изменяется, так как поверхность пальца выпуклая и при переносе
изображения на плоскость появляются искажения. Искажения также вносят-
ся при оцифровке изображения отпечатка квантованием, и они не являются
одинаковыми для различных участков ПО.
Поскольку параметры фильтра подбираются так, чтобы усилить ПЛ и
ослабить МП, то для построения фильтра необходимо знать диапазоны из-
менения величины ПЛ и МП. Для решения этой задачи Р.Я. Косаревич [2]
предложил метод оценки периода ПО на основе профилей строк и столбцов
изображения. Недосток этого метода — приблизительная оценка длины пе-
риода ПО. Поэтому авторы работы [2] предложили более точный метод
оценки, который кратко можно описать следующим образом.
Сначала находится центр отпечатка. Принимается D — поле направ-
лений полутонового изображения G размером ( gg× ), направление в каж-
дой его точке — локальная ориентация ПЛ в этой точке. Направление
),( jiD в точке ),( ji изображения — это направление d , для которого dS
(сумма разностей значений яркости на изображении вдоль направления d )
является минимальной.
∑
−
=
−=
1
0
),(),(
M
m
mmd jiGjiGS , для Nd ,...,1= ,
где ),( jiD и ),( mm jiD — значения яркости соответственно в точках ),( ji и
),( mm ji , причем ),( mm ji — точка конца вектора направления d от ),( ji ;
M — количество точек, выбранных для вычислений; N — количество на-
правлений.
На основе данных поля направлений D с помощью определения
доминирующего направления в блоке из точек размером ss bb × находится
поле направлений блоков B (риc. 1), что уменьшает размерность с )( gg×
до )//( ss bgbg × .
Далее обрабатываются гистограммы направлений блоков B. Под гисто-
граммой направлений H понимается последовательность )}1(,...),0({ −NHH ,
где )( jH — частота направления j в некоторой окрестности. В работе [2]
для примера взято 16,8,512 === sbNg , где N — количество направле-
ний; M — количество точек, необходимых для вычисления направлений;
sb — величина блоков (выбрана из предположения, что один такой блок
содержит хотя бы одну ПЛ и МП).
Проведенные эксперименты [2], а также данные [7, 8] подтверждают
оптимальный выбор значения 8=N , так как при его увеличении достигает-
ся более точное представление направлений ПЛ, но при этом резко увеличи-
вается объем вычислений для каждой точки изображения.
Полученные результаты эксперимента показали следующее.
Л. Пюшки, И.М. Васюхина, М.И. Васюхин
ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 72
1. Пик гистограммы слева означает, что сумма частот направлений,
меньших 900, превышает сумму частот направлений, больших 900.
2. Если пик гистограммы расположен справа и исследуемые направле-
ния больше или равны 900, то они являются доминирующими.
3. Если пики гистограммы на краях, тогда доминирующими являются
направления, не принадлежащие диапазону 450 – 1350.
Особые точки изображения ПО — точки центров 1 и точки дельт 2,
(рис. 2).
Нахождение особых точек ПО начинают, предварительно обозначив
числами определенные направления, например, 00, 1800 → 1, 22030′ → 8,
450 → 7, 67030′ → 6, 900 → 5, 112030′ → 4, 1350 → 3, 157030′ → 2. Необходи-
мые условия отнесения точки к разряду особо важных:
[ ] [ ] { },4,31,5, ∈+∧= ijBijB
[ ] [ ] { },5,4,3,21,6, ∈+∧= ijBijB
[ ] [ ] { },5,4,31,7, ∈+∧= ijBijB
[ ] [ ] .21,8, =+∧= ijBijB
Рис. 1. Поле направлений блоков В
Перспективные методы распознавания папилярных изображений …
Системні дослідження та інформаційні технології, 2004, № 1 73
Если выполняется хотя бы одно из перечисленных выше условий, то
],[ ijB относят к особым точкам ПО.
Кластеризация и выделение центра. Кластеризация проводится на
основе простых эвристических процедур [9], требующих относительно не-
больших вычислений. Для нахождения единого центра, соответствующего
особой точке ПО, предлагается следующая процедура.
Сначала рассматривается окрестность размером 55× около каждой
особой точки. Эта окрестность, в свою очередь, разбивается на четыре час-
ти: 4321 ,,, RRRR (рис. 3).
Далее для каждой из частей 4321 ,,, RRRR формируются гистограммы
направлений 4321 ,,, HHHH и в каждой гистограмме выбирается одно из
направлений 4321 ,,, hhhh , имеющее максимальную частоту. Если для осо-
бой точки ПО величин 4321 ,,, hhhh выполняется хотя бы одно из следую-
щих условий
( ) { }( ) { }( ) { }( ),7,6,5,4,38,7,2,16,54 4321 ∈∧∈∧∈∧= hhhh
( ) { }( ) { }( ) { }( ),7,6,5,4,38,7,2,16,5,45 4321 ∈∧∈∧∈∧= hhhh
( ) { }( ) { }( ) { }( ),7,6,5,4,38,7,2,15,4,36 4321 ∈∧∈∧∈∧= hhhh
( ) { }( ) { }( ) { }( ),7,6,5,4,38,7,2,16,5,47 4321 ∈∧∈∧∈∧= hhhh
( ) { }( ) { }( ) { }( ),7,6,5,4,38,7,2,16,5,4,38 4321 ∈∧∈∧∈∧= hhhh
то считается, что эта особая точка — искомый центр отпечатка.
Нахождение периода папилярного отпечатка. После определения
центра ПО формируются данные для вычисления периода. С этой целью с
1
2
Рис. 2. Папилярный отпечаток и секторы считывания участков изображения
Л. Пюшки, И.М. Васюхина, М.И. Васюхин
ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 74
точки центра ПО вдоль восьми линий (см. рис. 2) до пересечения с граница-
ми изображения G считываются значения элементов этого изображения.
Авторы работы [2] утверждают: при правильной ориентации ПО проведен-
ные линии в большинстве случаев образуют углы, близкие к 900 с ПЛ, что
дает возможность более точно оценить период ПО.
Исследования показали, что это
положение подтверждается не всегда.
Ось пальца при производстве отпечатка
может располагаться весьма произволь-
но и привести к достаточно сильным
искажениям а, следовательно, и к сни-
жению достоверности идентификации.
Поэтому предлагается перед идентифи-
кацией осуществлять нормализацию
изображения ПО с помощью учета на-
правления линии, соединяющей най-
денный центр с другой особой точ-
кой — дельтой. По нашему мнению,
такую поправку удобно вносить не в
градусах, а в соотношении отрезков
стороны треугольника, которую пересе-
кает линия, соединяющая центр с де-
льтой, на рис. 2 — это треугольник, представляющий нижнюю часть ниж-
него правого квадранта ПО.
Далее находится модель периода ПО, представляющая собой периоди-
чески коррелированные случайные процессы (ПКСП). Эта модель является
комбинацией детерминистского и стационарного подходов к обработке сиг-
налов, а главным ее преимуществом то, что ПКСП определяется как перио-
дические нестационарные случайные процессы с инвариантными относи-
тельно периода корреляции математическим ожиданием и корреляционной
функцией
,)()()(
),,()()(),(
),()()(
tmtt
uTtbuttEutb
TtmtEtm
−=
+=+=
+==
ξξ
ξξ
ξ
где T — период корреляции процесса [10].
Предлагаемый подход определения особых точек ПО позволяет доста-
точно эффективно находить центр отпечатка.
Еще одним эффективным методом, необходимым, по нашему мнению,
для реализации системы обработки ПО, является метод сжатия таких отпе-
чатков [11], построенный на теории всплесков [12–14], предусматривающий
реализацию сжатия с потерями и без потерь. Алгоритмы сжатия текстовой
информации предусматривают, как правило, преобразования без потерь. Что
касается графических полутоновых изображений, к которым относятся ПО,
то часто определенные потери при их сжатии можно считать допустимыми.
В этом случае восстановленное изображение ПО не будет точной копией
1R 2R
3R
4R
Рис. 3. Части, составляющие окрест-
ность особой точки папилярного от-
печатка
Перспективные методы распознавания папилярных изображений …
Системні дослідження та інформаційні технології, 2004, № 1 75
оригинала, что не является обязательным, так как человеческий глаз не об-
наруживает незначительные изменения отдельных пикселей.
Достоинством рассматриваемого метода является применение алгорит-
мов сжатия с потерями, что позволяет существенно повысить коэффициент
сжатия в сравнении с алгоритмами без потерь.
В настоящее время широко применяется алгоритм сжатия изображений
с потерями — JPEG [15], основанный на косинусоидальном преобразовании
Фурье (КПФ). С помощью этого алгоритма можно сжимать изображения в
25–30 раз без существенного снижения качества. Но если смена интенсив-
ности пикселей изображения не плавная (как, например, у отпечатков паль-
цев), то коэффициент сжатия резко падает. Отмеченный алгоритм имеет
структуру, подобную алгоритму JPEG, но использует вместо КПФ преобра-
зование всплесков.
Далее будем считать, что изображение является двухмерной функцией,
]255,0[),( ∈yxf , значениями которой являются 256 оттенков серого (0 —
черный, 255 — белый).
Процесс сжатия складывается из таких трех шагов: преобразование
всплесков, квантование, кодирование (рис. 4). Входное изображение разби-
вается на блоки 88× пикселей. Описанные операции применяются отдельно
к каждому блоку.
На первом шаге выполняется преобразование всплесков. Выше было
рассмотрено одномерное преобразование всплесков для векторов. В двух-
мерном случае для преобразования матрицы данных применяется одномер-
ное преобразование для каждой строки и для полученной в результате мат-
рицы опять применяется одномерное преобразование для каждого столбца.
Поскольку коэффициенты преобразования по-разному влияют на вос-
становление выходного изображения, то для повышения уровня сжатия по-
лученные коэффициенты iw квантуются, т.е. делятся на коэффициенты
квантования iiii kwrk /= . Далее, округленные до ближайшего целого, они
поступают на вход энтропического кодера.
При выборе правильной таблицы квантования )( ijkQ = необходимо
учитывать влияние каждого коэффициента на процесс восстановления изо-
бражения. Предлагается алгоритм нахождения матрицы квантования.
Пусть E — некоторый уровень ошибки, т. е. ),(~),( yxfyxfE −= , где
),(~ yxf — восстановленное изображение. Для каждого коэффициента пре-
Преобразование
всплесков
Квантование Кодер
Входные
данные
Сжатые
данные
Рис. 4. Структура процесса сжатия
Л. Пюшки, И.М. Васюхина, М.И. Васюхин
ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 76
образования необходимо такое максимальное значение ik , для которого
Eyxfyxf ≤− ),(~),( .
Пусть jkk minmin = и
mink
k
q j
j = . Тогда искомая матрица имеет вид
jj kqQ )( min= .
При помощи коэффициента mink мы можем регулировать коэффициент
сжатия — при большем mink сжатие будет большим. Так как невыгодно на-
ходить матрицу квантования для каждого изображения отдельно в связи со
значительными затратами времени работы алгоритма, то достаточно по-
строить одну матрицу для некоторого класса изображений. Такими класса-
ми могут быть, например, отпечатки пальцев, фотографии лица человека.
На заключительном этапе алгоритма сжатия квантованные коэффици-
енты кодируются при помощи одного из алгоритмов энтропийного кодиро-
вания. Здесь используется алгоритм кодирования Хаффмана [15, 16].
Разработанная программа позволяет сжимать изображения с учетом
градаций серого. В качестве базиса всплесков используется система функ-
ций Добеши [13].
Таблица квантования, построенная для класса изображений отпечатков
пальцев, имеет такой вид:
kkkkkkkk
kkkkkkkk
kkkkkkkk
kkkkkkkk
kkkkkkkk
kkkkkkkk
kkkkkkkk
kkkkkkkk
kkkkkkkk
101010109988
11111111101099
101111111010109
10111111101098
101010107877
101011117877
101011117877
91010107776
8101087765
Результаты работы программы рассмотрим на примере фотографии от-
печатка пальца. В таблице приведены некоторые значения «расстояния»
между оригинальным изображением и изображением, восстановленным по-
сле сжатия. Расстояние рассчитывается по формуле среднеквадратичного
значения разницы между интенсивностями соответствующих пикселей двух
изображений.
( )
heightwidth
jifjif
D
width
i
height
j
*
),(~),(
1
0
1
0
2∑ ∑
−
=
−
=
−
= ,
где ),( jif и ),(~ jif — функции интенсивности пикселей соответственно
оригинального и восстановленного изображений, heightwidth× — размеры
изображения.
Перспективные методы распознавания папилярных изображений …
Системні дослідження та інформаційні технології, 2004, № 1 77
В настоящее время для распознавания
папилярных изображений стали широко
применяться ГА — генетические алгоритмы
[17]. Идея этих алгоритмов базируется на
принципах естественной эволюции вычисле-
ний (естественный отбор, изменчивость ви-
дов, наследственность). Традиционно ГА
моделируют генетические процессы, проис-
ходящие в биологических сообществах.
Предметная область ГА может содержать
разделы комбинаторики, биоинформатики,
теории игр и т.д. В последнее время ГА были
успешно применены для обработки и распо-
знавания изображений.
Поиск решения проблемы распознава-
ния осуществляется в следующем порядке.
Сначала создается множество потенциальных решений, формирующих
популяцию, которая совершенствуется с помощью генетических алго-
ритмов, отвечающих за изменчивость, и фитнес (целевые)-функции, моде-
лирующие естественный отбор. Наследственность обеспечивается тем, что
новые хромосомы формируются из хромосом предыдущего поколения,
имеющих с ними общие гены. Корректным ГА считается тогда, когда с каж-
дым новым пополнением среднее значение фитнес-функции популяции и
лучшее значение фитнес-функции увеличиваются при движении в сторону
глобального оптимума.
При этом необходимо выбрать способ кодирования данных и значение
фитнес-функции. Здесь кодирование данных подразумевает способ пред-
ставления потенциального решения, которое получается в виде параметров
(генов), которые объединяются в простые структуры данных — хромосомы.
Гены кодируются двоичными числами, а хромосомы — бинарными строка-
ми. Кроме того, гены могут быть представлены с помощью алфавита боль-
шой размерности или числами с плавающей точкой, а хромосомы — напри-
мер, как деревья или матрицы.
Фитнес-функция используется для оценки пригодности, приспособлен-
ности хромосомы. Для каждой проблемы целевая функция подбирается ин-
дивидуально. Для конкретного круга задач обычно известно, что должна
оценивать фитнес-функция. В частности, при решении проблем оптимиза-
ции функций она должна оценивать величину значения самой функции. Од-
нако определение фитнес-функции не так очевидно, например, для проблем
комбинаторной оптимизации.
Работу простого генетического алгоритма можно представить следую-
щим образом.
1. Создается начальная популяция (набор хромосом). Обычно — слу-
чайным образом. Вычисляется фитнес-функция каждой хромосомы попу-
ляции и средняя приспособленность популяции. Устанавливается счетчик
эпох.
Зависимость «расстояния»
от коэффициента сжатия
Коэффициент
сжатия Расстояние
3
5
10
15
20
25
30
35
40
45
2,93
4,15
6,84
8,10
9,51
11,53
12,59
13,52
14,19
15,15
Л. Пюшки, И.М. Васюхина, М.И. Васюхин
ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 78
2. Наращивается счетчик эпох. С помощью оператора репродукции
формируется промежуточная популяция — популяция родителей с учетом
их приспособленности.
3. Формируется следующее поколение. Случайным образом из проме-
жуточной популяции выбирается пара родителей. С заданной вероятностью
производится над генотипами выбранных хромосом кроссинговер. Выбира-
ется один из потомков. К нему последовательно применяется оператор ин-
версии, а затем мутации с заданными вероятностями. Полученный генотип
потомка сохраняется в новой популяции.
4. Если в промежуточном поколении еще есть родители, то возврат на
п. 3, иначе — п. 5.
5. Если счетчик поколений достиг заданного значения, то переход к п.
6, а если нет, то переход к п. 2.
6. Выбор лучших решений.
7. Конец работы.
Основные генетические операторы, которые использует простой ГА,
состоят из репродукции, кроссинговера, мутации и инверсии. Репродук-
ция — это процесс формирования промежуточного поколения.
В каноническом ГА вероятность хромосомы попасть в промежуточное
поколение пропорциональна значению для нее фитнес-функции.
Биологический смысл кроссинговера — передача признаков родителей
потомкам. Простой оператор кроссинговера выполняется следующим обра-
зом.
Выбираются две хромосомы ( LaaaaA ,...,,, 321= ; LaaaaB ′′′′= ,...,,, 321 ,
где L — длина хромосомы) и точка кроссинговера ( k ). Две новые хромо-
сомы формируются из A и B : часть хромосомы A до точки кроссинговера
соединяется с частью хромосомы B после нее, формирует первую хромо-
сому-потомок, и аналогично часть хромосомы B до точки кроссинговера
соединяется с частью хромосомы A после нее и формирует вторую хромо-
сому-потомок.
Lkkkk aaaaaaaaA ′′′′=′ +++ ,...,,,,,...,,, 321321 ,
Lkkkk aaaaaaaaB ...,,,,,...,,, 321321 +++′′′′=′ .
Оператор мутации предназначен для того, чтобы поддерживать разно-
образие особей в популяции. Он реализуется следующим образом: в каждой
строке, подвергающейся мутации, произвольный бит с вероятностью mP
изменяется на противоположный.
При выполнении оператора инверсии хромосома разбивается на две
части, которые потом меняются местами. Вероятность применения операто-
ров мутации и инверсии обычно очень мала (порядка 001,0 ). Существует
множество вариаций как самих ГА, так и применяемых генетических опера-
торов. В рамках решения данной проблемы ГА может быть использован как
при подготовке изображения к распознаванию, в частности при фильтрации,
сегментации, разметке сцены, так и непосредственно для его распознавания.
Перспективные методы распознавания папилярных изображений …
Системні дослідження та інформаційні технології, 2004, № 1 79
Комбинация использования семантических сетей для представления
ограничений области и нечеткой логики для достижения соответствия меток
этим ограничениям породили новую стратегию вычисления фитнес-
функции для работы ГА. Показана возможность применения данного под-
хода для идентификации снимков облаков на мультиспектральных спутни-
ковых снимках.
Рассмотрим возможность применения адаптивного ГА для решения
проблемы сегментации цветного изображения, усложненной необходимо-
стью принятия решения об оптимальном количестве сегментов и точного
определения текстурных областей. Так как во многих случаях при сегмента-
ции топологическим областям соответствуют области признаков, данную
проблему можно сформулировать как оптимизационную и применить ГА
для кластеризации небольших областей пространства признаков.
Для квантования изображения применяется комбинированный генети-
ческий алгоритм, объединяющий традиционный генетический алгоритм и
метод оптимального квантования изображения. Построенный таким образом
генетический алгоритм практически нечувствителен к начальным условиям
и работает лучше, чем известные ранее алгоритмы.
Текстурный фильтр, работающий с использованием ГА, способен на-
страиваться на определение различных классов текстуры и их корреляцию
со спектром Фурье, полученным по шаблонам. Цель настройки — проекти-
рование маски фильтра, которая при корреляции со спектром Фурье каждо-
го шаблона инициирует такой отклик, что межклассовые отличия максими-
зируются, а внутриклассовые — минимизируются. Здесь ГА используется
для выбора оптимальной маски из множества возможных. Предложенный
подход работает лучше традиционных методов и имеет преимущество: нет
необходимости в выборе меры текстуры для описания специфической
структуры изображения. Этот метод достаточно успешно применяется для
сегментации магнитно-резонансных изображений мозга.
К преимуществам ГА следует отнести то, что они позволяют объеди-
нить этап сегментации и этап распознавания изображения. Поиск ведется на
пространстве возможных вариантов сегментов изображения, которые срав-
ниваются с шаблонными сегментами. Эксперименты, проводившиеся с изо-
бражением, содержащим сложную сцену, показали удовлетворительные ре-
зультаты. Процесс распознавания изображения во многом зависит от набора
признаков, взятых из используемого или разрабатываемого классификатора.
Существует метод оптимального выделения набора признаков для класси-
фикации, который содержит ГА и дерево системной индукции — system
induction tree — ДСИ. Этот подход одновременно минимизирует число при-
знаков, использующихся для работы классификатора, и добивается улучше-
ния его работы. ГА используется для поиска в пространстве возможных
подмножеств большого множества признаков-кандидатов. Для полученного
подмножества признаков ДСИ создает дерево решений. Значением фитнес-
функции для данного подмножества признаков служит качество работы де-
рева решений, которое не снижается при поступлении новых данных. Эта
особенность затем используется ГА для построения лучшего множества
признаков. Процесс взаимодействия ГА и ДСИ повторяется до тех пор, пока
не будет найдено оптимальное множество признаков, с которым бы класси-
фикатор мог работать удовлетворительно.
Л. Пюшки, И.М. Васюхина, М.И. Васюхин
ISSN 1681–6048 System Research & Information Technologies, 2004, № 1 80
Результаты экспериментов показали, что данный подход осуществим
при решении сложных задач распознавания, например, черт лица и папи-
лярных изображений. При этом наблюдаются уменьшение описательной
сложности и улучшение качества распознавания по сравнению со стандарт-
ными методами выделения признаков для классификатора.
В определении набора признаков для классификации используется сле-
дующий подход. Ведется поиск наименьшего по размерности (или по стои-
мости) множества признаков, уровень распознавания по которым не ниже
заданного. Проблема поиска оптимального множества признаков определе-
на как проблема оптимизации с ограничениями. В соответствии с этим
штрафная функция встраивается в фитнес-функцию. Эксперименты под-
твердили, что такой метод работает лучше других.
Исследования показали, что для бесконечно большого количества то-
чек в n -мерном пространстве поиска при достаточно большом количестве
итераций классификатор образов, основанный на ГА, имеет сходство с клас-
сификатором Байеса.
Очевидно, что применение генетических алгоритмов вплотную при-
близилось к законам распознавания, имеющим место в воспроизводстве
высшего творения природы — человека. ГА может быть использован при
фильтрации, сегментации, разметке сцены и непосредственно при распозна-
вании. Результаты применения ГА обычно не хуже, а зачастую значительно
лучше, известных методов.
ВЫВОДЫ
1. Папилярные отпечатки занимают первое место среди биометриче-
ских характеристик человека. Они принадлежат только ему и не изменяются
в течение всей его жизни.
2. В системах охраны особо важных объектов возможно применение
двух способов сканирования папилярных изображений: непосредственно и с
дактилоскопических отпечатков.
3. Достаточно перспективной является модель описания ПО, преду-
сматривающая нормализацию изображения, основанную на учете направле-
ния линии, соединяющей найденный центр дактилоскопического отпечатка
с другой особой точкой — дельтой. При этом поправку необходимо вносить
не в градусах, а в соотношении отрезков стороны треугольника, которую
пересекает линия, соединяющая центр отпечатка с дельтой.
4. Применение генетического алгоритма сжатия с потерями, основан-
ного на косинусоидальном преобразовании Фурье, позволяет осуществлять
сжатие данных об изображении в 25 – 30 раз без существенного снижения
качества.
ЛИТЕРАТУРА
1. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения
границ областей // Зарубежная радиоэлектроника. — 1987. — № 10. —
С. 25–47.
Перспективные методы распознавания папилярных изображений …
Системні дослідження та інформаційні технології, 2004, № 1 81
2. Косаревич Р., Ісаєв І., Русин Б. Визначення періоду папілярного відбитка на
зображенні на основі побудови функціоналів математичного сподівання //
UkrObraz, 2000. — C. 275–278.
3. Дубовий О.П., Лукашенко В.Я., Рибалко Я.В. Криміналістичне дослідження
слідів рук. Науково-практичний посібник / За ред. Я.Ю. Кондратьєва. —
Київ: Атіка, 2000. — 152 с.
4. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер.с англ. —
М.: Мир, 1992. — 240 с.
5. O’Gorman L., Nickerson J.V. An approach to fingerprint filter design // Pattern rec-
ognition. — 1989. — 22, № 1. — P. 29–38.
6. Косаревич Р.Я. Метод визначення діапазону зміни періоду папілярного
відбитка // Матеріали ХV відкритої наук.-техн. конф. молодих науковців і
спеціалістів ФМІ ім. Г.В. Карпенка НАН України «КМН-2000». — Львів:
ФМІ ім. Г.В. Карпенка НАН України, 2000. — С. 110–111.
7. Srinivasan V.S., Murthy N.N. Detection of singular points in fingerprint images //
Pattern recognition. — 1992. — 25, № 2. — P. 139–153.
8. Karu K., Jain A.K. Fingerprint classification // Pattern recognition. — 1996. — 29,
№ 3. — P. 389–404.
9. Ту Дж., Гонсалес Р. Принципы распознавания образов / Пер. с англ. — М.:
Мир, 1978. — 411 с.
10. Драган Я.П., Рожков В.А. Яворский И.Н. Методы вероятностного анализа
ритмики океанологических процессов. — Л.: Гидрометеоиздат, 1989. —
319 с.
11. Лотоцький Р.В. Методи стискання даних за допомогою перетворення
сплесків // UkrObraz, 2000. — C. 63–66.
12. Mallat S. Multiresolution approximation and wavelets // Trans. AMS. — 1989. —
315. — P. 69–88.
13. Daubechies I. Ten lectures on wavelets // SIAM Philadelphia, 1992. — P. 377.
14. Новиков И.Я., Стечкин С.Б. Основы теории всплесков // Успехи мат.наук. —
1998.— 53, № 6(324). — С. 53–128.
15. Pennebaker W.B, Mitchel J.L. JPEG Still Image Data Compression Standart // Van
Nostrand Reinhold, 1993. — P. 656.
16. Bell T., Cleary J., Witten I. Text compression // Prentice Hall, 1990. — P. 337.
17. Сергеева О.П. Применение генетических алгоритмов для распознавания
изображений // Искусственный интеллект. — 2002. — № 4. — С. 516–520.
Поступила 2.04.2003
|
| id | nasplib_isofts_kiev_ua-123456789-50330 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1681–6048 |
| language | Russian |
| last_indexed | 2025-12-07T16:02:18Z |
| publishDate | 2004 |
| publisher | Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України |
| record_format | dspace |
| spelling | Пюшки, Л. Васюхина, И.М. Васюхин, М.И. 2013-10-10T20:14:16Z 2013-10-10T20:14:16Z 2004 Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов / Л. Пюшки, И.М. Васюхина, М.И. Васюхин // Систем. дослідж. та інформ. технології. — 2004. — № 1. — С. 70-81. — Бібліогр.: 17 назв. — рос. 1681–6048 https://nasplib.isofts.kiev.ua/handle/123456789/50330 004.932.75:519.76 Описаны перспективные методы распознавания папилярных изображений человека в системах защиты особо важных объектов. Рассмотрены метод определения периода отпечатка папилярных линий на изображении с помощью функционалов математического ожидания по случайной реализации, а также методы распознавания на основе генетических алгоритмов. Описано перспективні методи розпізнавання папілярних зображень людини в системах захисту особливо важливих об’єктів. Розглянуто метод визначення періоду відбитка папілярних ліній на зображенні із допомогою математичного сподівання за випадковою реалізацією, а також методи розпізнавання на основі генетичних алгоритмів. The perspective methods of identification of the man papillary maps in protective systems of the relevant objects are reviewed. A method for definition of an impress of papillary lines on the map with the help of functionals of expectation on random implementation and also methods of identification on the basis of genetic algorithms. ru Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України Системні дослідження та інформаційні технології Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов Перспективні методи розпізнавання папілярних зображень в автоматизованих системах захисту особливо важливих об’єктів Perspective methods of identification of the papillary maps in automated protective systems for relevant objects Article published earlier |
| spellingShingle | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов Пюшки, Л. Васюхина, И.М. Васюхин, М.И. Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень |
| title | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов |
| title_alt | Перспективні методи розпізнавання папілярних зображень в автоматизованих системах захисту особливо важливих об’єктів Perspective methods of identification of the papillary maps in automated protective systems for relevant objects |
| title_full | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов |
| title_fullStr | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов |
| title_full_unstemmed | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов |
| title_short | Перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов |
| title_sort | перспективные методы распознаванния папилярных изображений в автоматизированных системах защиты особо важных объектов |
| topic | Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень |
| topic_facet | Теоретичні та прикладні проблеми інтелектуальних систем підтримки прийняття рішень |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/50330 |
| work_keys_str_mv | AT pûškil perspektivnyemetodyraspoznavanniâpapilârnyhizobraženiivavtomatizirovannyhsistemahzaŝityosobovažnyhobʺektov AT vasûhinaim perspektivnyemetodyraspoznavanniâpapilârnyhizobraženiivavtomatizirovannyhsistemahzaŝityosobovažnyhobʺektov AT vasûhinmi perspektivnyemetodyraspoznavanniâpapilârnyhizobraženiivavtomatizirovannyhsistemahzaŝityosobovažnyhobʺektov AT pûškil perspektivnímetodirozpíznavannâpapílârnihzobraženʹvavtomatizovanihsistemahzahistuosoblivovažlivihobêktív AT vasûhinaim perspektivnímetodirozpíznavannâpapílârnihzobraženʹvavtomatizovanihsistemahzahistuosoblivovažlivihobêktív AT vasûhinmi perspektivnímetodirozpíznavannâpapílârnihzobraženʹvavtomatizovanihsistemahzahistuosoblivovažlivihobêktív AT pûškil perspectivemethodsofidentificationofthepapillarymapsinautomatedprotectivesystemsforrelevantobjects AT vasûhinaim perspectivemethodsofidentificationofthepapillarymapsinautomatedprotectivesystemsforrelevantobjects AT vasûhinmi perspectivemethodsofidentificationofthepapillarymapsinautomatedprotectivesystemsforrelevantobjects |