АДАПТАЦІЯ ПАРАМЕТРІВ ДВОШАРОВОГО ПЕРСЕПТРОНА, ПРИЗНАЧЕНОГО ДЛЯ БІОМЕТРИЧНОЇ АУТЕНТИФІКАЦІЇ КОРИСТУВАЧІВ ЗА ВІДБИТКАМИ ПАЛЬЦІВ

Заголовок (російською): 
АДАПТАЦИЯ ПАРАМЕТРОВ ДВУХСЛОЙНОГО ПЕРСЕПТРОНА, ПРЕДНАЗНАЧЕННОГО ДЛЯ БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ ПО ОТПЕЧАТКАМ ПАЛЬЦЕВ
Заголовок (англійською): 
ADAPTATION OF PARAMETERS OF A TWO-LAYER PERCEPTRON INTENDED FOR BIOMETRIC AUTHENTICATION OF USERS BY FINGERPRINTS
Автор(и): 
Михайленко В.М.
Терейковская Л.А.
Легеза В.П.
Автор(и) (англ): 
Mihaylenko Victor
Tereikovska Liudmyla
Legeza Viktor
Ключові слова (укр): 
біометрична аутентифікація; відбитки пальців; адаптація; двошаровий персептрон; нейронна мережа
Ключові слова (рус): 
биометрическая аутентификация; отпечатки пальцев; адаптация; двухслойный персептрон; нейронная сеть
Ключові слова (англ): 
biometric authentication; fingerprints; adaptation; two-layer perceptron; neural network
Анотація (укр): 
Одним з основних напрямів розвитку систем біометричної аутентифікації є впровадження в них нейромережевих методів розпізнавання відбитків пальців. Показано, що ефективність таких систем може бути забезпечена за рахунок використання двошарового персептрона, адаптованого до умов завдання розпізнавання відбитків пальців. Встановлено, що адаптація повинна бути спрямована на мінімізацію помилки розпізнавання при використанні обмеженого обсягу обчислювальних ресурсів. При цьому за відправну точку процесу адаптації доцільно використовувати визначення множини вхідних параметрів двошарового персептрона. Розроблено математичне забезпечення для розрахунку значень параметрів, що адаптуються. Показано, що основними особливостями завдання розпізнавання відбитків пальців є: розмір відбитка пальця, розмір блоку зображення, який відповідає окремій мінуції і кількість розпізнаваних користувачів. З використанням розробленого математичного забезпечення і певного переліку особливостей поставленого завдання розпізнавання, сформована процедура адаптації, що базується на зіставленні вхідних нейронів двошарового персептрона з координатами блоків зображень, що характеризують окрему мінуцію. Перспективність запропонованих рішень підтверджено експериментально.
Анотація (рус): 
Одним из основных направлений развития систем биометрической аутентификации является внедрение в них нейросетевых методов распознавания отпечатков пальцев. Показано, что эффективность таких систем может быть обеспечена за счет использования двухслойного персептрона, адаптированного к условиям задачи распознавания отпечатков пальцев. Установлено, что адаптация должна быть направлена на минимизацию ошибки распознавания при использовании ограниченного объема вычислительных ресурсов. При этом в качестве отправной точки процесса адаптации целесообразно использовать определение множества входных параметров двухслойного персептрона. Показано, что основными особенностями задачи распознавания отпечатков пальцев являются размер отпечатка пальца и размер блока изображения, соответствующего отдельной минуции и количеству распознаваемых пользователей. Разработано математическое обеспечение для расчета значений адаптируемых параметров, с использованием которого и особенностей поставленной задачи распознавания предложена процедура адаптации, базирующаяся на сопоставлении входных нейронов двухслойного персептрона с координатами блоков изображений, характеризующих отдельную минуцию. Перспективность предложенных решений подтверждена результатами экспериментальных исследований.
Анотація (англ): 
One of the main directions of development of biometric authentication systems is the introduction of neural network fingerprint recognition methods in them. It is shown that the effectiveness of such systems can be ensured by using a two-layer perceptron adapted to the conditions of the fingerprint recognition problem. It has been established that adaptation should be aimed at minimizing the recognition error when using a limited amount of computing resources. In this case, as the starting point of the adaptation process, it is expedient to use the definition of the set of input parameters of a two-layer perceptron. The mathematical support for calculating the values of the adapted parameters is developed. It is shown that the main features of the fingerprint recognition problem are: the size of the fingerprint, the size of the image block, which corresponds to a separate minus and the number of recognizable users. Using the developed software and a specific list of features of the task of recognition, an adaptation procedure is based on the comparison of input neurons of a two-layer perceptron with the coordinates of image blocks characterizing a separate minus. Prospectivity of the proposed solutions is confirmed experimentally.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 34, 2018
Назва журналу, номер, рік випуску (рус): 
Управление развитием сложных систем, номер 34, 2018
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems
Мова статті: 
Русский
Формат документа: 
application/pdf
Документ: 
20.pdf
Дата публікації: 
22 Март 2018
Номер збірника: 
34
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ПРОЕКТУВАННЯ
Університет автора: 
Киевский национальный университет строительства и архитектуры, Киев; Национальный технический университет Украины «Киевский политехнический институт им. Игоря Сикорского», Киев
Литература: 
  1. Aitchanov B., Korchenko A., Tereykovskiy I., Bapiyev I. Perspectives for using classical neural network models and methods of counteracting attacks on network resources of information systems. News of the national academy of sciences of the republic of Kazakhstan. Series of geology and technical sciences, Volume 5, Number 425 (2017), 202 – 212.
  2. Tereykovska, L., Tereykovskiy, I., Aytkhozhaeva, E., Tynymbayev, S., Imanbayev, A. Encoding of neural network model exit signal, that is devoted for distinction of graphical images in biometric authenticate systems. News of the national academy of sciences of the republic of Kazakhstan. Series of geology and technical sciences, Volume 6, Number 426 (2017), 217 – 224.
  3. Bapiyev, I.M., Aitchanov, B.H., Tereikovskyi, I.A., Tereikovska, L.A., Korchenko, A.A. deep neural networks in cyber attack detection systems. International Journal of Civil Engineering and Technology (IJCIET). Volume 8, Issue 11, November 2017, pp. 1086–1092.
  4. Hu Z., Tereykovskiy I., Tereykovska L., Pogorelov V. Determination of Structural Parameters of Multilayer Perceptron Designed to Estimate Parameters of Technical Systems. I.J. Intelli-gent Systems and Applications. No 10, pp. 57‒62 (2017).
  5. Hu Z., Gnatyuk V., Sydorenko V., Odarchenko R., Gnatyuk S. (2017). Method for Cyberincidents Network-Centric Monitoring in Critical Information Infrastructure, International Journal of Computer Network and Information Security, Vol. 9, № 6, рр. 30‒43
  6. Stephane Kouamo, Claude Tangha Fingerprint Recognition with Artificial Neural Networks: Application to E-Learning. Journal of Intelligent Learning Systems and Applications, 2016, 8, 39‒49.
  7. Hamsa A. Abdullah Fingerprint Identification System Using Neural Networks. Nahrain University, College of Engineering Jou rnal (NUCEJ) Vol.15 No.2, 2012 pp234 – 244.
  8. Marak P., Hambalik A. Fingerprint recognition system using artificial neural network as feature extractor: design and performance evaluationp. Tatra Mt. Math. Publ. 67 (2016), 117–134.
  9. Ruxin Wang, Congying Han, Yanping Wu, and Tiande Guo. Fingerprint Classification Based on Depth Neural Network. arXiv:1409.5188v1 [cs.CV] 18 Sep 2014, 1-14.
  10. Michelsanti, D., Guichi, Y., Ene, A-D., Stef, R., Nasrollahi, K., & Moeslund, T. B. (2017). Fast Fingerprint Classification with Deep Neural Network. In VISAPP – International Conference on Computer Vision Theory and Applications.
  11. Daniel Peralta, Isaac Triguero, Salvador Garc´ıa, Yvan Saeys, Jose M. Benitez, and Francisco Herrera On the use of convolutional neural networks for robust classification of multiple fingerprint captures. arXiv:1703.07270v3 [cs.CV] 15 May 2017, 1-22.
  12. Yann LeCun, Leon Bottou, Yoshua Bengio, Patrick Haffner. 1998. Gradient-based learning applied to document recognition. Proceedings of IEEE, 86(11), pp. 2278-2324.
  13. Y. LeCun, F.J. Huang, and L. Bottou. Learning methods for generic object recognition with invariance to pose and lighting. In Computer Vision and Pattern Recognition, 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on, volume 2, pages II–97. IEEE, 2004.
  14. ISO/IEC 19794-4:2005 Information technology — Biometric data interchange formats – Part 4: Finger image data (IDT). p.24.
  15. M. Kayaoglu, B. Topcu, U. Uludag. Standard Fingerprint DatabasesStandard. Manual Minutiae Labeling and Matcher Performance Analyses. arXiv:1305.1443 [cs.CV] 7 May 2013 P.13.
  16. S.C. Turaga, J.F. Murray, V. Jain, F. Roth, M. Helmstaedter, K. Briggman, W. Denk, and H.S. Seung. Convolutional networks can learn to generate affinity graphs for image segmentation. Neural Computation, 22(2):511–538, 2010.

 

References: 
  1. Aitchanov, B., Korchenko, A., Tereykovskiy, I., Bapiyev, I. (2017). Perspectives for using classical neural network models and methods of counteracting attacks on network resources of information systems. News of the national academy of sciences of the republic of Kazakhstan. Series of geology and technical sciences, 5, 425, 202–212.
  2. Tereykovska, L., Tereykovskiy, I., Aytkhozhaeva, E., Tynymbayev, S., Imanbayev, A. (2017). Encoding of neural network model exit signal, that is devoted for distinction of graphical images in biometric authenticate systems. News of the national academy of sciences of the republic of Kazakhstan. Series of geology and technical sciences, 6, 426, 217–224.
  3. Bapiyev, I.M., Aitchanov, B.H., Tereikovskyi, I.A., Tereikovska, L.A., Korchenko, A.A. (2017). Deep neural networks in cyber attack detection systems. International Journal of Civil Engineering and Technology (IJCIET), 8, 11, 1086–1092.
  4. Hu, Z., Tereykovskiy, I., Tereykovska, L., Pogorelov, V. (2017). Determination of Structural Parameters of Multilayer Perceptron Designed to Estimate Parameters of Technical Systems. I.J. Intelli-gent Systems and Applications, 10, 57-62.
  5. Hu, Z., Gnatyuk, V., Sydorenko, V., Odarchenko, R., Gnatyuk, S. (2017). Method for Cyberincidents Network-Centric Monitoring in Critical Information Infrastructure, International Journal of Computer Network and Information Security, 9, 6, 30-43.
  6. Kouamo, Stephane, Tangha, Claude. (2016). Fingerprint Recognition with Artificial Neural Networks: Application to E-Learning. Journal of Intelligent Learning Systems and Applications, 8, 39-49.
  7. Hamsa, A. (2012). Abdullah Fingerprint Identification System Using Neural Networks. Nahrain University, College of Engineering Jou rnal (NUCEJ), 15, 2, 234–244.
  8. Marak, P., Hambalik, A. (2016). Fingerprint recognition system using artificial neural network as feature extractor: design and performance evaluationp. Tatra Mt. Math. Publ., 67, 117–134.
  9. Wang, Ruxin, Han, Congying, Wu, Yanping, Guo, Tiande. (2014). Fingerprint Classification Based on Depth Neural Network. arXiv:1409.5188v1 [cs.CV], 1-14.
  10. Michelsanti, D., Guichi, Y., Ene, A-D., Stef, R., Nasrollahi, K., & Moeslund, T. B. (2017). Fast Fingerprint Classification with Deep Neural Network. In VISAPP – International Conference on Computer Vision Theory and Applications.
  11. Peralta, Daniel, Triguero, Isaac, Garc´ıa, Salvador, Saeys, Yvan, Benitez, Jose M., Herrera, Francisco. (2017). On the use of convolutional neural networks for robust classification of multiple fingerprint captures. arXiv:1703.07270v3 [cs.CV], 1-22.
  12. LeCun, Yann, Bottou, Leon, Bengio, Haffner, Yoshua Patrick. (1998). Gradient-based learning applied to document recognition. Proceedings of IEEE, 86(11), pp. 2278-2324.
  13. Y. LeCun, F.J. Huang, and L. Bottou. (2004). Learning methods for generic object recognition with invariance to pose and lighting. In Computer Vision and Pattern Recognition, 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on, volume 2, pages II–97. IEEE, 2004.
  14. ISO/IEC 19794-4:2005 Information technology – Biometric data interchange formats – Part 4: Finger image data (IDT). p. 24.
  15. Kayaoglu, M., Topcu, B., Uludag, U. (2013). Standard Fingerprint DatabasesStandard. Manual Minutiae Labeling and Matcher Performance Analyses. arXiv:1305.1443 [cs.CV], 13.
  16. Turaga, S.C., Murray, J.F., Jain, V., Roth, F., Helmstaedter, M., Briggman, K., Denk, W. & Seung, H.S. (2010). Convolutional networks can learn to generate affinity graphs for image segmentation. Neural Computation, 22(2):511–538.