Научный руководитель: Тоноян Славик Анушаванович,
кандидат технических наук, доцент

В современном мире информация играет ключевую роль. Сегодня трудно представить себе жизнь без информационных технологий и автоматизации. Со стремительным ростом потока информации, все актуальнее становится вопрос о необходимости обеспечить её конфиденциальность, целостность и доступность (для авторизированных пользователей). Существует несколько средств защиты информации: пароли, электронные ключи и биометрия. На данный момент, наиболее оптимальным и безопасным решением является биометрия, которая позволяет решить проблему идентификации человека.

Существует множество различных способов идентификации личности с помощью биометрических характеристик, с разным уровнем защиты. Идентифицировать человека можно по таким физическим характеристикам, как ушная раковина, термография лица, отпечаток пальца и т.д.
1 Выбор метода биометрической идентификации

1.1 Определение критериев и их значений для вариантов

На данном этапе проводится сравнение методов биометрической идентификации и обоснование выбора из сравниваемых методов дактилоскопии.

В качестве критериев выбраны определяющие показатели методов: устойчивость к подделке (К1), устойчивость к окружающей среде (К2), стоимость (К3), скорость (К4), стабильность признака во времени (К5), статистическая надежность алгоритма (К6). Описание значениев критериев представлено в табл. 1.

Таблица 1 – Описание значений критериев

Для сравнения выбраны самые распространенные методы биометрической идентификации (табл.2).

Таблица 2 – Сравниваемые методы и их обозначения

В табл. 3 приведены значения по критериям для сравнения методов биометрической идентификации.

Таблица 3 – Значения по критериям для сравниваемых методов

	Устойчивость к подделке (К1)	Устойчивость к окружающей среде(К2)	Стоимость (К3)	Скорость (К4)	Стабильность признака во времени (К5)	Статистическая надежность алгоритма (К6)
В1	4	3	3	5	5	4
В2	2	2	2	5	3	2
В3	4	4	5	4	4	4
В4	5	2	4	4	3	5
В5	5	3	5	3	5	5

1.2 Определение весовых коэффициентов для критериев

Для определения весовых коэффициентов критерии разбиваются на группы важности, при этом самые не существенные критерии относятся к первой (базовой) группе важности. 
Показатели первой группы: К2.
Показатели второй группы: К1, К3, К5 (средние по важности).
Показатели третьей группы: К6, К4 (самые важные).
Количество групп показателей сравнения g=3
, ,  - количество показателей, входящих соответственно в состав 1-ой, 2-ой, 3-ей группы.

,,  - коэффициенты, которые соответственно показывают степень превосходства критериев 2-ой и 3-ей группы над критериями 1-ой группы.

Используя формулу , получаем:

1.3 Нормирование значений по критериям

Нормирование осуществляется с учетом того, что чем больше значения критериев К1,К2,К4-К6, тем лучше и чем меньше значение критерия К3, тем лучше. 
Нормированные значения для К1,К2,К4-К6 рассчитываются по формуле: 

, (1)

где - значение i-го локального критерия, соответствующее максимальному значению среди сравниваемых вариантов решения.
Нормированные значения для К3 рассчитываются по формуле: 

, (2)

где - значение i-го локального критерия, соответствующее минимальному значению среди сравниваемых вариантов решения.
Используя формулы (1,2) производиться нормирование. Результат нормирования приведен в таблице 4.

Таблица 4 – Нормированные значения критериев для сравниваемых вариантов

1.4 Выбор наилучшего варианта

1.4.1 Метод взвешенной суммы

Для каждого варианта определим его взвешенную сумму: . Наилучший вариант определяется формулой: . Результат подсчёта взвешенной суммы представлен в табл. 5.

Таблица 5 – Метод взвешенной суммы

	В1	В2	В3	В4	В5
	0,85803	0,6733	0,7602	0,7934	0,79665

Ранжирование вариантов  показывает, что В1 – дактилоскопия является наилучшим среди сравниваемых.

1.4.2 Метод – близость к идеалу

Для каждого варианта определим степень близости к идеалу: . Наилучший вариант определяется формулой: . Результат подсчёта методом близости к идеалу представлен в табл. 6.

Таблица 6 – Метод – близость к идеалу

	В1	В2	В3	В4	В5
	0,18858	0,42665	0,282631	0,286287	0,307876

Ранжирование вариантов  показывает, что В1 – дактилоскопия является наилучшим среди сравниваемых.

1.4.3 Метод Борда

Для сравнения по методу Борда необходимо распределить варианты по местам. - ранг (место), которое имеет j-ый вариант по i-му показателю, при этом за первое место дается один балл, за второе – два балла и т.д. Результат распределения рангов представлен в табл.7.

Таблица 7 – Метод Борда

	В1	В2	В3	В4	В5
К1	3,5	5	3,5	1,5	1,5
К2	2,5	4,5	1	4,5	2,5
К3	2	1	4,5	3	4,5
К4	1,5	1,5	3,5	3,5	5
К5	1,5	4,5	3	4,5	1,5
К6	3,5	5	3,5	1,5	1,5
	14,5	21,5	19	18,5	16,5

 - формула определения наилучшего варианта.

Ранжирование вариантов  показывает, что В1 – дактилоскопия является наилучшим среди сравниваемых.

В результате сравнения по трем методам (взвешенная сумма, близость к идеалу, метод Борда) было получено, что дактилоскопия является наилучшим способом биометрической идентификации для решения поставленной задачи.

2 Алгоритм распознавания

Распознавание по особым точкам показывает наилучший результат и благодаря своим показателям эффективности чаще применяется. Рассмотрим данный метод идентификации более подробно.
Выделим и рассмотрим основные этапы данного метода распознавания, приведенного на рис. 1.

Рис.1. Блок-схема основных этапов распознавания образа по особым точкам

Для распознавания используется изображение отпечатка пальца, как правило, полученного с помощью сканирующего устройства и приведенного впоследствии к серой шкале. Следующим этапом является бинаризация образа.

2.1 Бинаризация

Бинаризация – приведение изображения к черно-белому формату. Основным параметром данного приведения является пороговое значение интенсивности точки изображения.
Существует множество методов реализации бинаризации.
Все методы можно разделить на глобальные и локальные принципы обработки изображения в процессе бинаризации. Для глобальных методов характерно вычисление одного общего порогового значения интенсивности пикселя для всех остальных точек. Зачастую изображение имеет неоднородное освещение и степень яркости. Глобальный метод не позволяет учесть данный аспект. Это приводит к неточной бинаризации образа, что является существенным недостатком данного подхода. Локальный метод позволяет решить данный недостаток. Пороговое значение вычисляется не для всего изображения, а для каждой определенной области. В зависимости от количества областей меняется точность бинаризации. Однако такой алгоритм труднее в реализации и требует больших временных затрат.

Наиболее популярными и часто используемыми являются пороговая фильтрация и адаптивная фильтрация:

Пороговая фильтрация относится к глобальным методам.В данном случае устанавливается порог. Все пиксели со значениями интенсивностей выше данного порога считаются белыми, ниже – черными.Адаптивная фильтрация относится к локальным методам.Данный способ фильтрации является оптимальным по соотношению времени и точности. Применение адаптивной фильтрации повышает точность и скорость выполнения следующих этапов.

2.2 Скелетизация

В процессе скелетизации приводим бинарное изображение к изображению с линиями шириной в один пиксель. Выделяют следующие методы скелетизации, представленные в табл. 8. 
Таблица 8 - Методы скелетизации

Метод скелетизации	Описание	Преимущества/недостатки
Волновой метод	Начиная с какой-либо исходной точки изображения, волна движется по всему массиву черных пикселей. В процессе распространения, волна делится в узлах изображения и генерируются новые волны, движущиеся в различных направлениях. Тем самым, в процессе движения волны прослеживаются все кривые растрового текста.	Позволяет выделить не только растровый скелет, но и попутно сразу произвести векторизацию изображения.
Метод с использованием двумерной триангуляции	На изображении можно выделить контур, после аппроксимации его получаем входные данные для триангуляции -получаем набор соприкасающихся друг с другом треугольников, причем каждый из них должен соприкасаться с контуром либо ребром и всеми точками, либо тремя точками и ни одним ребром. Векторизованный набор линий -точки образованные в результате деления внутренних ребер треугольников пополам. А узлами здесь будут точки –центры вписанных окружностей в треугольники, которые соприкасаются с контуром тремя точками и ни одним ребром.	Позволяет выделить не только растровый скелет, но и попутно сразу произвести векторизацию изображения. Требует немалых временных затрат
Путем уменьшения картинки по границе	Процесс скелетизации состоит в последовательном итеративном удалении граничных пикселей на всем изображении до тех пор, пока за текущую итерацию не будет удалено ни одного пикселя.

Для скелетизации отпечатка пальца наиболее подходящим является метод уменьшения картинки по границе.

2.3 Векторизация

Векторизация изображения преобразует скелетизированный образ в набор особых точек, соединенных прямыми линиями. Таким образом, отбрасывается излишняя информация – точки, не являющиеся особыми. Параметры алгоритма задают точность аппроксимации.

2.4 Выделение минуций

В источнике [3] дается следующее определение минуциям “уникальные для каждого отпечатка признаки, определяющие пункты изменения структуры папиллярных линий (окончание, раздвоение, разрыв и т.д.), ориентацию папиллярных линий и координаты в этих пунктах”.
На данном этапе имеется скелетизированное изображение отпечатка. Изображение разбивается на области. Для нахождения минуций выбирается центральная точка области и определяется число ненулевых пикселей, находящихся вокруг нее. Пиксель в центре считается минуцией. При наличии в области вокруг ненулевого пикселя – одного пикселя, считаем что имеем минуцию типа «окончание». При условии, что их три имеем минуцию типа «раздвоение». Реальные минуции определяются путем удаления из множества полученных минуций соседних и краевых точек изображения. После удаления остается множество реальных минуций, которое на следующем этапе будет использоваться для сравнения отпечатков пальцев.
После нахождения локальных признаков, заканчивается этап обработки отпечатка пальца.2.5 РаспознаваниеДля распознавания отпечатков используется нейронная сеть.
Основной задачей нейронной сети является создание шаблона пальца и распознавание зарегистрированного отпечатка. 
Нейронная сеть представляет из себя однослойный персептрон.

Рисунок 2. Схема нейронной сети

Входами нейронной сети являются значения пикселей на изображении с точками раздвоений и бифуркаций. Если пиксель черный – то вход имеет значение 1, если белый – то значение 0.
Каждому зарегистрированному пальцу соответствует свой нейрон и своя память.
Активационная функция имеет следующий вид:
F: S > 70 * n, где S = ∑B_i * Вес_i, n – количество входов, B_i – значение i-го входа, Вес_i – вес i-го входа.
Две минуции считаются совпавшим, если расстояние между этими точками меньше заранее заданной величины. Отпечатки считаются идентичными, если коэффициент совпадения составляет более 70%. Число совпавших минуций вычисляется после каждого поворота изображения и выбирается наилучший показатель.

3 Разработка алгоритма идентификации на Python

При разработке приложения идентификации личности в системе реализации билетов для прохода на объект массового мероприятия был использован язык программирования Python.
Для фильтрации изображения дополнительно был установлен модуль Gabor, при реализации скелетизации изображения средствами python, потребовалось использование библиотек: numpy, PIL, skimage.

Функция skeletonize(image) библиотеки skimage получает в качестве аргумента двоичное изображение, представленное в виде массива. На выходе получается скелетизированнное бинарное изображение. Функция работает по алгоритму, который последовательно удаляет пиксели по контуру объекта до тех пока удаление не станет невозможным.

PyBrain – простая и удобная модульная библиотека организации алгоритмов работы нейронной сети. Для взаимодействия с базой данных применялась библиотека sqlite3.

Фреймворк Django, написанный на Python, был выбран при организации пользовательского интерфейса веб- приложения.

Python предоставляет возможности для решения разноплановых задач, в частности при обработке изображения. В зависимости от поставленной задачи может потребоваться установка следующих библиотек: pip, sip, tkinter, scipy, PyQt и другие.

4 Предметные области применения

Стадион организует показ спортивных мероприятий. Система реализует регистрацию и авторизацию пользователей для осуществления регистрации посетителей для прохода на объект (стадион). Система осуществляет регистрацию посетителя и его отпечатка для доступа на стадион. Также возможна аутентификация посетителя и продажа билетов на выбранный стадион, матч. Осуществляется регистрация прохода посетителя через турникет, для контроля времени нахождения на стадионе. При совершении противоправных действий, посетитель может быть добавлен в чёрный список.
Данная автоматизированная система позволит значительно упростить и систематизировать работу по регистрации посетителей, продаже билетов и осуществлении прохода на объект.

5 Даталогическая модель

Даталогическая модель построена с использованием продукта для конструирования баз данных ERwin и представлена на рисунке 3.

Рис. 3. Даталогическая модель базы данных

6 Бизнес процесс

Рис.4. Бизнес- процесс

В разработанной системе, есть четыре типа пользователей:

Администратор – контролирует работоспособность системы. Обладает всеми правами системы, в том числе назначением прав доступа к системе зарегистрированным пользователям;

Оператор по продажи билетов- контролирует процессы регистрации новых пользователей и продажу билетов;

Оператор на пропускной – контролирует проход посетителей через турникеты, принимает решение в пограничных ситуациях о доступе на объект.

Посетители – зарегистрированные пользователи системы, купившие билет.

7 Скриншоты программ

Рис. 5. Главная страница веб – приложения		Рис. 6. Форма регистрации пользователя
Рис. 7. Личная страница пользователя	Рис. 8. Форма покупки билета
Рис. 9. Страница, результата обработки изображения

В статье был произведен сравнительный анализ биометрических методов идентификации личности. На основе проведенного анализа выбран оптимальный метод для идентификации при совершении заказа. Описан алгоритм распознавания образа отпечатка пальца по особым точкам. Сделан обзор основных этапов алгоритма распознавания. Описаны средства реализации рассматриваемого алгоритма. Спроектирована база данных. Приведены примеры схемы бизнес-процесса и инфологической модели для конкретной области применения. Предложен пример реализации идентификации на объектах массового обслуживания.

1. Гифт Ноа, М. Джонс Джереми Python в системном администрировании UNIX и Linux, – М.: Символ-Плюс, 2009
2. Головатый А., Каплан-Мосс Д. «Django. Подробное руководство», – М.: Символ-Плюс, 2011
3. Джейн A., Нандакумар К. Биометрическая аутентификация: защита систем и конфиденциальность пользователей // Открытые системы. 2012.  № 10. Режим доступа: http://www.osp.ru/os/2012/10/13033122/
4. Комиссаров М. Вопросы терминологии при создании платежно-пропускных систем для стадионов и массовых мероприятий // Алгоритм безопасности, 2015, №1. Режим доступа: http://algoritm.org/arch/arch.php?id=74&a=1754
5. Постников В.М. Основы эксплуатации автоматизированных систем обработки информации и управления. Краткий курс /Издательство МГТУ им Н.Э. Баумана, 2013.171 с.
6. Рыканов А.С. Анализ методов распознания отпечатков пальца //  Системы обработки информации, 2010, выпуск 6(87), с. 164-171. Режим доступа:http://nbuv.gov.ua/j-pdf/soi_2010_6_37.pdf
7. Селиверстова А.В., Третьякова А.А. Сравнительный анализ и классификация методов идентификации личности по отпечатку пальца //  Электронный журнал Молодежный научно-технический вестник. Апрель 2015, №4. Режим доступа: http://sntbul.bmstu.ru/doc/838046.html
8. Селиверстова А.В. Сравнительный анализ, выбор и реализация метода биометрической идентификации // Современные научные исследования и инновации. 2016. № 4 [Электронный ресурс]. Режим доступа: http://web.snauka.ru/issues/2016/04/67523
9. Тоноян С.А. Елисеев Д.В., Балдин А.В. Анализ избыточности хранения темпоральных данных средствами реляционной СУБД // Инженерный журнал: наука и инновации. 2014. № 4. С. 1.
10. Тоноян С.А., Сараев Д.В. темпоральные модели базы данных и их свойства // Инженерный журнал: наука и инновации. 2014. № 12 (36). С. 15.
11. Форсье Джефф, Биссекс Пол Django. Разработка веб-приложений на Python, – М.: Символ-Плюс, 2011
12. Лутц Марк Программирование на Python. Том 1, 4-е издание, – М.: Символ-Плюс, 2011
13. Лутц Марк Программирование на Python. Том 2, 4-е издание, – М.: Символ-Плюс, 2011
14. Сайт Django Project. URL:   https://www.djangoproject.com

Все статьи автора «Селиверстова Анастасия Валерьевна»