Способ опознавания личности по рисунку вен ладони

Изобретение относится к биометрии, а именно к технике защиты различных объектов от доступа посторонних лиц путем идентификации личности по рисунку вен ладони (РВЛ). Способ опознавания личности по рисунку вен ладони, включающий потоковое считывание рисунка вен ладони субъекта идентификации, получение из потока кадра, анализ полученного кадра, факт биометрической идентификации, при этом перед потоковым считыванием рисунка вен ладони субъекта идентификации проводят выбор целевого субъекта идентификации и соответствующей ему нейросети, а после получения из потока кадра, проводят его предварительную обработку, не изменяющую тип данных, при этом анализ полученного кадра осуществляют сверточной нейронной сетью, предварительно обученной для бинарной классификации изображений известного формата на два класса, один из которых указывает на соответствие кадра с выбранным субъектом идентификации, а второй - на несоотвествие кадра с выбранным субъектом идентификации, тогда как результатом анализа является вектор вероятностей принадлежности выбранного изображения каждому из двух названных классов: P_i=(р_ti, р_fi), |I|=n, где I - множество субъектов i, которым соответствуют вероятности нейросетевых моделей, предсказывающие вероятности принадлежности кадра данному субъекту идентификации P_i; n - мощность множеств I, p_ti - вероятность, что кадр принадлежит субъекту идентификации i, р_fi - вероятность, что кадр не принадлежит субъекту идентификации i; при этом факт биометрической идентификации устанавливают в соответствии с условием p_ti ≥ P_approve. Технический результат заключается в повышении точности и скорости идентификации личности. 5 з.п. ф-лы.

 

Изобретение относится к биометрии, а именно к технике защиты различных объектов от доступа посторонних лиц путем идентификации личности по рисунку вен ладони (РВЛ).

Известен способ идентификации личности человека по его РВЛ (RU 2563157 С1), который захватывает изображение с помощью двух противоположно расположенных камер, работающих в видимом свете, обрабатывает исходное изображение с выделением RGB компонент и сопоставляет их с эталонными данными методом фазовой корреляции.

Недостатком известного способа является недостаточно высокая точность и длительность идентификации, связанная с необходимостью проведения большого количества операций для сравнения с каждым эталонным изображением, что увеличивает время обработки результата и обусловлено использованием метода фазовой корреляции.

Известен способ идентификации личности человека по его РВЛ (US 20180357499 А1), который определяет ключевые точки на рисунке вен ладони, бинаризует полученные значения и хранит только значимые параметры.

Недостатком известного способа является длительность и недостаточно высокая точность идентификации, ввиду анализа предопределенного набора параметров и отсутствия учета значимости каждого из узлов и параметров изображения.

Наиболее близким к заявляемому является способ идентификации личности человека по его РВЛ (US 8229178 В2), согласно которому получают изображение ладони и изображение вен ладони человека с возможностью переключения между видимым и ближним инфракрасным излучением, последующим извлечением идентификационных признаков программным способом и сравнением полученных данных с эталоном, хранимым в базе данных.

Недостатком известного способа является недостаточно высокая точность и длительное время обработки результата, что обусловлено необходимостью постоянного доступа системы к незашифрованным эталонным биометрическим образцам и использованием метода фазовой корреляции, требующего большого количества операций для сравнения с каждым эталонным изображением.

Задачей заявляемого изобретения является усовершенствование способа опознавания личности по рисунку вен ладони с целью расширения арсенала средств данного назначения.

Технический результат заключается в повышении точности и скорости идентификации личности.

Технический результат достигается тем, что способ опознавания личности по рисунку вен ладони, включающий потоковое считывание рисунка вен ладони субъекта идентификации, получение кадра из потока, анализ полученного кадра, факт биометрической идентификации, при этом, после получения из потока кадра, отображаемого рисунок вен ладони и линейные характеристики, проводят его предварительную обработку, не изменяющую тип данных, а анализ полученного кадра осуществляют поочередно всеми имеющимися сверточными нейронными сетями по количеству зарегистрированных субъектов или одной определенной субъектом сверточной нейросетью, каждая из которых предварительно обучена классификации изображений известного формата на два класса, один из которых сигнализирует о соответствии с сопоставленным субъектом идентификации, а второй - о несоответствии, тогда как результатом анализа является вектор вероятностей принадлежности выбранного изображения сопоставленному сверточной нейросети пользователю под номером i:

где I - множество субъектов i, которым соответствуют вероятности сверточных нейросетевых моделей, предсказывающие вероятности принадлежности кадра данному субъекту идентификации P_i; n - мощность множеств I, p_ti - вероятность, что кадр принадлежит субъекту идентификации i, p_fi - вероятность, что кадр не принадлежит субъекту идентификации i, при этом факт биометрической идентификации устанавливают в соответствии с условием (2)

где P_approve - минимальное пороговое значение вероятности, при котором идентификация будет подтверждена. P_approve определяется эмпирически в ходе подготовки системы к эксплуатации. Потоковое считывание рисунка вен ладони осуществляют фото- или видеокамерой с отсутствующим инфракрасным фильтром, с использованием инфракрасной подсветки ладони со стороны видеокамеры или с обратной стороны ладони, относительно видеокамеры. Линейные характеристики включают папиллярные линии ладони, текстуру и рельеф кожи. Этап предварительной обработки не изменяющий тип данных, проводят доступными фильтрами и функциями обработки изображений, в том числе гаммирование, повышение четкости, повышение яркости, сжатие, инверсия.

Повышение точности идентификации по РВЛ осуществляется за счет учета на выбранном кадре помимо РВЛ линейных характеристик ладони: папиллярных линий ладони, текстуры и рельефа кожи, неразделимо отображаемых на получаемых сверточной нейросетью кадрах. Применение для анализа кадра сверточных нейронных сетей, обучаемых на целевом наборе данных, позволяет повысить точность этапе обучения модели, за счет точной настройки системы с применением порогового параметра P_approve, позволяющего минимизировать возможное количество ошибок первого и второго рода соответственно на этапе ввода системы в эксплуатацию. Повышение точности также достигается за счет того, что каждая нейронная сеть специализируется на проверке подлинности определенного субъекта, которому она соответствует.

Повышение скорости идентификации по РВЛ достигается тем, что анализ кадра РВЛ производят легковесные нейронные сети, невзаимосвязанные между собой. Такие сети обладают лишь двумя выходными нейронами, следовательно обучение происходит значительно быстрее. Каждая обученная нейросеть выдает на выходе вероятность принадлежности изображения к соответствующему классу (каждая нейросеть соответствует отдельному субъекту идентификации и сигнализирует о совпадении или несовпадении с ним), без прямого сопоставления извлеченных характеристик ладоней и ладоней, сохраненных в базе данных для идентификации человека. При этом образцы идентификационных характеристик хранятся отдельно от системы идентификации и не используются в процессе эксплуатации, ввиду отдельного хранения образцов изображений биометрических данных вместе с модулем подготовки (обучения) сверточной нейросети от системы идентификации личности, что дополнительно снижает риск компрометации хранимых биометрических персональных данных.

Повышение скорости идентификации по РВЛ достигается также за счет повышение скорости регистрации дополнительных субъектов для уже введенной в эксплуатацию систему за счет того, что анализ кадра РВЛ производят невзаимосвязанные между собой легковесные нейронные сети, за счет чего при добавлении дополнительного субъекта необходимо лишь добавить в систему новую нейросетевую модель, обученную отличать нового субъекта.

Способ опознавания личности по рисунку вен ладони осуществляют следующим образом.

Производят сбор образцов характеристик, которые являются кадрами, аналогичными считываемым тем же устройством, которым будет проводиться идентификация личности у зарегистрированных в системе субъектов идентификации. Данные образцы используют только перед введением системы в эксплуатацию, для обучения сверточных нейросетей для определения соответствия или несоответствия кадров известного формата с каждым из зарегистрированных субъектов идентификации.

Для опознавания личности производят потоковое считывание данных с ладони в черно-белом формате при помощи цифровой фото- или видеокамеры с отсутствующим фильтром инфракрасного излучения. При считывании используют инфракрасную подсветку ладони с тыльной или фронтальной стороны. Кадр из потока получают путем периодического фотографирования. Кадр при необходимости, может быть предварительно подвергнут ряду обработок, таких как повышение яркости, контрастности, инверсии, сжатие и другие, модифицирующие изображение, но не изменяющие тип данных. Нейросеть обучают учитывать масштабирование и поворот объекта на изображении.

Помимо рисунка вен ладони, на кадрах, полученных с помощью устройства, присутствуют линейные характеристики ладони: папиллярные линии ладони, текстура и рельеф кожи. Благодаря этому, сверточную нейросеть обучают учитывать все названные параметры в комплексе, а также, в силу особенностей архитектуры, масштабирование и поворот объекта на кадрах.

Затем поочередно проводят анализ кадра с помощью каждой или выбранной пользователем нейронной сети, соответствующей своему субъекту и предварительно обученной для определения степени принадлежности и непринадлежности изображений известного формата субъекту идентификации, тогда как результатом анализа является вектор вероятностей соответствия (p_ti) и несоответствия (р_fi) выбранного изображения субъекту под номером i, длина которого равна двум, каждая первая из компонент такого вектора соответствует вероятности принадлежности, а каждая вторая - непринадлежности анализируемого изображения субъекту доступа:

где I - множество субъектов i, которым соответствуют вероятности нейросетевых моделей, предсказывающие вероятности принадлежности кадра данному субъекту идентификации P_i; n - мощность множеств I, p_t - вероятность соответствия, что кадр принадлежит субъекту идентификации i, p_f - вероятность несоответствия, что кадр не принадлежит субъекту идентификации i.

Факт биометрической идентификации устанавливают согласно проверке соответствия условию 2.

где P_approve - минимальное пороговое значение вероятности, при котором идентификация будет подтверждена, определяется эмпирически в ходе подготовки системы к эксплуатации.

Компонента вектора, отвечающая за соответствие, должна быть больше полученного эмпирически порога P_approve. В случае первого прохождения данной проверки факт идентификации подтверждается, а дальнейшие проверки не производятся.

Сущность заявленного способа поясняется примерами его реализации.

Пример 1. Субъект идентификации подносит ладонь к устройству сканирования, состоящему из видеокамеры с удаленным ИК-фильтром и светодиодами с длиной волны, лежащей в ближнем ИК диапазоне. Подсветку ладони осуществляют со стороны видеокамеры. Устройство с заданной периодичностью выбирает из видеопотока кадр, на котором изображен снимок ладони субъекта в свете ближнего ИК диапазона. На таком снимке виден рисунок вен ладони, линейные характеристики: папиллярные линии ладони, текстура и рельеф кожи, неразделимо отображаемых на получаемых нейросетью кадрах.

Далее данный выбранный кадр подвергают предварительной обработке, не изменяющей тип данных - гаммированию, повышению четкости, повышению яркости, сжатию, инверсии и посылают на вход предварительно обученной сверточной нейронной сети. Нейронные сети обучены классифицировать изображения, подаваемые на вход, по классам, выдавая на выходе вектор вероятностей соответствия и несоответствия данного изображения каждому из субъектов, длина которого равна двум. Каждому субъекту идентификации соответствует своя нейросеть. Так, если в системе зарегистрировано 5 пользователей, а идентифицируемый субъект числится в ней под номером 3 (нумеруя с единицы) и является подлинным, то возможными выходами нейросети первого субъекта является вектор: (0.1, 0.9), второго - (0.01, 0.99), третьего - (0.7, 0.3). В таком наборе векторов наибольшим значением компоненты p_ti обладает p_t3=0.7, находящийся под номером 3 (соответственно, i=3). При допустимом пороге вероятности P_approve=0.6, установленном эмпирически в процессе подготовке системы, выполняется условие подтверждения идентификации, соответственно субъект идентифицируется как пользователь с номером 3, а проверки пользователей с номерами 4 и 5 не производятся.

Пример 2. Субъект идентификации, подносит ладонь к устройству сканирования, состоящему из видеокамеры с удаленным ИК-фильтром и светодиодами с длиной волны, лежащей в ближнем ИК диапазоне. Подсветку ладони осуществляют с обратной стороны ладони, относительно видеокамеры. Устройство с заданной периодичностью выбирает из видеопотока кадр, на котором изображен снимок ладони субъекта в свете ближнего ИК диапазона. На таком снимке виден рисунок вен ладони, линейные характеристики: папиллярные линии ладони, текстура и рельеф кожи, неразделимо отображаемые на получаемых нейросетью кадрах.

Субъект идентификации производит выбор своей учетной записи в предоставленной для этого форме. В соответствии с выбранной учетной записью используется сопоставленная ей предварительно обученная сверточная нейросеть. Нейронная сеть обучена классифицировать изображения, подаваемые на вход, по двум классам, выдавая на выходе вектор из двух вероятностей соответствия (p_ti) и несоответствия (р_fi) данного изображения субъекту доступа, сопоставленного с данной нейросетью.

Далее выбранный ранее кадр подвергают предварительной обработке, не изменяющей тип данных - гаммированию, повышению четкости, повышению яркости, сжатию, инверсии и посылают на вход предварительно обученной сверточной нейронной сети. Так, если в системе зарегистрировано 10 пользователей, а текущий субъект числится в ней под номером 9 (нумеруя с единицы) и является подлинным, то возможными выходами выбранной нейросети является вектор (0.61, 0.39). В таком наборе векторов, наибольшим значением обладает компонента р_t9=0.61, (i=9). При допустимом пороге вероятности P_approve=0.5, установленном эмпирически в процессе подготовке системы, выполняется условие подтверждения идентификации, соответственно субъект идентифицируется как пользователь с номером 9, а проверка на соответствие с остальными пользователями не производится.

1. Способ опознавания личности по рисунку вен ладони, включающий потоковое считывание рисунка вен ладони субъекта идентификации, получение из потока кадра, анализ полученного кадра, факт биометрической идентификации, отличающийся тем, что перед потоковым считыванием рисунка вен ладони субъекта идентификации проводят выбор целевого субъекта идентификации и соответствующей ему нейросети, а после получения из потока кадра, проводят его предварительную обработку, не изменяющую тип данных, при этом анализ полученного кадра осуществляют сверточной нейронной сетью, предварительно обученной для бинарной классификации изображений известного формата на два класса, один из которых указывает на соответствие кадра с выбранным субъектом идентификации, а второй - на несоотвествие кадра с выбранным субъектом идентификации, тогда как результатом анализа является вектор вероятностей принадлежности выбранного изображения каждому из двух названных классов:

где I - множество субъектов i, которым соответствуют вероятности нейросетевых моделей, предсказывающие вероятности принадлежности кадра данному субъекту идентификации P_i; n - мощность множеств I, p_ti - вероятность, что кадр принадлежит субъекту идентификации i, р_fi - вероятность, что кадр не принадлежит субъекту идентификации i,

при этом факт биометрической идентификации устанавливают в соответствии с условием (2)

где P_approve - минимальное пороговое значение вероятности, при котором идентификация будет подтверждена, определяется эмпирически в ходе подготовки системы к эксплуатации.

2. Способ опознавания личности по рисунку вен ладони по п. 1, отличающийся тем, что выбор целевого субъекта идентификации производят ручным выбором из полного списка зарегистрированных субъектов идентификации, или предъявлением дополнительного идентификатора, или отсутствием альтернативных субъектов идентификации в системе, или перебором всех зарегистрированных субъектов идентификации.

3. Способ опознавания личности по рисунку вен ладони по п. 1, отличающийся тем, что линейные характеристики включают папиллярные линии ладони, текстуру и рельеф кожи.

4. Способ опознавания личности по рисунку вен ладони по п. 1, отличающийся тем, что потоковое считывание рисунка вен ладони осуществляют фото- или видеокамерой с отсутствующим инфракрасным фильтром, с использованием инфракрасной подсветки ладони со стороны видеокамеры.

5. Способ опознавания личности по рисунку вен ладони по п. 1, отличающийся тем, что потоковое считывание рисунка вен ладони осуществляют фото- или видеокамерой с отсутствующим инфракрасным фильтром, с использованием инфракрасной подсветки на просвет, с обратной стороны ладони, относительно видеокамеры.

6. Способ опознавания личности по рисунку вен ладони по п. 1, отличающийся тем, что на этапе предварительной обработки, не изменяющей тип данных, проводят гаммирование, повышение четкости, повышение яркости, сжатие, инверсию.