МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ИДЕНТИФИКАЦИИ ПО ОТПЕЧАТКАМ ПАЛЬЦЕВ

АННОТАЦИЯ

Отпечаток пальца считается ключевым биометрическим признаком из-за его надежности, высокого уровня безопасности и низкой стоимости. Однако высокий спрос на внедрение систем идентификации по отпечаткам пальцев создает технологические трудности на всех этапах разработки, включая улучшение изображения отпечатков пальцев, извлечение признаков, сопоставление признаков и классификацию отпечатков пальцев. Методы машинного обучения предлагают альтернативные решения этих задач. В этой статье представлен краткий обзор применения базовых концепций машинного обучения для устранения существующих проблем биометрии.

Ключевые слова: Биометрия, Отпечатки пальцев, Методы машинного обучения.

Биометрические технологии предназначены для идентификации личности на основе физиологических или поведенческих характеристик. В условиях глобальной цифровизации данные методы компенсируют недостатки традиционных средств аутентификации, исключая риски их потери, дублирования или кражи. Среди ключевых биометрических параметров выделяют текстуру радужной оболочки, сетчатку глаза, голос, подпись и отпечатки пальцев. Последний признак является доминирующим на рынке благодаря уникальности, высокой приемлемости и низкой стоимости внедрения.

Методы машинного обучения, такие как искусственные нейронные сети (ИНС), метод опорных векторов (МОВ) и генетические алгоритмы (ГА), играют важную роль в поиске альтернативных решений проблем идентификации по отпечаткам пальцев. Основная идея данных методов заключается в формировании вектора признаков и последующем обучении системы правилам его обработки. Подобный подход позволяет эффективно анализировать сложные биометрические данные и, как следствие, способствует устранению существующих недостатков систем распознавания.

Целью данной статьи является подробный обзор наиболее перспективных методов машинного обучения, применяемых в биометрических системах.

Структура отпечатка пальца

Отпечаток пальца определяется как рельеф, образованный чередующимися гребнями и впадинами на подушечке пальца. Несмотря на то, что в большинстве областей гребни и впадины расположены параллельно, на поверхности кожи могут присутствовать деформирующие элементы, такие как шрамы, порезы, трещины и мозоли. Традиционно выделяют три уровня представления структуры отпечатков пальцев: глобальный, локальный и микроструктурный. На рисунке 1 представлены примеры изображений отпечатков пальцев с визуализацией гребней и впадин.

Рисунок 1. Глобальная структура отпечатка пальца с иллюстрацией сингулярных точек

Глобальный уровень описывает общую форму отпечатка пальца, при этом единое описание применимо ко всему изображению в целом. Другой важной характеристикой глобальной структуры являются сингулярные точки (обозначенные кругами и треугольниками на рисунке 1). Поскольку сингулярные точки уникальны для каждого класса отпечатков, они широко используются в качестве признаков для предварительного выравнивания и классификации. Локальный уровень отражает особенности гребней и впадин в конкретных локальных областях. К наиболее известным свойствам относятся окончания и бифуркации гребней, называемые минуциями. Локальная структура чаще всего применяется при сопоставлении отпечатков пальцев, так как минуции обладают наиболее высокой дискриминативной способностью. Микроструктурный уровень учитывает расположение потовых пор на коже. Данную структуру сложно зафиксировать, поскольку для этого требуются контролируемые условия съемки и дорогостоящие сенсоры с очень высоким разрешением.

Система идентификации по отпечаткам пальцев

Автоматическая система идентификации отпечатков пальцев заменила экспертов в процессах распознавания и классификации. Функционирование системы включает две основные фазы: фазу регистрации и фазу идентификации. Фаза регистрации предназначена для внесения данных пользователя в базу для последующего использования, тогда как фаза идентификации отвечает за подтверждение личности на основе сравнения с ранее сохраненными записями. Каждая из указанных фаз состоит из следующих этапов: получение изображения отпечатка пальца, предобработка, извлечение признаков и сохранение в базу данных. Этапы получения изображения, предобработки и извлечения признаков являются общими как для регистрации, так и для идентификации. Однако сопоставление отпечатков пальцев выступает обязательным дополнительным шагом на этапе идентификации для подтверждения личности по собранной базе данных. Время обработки и точность распознавания являются ключевыми факторами повышения эффективности системы. Методы машинного обучения могут внести существенный вклад в улучшение этих параметров.

Методы машинного обучения

Системы машинного обучения ориентированы на разработку адаптивных алгоритмов, эффективность которых повышается в процессе обучения. Первоначально система настраивается на исходных данных, после чего использует полученный опыт для выполнения целевых операций. Недостатком данных методов является их чувствительность к обучающей выборке и параметрам конфигурации, так как изменение этих компонентов влияет на конечные результаты. Несмотря на многообразие подходов, включая байесовское обучение и вероятностные модели, в настоящем исследовании рассматривается исключительно применение искусственных нейронных сетей, метода опорных векторов и генетических алгоритмов в системах распознавания отпечатков пальцев.

Искусственные нейронные сети

Искусственные нейронные сети (ИНС) являются наиболее распространенным алгоритмом в системах машинного обучения. Важным этапом перед извлечением признаков выступает оценка качества полученного отпечатка пальца. Для бесконтактной биометрии в работе [2] предложена ИНС, извлекающая комплексные признаки, однако выделение области интереса занимает до 3.7 секунд, что повышает вычислительную сложность. В статье [3] сеть обратного распространения использовалась для локализации сингулярных точек, но разделение снимка на блоки размером 35×35 пикселей снизило точность координат и увеличило время обработки. В исследовании [4] аналогичная модель извлекала минуции (окончания и бифуркации) из скелетированных изображений скользящим окном размером 5×5 пикселей. Проблемой данного подхода стали значительные временные затраты на процедуру предварительного скелетирования. Для ускорения идентификации применяется классификация отпечатков. В работе [5] двухэтапный классификатор на базе многослойного перцептрона распределял направленные изображения с точностью 84%. В работе [6] многомерная ИНС достигла точности распознавания 97.37% при сопоставлении по минуциям. В статье [7] приведено сравнительное исследование различных нейросетей и метода опорных векторов. Они реализовали четыре типа нейронных сетей, включая многослойный перцептрон, BAM, нейронные сети Хопфилда и Кохонена, а также метод опорных векторов. Наилучшие результаты для задачи классификации на 5 классов продемонстрировал многослойный перцептрон с общей точностью 88.8%. Метод опорных векторов занял второе место с показателем 87.0%, однако оба классификатора не справились с распознаванием большинства объектов класса «шатровый свод». Остальные три модели показали неудовлетворительную эффективность.

Метод опорных векторов

Метод опорных векторов (МОВ) применяется для линейной и нелинейной классификации, регрессии и метода главных компонент путем максимизации зазора между обучающими векторами и разделяющей гиперплоскостью. В работе [8] данный метод использовался с пятимерным вектором признаков для оценки качества отпечатков пальцев. Алгоритм разделял изображения на три класса качества с точностью 96.03%, однако этап извлечения признаков отличался высокой временной сложностью. В исследовании [9] МОВ задействован для сегментации снимков на блоки размером 12×12 пикселей. Вектор признаков включал среднее значение и дисперсию яркости, контрастность, когерентность и коэффициент доминирующей энергии; метод показал устойчивость на малых выборках. В статье [10] алгоритм МОВ применялся для классификации отпечатков на 5 классов. Совместное использование сингулярных точек и карты ориентации обеспечило точность 93.5%, тогда как их раздельное применение дало лишь 88.3% и 87.4% соответственно.

Генетические алгоритмы

Генетические алгоритмы (ГА) применяются для эффективного решения задач биометрической идентификации. Основным недостатком подхода выступает рост временных затрат при повышении точности расчетов. В исследовании [11] генетический алгоритм задействован для сопоставления отпечатков пальцев путем оптимизации преобразования минуций. Несмотря на корректность распознавания, время сравнения для истинных и ложных пар составило 15 и 8 секунд соответственно, что указывает на необходимость дополнительной оптимизации. В статье [12] предложен алгоритм классификации на базе генетического программирования (ГП) для поиска нетрадиционных признаков в ориентационных изображениях, которые не могут быть определены экспертами вручную. Финальное распределение выполнялось с помощью байесовского классификатора. Оценка метода на базе данных NIST-4 [13] (2000 изображений для обучения и 2000 для тестирования) показала точность классификации 93.3% для 4 классов и 91.6% для 5 классов.

Заключение

В данной статье представлен подробный обзор применения методов машинного обучения для решения актуальных задач идентификации по отпечаткам пальцев. Основное внимание было сосредоточено на трех ключевых подходах: искусственных нейронных сетях, методе опорных векторов и генетических алгоритмах, а также на их внедрении в процессы оценки качества изображений, извлечения признаков и классификации. Проведенный анализ подтверждает эффективность использования машинного обучения для преодоления существующих технологических трудностей в биометрии. Дальнейшие исследования будут направлены на оптимизацию одного из рассмотренных методов с целью сокращения времени обработки данных и повышения точности распознавания. Кроме того, планируется расширить область применения алгоритмов машинного обучения на другие биометрические параметры, такие как отпечатки ладоней и текстура радужной оболочки глаза.

Список литературы:

1. Речинский А. В., Станкевич Л. А., Черненькая Л. В. Биометрические методы идентификации личности: учеб. пособие. СПб.: ПОЛИТЕХ-ПРЕСС, 2021. — 265 c.
2. Лабати Р., Пиури В., Скотти Ф. Измерение качества изображений отпечатков пальцев на основе нейронных сетей в бесконтактных биометрических системах // Материалы Международной совместной конференции по нейронным сетям (IJCNN), 2010.
3. Юн-Ся Л., Цзинь Ц., Жуй С. Новый метод обнаружения сингулярных точек отпечатков пальцев на основе нейронных сетей // Материалы 3-й Международной конференции IEEE по компьютерным наукам и информационным технологиям (ICCSIT), 2010.
4. Бартунек Й., Нильссон М., Нордберг Й., Клэссон И. Извлечение минуций из скелетированных отпечатков пальцев на основе нейронных сетей // Материалы конференции IEEE Регион 10 (TENCON), 2006.
5. Сарбадхикари С. Н., Басак Дж., Пал С. К., Кунду М. К. Классификация зашумленных отпечатков пальцев с использованием признаков на основе направлений и многослойного перцептрона // Нейронные вычисления и приложения № 7, 1998. —  180–191 c.
6. Кумар Р., Викрам Б. Д. Сопоставление отпечатков пальцев с использованием многомерных искусственных нейронных сетей // Инженерные приложения искусственного интеллекта№ 23 (2), 2010. —222–228 c.
7. Кристенсен Т., Бортен Й., Фюллингснес К. Сравнение методов классификации отпечатков пальцев на основе нейронных сетей // Материалы Международной совместной конференции по нейронным сетям (IJCNN). — IEEE, Орландо, 2007.
8. Лю Л., Тань Т., Чжань И. Автоматическая оценка качества изображений отпечатков пальцев на основе метода опорных векторов // Материалы Азиатско-Тихоокеанского семинара по вычислительному интеллекту и промышленному применению (PACIIA), 2008.
9. Чжао С., Хао С., Ли С. Сегментация изображений отпечатков пальцев с использованием метода опорных векторов // Материалы Второго международного симпозиума по интеллектуальным информационным технологиям (IITA), 2008.
10. Ли Дж., Яу В., Ван Х. Совместное использование информации о сингулярных точках и ориентации изображений для классификации отпечатков пальцев // Распознавание образов № 41 (1), 2008
11. Тань С., Бхану Б. Сопоставление отпечатков пальцев с помощью генетических алгоритмов // Распознавание образов № 39 (3), 2006 — 465–477 c.
12. Тань С., Бхану Б., Линь И. Классификация отпечатков пальцев на основе изученных признаков // Труды IEEE по системам, человеку и кибернетике, часть C: Приложения и обзоры № 35 (3), 2005 — 287–300 c.
13. Уотсон С., Уилсон С. Специальная база данных NIST 4: база данных отпечатков пальцев. — Национальный институт стандартов и технологий США, 1992.