автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Формирование системы признаков для идентификации личности по динамике воспроизведения подписи

На правах рукописи

СОРОКИН Игорь Александрович

ФОРМИРОВАНИЕ СИСТЕМЫ ПРИЗНАКОВ ДЛЯ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО ДИНАМИКЕ ВОСПРОИЗВЕДЕНИЯ ПОДПИСИ

Специальность 05.13.01 — Системный анализ, управление и обработка информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

ПЕНЗА 2005

Работа выполнена на кафедре «Автономные информационные и управляющие системы» Пензенского государственного университета.

Научный руководитель — доктор технических наук, Оленин Ю А

Официальные оппоненты: доктор технических наук, профессор

Геращенко СИ. доктор технических наук, Сальников И.И.

Ведущая организация — ФГУП Пензенский научно-исследовательский электротехнический институт, г. Пенза.

Защита диссертации состоится « ^ 2005 г.,

в часов, на заседании диссертационного совета Д 212.186.04 в Пензенском государственном университете по адресу: 440026, г. Пенза, ул. Красная, 40.

С диссертацией можно ознакомиться в библиотеке Пензенского государственного университета.

Ученый секретарь диссертационного совета доктор технических наук,

профессор Смогунов В.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Изменения, происходящие в мировой системе отношений, определили резкий рост масштаба угрозы безопасности для военных и крупных промышленных объектов России, в первую очередь, объектов ядерно-оружейного комплекса, предприятий ядерной энергетики, объектов топливно-энергетического комплекса, химической промышленности и т. п. Это связано с ростом масштабов международного терроризма, появлением в стране организованной преступности, с высоким уровнем криминализации экономической деятельности.

К одной из основ обеспечения безопасности особо важных объектов относятся системы физической защиты (СФЗ) на базе комплексов инженерно-технических средств, обеспечивающих решение задач по обнаружению и пресечению несанкционированных действий со стороны рабочего персонала и посторонних лиц.

Решение данных задач невозможно без проведения достоверной идентификации личности персонала (абонентов). В настоящее время в мире наблюдается активное развитие научно-технического направления, связанного с исследованием и анализом различных биометрических характеристик человека. Целью проводимых исследований является создание надежных методов идентификации человека на основе различных биометрических характеристик, к которым относятся: рукописный почерк; голос; рисунок кровеносных сосудов на руке или на поверхности глазного дна; узор радужной оболочки глаза; рисунок кожных покровов (пальцев, ладоней); геометрические параметры частей тела (руки, лица, ушей). Отличием метода идентификации личности по индивидуальным особенностям начертания подписи или любого другого рукописного ключевого слова (КС) от альтернативных методов биометрической идентификации, основанных на анализе изображений, заключается в необходимости воспроизведения строго определенной последовательности движений, уникальных для каждого человека. Процесс начертания КС рассматривается в динамике, что обеспечивает невозможность подмены вводимого образца муляжом. Кроме этого, процедура идентификации личности по динамике почерка для каждого абонента системы обеспечивает возможность регистрации различных по своему начертанию КС. Это обеспечивает как дополнительную защиту от компрометации информации идентификации, так и возможность использования алгоритмов прохода под принуждением, что часто является обязательным условием при создании систем контроля доступа на объектах особой важности. Очевидно, что реализация таких возможностей, при создании процедур идентификации на основе

различных биометрических рисунков и изображений, является принципиально неосуществимой.

Вопросам теории создания таких биометрических систем уделяется большое внимание в таких странах, как США, Япония, Канада и др. Созданием методов идентификации личности по динамике почерка активно занимаются в научных зарубежных центрах (исследовательские центры IBM и Microsoft, университет Nagoya в Японии и др.). В США работает специальный институт (Sandia National Laboratories), который по контракту с правительством изучает и тестирует биометрические системы идентификации личности, а также выдает рекомендации по их применению.

Основные усилия разработчиков и исследователей данных систем сосредоточены на совершенствовании методов распознавания образов, статистической обработки данных и факторного анализа. Проблемы, связанные с разработкой специальных методов теории распознавания образов и созданием систем идентификации, рассмотрены в работах отечественных и зарубежных российских ученых А. И. Галушкина, В.М. Глушкова, А.И. Горелика, ВА Скрипкина, В.А Герасименко, В.И. Волчихина, А.И. Иванова, ЮА Оленина, R. Plamondon, G. Lorrette и других.

Вместе с тем ряд вопросов создания информационных систем идентификации личности по динамике воспроизведения подписи недостаточно изучены, в частности вопросы анализа траектории движения пера с точки зрения проведения биометрической идентификации. Кроме того, известные методики формирования системы признаков основаны на использовании ортогональных базисных функций. При этом совершенно не исследованы методы, построенные на использовании полиномиальных и корреляционных функций. Недостаточно проработаны вопросы по снижению влияния на результат идентификации нелинейных искажений исследуемых сигналов, неизбежно возникающие в связи с естественной вариабельностью динамики движения пера при воспроизведении рукописного слова.

диссертационной работы является создание, обоснование и реализация методик и алгоритмов формирования и повышения информативности системы признаков для проведения идентификации личности по динамике воспроизведения подписи.

Для достижения поставленной цели было необходимо решить следующие задачи:

1. Исследовать физический процесс регистрации параметров сигналов, формируемых в процессе воспроизведения рукописного слова, с целью определения набора информативных признаков, описывающих динамику данного процесса.

2. Провести анализ информативных признаков и математических моделей сигналов, используемых для описания процесса воспроизведения рукописного слова.

3. На основании результатов моделирования и экспериментальных исследований сформировать информативную систему признаков, описывающую индивидуальные особенности начертания рукописного слова.

4. Создать методики повышения информативности системы признаков за счет компенсации искажений сигналов, вызванных естественной вариабельностью почерка.

5. Показать практическую применимость разработанных методик и алгоритмов для решения конкретных научных и прикладных задач, возникающих при создании системы идентификации личности по динамике воспроизведения подписи.

Методологической основой работы являются методы теории цифровой обработки сигналов, теории вероятностей и математической статистики, теории распознавании образов, методы вычислительной математики и аналитической геометрии.

Научная новизна.

1. Впервые предложен, обоснован и экспериментально исследован метод формирования информативных признаков описания динамики процесса воспроизведения рукописного слова, являющегося источником регистрируемых сигналов, с помощью модели интерполяции сигналов кубическими сплайнами, что обеспечивает высокую скорость обработки информации.

2. Предложен и экспериментально исследован способ формализованного представления локальных особенностей регистрируемых сигналов путем их сегментации, что обеспечивает более полное описание индивидуальных особенностей исследуемого процесса.

3. Предложена и обоснована иерархическая модель описания топологической структуры траектории начертания рукописного слова.

4. Определена и экспериментально исследована информативная система признаков описания индивидуальных особенностей динамики и траектории начертания рукописного слова.

5. Предложены, обоснованы и экспериментально исследованы алгоритмы компенсации искажений сигналов, обеспечивающие повышение информативности системы признаков. В отличие от известных предложенные алгоритмы обеспечивают компенсацию искажений, вызванных естественной вариабельностью почерка.

Практическая значимость.

Полученные в диссертационной работе теоретические и практические результаты обеспечивают возможность создания новых систем

идентификации личности, обеспечивающих более высокую достоверность опознания за счет использования информативной системы признаков, описывающей индивидуальные особенности динамики и траектории начертания подписи. Использование таких систем в системах контроля доступа позволило повысить физическую и информационную безопасность защищаемых объектов. Полученные результаты могут быть использованы при создании систем криптографической защиты информации, использующей в качестве ключа личные биометрические параметры человека.

Реализация и внедрение результатов работы осуществлено:

1. Пензенским научно-исследовательским электротехническим институтом в виде системы биометрического ограничения доступа к ПЭВМ «Кордон».

2. Пензенским приборостроительным заводом (ПО «Старт») совместно с НПФ «Кристалл» выпускается система биометрического ограничения доступа к ПЭВМ «Рубеж», имеющая сертификат Гостехкомиссии РФ №107 от 06.08.97.

Основные научные результаты и положения, выносимые на защиту:

1. Методика выделения информативных признаков описания динамики процесса воспроизведения рукописного слова с помощью интерполяции регистрируемых сигналов сплайнами.

2. Способ расширения информативного набора признаков путем формального описания локальных особенностей регистрируемых сигналов.

3. Иерархическая модель представления топологической структуры траектории начертания рукописного слова.

4. Алгоритм формирования и результаты экспериментальных исследований системы информативных признаков описания индивидуальных особенностей воспроизведения рукописного слова.

5. Способ повышения информативности системы признаков за счет компенсации искажений сигналов, вызванных естественной вариабельностью почерка.

6. Функциональная модель, техническая реализация и результаты экспериментального исследования системы биометрической идентификации.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на конференциях различного уровня, а именно:

- Всероссийской научно-технической конференции

«Информационная безопасность в системах и сетях связи», г. Пенза, 1998 г.;

III Международной научно-технической конференции «Новые

информационные технологии и системы», г. Пенза, 1998 г.;

научно-технических конференциях профессорско-

преподавательского состава Пензенского государственного университета, г. Пенза, 1998-2005 гг;

II Всероссийской научной конференции «Проблемы развития информационно-телекоммуникационных систем специального назначения», г. Орел, 1999 г.;

Всероссийской научно-технической конференции «Вооружение, безопасность, конверсия», г. Пенза, 2003 г;

III Всероссийской научно-технической конференции «Современные методы и средства обработки пространственно-временных сигналов», г. Пенза, 2005 г.

По теме диссертации опубликовано 20 печатных работ, в том числе 12 статей, 7 тезисов докладов, 1 патент.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав основного материала, заключения, списка литературы из 117 наименований и приложений. Работа содержит 144 страницы основного текста, 38 рисунков и 6 таблиц.

СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы, определены цели и задачи исследования, сформулирована научная новизна и показана практическая значимость работы, перечислены методы исследований, приведены сведения об апробации работы и публикациях.

рассмотрены физические особенности процесса воспроизведения подписи. Выявлено, что, несмотря на нестационарность процесса, сигналы, регистрируемые при воспроизведении подписи, обладают определенной структурой, отражающей уникальные особенности почерка. Обосновывается выбор необходимой совокупности сигналов для формирования системы признаков, рассматриваются известные методы их регистрации, формулируются основные требования, предъявляемые к устройствам регистрации подписи. Проводится анализ существующих методов представления сигналов в системе признаков.

При создании системы идентификации выделяют два режима ее работы: регистрация и идентификация. Этап регистрации заключается в формировании эталона, представляющего собой индивидуальные характеристики динамики начертания подписи регистрируемого пользователя. На этапе идентификации пользователь вводит подпись или другое известное ему ключевое слово (КС), после чего система

принимает решение в зависимости от степени соответствия характеристик введенного КС эталону.

Ввод КС осуществляется регистрирующим устройством (РУ), принцип работы которого заключается в определении физических параметров кончика пера, используемого для начертания КС. В процессе начертания КС данные физические параметры изменяются, поэтому на выходе РУ формируются сигналы, форма которых отражает динамику процесса движения кончика пера. В зависимости от измеряемых параметров может быть сформирован различный набор сигналов, однако, как показал проведенный в работе анализ, они являются производными от у0), z{t), то есть сигналов, описывающих законы изменения пространственных и временных координат пера. Такой результат позволяет использовать в качестве РУ модели графических планшетов, обеспечивающих ввод данных в виде упорядоченных наборов {х, у, I, /}.

Полученные сигналы преобразуются в вектор параметров к=1,Ь, отражающий индивидуальные динамические характеристики КС. Методы, используемые для формирования V, можно разделить на две группы: параметрические и корреляционные.

Параметрические методы основаны на вычислении некоторого набора линейных функционалов вида:

с1к = Ф* (01 = (0<Рк (0Л, (1)

г

где 5/(0 — исследуемый сигнал, — базисная функция, входящая в ортогональную систему В зависимости от налагаемых на

реализуемую систему ограничений по вычислительной мощности в качестве {рк (0)^1 обычно используются функции Фурье, Уолша или Хаара.

При использовании параметрических методов необходимо определить достаточное количество значимых для идентификации коэффициентов. Однако увеличение размерности вектора признаков предъявляет дополнительные требования к вычислительным ресурсам. Попытки оптимизации, как правило, сводятся к использованию базисных функций Каруена-Лоэва. Однако, несмотря на теоретические преимущества данного преобразования, практически оно оказывается неприменимо, так как для него не существуют алгоритмов быстрого преобразования, какими являются БПФ, БПУ, БПХ. Поэтому преобразования Фурье, Уолша, Хаара получили наибольшее распространение при формировании вектора признаков описания формы регистрируемых сигналов.

Корреляционные методы основаны на вычислении значения

корреляции между эталонным набором сигналов и сигналами анализируемой подписи. Такой подход требует определения представительных образцов подписи, сигналы которых будут использованы в качестве эталонов. Кроме этого, естественная вариабельность почерка приводит к нестабильности времени воспроизведения образцов КС, выполненных одним автором. Поэтому применение корреляционных методов предполагает использование специальных алгоритмов регуляризации, обеспечивающих нормализацию длительности сигналов КС относительно эталона. Основным требованием, предъявляемым к таким алгоритмам, является минимизация искажений формы обрабатываемых сигналов.

Известные методы формирования признаков описания динамики воспроизведения КС могут быть разделены на две группы по способу обработки исследуемых сигналов. В первом случае КС анализируется целиком, а во втором производится его предварительная сегментация с последующим анализом выделенных сегментов. Сегментация сигналов позволяет расширить исходное пространство признаков за счет вычисления новых параметров. Однако при использовании сегментации из-за вариабельности почерка могут появляться пропуски или наложения разных сегментов эталонных и идентифицируемых сигналов, что приводит к снижению достоверности идентификации.

На основе проведенного анализа определены основные проблемы, возникающие при проведении биометрической идентификации по динамике почерка, и поставлены задачи исследований для решения этих проблем.

Вторая глава состоит из двух частей, посвященных разработке методов представления сигналов в системе признаков и описанию топологической структуры траектории начертания КС.

Математически задача формирования динамических признаков сводится к построению формальной модели, обеспечивающей наилучшую аппроксимацию исследуемых сигналов. Известно, что для аппроксимации в численных методах математики используются методы, основанные на применении двух групп функций. Первая группа включает в себя линейные комбинации функций степени, что совпадает с классом всех многочленов (полиномов) степени. При этом на практике, используют степенные интерполяционные многочлены. Вторую группу образуют различные ортогональные базисные функции.

Целью исследования является определение возможности использования методов первой группы для описания сигналов {х(г), >•(/)} в системе признаков. В качестве степенных полиномов предлагается использовать сплайны, то есть группу сопряженных степенных многочленов некоторой степени s, в местах сопряжения которых первая

и вторая производные непрерывны. В качестве ядра сплайна необходимо использовать полиномы третей степени, обеспечивающие гладкую кривую на множестве непрерывных функций, проходящих через опорные точки. Данное свойство объясняется тем, что при s=3 сплайны

минимизируют функционал G>(g) = j[g'(t)]2dt, где [0, 7] — интервал

аппроксимации, g(t) — функция аппроксимации. Следует сказать о важной физической интерпретации такого свойства кубических сплайнов: полученный интеграл Ф^) пропорционален минимальным затратам мышечной энергии, необходимым для перемещения пишущего инструмента.

Синтез аппроксимирующей функции g(t) проводится с учетом следующих условий:

1) g(t) принадлежит классу непрерывно дифференцируемых функций до второго порядка включительно;

2)на каждом из отрезков [tk-\, аппроксимируемого сигнала J[t)&{x(t), j(i)} функция g(t) является кубическим многочленом вида

= *=1,2„я; (2)

3) в узлах сетки {tk}"ua выполняются равенства = fk, ¿=0,1

4) g"(t) ~ вторая производная g{t) — удовлетворяет граничным условиям g-"(0) = g"(r) = 0В качестве сетки аппроксимации предлагается использовать

локальные точки экстремума Д/), что позволяет обеспечить минимальное количество вычисляемых коэффициентов при удовлетворительном описании формы анализируемого сигнала. Кроме этого, значения длительности полученных сегментов могут быть использованы в качестве параметров вектора V, что позволяет расширить описание исходного пространства признаков.

Предложенный метод оценивался по сравнению с аппроксимацией рядами Фурье путем вычисления среднеквадратичной ошибки погрешности аппроксимации S. Экспериментальные данные были получены на статистически значимой выборке различных образцов подписей. Результаты анализа экспериментальных данных показывают, что коэффициенты сплайнов могут быть использованы для описания индивидуальных особенностей динамики воспроизведения подписи. Следует отметить более высокую точность описания формы сигналов, имеющих количество опорных точек не более 20, с помощью сплайн-аппроксимации по сравнению с аппроксимацией рядами Фурье. Полученные результаты позволяют говорить о целесообразности

использования предложенного метода в системах, предъявляющих значительные требования к размерности вектора динамических признаков и скорости вычисления его значений, то есть в большинстве практических приложений.

При формировании пространства признаков значительный ингерес представляют локальные особенности сигналов, отражающие внутреннюю структуру исследуемых процессов. Для обнаружения локальных особенностей сигналов у(0 в работе предлагается алгоритм кратковременного анализа, используемый при анализе структуры сейсмических и звуковых колебаний. Рассмотрим дискретный сигнал Д/)е{х(^), Х0}> где г =1,1. Определим некоторую действительную функцию 1¥(/). Предположим, ч т <Ж(/) р е д е л е н а таким образом, что ее значение мало, если сигнал ДО в пределах интервала /2] имеет однородный характер, и возрастает, если на данном участке форма сигнала быстро изменяется по сравнению с соседними участками. Направление изменения этой функции может быть обратным, то есть увеличению степени неоднородности кривой будет соответствовать уменьшение ¥(/). В любом с л у ч а е д с та в л я е т собой оценку изменчивости формы исследуемого сигнала.

Для получения значений Т(/) необходимо провести равномерную сегментацию исследуемого сигнала Д/), как это показано на рисунке 1.

Рисунок 1.

Функция сложности формируется как

ччл= , (3)

1Х(Л(9-А)КЛ+1<0-А+1)

1(1=1 1=1

(4)

1 /=1

где N — количество сегментов, ни ~ среднее значение сигнала на к-ом

участке. Таким образом, значения функции сложности, полученные путем равномерной сегментации {*(//), позволяют получить

формальное описание внутренней структуры исследуемых сигналов.

Полученный вектор параметров может быть расширен за счет применения метода неравномерной сегментации сигналов и вычисления первых коэффициентов ортогональных базисных функций Фурье или Уолша на выделенных сегментах. Неравномерная сегментация проводится путем выделения регулярных участков сигнала, границами которых служат локальные точки максимума-минимума. Предложенные алгоритмы дополняют друг друга и позволяют сформировать систему признаков, обеспечивающую наиболее полное описание индивидуальных особенностей динамики воспроизведения КС.

Далее в главе предлагается методика формирования системы признаков описания траектории начертания КС. В основе методики лежит модель описания топологической структуры траектории движения пера, которая представляет собой некоторую кривую S сложной формы. Необходимость описания топологической структуры КС вызвана тем, что' значения динамических признаков зависят от формы исследуемых сигналов, которые в свою очередь зависят от траектории начертания КС. Показано, что описание траектории начертания КС в системе признаков позволит устранить разброс значений динамических признаков, вызванных естественной вариабельностью почерка.

Визуальный анализ процесса воспроизведения КС показывает, что кривая 5 не является непрерывной. Она состоит из упорядоченного набора участков Б = к = 1„п, границы которых определяются

точками касания и отрыва пера. В параметрическом виде уравнение кривой 5 может быть записано как {х = х(/), у — АО, * е [0; ЛЬ Каждый участок Бк представляет собой непрерывную кривую {хк = х(0, ук = у(1), ( е [Тк; Тк"]}, где Тк, Тк- моменты времени, определяющие точку касания и отрыва пера соответственно. Для получения системы признаков, описывающих кривую сложной формы, необходимо выделить ряд составляющих ее элементов и выяснить

Форма кривой Ёк определятся последовательностью воспроизводимых на участке траектории элементов рукописных

символов и вариантов их соединений. Пусть существует некоторый алгоритм, обеспечивающий выделение границ данных элементов таким образом, что каждый элемент представляет собой сегмент кривой, имеющий достаточно простую форму. В этом случае, кривая представляет собой объединение множества сегментов

= ^Ц'и,,?'^, где Ьк — количество выделенных сегментов. Границы сегментов {?,*} определяются сеткой значений времени {?/} е [Тк, Т/с"]. Основным условием вьщеления некоторого сегмента на непрерывном участке является возможность представления 5* с помощью параметризованной функции с заданной степенью точности 1* ~ С(х((), у((), Г/), ( е [//, (с+1к]1 где 7,к - вектор параметров, с помощью которого можно задать состояние модели. Вектор Р/

представляет собой численное описание топологических инвариантов. Таким образом, модель траектории подписи представляет собой топологическое описание структуры траектории подписи, формируемое путем выделения непрерывных участков, каждый из которых представляется как объединение элементарных сегментов исследуемой линии. Анализ данной модели показывает, что описание топологических характеристик траектории КС должно быть получено путем определения аналитических выражений, аппроксимирующих совокупность {$*} для всех непрерывных участков подписи.

Наиболее просто аналитическое выражение, аппроксимирующее сегмент непрерывного участка кривой формируется с помощью кусочно-линейной аппроксимации. При этом в качестве узлов аппроксимации предлагается использовать особые точки кривой: точки максимальной кривизны и точки самопересечения Ёк. Упорядочив совокупность особых точек в порядке их появления, при начертании участка получим совокупность прямолинейных отрезков

аппроксимирующих данный участок кривой. После вычисления значений длинны каждого отрезка - д/) - х(1, ))2 + (>'(<,+1) - ))2 и

угла его наклона 01 -аг^—^^ относительно оси абсцисс получим

вектор, значения которого описывают траекторию движения пера при начертании участка

Кусочно-линейная аппроксимация является наиболее простым, однако, и наименее точным способом описания топологии кривой. Для повышения точности описания предложен алгоритм аппроксимации участка набором графических примитивов (ГП) четырех типов: «отрезок», «дуга», «ломаная» и «петля». Каждый ГП описывается определенным аналитическим выражением с собственным набором параметров.

Выделение ГП осуществляется путем отслеживания траектории

начертания непрерывной кривой и составления упорядоченных последовательностей особых точек, порядок следования которых индивидуален для каждого типа ГП. После вычисления параметров выделенных ГП, полученные значения образуют вектор, описывающий топологию траектории анализируемого участка КС. Построение системы признаков описания кривой 5 осуществляется путем последовательного анализа траектории всех участков Представленный алгоритм

имеет физический смысл, который заключается в том, что последовательность воспроизведения ГП обеспечивает семантическое описание КС, что позволяет говорить о возможности использования такого подхода не только при проведении биометрической идентификации, но и при разработке методов рукописного распознавания текста.

приводятся результаты экспериментальных исследований полученных признаков с точки зрения их информативности при проведении биометрической идентификации.

Исследование сигналов динамики воспроизведения КС показало, что в качестве признаков идентификации может выступать значительное количество вычисляемых параметров. Расширение пространства признаков приводит к уменьшению вероятности принятия неверного решения при идентификации автора КС, но требует больших вычислительных ресурсов при создании практической системы идентификации. В связи с этим одной из задач, решаемой при разработке такой системы, является формирование рабочего словаря признаков, который включает только значимые для идентификации параметры.

Для получения количественной оценки информативности системы признаков использовался модифицированный дискриминантный критерий, основанный на подсчете и сравнении внутриклассовой и межклассовой матриц расстояний в пространстве образов. Оценка расстояний проводилась путем вычисления меры Махаланобиса. Достоинство предложенного подхода заключается в формировании показателя информативности, с точки зрения общей разделимости образов в рассматриваемом пространстве признаков, что обеспечивает независимость получаемых результатов от правила принятия решения и позволяет сформировать информативную систему признаков на ранних стадиях разработки.

Методика проведения экспериментов состояла из двух этапов: ранжирование признаков по степени их информативности и формирование системы признаков с учетом возможных корреляционных связей между ними. Анализ полученных экспериментальных данных

позволил сделать следующие выводы:

1. Наибольшей информативностью отличаются признаки, полученные путем аппроксимации сигналов;

2. Параметры сигналов у0 имеет более высокую информативность, по сравнению с характеристиками х(^, что объясняется наличием тренда сигнала х(^;

3. Информативность системы признаков, включающей параметры сигналов х0) и у(^), выше, чем информативность признаков, полученных отдельно для х(^, у0). Однако аддитивного эффекта не наблюдается, что говорит о корреляции между параметрами сигналов х(^, у

Исследуемые признаки являются статистически зависимыми, поэтому определение общей информативности системы признаков проводилось с помощью алгоритма последовательного присоединения. В связи с тем, что преобразование Фурье и Уолша являются ортогональными базисными функциями, предназначенными для оценки спектральных характеристик сигналов, совместное использование данных признаков является нецелесообразным. Интерес представляют две системы признаков: первая включает вектор параметров, полученных путем вычисления коэффициентов БПФ, а вторая построена с использованием БПУ. Анализ экспериментальных данных показал, что первая система признаков обладает наибольшей информативностью, однако требует больших вычислительных затрат, чем вторая.

В четвертой главе предложены алгоритмы предварительной обработки сигналов КС, обеспечивающие компенсацию различных искажений траектории и динамики движения пера.

При формировании вектора признаков сигналы, воспринимаемые РУ, проходят несколько этапов преобразования и обработки. Различные факторы, воздействующие на исследуемые сигналы на каждом этапе обработки, приводят к появлению случайной составляющей сигналов, снижающей информативность формируемой системы признаков. Если искажения, вызванные инструментальными погрешностями измерения и методическими погрешностями цифрового преобразования сигналов, могут быть сведены к допустимому минимуму с помощью хорошо проработанных методов цифрового измерения сигналов, то искажения вызванные вариабельностью почерка требуют разработки специальных алгоритмов регуляризации.

К таким искажениям относятся:

- изменение геометрических размеров КС;

- нестабильность времени воспроизведения КС;

- изменение угла наклона КС и постоянных составляющих сигналов относительно системы координат РУ.

Алгоритм компенсации изменений геометрических размеров

заключается в нормализации сигналов *(/), у(1) по амплитуде, путем умножения каждого дискретного отсчета .х(гк), у(^) на заданный масштабный коэффициент, в качестве которого обычно выступает 1 /Сх для сигнала х(/) и 1/Су для сигнала у(г), где Сх, Су - разрешающая способность РУ.

Алгоритм компенсации нестабильности времени воспроизведения КС рассматривается для дискретных сигналов {х(Г,), Принцип его

работы заключается в изменении сетки дискретизации в соответствии с заданным количеством дискретных отсчетов. Алгоритм является итерационным, каждая итерация состоит из двух этапов:

1. восстановление сигнала на заданном интервале;

2. определение требуемого значения сигнала в соответствии с новой сеткой дискретизации.

Для коррекции искажений вызванных изменением угла наклона КС предложен алгоритм, принцип работы которого заключается в проведении преобразования над множеством точек исходной кривой КС у*(1), [0; Т\} следующего преобразования

*(0 = /(фт(-а) + х*0)со$(-а) У(0 = У (0СО!>(~а)~х (0^п(-а)

где а - угол наклона КС относительно оси абсцисс выбранной системы координат. В результате преобразования будет сформирована кривая 5 = {х(0,У(0.[0;Л} траектории начертания КС, повернутая на угол а. Данное преобразование является изометрическим, оно не вносит искажений в динамические характеристики сигналов. Для определения значения угла а на кривой 5* выделяются два равных сегмента и ¡з^ Затем для каждого сегмента вычисляются координаты центра масс М\ и М2 множества точек, размещенных на сегменте. Угол наклона а как абсолютный скалярный инвариант вида

У1 = М1М2 — вектор, определяющий общее

определяется

'ч-е^

а = агсов

где

единичный вектор положительного

1т

направление начертания КС; р направление оси ОХ.

В завершении главы приводятся результаты экспериментальных исследований, анализ которых показывает увеличение информативности системы признаков после использования предложенных алгоритмов предварительной обработки сигналов.

посвящена вопросам разработки биометрической системы идентификации личности по динамике воспроизведения подписи. Рассматриваются вопросы выбора решающих правил, пригодных для проведения процедуры идентификации. Приводится

структурная схема и описание алгоритма работы программного модуля идентификации абонентов (рисунок 2)', разработанного для системы

Для решения задач идентификации в программном модуле предусмотрено два режима работы: регистрация и опознание. В режиме регистрации разработанное программное обеспечение позволяет создавать и проводить уточнение имеющихся эталонов в зависимости от

траектории начертания вводимого КС. В режиме идентификации обеспечивается выбор эталона, соответствующего начертанию введенного КС, и формирование результата в соответствии с выбранным решающим правилом. Следует отметить, что в алгоритме предусмотрен отказ от принятия решения в случае отсутствия эталона, топологическая структура которого, соответствует начертанию введенного КС.

В работе приводятся результаты экспериментальных исследований, полученные при сертификации системы «Рубеж» в лаборатории Гостехкомиссии России. Проведен сравнительный анализ тактико-технических характеристик системы в сравнении с зарубежными аналогами.

В заключении сформулированы основные результаты диссертационной работы.

Приложение содержит перечень принятых сокращений, листинг программы, а также акты, подтверждающие внедрение результатов работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В ходе теоретических и экспериментальных исследований, выполненных в диссертационной работе, получены следующие научные и практические результаты:

1. В результате исследования физического процесса воспроизведения рукописного слова, установлено, что признаки, формируемые путем анализа сигналов хф, у{1), гф, обладают наибольшей информативностью.

2. Предложена и исследована методика описания динамических характеристик сигналов подписи с помощью сплайн-аппроскимации. В отличие от известных алгоритм не требует значительных вычислительных затрат, однако позволяет обеспечить формирование высокоинформативных динамических признаков.

3. Предложены алгоритмы выделения значимых для идентификации индивидуальных динамических параметров подписи с помощью кратковременного анализа биометрических сигналов.

4. Разработаны и исследованы алгоритмы описания топологической структуры траектории движения пера при проведении биометрической идентификации. Применение предложенных алгоритмов позволило повысить достоверность принятия решения за счет анализа не только

динамических характеристик подписи, но и траектории ее начертания.

5. Разработаны и исследованы алгоритмы компенсации искажений сигналов, вызванных естественной вариабельностью почерка. Использование предложенных алгоритмов позволило обеспечить повышение информативности системы признаков.

6. Разработанные алгоритмы использованы в системах защиты информации и контроля доступа при создании программного обеспечения модулей биометрической идентификации абонентов.

Результаты работы могут применяться при создании систем биометрической идентификации, а также в задачах автоматического распознавания рукописного текста.

Основные положения диссертации изложены в следующих публикациях:

1. Сорокин И.А. Автоматическая система идентификации личности по динамике воспроизведения подписи./ Иванов А.И., Сорокин И.А. // Новые промышленные технологии. Вып. 6. 1993. С. 56-63.

2. Сорокин И.А. Синтез нечетких разделяющих функций в задачах биометрической аутентификации. / Иванов А.И., Сорокин И.А, Рыбченко Д.Е.// Специальная техника средств связи. Серия: системы, сети и технические средства конфиденциальной связи. - вып. 1. - Пенза: ПНИЭИ, 1996. -с. 107-111.

3. Сорокин И.А. Компьютер Вас узнает./ Иванов А.И., Сорокин И.А., Шумкин С.Н.// «Безопасность. Достоверность. Информация», №1, 1996, с. 18-21.

4. Сорокин И.А. Биометрическая аутентификация по динамике воспроизведения подписи с учетом нестабильности автора.// Специальная техника средств связи. Серия: системы, сети и технические средства конфиденциальной связи. - вып. 1. - Пенза: ПНИЭИ, 1996. - с. 88-92.

5. Сорокин И.А. Оценка возможности обучения в системах идентификации подписи. // Новые промышленные технологии. Вып. 6. 1996. с. 75-78.

6. Сорокин И.А. Сравнение алгоритмов масштабирования в системах биометрической аутентификации личности.// Специальная техника средств связи. Серия: системы, сети и технические средства конфиденциальной связи. - вып. 2. - Пенза: ПНИЭИ, 1997. - с. 94-99.

7. Сорокин И.А. Анализ траектории начертания ключевого слова в

задаче биометрической аутентификации./ Сорокин И.А., Иванов А.И.// Специальная техника средств связи. Серия: системы, сети и технические средства конфиденциальной связи. - вып. 2. - Пенза: ПНИЭИ, 1997. - с. 108-113.

8. Сорокин И.А Использование комплекса технических средств защиты информации «Рубеж» в технологическом оборудовании АЭС/ Сорокин И.А., Кологоров В.А., Шумкин С.Н.// Новые промышленные технологии. Вып. 4-5. 1998. С. 127-129.

9. Сорокин И.А. Сравнительный анализ информативности исходных сигналов, описывающих динамику воспроизведения подписи.// Пенза, ПНИЭИ, тезисы докладов научно-технической конференции «Информационная безопасность в сетях и системах связи», 6 октября

1998, с.63.

10. Сорокин И.А. Использование стандартных средств мультимедиа в биометрических системах ограничения доступа./ Сорокин И.А., Иванов А.И., Шумкин С.Н.// Пенза, ПНИЭИ, тезисы докладов научно-технической конференции «Информационная безопасность в сетях и системах связи», 6 октября 1998, с.61.

11. Сорокин И.А. Масштабирование сигналов в системах биометрической аутентификации по динамике подписи/ Сорокин И.А., Иванов А.И., Кологоров В.А. // Новые промышленные технологии. Вып. 6. 1998. с. 37-41.

12. Сорокин И.А. Система защиты информации от НСД с биометрической аутентификацией на основе стандартных устройств мультимедиа./ Сорокин И.А., Шумкин С.Н., Иванов А.И.// Новые информационные технологии и системы: Материалы 3 Международной научно-технической конференции. - Пенза, ПГУ, 1998. -С. 122-123.

13. Сорокин И.А. Анализ методов нормировки сигналов в системах биометрической аутентификации личности.// Пенза, тезисы докладов Второй Всероссийской научно-практической конференции «Технические средства периметровой охраны, комплексы охранной сигнализации и системы управления доступом», 18-20 мая 1999, с.87-90.

14. Сорокин И.А. Использование биометрической аутентификации в глобальных информационных сетях.// Надежность и качество. Инновационные технологии производству XXI века/ Кн. Докл. Международн. Симпоз., посвящ. 275-летию РАН. - Под ред. А.Н. Андреева, А.В. Блинова, Н.К. Юркова. - Пенза, Изд-во Пенз. гос. ун-та,

1999. - с.468 - 470.

15. Способ идентификации личности по особенностям подписи./ А.И.Иванов, И.А.Сорокин, ВЛ.Бочкарев, В.А.Оськин, В.В. Андрианов// Патент РФ № RU 2148274, опубл. 27.04.2000, БИ №12.

16. Сорокин И.А. Компенсация искажений, вызванных нестабильностью угла наклона подписи в биометрических системах аутентификации.// Безопасность информационных технологий. Труды научно-технической конференции. — 2002. - Пенза, Изд-во ПНИЭИ. Том 3. с.87-90.

17. Сорокин И.А. Анализ траектории начертания почерка при проведении биометрической идентификации личности./ Оленин Ю.А., Сорокин И.А.// Современные технологии безопасности. - 2003 г. - №3 (6) - с. 12-17.

18. Сорокин И.А. Компенсация искажений траектории начертания подписи в задачах биометрической аутентификации личности./ Оленин Ю.А., Сорокин И.А.// Проблемы объектовой охраны: Сб. науч. тр. — Вып. 3. - Пенза: ИИЦ ПГУ, 2004. - с.43-57.

19. Сорокин И.А. Компенсация искажений угла наклона рукописных знаков при проведении автоматической идентификации по динамике подписи./ Оленин Ю.А, Сорокин И.А// Проблемы объектовой охраны: Сб. науч. тр. - Вып. 2. - Пенза: ИИЦ ПГУ, 2004. - с.31-43.

20. Сорокин И.А. Алгоритм выделения признаков описания локальных особенностей динамики воспроизведения подписи.// Пенза, тезисы докладов Третьей Всероссийской научно-технической конференции «Современные методы и средства обработки пространственно-временных сигналов», 24-25 мая 2005, с.80-84.

СОРОКИН Игорь Александрович

Формирование системы признаков для идентификации личности по динамике воспроизведения подписи

Специальность 05.13.01 — Системный анализ, управление и обработка информации

Редактор Н. Д. Конопля Компьютерная верстка Л. П. Сорокина

Сдано в производство 30.05.05. Формат 60x84716. Бумага писчая. Печать офсетная. Усл. печ. л. 1,16.

_Заказ № 136. Тираж 100.

Информационно-издательский центр г. Заречного. 442960, Пензенская обл., г. Заречный, пр-т Мира, 21

15 ИЮЛ 2005

' ч д '

,'vVv \

! ЧЛХ !

\ V /

1652

ВВЕДЕНИЕ.

1. АНАЛИЗ ПРОЦЕССА ВОСПРОИЗВЕДЕНИЯ РУКОПИСНОГО СЛОВА И ПРИНЦИПОВ, ПРИМЕНЯЕМЫХ ДЛЯ ЕГО ОПИСАНИЯ.

1.1. Факторы формирования индивидуальных особенностей почерка.

1.2. Структура системы биометрической идентификации.

1.3. Анализ сигналов, используемых для идентификации.

1.4. Основные принципы регистрации биометрических сигналов.

1.5. Описание сигналов в системе признаков.

Актуальность работы. В последние годы резко возросла потребность в развитии и совершенствовании методов и средств обеспечения охранно-территориальной, физической и информационной безопасности военных и промышленных объектов России, в первую очередь, объектов ядерно-оружейного комплекса и предприятий ядерной энергетики, объектов топливно-энергетического комплекса, химической отрасли и т.п. Это связано с образованием новых государств на территории бывшего СССР и возникшей "полупрозрачностью" государственных границ, с резким ростом масштабов внутреннего и международного терроризма, небывалым размахом краж ценного имущества, с появлением в стране организованной преступности, с обострением социальных проблем в обществе. В этих условиях резко возросла потребность в развитии и совершенствовании методов и средств управления уровнем безопасностью важных государственных объектов, промышленно-хозяйственных предприятий малого и среднего бизнеса, объектов социального значения.

Рост степени организации и квалификации преступных групп, оснащение средствами радиосвязи, спецтехникой, специализированным программным обеспечением (ПО) требует расширения функциональных возможностей системы безопасности. В данных условиях принципы «сторожевой охраны» оказались несостоятельны. Изощренные методы совершения преступных деяний требуют адекватного противодействия с использованием всех самых современных научно-технических достижений. Оперативный сбор, обработка и отображение информации от сотен и тысяч охранных и пожарных датчиков, контроль и управление доступом на территорию тысяч людей с различными правами доступа невозможны без построения централизованной информационно-управляющей системы. Поэтому важнейшая роль в современных интегрированных системах безопасности объектов принадлежит комплексу технических средств охраны (КТСО), обеспечивающему на основе информационных сетей передачи данных и технологий обработки информации решение задач обнаружения и пресечения несанкционированных действий персонала и посторонних лиц. Системообразующим ядром КТСО являются системы контроля и управления доступом (СКУД) в силу того, что они решают наиболее сложные и важные задачи по разграничению доступа и обнаружению несанкционированных действий, в первую очередь, персонала и базируются на средствах вычислительной техники, имеющих развитый набор аппаратно-программных средств для расширения и возможности гибкой перестройки и развития за счет программного обеспечения. Вопросы создания КТСО и ИСБ объектов нашли свое отражение в работах российских ученых: Е.Т. Мишина,

A.B. Измайлова, Ю.А. Оленина, JI.E. Лебедева, Г.Е. Шепитько, А.Н. Членова,

B.А. Минаева, В.А. Герасименко, Э.И. Абалмазова, В.В. Волхонского и других.

Одной из основных функций СКУД, обеспечивающих как безопасность объекта, так и безопасность самой системы является обеспечение достоверной идентификации абонентов (субъектов системы) при попытке прохода через точку доступа или получении доступа к защищаемому информационному ресурсу. Для проведения идентификации субъектом должна быть явно или неявно предъявлена некоторая, присущая только ему информация (информация идентификации) [1, 2, 3]. Обычно в качестве информация идентификации выступает некоторый код, сообщаемый или выдаваемый пользователю на носителе в момент регистрации в системе. Основным недостатком данного подхода является отчужденность информации идентификации от субъекта, в результате чего появляется возможность компрометации информации идентификации какого-либо абонента [4]. Очевидно, что в случае хищения или изготовления дубликата носителя информации идентификации атака на защищаемые ресурсы может быть с большой степенью вероятности успешно завершена.

Единственной гарантией предотвращения несанкционированного доступа является сохранение информации идентификации в тайне или такая конструкция носителя, при котором изготовление его дубликата становится нецелесообразным. Однако данный подход требует значительных затрат связанных с обеспечением организационно-технических мероприятий, направленных на обеспечение безопасности информации идентификации. При этом с ростом количества субъектов системы затраты на проведение данных мероприятий значительно вырастают, а их эффективность снижается [5, 6]. Решением задачи обеспечения максимальной достоверности идентификации при минимальных затратах может стать использование каких-либо характеристик, которые не могут быть отчуждены от субъекта система. Такими характеристиками являются биометрические параметры человека.

В настоящее время в мире наблюдается активное развитие научно-технического направления, связанного с исследованием и анализом различных биометрических характеристик человека. Целью проводимых исследований является создание надежных методов идентификации, основанных на анализе рукописного почерка, голосу, рисунку кровеносных сосудов на руке или на поверхности глазного дна, радужной оболочке глаз, рисунку кожных покровов (пальцев, ладоней), геометрическим параметрам частей тела (руки, лица, ушей). Особенность использования рукописного почерка для идентификации по сравнению с альтернативными методами, основанными на анализе изображений, заключается в необходимости воспроизведения строго определенной последовательности действий, уникальной для каждого человека, то есть начертание подписи или заранее определенного ключевого слова (КС). Процесс воспроизведения начертания КС рассматривается в динамике, что обеспечивает невозможность подмены вводимого образца муляжом. Кроме этого процедура идентификации по динамике почерка позволяет регистрировать различные по своему написанию ключевые слова для каждого абонента системы. Данное свойство обеспечивает как дополнительную защиту от компрометации информации идентификации, так и возможность использования алгоритмов прохода под принуждением, что является обязательным условием создания СКУД [1]. Очевидно, что реализация таких возможностей при проведении идентификации с использованием различных биометрических рисунков и изображений принципиально неосуществима.

Следует также подчеркнуть возможность использования рассматриваемого принципа биометрической идентификации в устройствах класса персональных цифровых ассистентов (PDA - Personal Digital Assistent), типа Palm Pilot, Pocket PC и т.д. Данные устройства являются строго персонализированными, что требует высокой достоверности результата идентификации с одной стороны, и достаточно простых не препятствующих механизмов проведения аутентификации с другой стороны. Отличительной особенностью PDA является то, что в качестве устройства ввода в них используется чувствительный к нажатию экран, который может быть использован для регистрации динамики воспроизведения КС.

Созданием методов аутентификации по динамике почерка активно занимаются в десятках видных зарубежных центров (лаборатория Sandia, исследовательские центры IBM, университет Nagoya в Японии и др). Актуальность решения данной задачи подтверждает тот факт, что в США создана специальная лаборатория (Sandia National Laboratories), которая по контракту с правительством изучает и тестирует данные системы, а также выдает рекомендации по их применению.

Основные усилия разработчиков и исследователей данных систем сосредоточены на совершенствовании методов распознавания образов, статистической обработки данных и факторного анализа. Проблемы, связанные с разработкой специальных методов теории распознавания образов и созданием систем идентификации, рассмотрены в работах отечественных и зарубежных российских ученых А.И. Галушкина, В.М. Глушкова, А.И. Горелика, В.А. Скрипкина, В.А. Герасименко, В.И. Волчихина, А.И. Иванова, Ю.А. Оленина, R. Plamondon, G. Lorrette и других.

Вместе с тем ряд вопросов создания информационных систем идентификации личности по динамике воспроизведения подписи недостаточно изучены, в частности вопросы анализа траектории движения пера с точки зрения проведения биометрической идентификации. Кроме того, известные методики формирования системы признаков основаны на использовании ортогональных базисных функций. При этом совершенно не исследованы методы, построенные на использовании полиномиальных и корреляционных функций. Недостаточно проработаны вопросы по снижению влияния на результат идентификации нелинейных искажений исследуемых сигналов, неизбежно возникающие в связи с естественной вариабельностью динамики движения пера при воспроизведении рукописного слова.

Предлагаемые в работе методы и алгоритмы позволяют решить указанные выше задачи. Необходимо отметить, что результаты работы могут применяться не только при разработке биометрических систем аутентификации, но и при создании систем распознавания слитного рукописного почерка.

Объект исследования - процесс воспроизведения рукописного слова.

Предмет исследования - алгоритмы формирования информативной системы признаков описания индивидуальных особенностей воспроизведения рукописного слова, а также алгоритмы повышения информативности признаков за счет компенсации искажений сигналов, вызванных естественной вариабельностью почерка.

Целью диссертационной работы является создание, обоснование и реализация методов и алгоритмов формирования и повышения информативности системы признаков для проведения идентификации личности по динамике воспроизведения подписи.

Для достижения поставленной цели было необходимо решить следующие задачи:

1. исследовать физический процесс регистрации параметров сигналов, формируемых в процессе воспроизведения рукописного слова, с целью определения набора информативных признаков, описывающих динамику данного процесса;

2. провести анализ информативных признаков и математических моделей сигналов, используемых для описания процесса воспроизведения рукописного ключевого слова;

3. на основании результатов моделирования и экспериментальных исследований сформировать информативную систему признаков, описывающую индивидуальные особенности начертания рукописного ключевого слова;

4. создать методики повышения информативности системы признаков за счет компенсации искажений сигналов, вызванных естественной вариабельностью почерка;

5. показать практическую применимость разработанных методик и алгоритмов для решения конкретных научных и прикладных задач, возникающих при создании системы идентификации личности по динамике воспроизведения подписи.

Методологической основой работы являются методы теории цифровой обработки сигналов, теории вероятностей и математической статистики, теории распознавании образов, методов вычислительной математики и аналитической геометрии.

Научная новизна диссертации заключается в следующем:

1. Впервые предложен, обоснован и экспериментально исследован метод формирования информативных признаков описания динамики процесса воспроизведения рукописного слова, являющегося источником регистрируемых сигналов, с помощью модели интерполяции сигналов кубическими сплайнами, что обеспечивает высокую скорость обработки информации.

2. Предложен и экспериментально исследован способ формализованного представления локальных особенностей регистрируемых сигналов путем их сегментации, что обеспечивает более полное описание индивидуальных особенностей исследуемого процесса.

3. Предложена и обоснована иерархическая модель описания топологической структуры траектории начертания рукописного слова.

4. Определена и экспериментально исследована информативная система признаков описания индивидуальных особенностей динамики и траектории начертания рукописного слова.

5. Предложены, обоснованы и экспериментально исследованы алгоритмы компенсации искажений сигналов, обеспечивающие повышение информативности системы признаков. В отличие от известных предложенные алгоритмы обеспечивают компенсацию искажений, вызванных естественной вариабельностью почерка.

Практическая значимость работы.

Полученные в диссертационной работе теоретические и практические результаты обеспечивают возможность создания новых систем идентификации личности, обеспечивающих более высокую достоверность идентификации за счет использования информативной системы признаков, описывающей индивидуальные особенности динамики и траектории начертания подписи. Использование таких систем в системах контроля доступа позволило повысить физическую и информационную безопасность защищаемых объектов. Полученные результаты могут быть использованы при создании систем криптографической защиты информации, использующей в качестве ключа личные биометрические параметры человека.

Реализация и внедрение результатов работы осуществлено:

- Пензенским научно-исследовательским электротехническим институтом в виде системы биометрического ограничения доступа к ПЭВМ «Кордон»,

- Пензенским приборостроительным заводом (ПО «Старт») совместно с НПФ «Кристалл» выпускается система биометрического ограничения доступа к ПЭВМ «Рубеж», имеющая сертификат Гостехкомиссии РФ №107 от 06.08.97,

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на конференциях различного уровня, а именно:

- Всероссийской научно-технической конференции «Информационная безопасность в системах и сетях связи», г. Пенза, 1998 г.;

- III Международной научно-технической конференции «Новые информационные технологии и системы», г. Пенза, 1998 г.;

- научно-технических конференциях профессорско-преподавательского состава Пензенского государственного университета, г. Пенза, 1998-2005 гг;

- II Всероссийской научной конференции «Проблемы развития информационно-телекоммуникационных систем специального назначения», г. Орел, 1999 г.;

- Всероссийской научно-технической конференции «Вооружение, безопасность, конверсия», г. Пенза, 2003 г;

- III Всероссийской научно-технической конференции «Современные методы и средства обработки пространственно-временных сигналов», г. Пенза, 2005 г.

Публикации. По теме диссертации опубликовано 20 печатных работ, в том числе 12 статей, 7 тезисов докладов, 1 патент.

Структура и объем работы. Диссертационная работа состоит из введения, пяти глав основного материала, заключения, списка литературы из 117 наименований и приложений. Работа содержит 144 страницы основного текста, 38 рисунков и 6 таблиц.

Результаты работы могут применяться при создании систем биометрической идентификации, а также в задачах автоматического распознавания рукописного текста.

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

Q] - класс легитимных образцов подписи.

Q2 ~ класс попыток имитаций подписи

FFT — Fast Fourier Transformation (Быстрое преобразование Фурье); Wal — преобразование Уолша; x{t) - сигнал, формируемый путем проекции колебания пера на ось

ОХ в декартовой системе координат; y{t) - сигнал, формируемый путем проекции колебания пера на ось

OY в декартовой системе координат; z{t) — сигнал, формируемый путем проекции колебания пера на ось

OZ в декартовой системе координат; КС — ключевое слово;

ПО - программное обеспечение

РУ - регистрирующее устройство;

СЗИ НСД — система защиты информации от несанкционированного доступа; СКУД - система контроля и управления доступом; СФЗ - система физической защиты;

ЗАКЛЮЧЕНИЕ

В ходе теоретических и экспериментальных исследований, выполненных в диссертационной работе, получены следующие научные и практические результаты:

1. В результате исследования физического процесса воспроизведения рукописного слова, установлено, что признаки, формируемые путем анализа сигналов х(?), у{(), обладают наибольшей информативностью.

2. Предложена и исследована методика описания динамических характеристик сигналов подписи с помощью сплайн-аппроскимации. В отличие от известных алгоритм не требует значительных вычислительных затрат, однако позволяет обеспечить формирование высокоинформативных динамических признаков.

3. Предложены алгоритмы выделения значимых для идентификации индивидуальных динамических параметров подписи с помощью кратковременного анализа биометрических сигналов.

4. Разработаны и исследованы алгоритмы описания топологической структуры траектории движения пера при проведении биометрической идентификации. Применение предложенных алгоритмов позволило повысить достоверность принятия решения за счет анализа не только динамических характеристик подписи, но и траектории ее начертания.

5. Разработаны и исследованы алгоритмы компенсации искажений сигналов, вызванных естественной вариабельностью почерка. Использование предложенных алгоритмов позволило обеспечить повышение информативности системы признаков.

6. Разработанные алгоритмы использованы в системах защиты информации и контроля доступа при создании программного обеспечения модулей биометрической идентификации абонентов.

1. ГОСТ Р 51241-98. Средства и системы контроля и управления доступом. Классификация. Общие технические требования. Методы испытаний.

2. ГОСТ Р 50739-95 Средства вычислительной техники. Защита от несанкционированного доступа к информации. Общие технические требования.

3. Оленин Ю.А. Основы систем безопасности объектов: Учеб. пособие: Часть 1 Пенза: Информационно-издательский центр Пенз гос. ун-та, 2003 -122 с.

4. Барсуков B.C., Дворянкин С.В., Шеремет И.А. Безопасность связи в каналах телекоммуникаций. Том 20 М.: СП "Эко-Трендз" НИФ "Электронные знания", 1992.

5. Герасименко В.А. Защита информации в автоматизированных системах обработки данных. М.: Энергоатомиздат, 1994, кн. 1, кн. 2.

6. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений: Монография. Пенза, Изд-во Пенз. гос ун-та, 2000.- 188 с.

7. Ammar М., Yoshida Y, Fukumura Т. Feature extraction and selection for simulated signature verification. Proc. 3rd Int. Symp. on Handwriting and Comput. Applic. pp. 167-169, Montreal, 1987.

8. Беленков Н.Ю. Условный рефлекс и подкорковые образования мозга.-М. 1965.-301 с.

9. Као H.S.R., Galen G.P., Hoosain R. Graphonomics, contemporary research in handwriting./Elsevir, Amsterdam, 1986.

10. Automatic signature verification and writer identification the state of the art/ Plamondon Rejean, Lorette Guy.// Pattern Recogn.- 1989.-22, 2.- pp. 107-131.

11. Herbst N.M., Liu C.N. Signature verification method and apparatus utilizing both acceleration and pressure characteristics, U.S. Patent 4, 128.829, 1978.

12. Signature Authentication System Vericator. Материал фирмы Xenetek Corp., USA, California. 1994. 8 p.

13. Анатомия человека. В 2-х томах./ Э.И. Борзяк, В.Я. Бочаров, Л.И. Волкова и др.;/ Под ред. М.П. Сапина. М.: Медицина, 1987. т. 1 - 288 е., т. 2 -480 с.

14. Иванов А.И. Биометрическая идентификация личности по динамике воспроизведения быстрых движений.// Специальная техника средств связи. Серия: системы, сети и технические средства конфиденциальной связи. вып. 2. - Пенза: ПНИЭИ, 1997. - с. 88-93.

15. Иванов А.И., Сорокин И.А., Шумкин С.Н. Компьютер Вас узнает.// "Безопасность. Достоверность. Информация", №1, 1996, с. 18-21.

16. Разработка и исследование системы идентификации личности по динамике воспроизведения подписи. Шифр "Клиент-1".// Отчет по аванпроекту. №752, НИКИРЭТ, Пенза-19.

17. Handwriting Identification: Facts And Fundamentals. By: Huber, Roy A. // Joint Author Headrick, Alfred // Other Headrick, A. M. Trade, Publication Date: April 1999, Publisher: CRC Press, ISBN: 084931285X. Cloth 500 pp.

18. Brault J.J., Plamondon R., Robillard P.N. Handwriting modeling and simulation for the development of an instrumented pen. Proc. Int. Symp. on Modelling and Simulation, pp. 3-7, Bermuda, 1983.

19. Аткинсон P. Человеческая память и процесс обучения / пер. с англ. Под общей ред. Ю.М.Забродина, Б.Ф.Ломова.- М: Прогресс, 1980. 215 с

20. Achemalai М., Morurir М., Bonnefoy J.P. Dynamic signature verification. Proc. 4th Int. Conf. Exhibition on Comput. Security, Monte-Carlo, 1986.

21. Brault J.J., Plamondon R. Coupling visual and accelerometric features to study handwriting signatures. Proc. Vision Interface' 86. Vancouver, 1996, pp. 375379.

22. Liu C.N., Herbst N.M., Anthony N.J. Automatic signature verification and field test results. IEEE trans. Syst. Man. Cybernetics 9, pp. 35-38, 1979.

23. Crane H.D., Ostrem J.S. Automatic signature verification using a three-axis-force-sensitive pen. IEEE Trans. Syst. Man Cybernetics, ?13, pp. 329-337, 1983.

24. Герасименко B.A., Размахнин M.K., Родионов B.B. Технические средства защиты информации.// Зарубежная радиоэлектроника, № 12, 1989, с. 22-35.

25. Иванов А.И., Сорокин И.А. Автоматическая система идентификации личности по динамике воспроизведения подписи.// Новые промышленные технологии. Вып. 6. 1993. С. 56-63.

26. Физический энциклопедический словарь./ Гл. ред. A.M. Прохоров. Ред кол. Д.М. Алексеев, A.M. Бонч-Бруевич, А.С. Боровик-Романов и др. М.: Сов. энциклопедия, 1984. - 944 с.

27. Иванов А.И. Оценка систем биометрической аутентификации.// Защита информации. Конфидент., №2, 1998, с.77-81.

28. Strongio С.Е. Numerical comparison of similary structured data perturbed by random variations, as found in handwritten signatures. Technical Report, Dept. of Elect. Eng., MIT, 1989.

29. Plamondon R, Parizeau M. Signature verification from position, velocity and acceleration signals: a comparative study. IEEE Trans. On Pattern Analysis, Machine Intelligence, vol. CH-2614, n. 6, May 1988, p. 260-265.

30. DeBrune P. Signature verification using holistic measures. Computer Security, 14, pp. 309-315, 1985.

31. Edwards J.C., Paterson R.L. Position resolver for accelerometer pens. IBM tech. Disclos. Bull. 24, pp. 231-238, 1981.

32. Lorette G. On-line handwritten signature recognition based on data analysis and clustering. Proc. of 7-th I.C.P.R., vol. 2, pp. 1284-1287, Montreal, 1984.

33. M.Yasuhara, M.Oka. Signature verification experiment based on nonlinear time alignment: a feasibility study. IEEE Trans. System Man Cybernetics 17, 212216, 1977.

34. Sato Y., Kogure K., On-line signature verification based on shape, motion and handwriting pressure. Proc. 6-th Int. Conf. On Pattern Recognition, vol. 2, pp. 823826, Munich, 1982.

35. Beatson R. Signature Verification System Sign/On материалы фирмы Sign/On Division, USA, Columbia. 1993. 10 p.

36. Herbst N.M., Morrissey H. Signature verification method and apparatus, U.S. Paten 3983535, 1976.

37. Артамонов М.Ф. Обзор современных систем контроля доступа.// Банковские системы, №4, 1994, с. 43-51.

38. Беленков В.Д. Электронные системы идентификации подписей.// Конфидент, №6,1997, с. 39-42.

39. Ostrem J.S., Crane H.D. Automatic handwriting verification, Final technical report. Oct. 79-Mar.81, Sponsor: Rome Air Development Center, Griffiths AFB, NY, Report. RADC-TR-81-328, 1981.

40. Beatson R. Signature dynamics in personal identification. Proc. 4th World Congress Computer communication security and protection, pp. 179-196. Paris, 1985.

41. Сорокин И.А. Система идентификации личности по динамике воспроизведения подписи. // Информационный листок Пензенского ЦНТИ, 1995.

42. Brault J.J., Plamondon R. Handwritten circuit partitioning based on geometric and sequential information. Proc. 3rd Int. Symp. on Handwriting Comput. Applic., Montreal. 1987

43. Eernisse E.P., Land C.E., Snelling J.B. Piezoelectric sensor pen for dynamic signature verification. Proc. IEEE Int. Electron Devices Meeting, IEEE, New York. 1977.

44. Максвелл Д.К. Трактат об электричестве и магнетизме. М.: Наука -1989.-449 с.

45. Stuckert Р.Е. Magnetic pen and tablet. IBM-tech. Disclos. Bull. 22, pp. 12451251, 1979.

46. Горелик А.Л., Скрипкин B.A. Методы распознавания: Учеб. пособие для вузов. 3-е изд., перераб. и доп. - М.: Высш. шк., 1989. - 232 с.

47. Фомин Я. И., Савин А. В. Оптимизация распознающих систем. М.: Машиностроение, 1993 -312 е.

48. Патрик Э. Основы теории распознавания образов: Пер. с англ./ Под ред. Б.Р. Левина. М.: Сов. радио, 1980. - 408 с.

49. Залманзон Л.А. Преобразование Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. М.: Наука, Гл. ред. физ. мат. лит., 1989. - 496 с.

50. Ахмед P., Pao K.P. Ортогональные преобразования при обработке цифровых сигналов. М.: Связь, 1980. - 248 с.

51. Zimmerman К.Р., Varady M.J. Handwriter identification from one-bit quintized, pressure patterns. Pattern Recognition 18, pp. 63-72, 1985.

52. Дедюнов Н.Г., Сенин А.И. Ортогональные и квазиортогональные сигналы. М.: Связь, 1977. - 224 с.

53. Hale W.J., Paganini B.J. An automatic personal verification system based jn signature writing habits. Proc. 1980 Carnahan conf. on crime countermeasures. Univ. of Kentucky, pp. 121125, Lexington, KY.

54. Bills G.A., Varady M.J., Zimmermann K.P. Spectral analysis of script and signatures. Proc. 3rd Int. Symp. on Handwriting and Comput. Applic. Pp. 157-159. Applic. pp. 157-159, Montreal, 1987.

55. Сорокин И.А., Иванов А.И., Кологоров В.А. Масштабирование сигналов в системах биометрической аутентификации по динамике подписи // Новые промышленные технологии. Вып. 6. 1998. С. 37-41.

56. Фор А. Восприятие и распознавание образов /Пер с фр. А.В. Серединского; под ред. Г.П. Катыса. М.: Машиностроение, 1989. - 272 с.

57. Хеминг Р.В. Численные методы для научных работников и инженеров. М.: Наука, 1972, 400 с.

58. Lam C.F., Kamins D. Signature recognition through spectral analysis. Patter Recognition, vol. 22, 1, pp. 39-44, 1989.

59. S. N. Srihari, S.-H. Cha, H. Arora, and S. Lee. Individuality of handwriting. Journal of Forensic Sciences, 47(4): 1-17, July 2002.

60. Михотин В.Д., Шахов Э.К. Дискретизация и восстановление сигналов в информационно-измерительных системах: Учеб. пособие. Пенза, Пенз. политехи, ин-т, 1982. - 92 с.

61. Шуп Т. Прикладные численные методы в физике и технике: Пер. с англ. С.Ю. Славянова/Под ред. С.П. Меркурьева. М.: Высш. шк., 1990. - 225 с.

62. Марчук Г.И. Методы вычислительной математики: Учеб. пособие 3-е изд., перераб. и доп. - М.: Наука. Гл. ред. физ.-мат. лит., 1989, - 608 с.

63. Chung Р.С. Machine verification of handwriten signature image. Proc. 1977 Int. Conf. on Crime Countermeasures Sci and Engineering, J.S. Jackson and R.W. De Vore, eds, pp. 105-109, University of Kentucky, Lexington, 1977.

64. Самарский А.А., Гулин А.В. Численные методы. М., Наука, 1989. 158 с.

65. Волчихин В.И., Чистова Г.И. Теория и техника построения сейсмических информационных систем.: Учеб. пособие. Пенза, Изд-во Пенз. гос. ун-та, 1998,- 136 с.

66. Математическая обработка результатов исследований в медицине, биологии и экологии: Монография / С.А. Воробьёв, A.A. Яшин; Под ред. A.A. Яшина. Тула: ТулГУ, 1999. - 120 с.

67. Пересада В.П. Автоматическое распознавание образов. JL, Энергия, 1970.

68. Мармарелис П., Мармарелис В. Анализ физиологических систем (метод белого шума). М.: Мир, 1981. 480 с.

69. Миленький A.B. Классификация сигналов в условиях неопределенности. (Статистические методы самообучения в распозновании образов). М., Сов. Радио, 1975.-328 с.

70. Способ идентификации личности по особенностям подписи. /А.И.Иванов, И.А.Сорокин, В.Л.Бочкарев, В.А.Оськин, В.В. Андрианов //Патент РФ № RU 2148274, опубл. 27.04.2000, БИ №12.

71. X. Хармут. Теория секветного анализа: Пер. с англ./ Под ред. JI.M. Сороко. М.: Мир, 1980. - 574 с.

72. Аминов Ю.А. Дифференциальная геометрия и топология кривых. М.: Наука, 1987- 159 с.

73. Adnan Amin. Recognition of hand-printed Latin characters based on generalized Hough transform and decision tree learning techniques // International Journal of Pattern Recognition and Artificial Intelligence.- 2000 Vol.14, No.3-P. 369-387.

74. Криминалистика/ Под ред. проф. И.Ф. Крылова. Издательство Ленинградского университета, 1976. - 540 с.

75. Справочник по математике (для научных работников и инженеров)/ Г. Корн, Т. Корн : Пер. с англ./ Под ред. И.Г. Арамановича. М.: Наука, 1973. -831 с.

76. Новиков Ф. А. Дискретная математика для программистов. СПб.: Питер, 2002.-304 с.

77. Рамишвили Г.С. Автоматическое опознавание говорящего по голосу. -М.: Радио и связь., 1981. 224с.

78. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ./ Под ред. Ю.И. Журавлева. М.: Мир, 1978. - 412 с.

79. Лбов Г.С. Выбор эффективной системы зависимых признаков//Труды Сиб.отд.АН СССР: Вычислительные системы.- Новосибирск, 1965, вып. 19 -с.87-101.

80. Кловский Д.Д. Теория передачи сигналов. М.: Связь, 1973. 367 с.

81. Дмитриев В.И. Прикладная теория информации. М.: Высш. шк., 1989.-320 с.

82. Сорокин ИА. Сравнение алгоритмов масштабирования в системах биометрической аутентификации личности.// Специальная техника средств связи. Серия: системы, сети и технические средства конфиденциальной связи. вып. 2. - Пенза: ПНИЭИ, 1997. - с. 94-99.

83. Справочник по теории вероятностей и математической статистике/ B.C. Королюк, Н.И. Портенко, А.В. Скороход, А.Ф. Турбин. М.: Наука. Главная редакция физико-математической литературы, 1985.- 640 с.

84. Смирнов Н.В., Дунин-Барковский Н.В. Курс теории вероятностей и метематической статистики для технических приложений. М.: Наука, 1969.

85. Сорокин И.А. Оценка возможности обучения в системах идентификации подписи. // Новые промышленные технологии. Вып. 6. 1996. С. 75-78. Пенза, ПГУ, 1998.-С. 122-123.

86. А. К. Jain, F. D. Griess, S. D. Connell. On-line Signature Verification. // Pattern Recognition, vol. 35, no. 12, pp. 2963-2972, 2002.

87. Lu S.Y., A tree-matching algorithm based on node splitting and merging. IEEE Trans. Pattern Recognition and Machine Intelligence, vol. PAMI-6, n.2, March 1984, p. 249-256.

88. F. Hao, C. W. Chan. Online Signature Verification Using a New Extreme Points Warping Technique// Pattern Recognition Letters, 2003, vol. 24, no. 16, pp. 2943-2951

89. Plamondon R., Brault J.J., Robillard P.N. Optimizing the basing of an accelerometric pen for signature verification. Proc. 1983 Conf. on Crime Countermeasures and Security Tech., Lexington, 1983.

90. Watson R.S. Automatic signature verification (VERISIGN). Proc. Conf. on Sci. and Security, p. 13, Brighton, 1979.

91. Бендат Дж., Пирсол А. Измерение и анализ случайных процессов: Пер. с англ. М.: Мир, 1971. - 408 с.

92. Бендат Дж., Пирсол А. Применение корреляционного и спектрального анализа: Пер. с англ. М.: Мир, 1983. - 312 с.

93. Брейсуэлл Р.Н. Быстрое преобразование Хартли.// ТИИЭР. 1984. -Т. 72, №8. -С. 19-27.

94. Гроот М. Де. Оптимальные статистические решения: Пер. с англ./ Под ред. Ю.В. Линника, A.M. Кагана. М.: Мир, 1974. - 490 с.

95. Загоруйко Н.Г. Методы распознования и их применение. М.: Советское радио, 1972.-208 с.

96. Кологоров В.А., Сорокин И.А., Шумкин С.Н. Использование комплекса технических средств защиты информации "Рубеж" в технологическом оборудовании АЭС.// Новые промышленные технологии. Вып. 4-5. 1998.1. С.127-129.

97. Кузьмин И.В. Оценка эффективности и оптимизации автоматических систем контроля и управления. М.: Советское радио, 1971. - 294 с.

98. Классификация и кластер/ Под ред. Дж. Вэн Райзина: Пер. с англ./ Под ред. Ю.И. Журавлева. М.: Мир, 1980. - 390 с.

99. Молдовян A.A. Организация комплексной защиты ПЭВМ от несанкционированного доступа.// "Информатика" сер. Проблемы ВТ и информатизации, № 2, 1991.

100. Вентцель Е.С. Теория вероятностей. М.: Физматгиз, 1964.

101. Распознавание образов: состояние и перспективы/ К. Верхаген, 3. Д(йн, Ф. Грун и др. М.: Радио и связь, 1985. - 104 с.

102. Расторгуев С.П. Программные методы защиты информации в компьютерах и сетях. М.: Изд-во агентства "Яхтсмен", 1993. - 188 с.

103. Фомин А.Я., Тарловский Г.Н. Статистическая теория распознавания образов. М.: Радио и связь, 1986. - 264 с.

104. Харкевич A.A. Опознание образов// Радиотехника, 1959, т. 14, 15.

105. Цапенко М.П. Измерительные информационные системы: Структуры и алгоритмы, системотехническое проектирование: Учеб. пособие для вузов. 2-е изд. перераб. и доп. - М.: Энергоатомиздат, 1985. - 439 с.

106. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970. -252 с.