Застосування методів машинного навчання для біометричної ідентифікації особи за райдужною оболонкою ока
Бічна панель сторінки статті
Основний зміст сторінки статті
Анотація
Робота присвячена застосуванню методів машинного навчання для біометричної ідентифікації особи за райдужною оболонкою ока. Проведено порівняння використання при розпізнаванні райдужної оболонки ока таких ознак, як коефіцієнти двовимірного дискретного перетворення Фур'є, коефіцієнти дискретного косинусного перетворення, а також коефіцієнти апроксимації 3-го і 4-го рівнів двовимірного вейвлет-перетворення. За допомогою проведеного машинного навчання визначена точність ряду класифікаторів, що використовують дані набори ознак. На підставі цього пропонується набір ознак і алгоритмів машинного навчання, які забезпечують найбільшу точність ідентифікації особи на основі розпізнавання райдужної оболонки ока.
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
Lysenko A. M., Melnyk O. S. “Zastosuvannya biometrychnykh system dlya identyfikatsiyi osoby”, Visnyk Kyyivsʹkoho natsionalʹnoho universytetu im. T.Shevchenka, seriya «Yurydychni nauky», no. 60-62, pp. 87 – 91, 2004. URL: http://papers.univ.kiev.ua/article/lysenko-a-melnyk-o-appliance-of-biometrical-systems-for-identification-of-a-pe_17954
Ratha Nalini K. Advances in Biometrics / Nalini K. Ratha, Venu Govindaraju. – Springer Science+Business Media, 2008.– 660 р. DOI: 10.1007/978-1-84628-921-7
Poulami Das et al. “Person Identification through IRIS Recognition”, International Journal of Security and its Applications, vol. 3, no. 1, pp. 129–147, 2009. URL: https://www.researchgate.net/publication/228744430_Person_Identification_through_IRIS_Recognition
Yingzi Du, Robert Ives, Bradford Bonney, and Delores M. Etter "Analysis of partial iris recognition", Proc. SPIE 5779, Biometric Technology for Human Identification II, (28 March 2005); DOI: 10.1117/12.605918
Rizal Isnanto. “Effect of Wavelet-transformed Iris Image Translation and Rotation on its Recognition Rate”, Proccedings of ICISBC, pp. 76-79, 2013. URL: http://eprints.undip.ac.id/41691/
Ayra Panganiban et al. “Wavelet-based Feature Extraction Algorithm for an Iris Recognition System”, Journal of Information Processing Systems, vol. 7, no. 3, pp. 425-434, 2011. DOI: 10.3745/JIPS.2011.7.3.425
Zhu Wen et al. “Iris Feature Extraction based on Haar Wavelet Transform”, International Journal of Security and Its Applications, vol.8, no.4, pp. 265-272, 2014. DOI: 10.14257/ijsia.2014.8.4.24
Sandipan P. Narote et al. “Iris Based Recognition System Using Wavelet Transform”, IJCSNS International Journal of Computer Science and Network Security, vol.9, no.11, pp.101-104, 2009. URL: http://www.academia.edu/6658785/Iris_Based_Recognition_System_Using_Wavelet_Transform
Anjali Soni and Prashant Jain. “Iris Recognition using Four Level Haar Wavelet Transform”, International Journal of Computer Technology & Applications, vol 7(4), pp.568-575, 2016. DOI: 10.14445/23488549/IJECE-V3I6P106
UBIRIS. Noisy Visible Wavelength Iris Image Databases. URL: http://iris.di.ubi.pt
Proença H., Alexandre L.A. (2005) UBIRIS: A Noisy Iris Image Database. In: Roli F., Vitulano S. (eds) Image Analysis and Processing – ICIAP 2005. ICIAP 2005. Lecture Notes in Computer Science, vol 3617. Springer, Berlin, Heidelberg. DOI: 10.1007/11553595_119
K. Ivanko, N. Budik and N. Ivanushkina, "Feature selection for biometriс iris recognition," 2017 5th IEEE Workshop on Advances in Information, Electronic and Electrical Engineering (AIEEE), Riga, 2017, pp. 1-5. DOI: 10.1109/AIEEE.2017.8270539
T. Hastie et al., The Elements of Statistical Learning, Second Edition, Springer Science+Business Media, LLC 2009. 745 p. DOI: 10.1007/b94608
Honsales R., Wuds. R. Tsyfrova obrobka zobrazhenʹ[Digital image processing]. M.: Tekhnosfera, 2012. p. 1104.
Smolyentsev M. K. Osnovy teoriyi veyvletiv. Veyvlety v MATLAB [Fundamentals of wavelet theory. Wavelets in MATLAB]. M.: DMK Pres, 2014. p. 627 c.
P. Kim. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Apress. 151 p. ISBN: 978-1-4842-2845-6. DOI: 10.1007/978-1-4842-2845-6
