АДАПТАЦИЯ НЕЙРОННОЙ СЕТИ К РАСПОЗНАВАНИЮ РАДУЖНОЙ ОБОЛОЧКИ ГЛАЗА
DOI:
https://doi.org/10.52167/1609-1817-2022-122-3-237-245Ключевые слова:
нейросетевой анализ, сверточная нейронная сеть, биометрический параметр, радужная оболочка глазаАннотация
В статье рассматривается вопрос распознавания радужной оболочки глаза при биометрической аутентификации и иридодиагностике. Наиболее эффективным типом нейросетевой модели для распознавания радужной оболочки глаза является сверточная нейронная сеть, параметры которой необходимо адаптировать для решения данной задачи. Определен перечень параметров сверточной нейронной сети, которые целесообразно адаптировать. Предложены принципы адаптации, на основе которых разработана оригинальная процедура адаптации нейросетевой модели к условим поставленной задачи. В отличии от известных решений разработка предусматривает использование предложенных принципов адаптации, позволяющих определить основные параметры слоев свертки и субдискретизации. Экспериментальным путем доказано, что использование предложенной процедуры позволило разработать нейросетевую модели точность которой на уровне 0,95, соответствует лучшим современным решениям аналогичного назначения. Показана целесообразность дальнейших исследований в области разработки метода нейросетевого анализа радужной оболочки глаза с помощью CNN.
Библиографические ссылки
[1] Aim A., Bill F. Ocular circulation. In Adler's Physiology of the Eye/Ed by Moses and Hart. Mosby Co., 1987 . - P. 183-203.
[2] Al-Raisi A.N., Al-Khouri A.M. Iris recognition and challenge of homeland and border control security in UEA / A.N. Al-Raisi, A.M. Al-Khouri // Telematics and Informatics. – 2008. – Vol. 25. – P. 117-132.
[3] Al-Raisi, Egorov E.A., Bowyer K.W., Barret W.A. ISO/IEC 19794-6:2005 “Information technology – Biometric data interchange formats – Part 6: Iris image data”. Roizenblatt, R.
[4] Barret W.A. National Biometrics Test Center. San Jose State University. June 2000.
[5] Baxter G.M., Williamson Т.Н. Color Doppler imaging of the eye:normal ranges, reproducibility and observer variation // J. Ultrasound Med.-1995.-№14 (2).- P. 91-96.
[6] Bowyer K.W. Identity in the Information Society.– Vol 2. № 3. 2009. P. 327-343.
[7] Daugman J. How iris recognition works // IEEE Transactions on Circuits and Systems for Video Technology, 2004. Vol. 14. No. 1. P. 21–30.
[8] Dedov I., Maslova O., Suntsov Y., Bolotskaia L., Milenkaia T., Besmertnaia L. Prevalence of diabetic retinopathy and cataract in adult patients with type 1 and type 2 diabetes in Russia // Rev. Diabet Stud.-2009.- Vol. 6, №2.- P. 124-129.
[9] Dua, M., Gupta, R., Khari, M. et al. Biometric iris recognition using radial basis function neural network. Soft Comput 23, 11801–11815 (2019).
[10] Dychka I., Chernyshev D., Tereikovskyi I., Tereikovska L., Pogorelov V. (2020) Malware Detection Using Artificial Neural Networks. In: Hu Z., Petoukhov S., Dychka I., He M. (eds) Advances in Computer Science for Engineering and Education II. ICCSEEA 2019. Advances in Intelligent Systems and Computing, vol 938. Springer, Cham. Pages 3-12 DOI https://doi.org/10.1007/978-3-030-16621-2_1.
[11] Egorov E.A. Neotlozhnaja oftal'mologija: uchebnoe posobie dlja vuzov. Moskva: Gjeotar Media. 2005. 118 s.
[12] Hajaria K., Ujwalla Gawandeb, Golharc Y. Neural Network Approach to Iris Recognition in Noisy Environment. International Conference on Information Security & Privacy (ICISP2015), 11-12 December 2015, Nagpur, INDIA Procedia Computer Science 78 ( 2016 ) 675 – 682.
[13] Hu, Z., Tereykovskiy, I., Zorin, Y., Tereykovska, L., Zhibek, A. Optimization of convolutional neural network structure for biometric authentication by face geometry // Advances in Intelligent Systems and Computing. 2018. Volume 754, pp 567-577.
[14] ISO/IEC 19794-6:2005 “Information technology – Biometric data interchange formats – Part 6: Iris image data”.
[15] Martens J.-B. The Hermite transform-theory // IEEE Transactions on Acoustics, Speech, and Signal Processing, 1990. Vol. 38. No. 9. P. 1595–1606.
[16] Min Beom Lee, Hyung Gil Hong and Kang Ryoung Park Noisy Ocular Recognition Based on Three Convolutional Neural Networks. Sensors 2017, 17, 2933 p. 1-26.
[17] Miyazawa K. An effective approach for iris recognition using phase-based image matching / K. Miyazawa, K. Ito [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2008. – Vol. 30, № 10. – P. 1741-1756.
[18] Muhammad A., Rizwan Ali Naqvi, Dong Seop Kim, Phong Ha Nguyen, Muhammad Owais and Kang P. IrisDenseNet: Robust Iris Segmentation Using Densely Connected Fully Convolutional Networks in the Images by Visible Light and Near-Infrared Light Camera Sensors. Sensors 2018, 18, 1501, p. 1-30.
[19] Proenca H. Iris recognition: On the segmentation of degraded images acquired in the visible wavelength // IEEE Transaction on Pattern Analysis and Machine Intelligence, 2010. Vol. 32. No. 8. P. 1502–1516.
[20] Roizenblatt, R. BioMedical Engineering OnLine. Vol. 3. № 1. 2004. P 2.
[21] Sanjay R., Mirza S. Iris Recognition System And Analysis Using Neural Networks. International Journal of Engineering Research & Technology (IJERT), Vol. 2 Issue 7, July – 2013, p. 1051- 1054.
[22] Tereikovskyi I. A., Chernyshev D. O., Tereikovska L.A., Mussiraliyeva Sh. Zh., Akhmed G. Zh. The Procedure For The Determination Of Structural Parameters Of A Convolutional Neural Network To Fingerprint Recognition. Journal of Theoretical and Applied Information Technology. 30th April 2019. Vol.97. No 8. Pages 2381-2392.
[23] Tereikovskiy, I., Parkhomenko, I., Toliupa, S., Tereikovska, L. Markov model of normal conduct template of computer systems network objects // 14th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering, TCSET 2018 – Proceedings. pp. 498 – 501.
[24] Tereikovskyi I., Subach I., Tereikovskyi O., Tereikovska L., Toliupa S. and Nakonechnyi V. "Parameter Definition for Multilayer Perceptron Intended for Speaker Identification," 2019 IEEE International Conference on Advanced Trends in Information Theory (ATIT), Kyiv, Ukraine, 2019, pp. 227-231.
[25] Toliupa S., Tereikovskyi I., Tereikovskyi O., Tereikovska L., Nakonechnyi V. and Kulakov Y. "Keyboard Dynamic Analysis by Alexnet Type Neural Network," 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 2020, pp. 416-420, doi: 10.1109/TCSET49122.2020.235466.
[26] Usham Dias, Vinita Frietas, Sandeep P.S. and Amanda Fernandes A NEURAL NETWORK BASED IRIS RECOGNITION SYSTEM FOR PERSONAL IDENTIFICATION. ICTACT JOURNAL ON SOFT COMPUTING, OCTOBER 2010, №2 p.78-83.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Жулдыз Алимсеитова, Гулжанат Бекетова, Акбала Абуова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
