УДК 004

БИОМЕТРИЧЕСКАЯ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ НА ОСНОВЕ ОБРАЗОВ ГЕОМЕТРИИ УШНОЙ РАКОВИНЫ

Гарипов И.М.

магистрант факультета безопасности информационных технологий Университета ИТМО, г. Санкт-Петербург

Сулавко А.Е.

канд. техн. наук, доцент кафедры «Комплексная защита информации» Омского государственного технического университета, г. Омск

СибАДИушной раков ны на зо ражен , извлечение признаков, распознавание образов.

Аннотац я. В работе оп саны подходы к извлечению биометрических параметров уха на

двумерном зображен , а также используемые методы распознавания образов для построения средств б ометр ческой идентификации и аутентификации по параметрам

ушной раков ны. Пр ведены основные результаты исследований по данному направлению.

Ключевые слова: аутент ф кация, биометрия, идентификация личности, определение

Введен е

начала XXI века всё ольше внимания уделяется распознаванию личности с помощью биометрическ х с стем, спользующие различные биометрические параметры человека. Толчком к такому стрем тельному развитию стали трагические события 11 сентября 2001 года, хотя начало сследован й в данной о ласти было положено еще в середине 1980-х годов [1]. На настоящ й момент наи олее широкое распространение получили системы, основанные преимущественно на анализе статических биометрических образов (отпечаток пальца, геометрия ладони, лицо, радужная о олочка глаза).

Несмотря на то, что вышеперечисленные методы распознавания личности достаточно хорошо изучены и отра отаны на практике, в них всё же существуют недостатки. Так, например, на измерения признаков по геометрии лица влияет мимика, возраст, освещение, для параметров отпечатков пальцев могут оказывать влияние грязь и порезы, а считывание радужной оболочки глаза может вызывать раздражение у идентифицируемого субъекта [2].

В последние годы исследования в области распознавания личности по особенностям строения ушной раковины привлекают всё большее внимание [3–5]. нтерес обусловлен тем, что структура уха универсальна (есть у каждого человека) и уникальна (отличается у каждого человека) [6]. Анатомические исследования показывают, что формирование человеческого уха происходит в период от 4-х месяцев до 8 лет, а затем уши растут очень медленно и пропорционально. Некоторые параметры, такие как мочка уха или козелок, незначительно меняются со временем, остальные особенности остаются практически неизменными. Таким образом, ушная раковина достаточно устойчива к изменениям со временем, что позволяет применять её в целях аутентификации и идентификации.

К достоинствам методов идентификации, основанным на анализе параметров ушной раковины, можно отнести бесконтактный характер регистрации биометрических характеристик. точки зрения обработки изображения уха также можно отметить ряд преимуществ (по сравнению с другими статическими образами, например, изображением лица) [7]: поверхность уха мала, что позволяет работать с изображениями низкого разрешения, на изображении обычно наблюдается равномерное распределение цвета и яркости, вариабельность расположения элементов ушной раковины на изображении (наклон, поворот, ракурс) обычно минимальна.

Система распознавания субъектов в качестве входных данных использует изображения (видеопоток), полученные при помощи считывающих устройств. Такими устройствами часто являются фото- и видеокамеры (CCTV). На выходе системы – результат идентификации или верификации субъекта.

23

Процедура распознавания пользователя включает в себя несколько этапов: ввод данных ушной раковины, предварительная обработка биометрического образа, извлечение признаков, сравнение с эталоном. При обучении системы (создании эталона) необходимо ввести один или несколько примеров образа, при этом этапы ввода, предварительной обработки и извлечения признаков, как правило, не имеют принципиальных отличий.

На этапе предварительной обработки образа часто происходит обнаружение области интереса (Region-of-interest, ROI) – фрагмента образа, непосредственно содержащего основную информацию о субъекте. Эта процедура является одной из наиболее важных в

СибАДИ(сокрытие) ушей, например, посредством украшений, очков или волос. В связи с этим задача обнаружения уха на входном изображении становится затруднительна.

общем конвейере обработки и значительно влияет на производительность всей системы распознавания [8].

Процесс предвар тельной обработки изображений ушной раковины, также называемый нахождением (детект рован ем), обычно включает в себя обнаружение ушной раковины на

В работе [9] предложили метод автоматического обнаружения уха на основе алгоритма AdaBoost (Adaptive Boosting). В работе «слабые» классификаторы построены на использовании примитивов Хаара, позволяющие обнаружить вертикальные горизонтальные края уха. «Сильный» классификатор создается путем объединения набора выбранных «слабых» классификаторов с использованием алгоритма AdaBoost. Алгоритм использует обучение с учителем с помощью метода обертывания. Он выбирает лучший слабый классификатор с учетом заданной взвешенной ошибки входных выборок на каждой итерации. По результатам эксперимента по распознаванию 203 изображений ушей без окклюзий метод обеспечил правильное обнаружение во всех случаях. При тестировании метода в условиях окклюзии из 104 изображений, не участвовавших в обучающей выборке, удалось верно распознать только 54 примера.

В качестве признаков, согласно системе Янарелли [6], обычно выступают характерные точки структуры уха. Внешний вид наружного уха определяется формами завитка, козелка и других важных структурных частей (рис. 2).

В зависимости от используемого метода извлечения признаков выделяют следующие подходы к распознаванию ушной раковины [10]:

1) геометрический подход. Методы из этой категории просты в вычислительном плане и основаны на обнаружении границ внешнего уха в качестве шага предварительной обработки. Как правило, информация о границах используется для описания геометрических свойств

24

ушей или получения статистических данных, связанных с геометрией, которые можно использовать для распознавания. Используется только информация, относящаяся к геометрии уха, что облегчает разработку методов, не зависящих от геометрических искажений, таких как вращение, масштабирование или изменение перспективы.

2) целостный подход. Целостные подходы используют общий внешний вид уха и вычисляют образы из входных изображений, которые кодируют структуру уха в целом. Поскольку внешний вид уха значительно меняется с изменением позы или освещения, необходимо соблюдать осторожность, прежде чем вычислять целостные характеристики

СибАДИизображений применять методы нормализации для коррекции этих изменений до

извлечения признаков;

3) локальный подход. Локальные подходы зависят не от расположения конкретных точек или отношен й между н ми, а от описания локальной окрестности (или области) некоторых

точек на зображен . Точки, представляющие интерес, не обязательно должны

соответствовать конструкт вно значимым частям уха. Такой подход чаще всего применяется

при частичной окклюз (сокрытии) ушей.

Рисунок 2 – Структура ушной раковины

Представление ушной раковины в зависимости от метода извлечения признаков может

отличаться. На рисунке 3 показаны методы целостного подхода к извлечению признаков.

а) б) в)

Рисунок 3. Примеры извлечения признаков разными методами:

а) метод концентрических окружностей [11]; б) метод активного контура [12]; в) метод силовых полей [13]

Помимо представленных методов (рис. 3), на практике применяются такие методы, как метод главных компонент, метод масштабно-инвариантной трансформации признаков [14]; итеративный алгоритм ближайших точек и другие. Так, в работе [15] для извлечения

25

пространственных признаков различных направлений и масштабов применяется фильтр Габора. Признаки, извлечённые фильтром, имеют высокую размерность, поэтому для уменьшения размерности дополнительно применяется линейный дискриминант Фишера.

Показатели надёжности любой биометрической системы аутентификации или идентификации выражены в вероятностях ошибок 1-го и 2-го рода. Ошибка 1-го рода (False Rejection Rate, FRR) представляет собой ложный отказ в допуске зарегистрированного пользователя, ошибка 2-го рода (False Acceptance Rate, FAR), характеризует ложный допуск любого неизвестного пользователя. Когда обе вероятности равны (FRR = FAR), тогда говорят

понимается способ сравнен я двух образов: предъявляемого эталонного.

Таблица 1 – Краткая справка о результатах 2D-распознавания ушных раковин

Заключение

Из представленного краткого анализа работ можно сделать вывод, что тематика исследований является актуальной и вызывает интерес у ученых. Об этом свидетельствует наличие публикаций в ведущих журналах по биометрии [18]. Идея использования параметров уха в целях распознавания личности не является новой [6]. Можно выделить несколько устоявшихся подходов к выделению признаков на двумерном изображении. Однако уровень проработки данного направления существенно отстает от аналогичных исследований других статических биометрических параметров (отпечаток пальца, радужка).

26

Библиографический список

1. TAdviser – российский интернет-портал и аналитическое агентство: Краткая история биометрии [Электронный ресурс] / Режим доступа: http://www.tadviser.ru/index.php/Статья:Краткая_история_биометрии (время последнего обновления: 16.01.2011).

2. Болл, Р. М. Руководство по биометрии [Текст] / Р. М. Болл, Дж. Х. Коннел, Ш. Панканти, Н. К. Ратха, Э. У. Сеньор. – М.: Техносфера, 2007. – 370с.

СибАДИ3. A. Pflug and C. Busch, “Ear biometrics: a survey of detection, feature extraction and recognition methods,” IET Biometrics, vol. 1, no. 2, pp. 114–129, 2012.

4. S.M.S. Islam, M. Bennamoun, R.A. Owens, and R. Davis, “A review of recent advances in 3d ear and expression-invariant face biometrics,” ACM Computing Surveys, vol. 44, no. 3, article 14, 2012.

5. L. Yuan, Z. C. Mu, F. Yang, “A review of recent advances in ear recognition,” in Proceedings of the 6th Chinese Conference on Biometric Recognition, vol. 7098 of LNCS, pp. 252–259, Springer, Beijing, China, December 2011.

6. A. Iannerelli, Ear Identification, Forensic Identification Series, Paramount Publishing Company, Fremont, Calif, USA, 1989.

7. K. Masaoud, S. Algabary, K. Omar, Md. Jan Nordin. A Review Paper on Ear Recognition Techniques: Models, Algorithms and Methods. Australian Journal of Basic and Applied Sciences, 7(1): 411-421, 2013

8. Ž. Emeršič, L. L. Gabriel, V. Štruc and P. Peer, "Convolutional encoder–decoder networks for pixel-wise ear detection and segmentation," in IET Biometrics, vol. 7, no. 3, pp. 175-184, 5 2018.

9. Islam, S., M. Bennamoun, R. Davies, 2008. Fast and Fully Automatic Ear Detection Using Cascaded AdaBoost. Proceedings of IEEE Workshop on Application of Computer Vision WACV.

10.Emeršič, Ž.; Štruc, V.; Peer, P. Ear recognition: More than a survey. Neurocomputing 2017, 255,26–39.

11.Choras M. ’Perspective Methods of Human Identification: Ear Biometrics’. OptoElectronics Review. 2008;16:85–96.

12.E. Jeges and L. Mate, “Model-based human ear identification”, World Automation Congress, 5th International Forum on Multimedia and Image Processing (IFMIP), 2006.

13.D. J. Huley, M. S. Nixon, and J. N. Carter, “Force field feature extraction for ear biometrics,” Computer Vision Image Understanding, vol. 98, pp. 491-512, 2005.

14. Arbab-Zavar B, Nixon MS, Hurley DJ. ’On Model-Based Analysis of Ear Biometrics’. In: First IEEE International Conference on Biometrics: Theory, Applications, and Systems, 2007. (BTAS 2007);2007.p.1–5.

15.L. Yuan, Z. Mu, “Ear Recognition Based on Gabor Features and KFDA,” The Scientific World Journal, vol. 2014, Article ID 702076, 12 pages, 2014.

16.A. Kumar and D. Zhang "Ear authentication using Log-Gabor wavelets", Proc. SPIE 6539, Biometric Technology for Human Identification IV, 65390A (12 April 2007);

17.Omara, I., Wu, X., Zhang, H., Du, Y., Zuo, W.: Learning pairwise SVM on hierarchical deep features for ear recognition. IET Biometrics (2018)

18.Prakash S, Gupta P. ’An Efficient Ear Recognition Technique Invariant to Illumination and Pose’. Telecommunication Systems Journal, special issue on Signal Processing Applications in Human Computer Interaction. 2011;30:38–50.

27