автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Методы, алгоритмы и программное обеспечение интеграции биометрических информационных технологий

На правах рукописи

Ушмаев Олег Станиславович

МЕТОДЫ, АЛГОРИТМЫ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ИНТЕГРАЦИИ БИОМЕТРИЧЕСКИХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

Специальность 05.13.17 - Теоретические основы информатики

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Москва 2004

Диссертация выполнена в Институте проблем информатики РАН. Научный руководитель - заслуженный деятель науки РФ, доктор технических наук, профессор И.Н. Синицын.

Официальные оппоненты:

- доктор физико-математических наук Обухов Юрий Владимирович

- кандидат физико-математических наук Синько Олег Валентинович

Ведущая организация - Научный совет по кибернетике РАН

Защита состоится «

Я» на заседании

диссертационного Совета Д002.073.01 при Институте проблем информатики РАН по адресу: 119333, Москва, ул. Вавилова, д.44 /2.

С диссертацией можно ознакомиться в библиотеке Института проблем информатики РАН.

Отзывы в одном экземпляре, с заверенной подписью, просим направлять по адресу: 119333, Москва, ул. Вавилова, 44/2, в диссертационный Совет.

Автореферат разослан

Ученый секретарь диссертационного Совета, доктор технических на*™*

профессор

Общая характеристика работы

Актуальность работы. В настоящее время приобретают широкое распространение биометрические (основанные на физиологических и поведенческих характеристиках человека, например, отпечатке пальца или радужной оболочке глаза) технологии автоматической аутентификации и идентификации личности. Это обусловлено множеством причин. Во-первых, из-за быстрого развития сектора электронной коммерции значительно возросли требования к защищенности информационных ресурсов. Во-вторых, быстрый рост производительности современных вычислительных средств сделал возможным внедрение биометрических технологий в системы реального времени. В-третьих, в связи с возросшей в последние годы угрозой терроризма увеличился интерес к средствам биометрической идентификации со стороны государства.

Как показывают многочисленные результаты тестирований биометрических систем, на современном уровне развития технологий ни одна из существующих систем, использующая одно биометрическое измерение (например, отпечаток пальца или радужную оболочку глаза), не может в полной мере обеспечить требуемых уровней надежности и ошибок 1-го и 2-го рода. В такой ситуации особенно актуальной становится проблема интеграции биометрических систем.

С алгоритмической точки зрения интеграция является сложной прикладной математической задачей. Показатели работы биометрических систем, такие как ошибки распознавания, в основном носят статистический характер, поэтому основной проблемой синтеза комбинированных систем является достижение требуемых статистических критериев качества. Прямое применение соответствующих методов математической статистики затруднено спецификой биометрических систем и малыми размерами обучающих выборок.

Также в настоящее время является актуальной проблема создания средств автоматической настройки комбинированных биометрических систем. Для этого требуется не только развитие математических методов, но и стандартизация выходных данных биометрических систем.

Вместе с тем, несмотря на потребности практики, в настоящее время не только отсутствуют алгоритмы автоматической интеграции различных биометрических систем, но и теоретические наработки в данной области не нашли должного распространения в научно-технической литературе. Существующие разработки в данной области, как правило, представляют

собой отдельные примеры интеграции систем в рамках рекомендаций международных стандартов -70-х годов, когда перспективы интеграции биометрических технологий серьезно не рассматривались.

Целью исследования является разработка методов, алгоритмов и программного обеспечения оптимальной интеграции биометрических технологий для систем автоматической аутентификации и идентификации, в частности для автоматических дактилоскопических идентификационных систем (АДИС). Для достижения поставленной цели необходимо решение следующих задач:

1. обобщить опыт разработки методов и алгоритмов синтеза комбинированных биометрических систем и выявить направления их совершенствования;

2. разработать прикладные статистические методы оценки качества комбинированных биометрических систем;

3. разработать алгоритмы эффективной интеграции биометрических систем, а также специализированные алгоритмы с учетом специфики АДИС;

4. разработать статистические критерии верификации результатов автоматической интеграции биометрических систем;

5. экспериментально проверить разработанное базовое алгоритмическое и программное обеспечение автоматической настройки комбинированных биометрических систем на ПЭВМ и высокопроизводительных вычислительных средствах.

Методы исследования. В работе использованы современные методы теории вероятностей и математической статистики, обработки изображений и теории оптимизации, методы программирования и моделирования на ЭВМ, а также рекомендации действующих и разрабатываемых отечественных и международных стандартов по биометрическим технологиям.

Научная новизна и результаты, выносимые на защиту. В работе лично диссертантом получены следующие основные результаты:

1. новые методы и алгоритмы интеграции биометрических информационных технологий;

2. новые алгоритмы распознавания по отпечаткам пальцев, компенсирующие влияние упругих деформаций пальца;

3. базовое программное обеспечение интеграции биометрических технологий.

Теоретическая значимость состоит в развитии методов интеграции биометрических систем, оптимизирующих уровни ошибок 1-го и 2-го рода. Практическая ценность исследования заключается в том, что разработанные алгоритмы и программное обеспечение могут использоваться для построения комбинированных биометрических технологий.

Реализация результатов работы. Результаты диссертации реализованы в Проектах РФФИ (№01-01-00758, №04-01-00270), Государственном контракте ОИТВС 01/097-098/210503-180, а также в продуктах компании «Biolink Technologies».

Апробация работы. Материалы диссертации излагались и обсуждались на семинаре по программе ОИТВС РАН «Научные основы автоматизации и управления» и на следующих научно-технических конференциях: «Методы и средства обработки информации» (Москва, 2003), «Распознавание 2003» (Курск, 2003), «Workshop on Multimodal User Authentication» (Santa Barbara, 2003), «Идентификация систем и проблемы управления SICPRO'04» (Москва, 2004), «SPIE Symposium on Security & Defense» (Orlando, 2004), «European Conference on Computer Vision 2004» (Prague, 2004).

Публикации. Материалы диссертации отражены в отчетах ИПИ РАН, по теме диссертации опубликовано 5 печатных работ.

Структура и объем работы. Диссертация состоит из введения, пяти разделов, заключения и приложения. Содержание работы изложено на 130 страницах машинописного текста, иллюстрированного 52 рисунками и 26 таблицами. Список использованных источников составляет 125 наименований.

Содержание работы

Во введении обоснована актуальность проблемы, дана краткая характеристика тематических публикаций и описана общая структура диссертации.

В первом разделе приведен обзор современных биометрических технологий и методов биометрической идентификации, обобщен опыт создания комбинированных биометрических систем, сформулированы цель и задачи работы.

В подразделе 1.1 рассмотрены основные типы и режимы работы автоматических биометрических систем, приведены основные показатели качества таких систем и методы их оценки. В частности отмечено, что основные технологические показатели функционирования систем автоматической аутентификации и идентификации носят вероятностный характер. Для систем аутентификации основными технологическими показателями являются ошибки 1-го (вероятность отказать в. доступе «своему» или FRR, False Rejection Rate) и 2-го (пропустить «чужого» или FAR, False Acceptance Rate) рода.

Подраздел 1.2 посвящен методам биометрической идентификации. Дана общая характеристика методов, приведены оценки эффективности. Отмечено доминирующее положение метода распознавания по отпечатку пальца, как на рынке коммерческих биометрических системах аутентификации, так и в высокопроизводительных, преимущественно государственных, системах автоматической идентификации.

В подразделе 1.3 изложены основные подходы к построению комбинированных биометрических систем. Особое внимание уделено классификации комбинированных биометрических систем и современным подходам к их интеграции. В частности, отмечено, что следует разделять два важных аспекта интеграции: технический и алгоритмический-

С технической точки зрения интеграция технологий может быть существенно упрощена стандартизацией программного интерфейса биометрических приложений. В таком случае интеграция различных биометрических технологий может осуществляться на уровне вызовов API операционной системы. На данный момент отсутствует общепринятый стандарт, но есть существенные наработки в этой области отечественных и международных комитетов по стандартизации, а также независимых групп, объединяющих производителей биометрических систем.

Также отмечено, что современные тенденции требуют разделения процесса сравнения биометрических измерений и процесса интеграции, что позволяет технически осуществлять интеграцию на верхнем уровне прикладного программного интерфейса. Схематически это представлено на рисунке 1, где приведена оптимальная схема реализации комбинированной биометрической технологии, которая может быть реализована согласно рекомендациям перспективных стандартов, в частности, стандарта BioAPI.

В подразделе 1.4 сформулированы основные задачи диссертационного исследования, очерчены пути их решения.

Во втором разделе рассмотрены алгоритмы распознавания по отпечаткам пальцев.

В подразделе 2.1 дана общая классификация основных алгоритмов распознавания по отпечатку пальцев и рассмотрены факторы, влияющие на показатели их работы.

Базовые алгоритмы сравнения отпечатков пальцев делятся на две основные группы:

классические алгоритмы; корреляционные алгоритмы.

Классические алгоритмы предполагают сравнение расположение особых точек (минюций) отпечатков пальцев. Такой подход к сравнению отпечатков позволяет сжимать полученный со сканера отпечаток в шаблон, по которому невозможно восстановить исходный отпечаток.

Корреляционные алгоритмы сравнивают отпечатки как изображения. Существуют разные подходы к разработке корреляционных алгоритмов. Однако большинство из них требует хранения в базе биометрических записей части изображения, что из соображений безопасности делает применение таких алгоритмов в некоторых системах, либо нежелательным, либо невозможным (злоумышленник может воспользоваться изображением

отпечатка с целью создания муляжа отпечатка для последующего использования его в преступных целях).

Среди факторов, ухудшающих показатели работы как классических, так и корреляционных алгоритмов в работе выделены следующие:

1. плохое качество отпечатков. Может быть вызвано плохими условиями съемки (высокая влажность, низкая температура и т.д.), особенностями кожи, качеством сканирующего устройства. На сегодняшний день разработано множество способов улучшить качество изображения. Среди них можно выделить: различные методы фильтрации, в том числе специализированные, учитывающие особенности отпечатков пальцев, методы бинаризации, скелетизации и т.д.

2. деформации отпечатка. Может быть вызвано непривычностью устройства или намеренным желанием обмануть систему. На сегодняшний день существует очень ограниченное число публикаций, касающихся учета и моделирования деформаций отпечатков пальцев.

Эффективный учет деформаций может свести задачу сравнения отпечатков пальцев к статистической задаче распознавания с учетом шумов.

В подразделе 2.2 приведена схема корреляционного алгоритма. Типовая схема корреляционного алгоритма предполагает вычисление прямого наложения участков изображения. Однако прямая корреляция всего изображения с целью выделения совпадающих участков является слишком трудоемкой процедурой, особенно, если дополнительно осуществлять перебор по поворотам. Поэтому такая схема редко используется в реальных системах.

В этой связи в работе предлагается усовершенствованная схема более быстрого корреляционного алгоритма.

На этапе создания шаблона регистрации выполняются следующие процедуры:

1. выделение на изображении участков высокой кривизны (такие участки как элементы текстуры несут наибольшую информацию);

2. вычисление на участках высокой кривизны локальной спектральной картины, инвариантной к сдвигам.

Сравнение осуществляется следующим образом:

1. для всех возможных соответствующих пар точек изображений вычисляется расстояние между спектральными картинами. По этому расстоянию происходит сортировка всех пар;

2. для к пар (к варьируется от 3 до 35) давших наименьшее спектральное расстояние вычисляется прямая свертка двух окрестностей на изображениях.

Использование такого алгоритма в основном целесообразно для полупроводниковых сканеров малой площади, дающие изображения плохого качества. В таких случаях зачастую классические алгоритмы не работают из-за малых площадей пересечения отпечатков и недостаточного числа выделяемых минюций.

Реализация данного корреляционного алгоритма используется в разделе 4 при статистическом анализе интеграции классических и корреляционных алгоритмов распознавания по отпечатку пальца.

В подразделе 2.3 изложена математическая модель деформаций отпечатков пальцев и приведен метод компенсации деформаций с автоматическим наведением по опорным точкам изображения.

Аналитическая модель деформации разработана в предположении, что динамика деформации отпечатка пальца описывается решением следующего линейного уравнения механики деформируемого тела

0)

где и — вектор смещений, X, fi, р — упруго-массовые константы, f - вектор дейртвующих сил, t— время, V— градиент, V2 —оператор Лапласа.

Так как доступной для считывания информацией является снимок, сделанный в момент, когда палец неподвижен, вектор смещения должен удовлетворять следующему стационарному уравнению:

(2)

В диссертации используются два метода решения данного уравнения: метод конечных элементов (МКЭ) и метод свертки.

Решение методом конечных элементов. Известно, что решение уравнения (2) минимизирует функционал энергии

Е0 =-A + Ed =^¡{u,t)dS+±j(elal + £¡(Tj+£fá)dS, (3)

где S — область контакта пальца и поверхности сканера,

компоненты тензоров натяжений Б И давлений с соответственно, вычисляемые через вектор смещения по следующим формулам:

s'¡ и

а} -

При известных действующих силах Г минимум функционала энергии (3) и решение уравнения (2) может быть найдено методом конечных элементов. Однако на практике распределение вектора действующих сил найти невозможно.

В диссертации предложен метод приближенного вычисления функционала (3) в ситуации, когда отсутствует априорная информация о распределении действующих сил.

Предположим, что известны два набора соответствующих друг другу точек изображения, т.е. при точном определении поля векторов смещений выполнено следующее условие:

р;+и(р))=Ч„

набор точек первого изображения, набор точек второго

изображения. Рассмотрим следующий аналог функционала энергии:

0'(и) = £(Ди)+©5(и), (4)

5(и)=Х(Р/+и(Р/)"Ч/)2 (5)

отражает меру соответствия опорных точек. Коэффициент 0 показывает «вес» каждой из компонент функционала энергии Ж. Физически функционал энергии (4) соответствует силам, действующим в направлениях смещений опорных точек.

Показано, что приведенный функционал устойчив к вычислительным погрешностям в определении опорных точек, следовательно, данную модель можно использовать в автоматическом режиме.

В качестве опорной информации используется соответствие точек отпечатков пальцев, найденное классическим алгоритмом, принцип работы которого изложен в подразделе 2.1. Решетка векторов смещений ищется на прямоугольной сетке методом конечных элементов.

Результатами такого алгоритма является, во-первых, деформация изображения, во-вторых, интегральные характеристики: значение функционалов энергии деформации и функционала невязки (4).

На рисунке 2 представлено прямое наложение двух отпечатков без учета и с учетом деформации.

Как видно из рисунка 2 результат прямого наложения с компенсацией деформаций значительно лучше внутри выпуклой оболочки опорных точек. Вне выпуклой оболочки невозможно определить деформацию без дополнительной информации и, следовательно, решение в данной области не имеет физического смысла.

Рис 2. Прямое наложение изображений отпечатков пальцев (А - только с компенсацией жесткого движения, Б - с компенсацией деформаций)

Решение методом свертки. Если распределение сил известно с точностью до множителя, уравнение (2) можно переписать в следующей форме:

1и = У2и+кУФуи = -Р, (6)

<*+/* г-

где -, г — вектор действующих сил с точностью до множителя.

Для человеческой кожи параметр к » 2,4911.

Переходная, функция Н обратного оператора ¿'1 вычисляется по следующей формуле:

Соответственно обратным преобразованием Фурье можно получить импульсный отклик Ь^Д') на приложенную точечную силу. На рисунке 3 приведен пример деформации, вызванной точечной силой. Решение уравнение (6) представляется в виде свертки

= (7)

РисЗ. Импульсный отклик (1 - приложенная точечная сила, 2 - соответствующая деформация)

Взяв в качестве базовой информации о деформации соответствие точек на двух изображениях, итоговую деформацию можно представить в виде

и(*>;и)=г£(ч/-Р^ъуУ -р()*ь(*,^), (8)

где у — настроечный коэффициент, вычисляемый минимизацией функционала S(и).

Существенным преимуществом данного метода по сравнению с МКЭ является меньшая вычислительная сложность. Также данный метод позволяет исключать ложные соответствия, дающие наибольшую невязку в функционале (5). Недостатком является его интегральный характер, т.е. понятие границы отпечатка в нем полностью отсутствует, в то время как МКЭ позволяет получить удовлетворительное решение в любой зздзнной области.

В подразделе 2.4 приведены результаты статистического анализа алгоритма компенсации деформаций для изображений отпечатков пальцев различных размеров и качества. Показано, что подавление деформаций улучшает качество распознавания алгоритмов как классического, так и корреляционного типа.

Также отмечено, что энергию деформации можно использовать как вспомогательную меру сходства.

В третьем разделе изложены методы синтеза комбинированных мер сходства.

В подразделе 3.1 рассмотрены математические проблемы синтеза оптимальных комбинированных мер сходства.

В обычной схеме функционирования биометрической системы в режиме верификации система на выходе дает число, отражающее сходство

двух биометрических записей. Соответственно, если интегрируются несколько биометрических систем, результат сравнения можно представить вектором в п-мерном признаковом пространстве, где п - число используемых систем.

В случае одной системы решение о признании двух биометрических записей идентичными принимается на основе установленного порога, понижая или повышая который можно регулировать уровни ошибок 1-го и 2-го рода. В случае нескольких систем количество возможных решающих правил не параметризуется элементами конечномерного пространства. Следовательно, задача синтеза оптимального комбинированного решающего правила не сводится к перебору параметров.

Если отойти от реальных систем и рассматривать задачу синтеза оптимального решающего правила, обеспечивающего минимальное значение ошибки 1-го рода при фиксированной ошибке 2-го рода, то оптимальное решающее правило и соответствующую ему интегральную меру сходства можно получить, используя теорему Неймана-Пирсона. А именно оптимальными гиперповерхностями, разделяющими области принятия и отвержения гипотезы об идентичности биометрических записей, являются те, на которых отношение плотности распределения меры сходства «на своих» к плотности меры сходства «на чужих» постоянно.

Однако специфика биометрических систем в большинстве случаев делает применение данной теоремы практически нецелесообразным.

Рассматриваемые в диссертации комбинированные меры сходства можно разделить на два класса:

1. оптимальные. В таком случае синтезируются комбинированные меры сходства, обеспечивающие наименьшую ошибку 1-го рода при фиксированной ошибке 2-го рода;

2. условно оптимальные. В таком случае оптимизация осуществляется внутри некоторого класса мер сходства.

Исходной информацией для синтеза комбинированных оптимальных мер сходства являются совместные распределения результатов сравнения индивидуальных биометрических записей.

При синтезе условно оптимальных комбинированных мер сходства информация о распределениях ограничивается набором интегральных характеристик, таких как моменты. Результаты такой интеграции могут быть несколько хуже на тестовом массиве, однако в целом являются более устойчивыми к погрешностям в тестовой выборке.

В подразделе 3.2 изложены методы синтеза оптимальных комбинированных мер сходства для независимых биометрических технологий.

Под независимостью в данном случае подразумевается следующее. Биометрическая запись, получаемая от сканирующих устройств, в случае комбинированной системы состоит из нескольких полей. Независимость означает, что результаты сравнений разных полей статистически независимы. Например, можно с высокой степенью уверенности считать, что независимы результаты сравнения термограмм лица и отпечатков пальцев, формы лица и формы ладони и т.д. В то же время результаты сравнения формы лица и термограммы лица являются статистически зависимыми.

Введем следующую адаптивную меру сходства:

s0P.(s)=In

(

(9)

где frnp (®) и fgcJp) ~ совместные плотности распределения мер сходства

«на чужих» (impostor) и «на своих» (genuine) сравнениях соответствешю.

Тогда можно показать, что решающее правило {sopt(s)>¿j является

оптимальным по критерию минимума ошибок 1-го и 2-го рода.

Независимость позволяет факторизовать совместные плотности распределений результатов нескольких тестов. А именно принять

f,mp(s)=fLPkl¡~flP{s"b (10)

f^f^U^l (11)

/виД5') и -/geni5') ~ индивидуальные плотности распределения. Тогда

где

оптимальную меру сходства можно разложить по отдельным компонентам:

<*И=1п

^fimpi? )_

(12)

(13)

Следовательно, после нормализации меры сходства оптимальный комбинированный критерий строится как простая сумма.

При практическом использовании полученной меры сходства необходимо проверять следующее основное требование: эмпирически

построенная нормализованная мера сходства должна быть монотонной функцией от исходной меры сходства. Это требование обусловлено естественными особенностями биометрических алгоритмов. Несоблюдение данного условия может быть вызвано:

1. недостаточным объемом выборки

2. ошибкой алгоритма

3. грубыми ошибками в исходной выборке

Все перечисленные проблемы не могут быть учтены в автоматическом режиме.

Подраздел 3.3 посвящен синтезу условно оптимальных комбинированных мер сходства.

Синтез условно оптимальных комбинированных мер сходства основывается на параметризации распределений меры сходства «на своих» и «на чужих» сравнениях. Обычно удается с высокой точностью (до порядка 10-4) приблизить функцию распределения «на чужих». В то же время доверительный интервал для эмпирической функции распределения «на своих» может составлять до нескольких процентов, что существенно снижает точность методов подраздела 3.2.

• Эмпирические наблюдения показывают, что распределения меры сходства «на своих» в большинстве случаев очень близко к нормальному. В таком случае можно параметризовать распределение меры сходства «на своих» методом моментов. А именно, плотность распределения в интервале значений приближается следующей функцией: (-»?

2*7*

(14)

где полином степени математическое ожидание меры

сходства, О" — среднеквадратическое отклонение меры сходства. Так как область значений является конечным интервалом, первые два момента базового обрезанного нормального распределения могут не совпадать с эмпирическими моментами меры сходства. Приблизив распределение «на своих» функцией (14), адаптивная нормализованная мера сходства выражается следующим образом:

Чтобы избежать конфликтов, следует убедиться, что полученная адаптивная мера удовлетворяет требованию монотонности, упомянутому

выше. На рисунке 4 приведены результаты параметризации методом моментов (пустыми маркерами отмечены случаи, когда полученная адаптивная мера является неестественной) меры сходства отпечатков пальцев, взятых из дактилокарт базы NIST SD14.

овз

0.005

23456789 10

—♦—Правый указательный

■ Правый большой

* Левый указательный

* Левый Большой Доверительный интервал

Рис 4. Отклонение функции распределения, полученной методом моментов, от эмпирической функции распределения (уровень доверия 99.5%) в зависимости от количества

используемых моментов.

Как видно из графиков оптимальным является использование первых четырех моментов. Использование большего числа моментов не дает выигрыша с точки зрения приближения функции распределения и в то же время может привести к снижению робастности метода. Аналогичная точность получена для большого количества реальных биометрических систем.

Также в данном разделе предлагается аналогичный подход для интеграции статистически зависимых технологий таких, как различные алгоритмы сравнения одного и того же биометрического измерения или получения комбинированных мер сходства карт отпечатков пальцев, основанных на алгоритмах сравнения каждого пальца, для использования в АДИС.

Специфика статистически зависимых технологий фактически не позволяет использовать методы синтеза оптимальных комбинированных мер сходства, изложенные в подразделе 3.2. Во-первых, для достижения приемлемой точности оценок многомерных функций распределения зачастую не хватает статистики. Во-вторых, методы подраздела 3.2 не дают реальных возможностей экстраполировать ошибки 1-го и 2-го рода на области с высокой комбинированной мерой сходства. Поэтому целесообразно для интеграции статистически зависимых технологий использовать обобщение методов параметризации распределений.

Проведенный статистический анализ показывает хорошую точность и устойчивость такого подхода на общедоступных тестовых массивах (FVC2002, NIST Special Databases).

Четвертый раздел посвящен статистическому анализу комбинированных мер сходства для различных комбинированных биометрических систем.

В подразделе 4.1 приведены результаты статистического анализа оптимальных комбинированных мер сходства для независимых биометрических технологий.

В качестве исходных данных взяты результаты тестирований биометрических систем, проводимых UK Biometrie Working Group (Великобритания), National Institute ofStandards and Technology (США).

Графики теоретически рассчитанных ошибок, приведены на рисунке 5.

В подразделе 4.2 изложены результаты синтеза условно оптимальной комбинированной меры для задачи построения алгоритма сравнения по нескольким отпечаткам пальцев. Основой построения такого алгоритма является процедура сравнения пары отпечатков.

В качестве настроечного массива для синтеза мер сходства использовались четверки отпечатков пальцев из базы NIST Special Database 14 (всего 2700 пар дактилокарт, для настройки использовались 1400, т.е. более 300 000 «чужих» и 1400 «своих» сравнений). Мера сходства была предварительно нормализована для получения экспоненциального распределения на «чужих» сравнениях.

•Распределение меры сходства «на своих» приближалось нормальным распределением. В работе отмечено различие показателей функционирования одного и того же алгоритма на разных пальцах. Это обусловлено в первую очередь, различием в качестве и площади отпечатков различных пальцев.

РАЯ

—х—Форма лица + Отпечаток пальца (ПП) ♦ Голос ——Форма лица + Отпечаток пальца (ПП) -о-Форма лица + Радужная оболочка глаза -¿г-Отпечаток пальца (ПП) + Радужная оболочка глаза нок Отпечаток пальца (ПП) + Форма ладони —Отпечаток пальца (ПП) ♦ Голос -О- Радужная оболочка глаза + Форма ладони -♦-Форма лица + Форма ладони ♦ Радужная оболочка глаза -»-Отпечаток пальца (МБТ УТВ)

Рис 5. Теоретические ошибки 1-го и 2-го рода многофакторных биометрических систем

Было рассмотрено два варианта меры сходства: с учетом корреляций (интегральный критерий 1) и без учета (интегральный критерий 2).

Эмпирические и теоретические ошибки 1-го и 2-го рода для различных вариантов полученного алгоритма приведены на рисунке 6.

Как видно из приведенных графиков пренебрежение корреляциями (интегральный критерий 2) при синтезе комбинированного алгоритма сравнения карт отпечатков приводит к некоторому ухудшению эмпирических результатов, в то время как теоретические расчеты ошибки 1-го рода оптимистичней, чем теоретические расчеты с учетом зависимостей (отклонение на уровне примерно в два раза).

0.175

0,15

0.125

0.1

0Д75

0.05

0JQ2S

t /

I /

)

*С1

0,01 0Л01 0ДЮ1 0ДП01 . ОДШИ- . 0ДШП1 0ДШЕ01

FAR

Пара указательных + пара Больших пальцев: — Интегральный критерий 1 (теоретические ошибки) -О— Интегральный критерий 1 Интегральный критерий 2

-О— Правый Большой палец

' Пара указательных пальцев: . —— Интегральный критерий 1 (теоретические ошибки) —О- Интегральный критерий 1 —Интегральный критерий 2

Пара Больших пальцев:

- Интегральный критерий 1

(теоретические ошибки) —й- Интегральный критерий 1 Интегральный критерий 2

Рис. 6. Ошибки 1-го и 2-го рода комбинированного алгоритма распознавания по нескольким

отпечаткам пальцев

В подразделе 4.3 приведен пример синтеза условно оптимального комбинированного алгоритма сравнения отпечатков.

В отличие от комбинированных мер сходства, синтезированных в подразделах 4.2 и 4.3, в данном случае не возникает проблем с верификацией полученных результатов, так как входными данными комбинированного алгоритма является пара сравниваемых отпечатков, и в качестве тестового массива может быть использована любая база отпечатков.

На рисунке 7 приведены ошибки распознавания корреляционного, классического и комбинированного алгоритмов для отпечатков, снятых с емкостного сенсора. Как видно из графиков, интеграция дает существенное улучшение показателей ошибок распознавания.

М001 0 £01 0Л1 0.1 1

FAR

—г- Корреляционный алгоритм

• — Классический алгоритм (MST) — Комбинированный алгоритм

Рис 7. Ошибки 1-го и 2-го рода комбинированного алгоритма распознавания по отпечатку пальцев (FVC2002 DB3a)

При сравнительном анализе выигрыша в эффективности, полученного от интеграции двух алгоритмов, выявилось, что с увеличением качества и размера отпечатков, выигрыш от использования дополнительного корреляционного алгоритма падает. Учитывая то, что производительность комбинированного алгоритма значительно ниже, чем производительность классического алгоритма, отмечено, что дополнительный корреляционный алгоритм целесообразно использовать только для сенсоров с малой рабочей поверхностью.

В пятом разделе приведены оценки эффективности экспериментальной реализации алгоритмов, разработанных в разделах 2 и 3, на различных архитектурах вычислительных средств. Проведен

сравнительный анализ эффективности реализаций на ПЭВМ и высокопроизводительной машине потока данных. Даны теоретические оценки эффективности общих методов предварительной обработки и анализа изображений, применяемых в различных автоматических биометрических системах, на высокопроизводительных вычислительных средствах, построенных по принципу потока данных.

В заключений содержатся основные выводы по диссертации. В приложение вынесены

• описания вычислительных схем разработанных в разделах 2 и 3 алгоритмов;

• листинги тестовых программ;

• протоколы тестирований.

Основные результаты работы

Диссертационная работа содержит изложение результатов разработки и реализации информационных технологий проектирования комбинированных биометрических систем и, в частности, автоматических дактилоскопических идентификационных систем (АДИС). Среди результатов работы следует выделить следующие:

1. Методы и алгоритмы интеграции как статистически независимых, так и зависимых биометрических технологий.

2. Экспериментальное программное обеспечение для автоматической настройки комбинированных биометрических систем с учетом технических спецификаций разрабатываемого стандарта ВюАР1.

3. Совокупность критериев экспериментальной верификации эффективности полученных алгоритмов автоматической настройки комбинированных биометрических систем.

4. Сравнительный статистический анализ эффективности некоторых комбинированных алгоритмов биометрической идентификации.

5. Комбинированные алгоритмы распознавания по отпечатку пальцев, подавляющие влияние деформаций пальца.

6. Комбинированные алгоритмы распознавания по нескольким отпечаткам пальцев.

7. Сравнительный анализ эффективности реализаций разработанных алгоритмов распознавания по отпечатку пальца на ПЭВМ ' и высокопроизводительной машине потока данных.

Основные публикации по теме диссертации

1. Синицын И.Н., Синицын В.И., Степанов A.M., Ушмаев О.С., Проблемы реализации вычислительных методов обработки и анализа сигналов на архитектурах с ассоциативной памятью // Труды Первой Всероссийской конференции «Методы и средства обработки информации», - М.: Изд-во МГУ, 2003. С. 137-141.

2. Синицын И.Н., Степанов A.M., Ушмаев О.С., Применение ассоциативной памяти для распараллеливания алгоритмов фильтрации и распознавания изображений // Сб. материалов 6-й международной конференции «Распознавание 2003», Курск, 2003. С. 23-24.

3. Синицын И.Н., Синицын В.И., Корепанов Э.Р., Белоусов В.В., Ильясов Д.Ф., Ушмаев О.С., Субоптимальные обучающиеся информационные технологии и системы // Тезисы докладов межрегиональной научно-практической конференции «Интеллектуальные информационные технологию) (Интеллект 2003), Тула, 2003, С. 25-27.

4. O.S. Ushmaev, S.O. Novikov, Registration of Elastic Deformations of Fingerprint Images with Automatic Finding of Correspondences // Proc. of workshop on Multimodal User Authentication (MMUA'03), Santa Barbara, CA, December 11-12,2003, P. 196-201.

5. Синицын И.Н., Степанов А.М., Ушмаев O.C., Проблемы синтеза фильтров и идентификаторов с ассоциативной памятью // Труды III международной конференции «Идентификация систем и проблемы управления» (SICPR0'04). 2004. CD-ROM (ISBN 5-201-14966-9), С. 18961911.

Принято к исполнению 12/05/2004 Исполнено 13/05/2004

Заказ № 195 Тираж: 100 экз.

ООО «11-й ФОРМАТ» ИНН 7726330900 Москва, Балаклавский пр-т, 20-2-93 (095)318-40-68 www.autoreferat.ru

»11 О 30

Введение

1. Методологический анализ основных подходов и методов биометрической идентификации

1.1. Основные характеристики биометрических систем

1.2. Методы биометрической идентификации

1.3. Основные подходы к интеграции различных технологий

1.4. Пути совершенствования методов синтеза интегрированных биометрических систем. Постановка проблемы

2. Биометрическая идентификация по отпечатку пальца

2.1. Классификация алгоритмов распознавания по отпечатку пальца

2.2. Факторы, снижающие эффективность распознавания по отпечаткам пальцев

2.3. Учет и моделирование деформаций отпечатков

2.4. Анализ эффективности автоматического учета деформаций

3. Синтез комбинированных мер сходства

3.1. Статистические аспекты интеграции биометрических технологий

3.2. Оптимальная интеграция независимых биометрических технологий

3.3. Условно оптимальные интеграция биометрических технологий

4. Сравнительный статистический анализ комбинированных алгоритмов биометрической идентификации

4.1. Интеграция независимых биометрических технологий

4.2. Интеграция зависимых биометрических технологий

4.3. Интеграция на уровне алгоритмов

5. Сравнительный анализ реализаций основных алгоритмов предварительной обработки биометрической информации на различных архитектурах вычислительных средств 104 5.1. Вычислительные проблемы реализации алгоритмов биометрической идентификации

5.2. Математическая модель линейной фильтрации изображений

5.3. Сравнительный анализ реализации алгоритмов фильтрации изображений на различных архитектурах

Актуальность работы. В настоящее время приобретают широкое распространение биометрические (основанные на физиологических и поведенческих характеристиках) технологии автоматической аутентификации и идентификации. Это обусловлено множеством причин. Во-первых, из-за быстрого развития сектора электронной коммерции значительно возросли требования к защищенности информационных ресурсов. Во-вторых, быстрый рост производительности современных вычислительных средств сделал возможным внедрение биометрических технологий в системы реального времени. В-третьих, в связи с возросшей в последние годы угрозой терроризма увеличился интерес к средствам биометрической идентификации со стороны государства.

Как показывают многочисленные результаты тестирований биометрических систем, на современном уровне развития технологий ни одна из существующих систем, использующая одно биометрическое измерение (например, отпечаток пальца или радужную оболочку глаза), не может во многих случаях обеспечить требуемых уровней надежности и ошибок 1-го и 2-го рода. В такой ситуации особенно актуальной становится проблема интеграции биометрических систем.

С алгоритмической точки зрения интеграция является сложной прикладной математической задачей. Показатели работы биометрических систем, такие как ошибки распознавания, в основном носят статистических характер, поэтому основной проблемой синтеза комбинированных систем является достижение требуемых статистических критериев качества. Прямое применение определенных методов математической статистики затруднено спецификой биометрических систем и малыми размерами обучающих выборок.

Также в настоящее время является актуальной проблема создания средств автоматической настройки комбинированных биометрических систем. Для этого требуется не только развитие математических методов, но и стандартизация выходных данных биометрических систем.

Вместе с тем, несмотря на потребности практики, в настоящее время не только отсутствуют алгоритмы автоматической интеграции различных биометрических систем, но и теоретические наработки в данной области не нашли должного распространения в научной литературе. Существующие разработки в данной области, как правило, представляют собой отдельные примеры интеграции систем в рамках рекомендаций международных стандартов 70-х годов, когда перспективы интеграции биометрических технологий серьезно не рассматривались.

Целью исследования является разработка методов, алгоритмов и программного обеспечения оптимальной интеграции биометрических технологий для систем автоматической аутентификации и идентификации, в частности для автоматических дактилоскопических идентификационных систем (АДИС). Для достижения поставленной цели необходимо решение следующих задач:

1. Обобщить опыт разработки методов и алгоритмов синтеза комбинированных биометрических систем и выявить направления их совершенствования.

2. Разработать статистические методы оценки качества комбинированных биометрических систем.

3. Разработать алгоритмы оптимальной интеграции биометрических систем, а также специализированные алгоритмы с учетом специфики АДИС.

4. Разработать критерии верификации результатов автоматической интеграции биометрических систем.

5. Экспериментально проверить разработанное базовое алгоритмическое и программное обеспечения автоматической настройки комбинированных биометрических систем на ПЭВМ и высокопроизводительных вычислительных средствах.

Методы исследования. В работе использованы современные методы теории вероятностей и математической статистики, обработки изображений, теории оптимизации, методы программирования и моделирования на ЭВМ, а также рекомендации действующих и разрабатываемых отечественных и международных стандартов по биометрическим технологиям.

Научная новизна и результаты, выносимые на защиту. В работе получены следующие основные результаты:

1. Разработаны и обоснованы новые методы анализа статистических показателей работы комбинированных биометрических систем.

2. Разработаны новые корреляционные алгоритмы верификации личности по отпечатку пальца.

3. Разработаны и обоснованы новые методы, алгоритмы и программное обеспечение компенсации деформаций отпечатков пальцев.

4. Предложены методы построения оптимальных и условно оптимальных комбинированных мер сходства для некоррелированных и коррелированных биометрических технологий.

5. Разработано базовое программное обеспечение для интеграции биометрических технологий.

Теоретическая значимость и практическая ценность работы. Теоретическая значимость состоит в развитии методов интеграции биометрических систем, оптимизирующих уровни ошибок 1-го и 2-го рода. Разработанные алгоритмы и программное обеспечение могут использоваться для построения комбинированных биометрических технологий.

Реализация результатов работы. Результаты диссертации реализованы в Проектах РФФИ (№01-01-00758, №04-01-00270), Государственном контракте ОИТВС 01/097-098/210503-180, в продуктах компании «Biolink Technologies».

Апробация работы. Материалы диссертации излагались и обсуждались на следующих научно-технических конференциях: «Методы и средства обработки информации» (Москва, 2003), «Распознавание 2003» (Курск, 2003), «Workshop on Multimodal User Authentication» (Santa Barbara, 2003), «Идентификация систем и проблемы управления SICPRO'04» (Москва, 2004), «SPIE Symposium on Security & Defense» (Orlando, 2004), «European Conference on Computer Vision 2004» (Prague, 2004).

Публикации. Материалы диссертации содержатся в отчетах ИЛИ РАН, по теме диссертации опубликовано 5 печатных работ.

Основные результаты диссертации опубликованы в [ 124-130].

2. Биометрическая идентификация по отпечатку пальца 2.1. Классификация алгоритмов распознавания по отпечатку пальца

Все базовые алгоритмы сравнения отпечатков пальцев можно разделить на две основные группы [7,11,29,60]:

1. Классические алгоритмы.

2. Корреляционные алгоритмы.

Классические алгоритмы предполагают ' сравнение взаимного расположения особых точек (минюций) отпечатков пальцев, полей направлений папиллярных линий и прочих топологических характеристик отпечатков. Считается, что взаимное расположение минюций, хотя и не полностью описывает отпечаток, является уникальной характеристикой человека и не повторяется [77]. Такой подход к сравнению отпечатков позволяет сжимать полученный со сканера отпечаток в шаблон, по которому невозможно восстановить исходный отпечаток. Примеры классических алгоритмов распознавания приведены в [60]. Некоторые алгоритмы сравнения графов могут быть адоптированы к задачам распознавания по отпечаткам пальцев [97].

Корреляционные алгоритмы сравнивают отпечатки как изображения. Существуют разные подходы к разработке корреляционных алгоритмов. Однако большинство из них требует хранения в базе биометрических записей части изображения, что из соображений безопасности делает применение таких алгоритмов в некоторых системах, либо нежелательными, либо невозможным (злоумышленник может воспользоваться изображением отпечатка для создания муляжа отпечатка для последующего использования его в преступных целях).

Типовая схема корреляционного алгоритма предполагает вычисление прямого наложения участков изображения. Однако прямая корреляция всего изображения с целью выделить совпадающие участки является слишком трудоемкой процедурой, особенно, если дополнительно осуществлять перебор по поворотам, поэтому не используется в реальных системах.

В этой связи в работе предлагается усовершенствованная схема более быстрого корреляционного алгоритма.

На этапе создания шаблона регистрации выполняются следующие процедуры: •

1. Бинаризация изображения.

2. Выделение на изображении участков высокой кривизны (такие участки как элементы текстуры несут наибольшую информацию). На рисунке 2.1 приведен пример выделенной информативной зоны изображения.

3. Вычисление на участках высокой кривизны локальной спектральной картины, инвариантной к сдвигам. А именно выделяются доминирующие частоты энергетического спектра Фурье.

Получаемый шаблон регистрации содержит бинарное изображение и набор сжатых энергетических спектров вокруг TS точек высокой кривизны.

Рисунок 2.1 - Пример информативной зоны отпечатка

Сравнение осуществляется следующим образом:

1. Для всех возможных соответствующих пар точек изображений вычисляется расстояние между спектральными картинами. По этому расстоянию все пары сортируются. Данная процедура позволяет очень точно определить оптимальные параметры относительного сдвига и поворота изображений, что существенно сокращает число переборов по поворотам при последующем прямом наложении участков изображений.

2. Для CR пар (CR варьируется от 3 до 35), давших наименьшее спектральное расстояние, вычисляется прямая свертка двух окрестностей на изображениях.

Использование такого алгоритма в основном целесообразно для полупроводниковых сканеров малой площади, дающие изображения плохого качества. В таких случаях зачастую классические алгоритмы не работают из-за малых площадей пересечения отпечатков и недостаточного числа выделяемых минюций.

1. Federal Bureau of Investigation, "The FBI Fingerprint Identification Automation Program: Issues and Options", U.S. Government Publication, U.S. Congress, Office of Technology Assessment, Washington, DC, 1991.

2. N. Kingsbury, Technology Assessment: Using Biometrics for Border Security. DIANE Publishing Co., 2003.

3. James Wayman et al. Biometric Systems: Technology, Design and Performance Evaluation. Springer Verlag, 2004.

4. Monrose F., Reiter M.K., Li Q. and Wetzel S., "Cryptographic Key Generation From Voice", in Proc. Symp. On Security and Privacy, pp.202-213, 2001.

5. Monrose F., Reiter M.K., and Wetzel S., "Password Hardening Based on Keystroke Dynamics" in Proc. Computer and Communications Security Conf. (6th), 1999.

6. P. Griffin, "Topics for Multi-Biometrics Research" // Panel Discussion MMUA'2003. http://mmua03 .cs.ucsb.edu

7. Jain A.K., Hong L., Pankanti S. and Bolle R., "An Identity-Authentication System Using Fingerprints", Proc. of IEEE, 1997, 85(9), pp. 1365-1388.

8. Daugman J., "The Importance of Being Random", Pattern Recognition, vol.36, no.2, 2003.

9. J. Ashbourn, Practical Biometrics: From Aspiration to Implementation. Springer Verlag, 2003.

10. Daugman J., Recognizing Persons by Their Iris Patterns, in Biometrics: Personal Identification in a Networked Society, A.K. Jain, R.Bolle, and S.Pankanti (edt.), Kluwer Academic, New York, 1999.

11. Halici U., Jain L.C., Erol A., Introduction to Fingerprint Recognition, Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, 1999.

12. Large & Medium Scale ID, online available at: www.biolinkUSA.com.

13. Civil Fingerprint Identification Systems, online available at: www.east-shore.com.14. www, ci vilidsy stems .com.

14. J. Wayman. "Biometric Testing Celebrating 35+ Years"// Panel Discussion MMUA'03. http://mmua03.cs.ucsb.edu

15. John D. Woodward, Jr. "Biometrics: Facing Up to Terrorism", The Biometric Consortium Conference 2002, Arlington, February, 2002.

16. Соколов A.B., Шаныгин В.Ф., Защита информации в распределенных корпоративных сетях и системах. М.: ДМК, 2002. - 656с.

17. Программно-аппаратные средства обеспечения информационной безопасности. Защита программ и данных: Учебное пособие для вузов / Белкин П.Ю., Михальский О.О., Першаков А.С. и др. М.: Радио и связь. -1999.-168 с.

18. Чмора A.JI. Современная прикладная криптография. М.: Гелиос АРВ. -2001.-256 с.

19. Петров А.А. Компьютерная безопасность. Криптографические методы защиты. -М.: ДМК, 2000. 448 с.

20. Beardsley, Chartles Т., Is your computer insecure?, IEEE Spectrum, Jan, 1972, pp.67-78.

21. S.Reed and D. Branstad, Controlled Accessibility Workshop Report, NBS Tech. Note 827, May, 1974.

22. J. Wegstein "Automated Fingerprint Identification", NBS Tech. Note 538, Aug. 1970.

23. Lee H.C. and Gaenssley R.E., Advances in Fingerprint Technology, Elsevier, New York, 1991

24. Eleccion M., "Automatic Fingerprint Identification", IEEE Spectrum, 1973, 10, pp. 36-45.

25. B. Dalrymple, Fingerprints (Dactyloscopy) Identification and Classification in Encyclopedia of Forensic Science, Siegel, J. et al., Eds., Academic Press, New York, 2000, 872.

26. Federal Bureau of Investigation, "The Science of Fingerprints: Classifications and Uses", U.S. Government Publication, Washington, DC, 1984.

27. Henry E. "Classification and Uses of Finger Prints", Routledge, London, 1900.

28. Jain A.K., Hong L. and Bolle R., "On-Line Fingerprint Verification", IEEE Trans. On Pattern Analysis and Machine Intelligence, 1997, 19(4), pp. 302-314.

29. Biometrics in Driver's License Operations. http://www.biometricgroup.com/dl idoperations.pdf

30. Biometric Consortium, http://www.biometric.org

31. International Biometric Group, http://www.biometricgroup.com

32. BioAPI Consortium, http://www.bioAPI.org

33. International Biometric Industry Association, http://www.IBIA.org

34. Официальный сайт русского биометрического общества http://www.biometricsguide.ru

35. Biometrics Application Programming Interface www.parallaxresearch.com/ ataclips/pub/infosec/biometrics/bapi20overview.pdf

36. HAAPI 2.0. www.biometrics.org/REPQRTS/HAAPI20/

37. ANSI, "Fingerprint Identification Data Format for Information Interchange", American National Standards Institute, New York, 1986.

38. National Institute of Standards and Technology, "Data Format for the Interchange of Fingerprint Information", U.S. Government Publication, Washington, DC, 1991.

39. National Institute of Standards and Technology, "Guideline for the Use of Advanced Authentication Technology Alternatives", Federal Information Processing Standards 190,1994.

40. CryptoAPI. http://CryptoAPI.sourceforge.net

41. First International Competition for Fingerprint Verification Algorithms (FVC2000), http://bias.csr.unibo.it/fVc2000/.

42. Face Recognition Vendor Test, http://www.frvt.org

43. Fingerprint Vendors Technology Evaluation, http://fbvte.nist.gov

44. FVC2004, the Third International Competition for Fingerprint Verification Algorithms (FVC2004),, http://bias.csr.unibo.it/fVc2004/

45. T. Mansfield et al. "Biometric Product Testing Final Report". UK Biometrics Working Group, 2001, http://www.cesg.gov.uk/site/ast/biometrics/media/BiometricTestReportptl.pdf

46. A.J. Mansfield and J.L. Wayman "Best Practices in Testing and Reporting Performance of Biometric Devices". UK Biometrics Working Group, 2002.

47. L.G. Kersta "Voiceprint Identification", Nature, vol. 196, Dec. 29, 1962, pp. 1253-1257.

48. O. Tosi, Experimental Studies on the reliability of the voiceprint identification technique, Proc. of 3rd National Symposium on Law Enforcement and Technology, 1970.

49. A.J. Goldsten, L.D. Harmon, and A.B. Lesk "Identification of Human Faces", Proc. IEEE, 59(5), May, 1971

50. L.D. Harmon "The recognition of Faces", Scientific American 229(5), 1973.

51. W. Haberman and A. Fejfar "Automatic ID of personnel through Speaker and Signature verification System Description and Testing", 1976 Carnahan Conference on Crime Countermeasures, U of KY, May 1976.

52. A. Fejfar and J. Myers, "The Testing of 3 Automatic ID Verification Techniques of Entry Control", 2nd International Conf. on Crime Countermeasures, Oxford, July, 25-29,1977.

53. Davide Maltoni, Dario Maio, Anil K. Jain, Salil Prabhakar. Handbook of Fingerprint Recognition. Springer Verlag, New York, 200361. FAC (with FVC04)62. SVC (with FVC04)

54. R. Chellapa, C. Wilson, and S.Sirohey, Human and Machine Recognition of Faces: a Survey, Proc. Of IEEE, 83(5), pp. 705-741, 1995

55. V. Blanz and T. Vetter, A Morphable Model for Synthesis of 3D Faces. In Computer Graphics Proceedings SIGGRAPH, pages 187-194, Los Angeles, 1999

56. Genemation. www.genemation.com

57. SfmGe v.2.51. http://bias.csr.unibo.it/research/biolab/bio tree.html

58. R. Cappelli, A. Erol, D. Maio and D.Maltoni, Synthetic Fingerprint-Image Generation//Proc. ICPR2000, Barcelona, Sep. 2000

59. J.G. Daugman, US Patent No. 2591 260, U.S. Government Printing Office, Washington DC, 1994.

60. L. Flom and A. Safir, U.S. Patent No. 4641 349, U.S. Government Printing Office, Washington, DC, 1987

61. Delean Vision, www.delean.com

62. Cnews analytics, www.cnews.ru

63. Dieckmann U., Plankensteiner P. and Wagner Т., "SESAM: A Biometric Person Identification System Using Sensor Fusion", Pattern Recognition Letters, vol.18, pp. 827-833,1997.

64. L. Xu, A. Krzyzak and C.Y. Suen "Methods of Combining Multiple Classifiers and Their Applications To Handwriting Recognition", IEEE Trans. On SMC, 22(3), 1992, pp. 418-435.

65. J. Kittler, M. Haref, R.P.W. Duin and J. Matas, "On combining classifiers", IEEE Trans. On PAMI, vol.20, no.3,1998, pp.226-239

66. Frischholz R.W., Dieckmann U., "BioID: A Multimodal Biometric Identification System", IEEE Computer, pp. 64-68, Feb. 2000.

67. Novikov S.O., Glushchenko G.N., "Fingerprint ridges structure generation models", 6th Int. Workshop on Digital Image Processing and Computer Graphics. Vienna, 20-22 Oct. 1997, Proc. SPIE, vol. 3346.

68. S. Pankanti, S. Prabhakar and A.K. Jain, "On the Individuality of Fingerprints", IEEE Trans. PAMI, 2002, 24(8), pp. 1010-1025

69. Bazen A.M., Gerez S.H., "Thin-Plate Spline Modelling of Elastic Deformation in Fingerprints", Proceedings of 3rd IEEE Benelux Signal Processing Symposium, 2002.

70. Bookstein F.L., "Comment to D.G. Kendall's A survey of the statistical theory of shape", Statistical Science, vol.4, no. 2,1989, pp. 99-105.

71. M. Fornefett, K. Rohr and H.S. Stiehl, "Radial Basis Functions with Compact Support for Elastic Registration of Medical Images", Image and Vision Computing, 19 (1-2), 2001, pp. 87-96.

72. Raffaele Cappelli, Dario Maio, Davide Maltoni, "Modelling Plastic Distortion in Fingerprint Images", ICAPR2001, pp. 369-376.

73. Landau L.D., Lifshits E.M., "Theory of Elasticity: Course of Theoretical Physics", Butterworth-Heinemann Edition, 1995

74. Shames, I.H. and Pitarresi, J.M., Introduction to Solid Mechanics, Upper Saddle River, NJ, 2000.

75. Федоренко Р.П. Введение в вычислительную физику. -М.: изд-во МФТИ, 1994.-528с.

76. Бахвалов Н.И., Жидков Н.П., Кобельков Г.М., Численные методы. — М.: Лаборатория базовых знаний, 2003.

77. Основные физические константы. Энергоатомиздат, 1991.88. U.S. Patent No. 6282 304.

78. Neyman J. and E.S. Pearson (1933) On the problem of the most efficient tests of statistical hypotheses. Philos. Trans. Roy. Soc., London A, 231, p. 289337.

79. Пугачев B.C., Синицын И.Н. Теория стохастических систем. М.: Логос, 2000.

80. Пугачев B.C., Синицын И.Н. Стохастические дифференциальные системы. Анализ и фильтрация (2-е изд.). М.: Наука, 1990.

81. Pugachev V.S., Sinitsin I.N., Stochastic Systems. Theory and Applications. Singapore, World Scientific, 2001.

82. C.Watson, NIST Special Database 14: Mated Fingerprint Card Pairs 2, CD-ROM & documentation, September 1993.

83. C.Watson, NIST Special Database 29: Plain and Rolled Images from Paired Fingerprint Cards, CD-ROM & documentation, November 2001.

84. Richard O. Duda, Peter E. Hart, Pattern Classification and Scene Analysis. -John Wiley & Sons, New York, 1973.

85. Kohonen T. "Self-Organization and Associative Memory", Series in Informatic Sciences, vol. 8. Springer Verlag, 1984.

86. M. Pelillo, K. Siddiqi, S.W. Zucker, Matching Hierarchical Structures Using Association Graphs // IEEE Trans. PAMI, v.21, NO.ll, November 1999, p. 11051120.

87. Т. Павлидис, Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. - 400с.

88. У. Претт, Цифровая обработка изображений. М. Мир, 1982. - 792с.

89. M.S. Grewal, А.Р. Andrews, Kalman filtering: Theory and Practice, Prentice Hall, 1993.-383 c.

90. Васильев K.K., Крашенинников B.P., Синицын И.Н., Синицын В.И. Технологии обработки сигналов и изображений в информационных и управляющих системах // Наукоемкие технологии, №3, 2002, т.З. С. 4-23.

91. Тематический выпуск памяти B.C. Пугачева // АиТ, № 11, 1998.

92. Grewal M.S., Weill L.R. and Andrews A.P. Global Positioning Systems, Inertial Navigation, and Integration. John Wiley & Sons, 2000. - 392c.

93. Микаэлян A.JI. Оптические методы в информатике. М.: Наука, 1990.

94. Валях Е. Последовательно-параллельные вычисления, М.: Мир, 1985.

95. Тербер К. Дж., Архитектура высокопризводительных вычислительных систем, М.: Наука, 1985.

96. J. Joseph, С. Fellenstein, Grid Computing. Prentice Hall, 2003.

97. Burtsev V.S., Fyodorov V.D. Associative memory of new generation supercomputers based on optical information processing principles // Holography and Optical Informational Processing, 1991, v. 1731, p.201-216.

98. Kautz W.H., Pease M.C. Cellular Logic-in-Memory Arrays. 1971, November, AD763710.

99. Бурцев B.C. Система массового параллелизма с автоматическим распределением аппаратных средств суперЭВМ в процессе решения задачи. Юбилейный сборник трудов ОИВТА РАН. М. 1993. т.2, С.5-21.

100. Бурцев B.C. Новые принципы организации вычислительных процессов высокого параллелизма // Труды Первой Всероссийской конференции «Методы и средства обработки информации», М.: МГУ, 2003, С. 17-31.

101. Andrews H.C., Caspari К., A Generalized Technique for Spectral Analysis, IEEE Trans. Computers, C-19,1, 16-25 (January 1970).

102. J.R. Parker, Algorithms for Image Processing and Computer Vision. John Wiley & Sons, New York, 1996.

103. B.H. Малоземов, C.M. Машарский, Основы дискретного гармонического анализа. Спб.: 2003. 228 с.1Ь6. Standard Performance Evaluation Corporation, http://www.spec.org.

104. Intel Corporation, http://www.intel.com.

105. Floating point performance with Flops.c program. http://www.computational-battery.org/Maskinvare/Flops.html119. x86 Overview. http://www.cs.utk.edu/~rwhalev/ATLAS/x86.html.

106. J.R. Gurd, D.F. Snelling. Manchester Data-Flow: A Progress Report // Proceedings 6th ACM International Conference on Supercomputing (ICS'92). ACM Press. 1992, P. 216-225.

107. Popadopoulos G., Culler D. Monsoon: an Explicit Token-Store Architecture // Sigarch Computer Architecture News. 1990. Vol. 18, No.2.122. Проект OCBM. 1993.

108. V.K. Prasanna Kumar, Venkatesh Krishan, Efficient Parallel Algorithms for Image Template Matching on Hypercube SIMD Machine // IEEE Trans. PAMI, v. 11, no.6, June 1989. p. 665-669.

109. Синицын И.Н., Степанов A.M., Ушмаев О.С., Применение ассоциативной памяти для распараллеливания алгоритмов фильтрации и распознавания изображений // Сб. материалов 6-й международной конференции «Распознавание 2003», Курск, 2003. С. 23-24.

110. Синицын И.Н., Синицын В.И., Корепанов Э.Р., Белоусов В.В., Ильясов Д.Ф., Ушмаев О.С., Субоптимальные обучающиеся информационные технологии и системы // Тула, 2003.

111. Ushmaev O.S., Novikov S.O., Registration of Elastic Deformations of Fingerprint Images with Automatic Finding of Correspondences // Proc. of workshop on Multimodal User Authentication (MMUA03), Santa Barbara, CA, December 11-12,2003, P. 196-201.

112. Синицын И.Н., Степанов A.M., Ушмаев O.C., Проблемы синтеза фильтров и идентификаторов с ассоциативной памятью // Труды III международной конференции «Идентификация систем и проблемы управления» (SICPR004). 2004. CD-ROM, С. 1896-1911.

113. О. Ushmaev and S. Novikov, Integral Criteria for Large-scale Multiple Fingerprint Solutions // SPIE Symposium on Security & Defense. Orlando, FL, USA, April 12-16, 2004.

114. S.O. Novikov, O.S. Ushmaev, // European Conference on Computer Vision (ECCV'04), Workshop on Biometric Authentication (BioAW'04), Prague, May 10-17, 2004.