Розроблено біометричні методів ідентифікації на підставі нових методів фільтрації. Встановлено, що системи біометричної ідентифікації потребують постійного вдосконалення, позаяк дуже часто працюють повільно і видають неточний результат. Для підвищення надійності розпізнавання біометричних зображень досліджено метод, який містить такі етапи: сегментацію, нормалізацію, оцінювання локальної орієнтації, локальне оцінювання, оцінювання частоти хребтів, реалізація фільтра Габора, бінаризація, потоншення. Запропоновано новий метод фільтрації, який базується на нових видах функцій – Ateb-функціях, які використовують поряд з фільтром Габора. Локальну орієнтацію обчислюють з локальних градієнтів із застосуванням функції арктангенсу. Процес нормалізації проводять для рівномірного перерозподілу значень інтенсивності зображення. При сегментації відбувається відокремлення ділянок переднього плану на зображенні від фонових ділянок. Розроблено новий метод вейвлет-перетворення фільтрації біометричних зображень на підставі Ateb-Габора. Фільтр Габора застосовують при лінійній фільтрації та дає змогу покращити якість перетвореного зображення. Також використано операції симетрії, вейвлет-перетворення для зменшення кількості необхідних операцій множення та додавання. Метод базується на загальновідомому фільтрі Габора та дає змогу перебудовувати зображення із чіткішими контурами. Застосування цього методу до біометричних зображень є доцільним, адже створення чітких контурів є особливо актуальне. При фільтрації Габором відбувається реконструкція зображення шляхом множення гармонійної функції на функцію Гауса. Ateb-функції є узагальненням елементарної тригонометрії, і, відповідно, володіють більшою функціональністю. Виявлено, що фільтрування Ateb-Gabor дає змогу змінювати інтенсивність всього зображення, а також інтенсивність у певних діапазонах, і таким чином зробити певні ділянки зображення контраснішими. Фільтрація Ateb-функціями дає можливість змінювати зображення від двох раціональних параметрів. Це дає можливість гнучкіше керувати фільтрацією та вибирати оптимальні варіанти. При виконанні потоншення, стираються пікселі переднього плану, доки не залишиться одного пікселя завширшки. Використовується стандартний алгоритм проріджування, або ж розроблені авторами проріджування в інших дослідженнях. Ця фільтрація забезпечить більш точні характеристики, оскільки дає змогу отримати більш похилі форми та дає змогу організувати ширший діапазон кривих. Численні експериментальні дослідження свідчать про ефективність запропонованого методу.
- Datta, A. K., Henry, C., Lee, H. C., Ramotowski, R., & Gaensslen, R. E. (2001). Advances in fingerprint technology. CRC press, 456. https://doi.org/10.1201/9781420041347
- Fiamegos, Y., Dumitrascu, C., Papoci, S., & de la Calle, M. B. (2021). Authentication of PDO paprika powder (Pimentón de la Vera) by multivariate analysis of the elemental fingerprint determined by ED-XRF. A feasibility study. Food Control, 120, 107496.
- Guo, Q., Li, Z., An, B., Hui, P., Huang, J., Zhang, L., & Zhao, M. (2019, May). Securing the deep fraud detector in large-scale e-commerce platform via adversarial machine learning approach. The World Wide Web Conference, 616–626. https://doi.org/10.1145/3308558.3313533
- Hong, L., Wan, Y., & Jain, A. (1998). Fingerprint image enhancement: algorithm and performance evaluation. IEEE transactions on pattern analysis and machine intelligence, 20(8), 777–789. https://doi.org/10.1109/34.709565
- Hrytsyk, V. V. (2008). Evaluation of transmission quality and computer processing of image data. Reports of the National Academy of Sciences of Ukraine, 9, 44–48. [In Ukrainian]
- Ibrahim, A. M., Eesee, A. K., & Omar Al-Nima, R. R. (2021). Deep fingerprint classification network. Telkomnika, 19(3).
- Jones, J. P., & Palmer, L. A. (1987). An evaluation of the two-dimensional Gabor filter model of simple receptive fields in cat striate cortex. Journal of neurophysiology, 58(6), 1233–1258. https://doi.org/10.1152/jn.1987.58.6.1233
- Maio, D., Maltoni, D., Cappelli, R., Wayman, J. L., & Jain, A. K. (2002). FVC2000: Fingerprint verification competition. IEEE transactions on pattern analysis and machine intelligence, 24(3), 402–412. https://doi.org/10.1109/34.990140
- Mazumdar, D., Mitra, S., Ghosh, K., & Bhaumik, K. (2021). Analysing the patterns of spatial contrast discontinuities in natural images for robust edge detection. Pattern Analysis and Applications, 1–23.
- Nazarkevych, M., Kynash, Y., Oliarnyk, R., Klyujnyk, I., & Nazarkevych, H. (2017). Application perfected wave tracing algorithm. In 2017 IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON), 2017, May. IEEE. https://doi.org/10.1109/UKRCON.2017.8100403
- Nazarkevych, M., Lotoshynska, N., Klyujnyk, I., Voznyi, Y., Forostyna, S., & Maslanych, I. (2019). Complexity Evaluation of the Ateb-Gabor Filtration Algorithm in Biometric Security Systems. In 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON), 2019, July. IEEE. https://doi.org/10.1109/UKRCON.2019.8879945
- Nazarkevych, M., Riznyk, O., Samotyy, V., & Dzelendzyak, U. (2020). Detection of regularities in the parameters of the ateb-gabor method for biometric image filtration. Vostochno-Evropeiskyi Zhurnal Peredovykh Tekhnolohyi, 1(2), 57–65. https://doi.org/10.15587/1729-4061.2019.154862
- Nazarkevych, M., Yavourivskiy, B., & Klyuynyk, I. (2015). Editing raster images and digital rating with software. In The Experience of Designing and Application of CAD Systems in Microelectronics, 2015, February. IEEE. https://doi.org/10.1109/CADSM.2015.7230897
- Piciucco, E., Di Lascio, E., Maiorana, E., Santini, S., & Campisi, P. (2021). Biometric recognition using wearable devices in real-life settings. Pattern Recognition Letters, 146, 260–266.
- Tang, Z., Miller, A. S., Zhou, Z., & Warkentin, M. (2021). Does government social media promote users information security behavior towards COVID-19 scams? Cultivation effects and protective motivations. Government Information Quarterly, 38(2), 101572.