Nhận dạng danh tính con người dựa trên mống mắt với các phương pháp học máy và biến đổi Fourier nhanh rời rạc

Innovations in Systems and Software Engineering - Tập 17 - Trang 309-317 - 2021
Maciej Szymkowski1, Piotr Jasiński1, Khalid Saeed1
1Faculty of Computer Science, Białystok University of Technology, Białystok, Poland

Tóm tắt

Một trong những mô-đun quan trọng nhất của hệ thống máy tính là mô-đun chịu trách nhiệm về an toàn người dùng. Đã được chứng minh rằng mật khẩu và tên đăng nhập đơn giản không thể đảm bảo hiệu quả cao và dễ bị hacker lấy cắp. Một lựa chọn thay thế nổi tiếng là nhận diện danh tính dựa trên sinh trắc học. Trong những năm gần đây, sự quan tâm hơn đến mống mắt như một đặc điểm sinh trắc học đã được quan sát. Điều này xảy ra do hiệu quả và độ chính xác cao mà đặc điểm đo lường này đảm bảo. Hệ quả của sự quan tâm này có thể thấy được trong tài liệu. Có nhiều cách tiếp cận đa dạng được đề xuất bởi các tác giả khác nhau. Tuy nhiên, không có phương pháp nào sử dụng thành phần biến đổi Fourier nhanh rời rạc (DFFT) để mô tả mẫu mống mắt. Trong công trình này, các tác giả trình bày cách tiếp cận của riêng mình về nhận diện danh tính con người dựa trên mống mắt với các thành phần DFFT được chọn bằng thuật toán phân tích thành phần chính. Để phân loại, ba thuật toán đã được sử dụng - k hàng xóm gần nhất, máy vector hỗ trợ và mạng nơ-ron nhân tạo. Các thử nghiệm thực hiện đã cho thấy rằng có thể đạt được kết quả thỏa đáng với phương pháp đề xuất.

Từ khóa

#nhận diện sinh trắc học #mống mắt #biến đổi Fourier nhanh rời rạc #học máy #phân loại danh tính

Tài liệu tham khảo

https://www.cybintsolutions.com/cyber-security-facts-stats/. Accessed 2 Jan 2021

Sun H-M, Chen Y-H, Lin Y-H (2012) oPass: a user authentication protocol resistant to password stealing and password reuse attacks. IEEE Trans Inf Forensics Secur 7(2):651–663

Gupta P, Behera S, Vatsa M, Singh R (2014) On iris spoofing using print attack. In: IEEE 2014 22nd international conference on pattern recognition, Stockholm, Sweden, 24–28 August 2014. https://doi.org/10.1109/ICPR.2014.296

Daugman J (2004) How iris recognition works. IEEE Trans Circuits Syst Video Technol 14(1):21–30

Rana HK, Azam MS, Akhtar MR, Qunin JMW, Moni MA (2019) A fast iris recognition system through optimum feature extraction. PeerJ Comput Sci 5:184

Ouda O, Chaoui S, Tsumura N (2020) Security evaluation of negative iris recognition. IEICE Trans Inf Syst 103(5):1144–1152

Arora S, Bhatia MPS (2020) Presentation attack detection for iris recognition using deep learning. Int J Syst Assur Eng Manag. https://doi.org/10.1007/s13198-020-00948-1

Mohammed NF, Ali SA, Jawad MJ (2020) Iris recognition system based on lifting wavelet. In: Mallick P, Balas V, Bhoi A, Chae GS (eds) Cognitive informatics and soft computing. Springer advances in intelligent systems and computing, vol 1040, pp. 245–254. Springer, Berlin

Jenadeleh M, Pedersen M, Saupe D (2020) Blind quality assessment of iris images acquired in visible light for biometric recognition. Sensors 20(5):1308

Trokielewicz M, Czajka A, Maciejewicz P (2020) Post-mortem iris recognition with deep-learning-based image segmentation. Image Vision Compu 94:103866. https://doi.org/10.1016/j.imavis.2019.103866

Jalilian E, Uhl A, Kwitt R (2017) Domain adaptation for CNN based iris segmentation. In: IEEE proceedings of 2017 IEEE international conference of the biometrics special interest group (BIOSIG), Darmstadt, Germany, September 20–22, 2017. https://doi.org/10.23919/BIOSIG.2017.8053502

Hofbauer H, Jalilian E, Uhl A (2019) Exploiting superior CNN-based iris segmentation for better recognition accuracy. Pattern Recognit Lett 120:17–23

Roy K, Bhattacharya P (2006) Iris recognition with support vector machines. In: Zhang D, Jain A (eds) Proceeding advances in biometrics, international conference, ICB 2006, Hong Kong, China, January 5–7, 2006, Springer lecture notes in computer science, vol 3832, pp 486–492.

Minaee S, Abdolrashidi A (2019) DeepIris: iris recognition using a deep learning approach. arXiv:1907.09380 [cs.CV]

Arora S, Bhatia M (2018) A computer vision system for iris recognition based on deep learning. In: IEEE proceedings of 2018 IEEE 8th international advance computing conference (ACD), Greater Noida, India, December 14–15, 2018. https://doi.org/10.1109/IADCC.2018.8692114

Bangare S, Dubal A, Bangare P, Patil S (2015) Reviewing Otsu’s method for image thresholding. Int J Appl Eng Res 10(9):21777–21783

Prashanth CR, Shashikumar DR, Raja KB, Venugopal KR, Patnaik LM (2009) High security human recognition system using iris images. Int J Recent Trends Eng 1(1):647–652

Miyazawa K, Ito K, Aoki T, Kobayashi K, Nakajima H (2006) A phase-based iris recognition algorithm. In: Zhang D, Jain A (eds) Proceedings of advances in biometrics, international conference, ICB 2006, Hong Kong, China, January 5–7, 2006, Springer lecture notes in computer science, vol 3832, pp 356–365

Mishra S, Sarkar U, Taraphder S et al (2017) Multivariate statistical data analysis—principal component analysis (PCA). Int J Livestock Res 7(5):60–78

http://phoenix.inf.upol.cz/iris/. Accessed 11 Jan 2020

http://andyzeng.github.io/irisrecognition. Accessed 11 Jan 2020

http://www.cbsr.ia.ac.cn/china/Iris%20Databases%20CH.asp. Accessed 15 Dec 2020

Moore B, Iorga M (2009) Biometrics testing. NIST handbook 150-25

Mansfield AJ, Wayman JL (2002) Best practices in testing and reporting performance of biometric devices. Centre for Mathematics and Scientific Computing, National Physical Laboratory. http://www.idsysgroup.com/ftp/BestPractice.pdf. Accessed 15 Jan 2020

Szymkowski M, Saeed E, Omieljanowicz M, Omieljanowicz A, Saeed K, Mariak Z (2020) A novelty approach to retina diagnosing using biometrics techniques with SVM and clustering algorithms. IEEE Access 8:125849–125862. https://doi.org/10.1109/ACCESS.2020.3007656

Thông tin
Thông tin xuất bản

Innovations in Systems and Software Engineering

Tập 17

309-317

Thông tin tác giả