Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- Биометрическая аутентификация по тепловым изображениям лица на основе преобразователей "биометрия-код"
- Авторы
- Ложников Павел Сергеевич lozhnikov@gmail.com, д-р техн. наук, заведующий кафедрой "Комплексная защита информации", ФГБОУ ВО "Омский государственный технический университет", г. Омск, Россия
Сулавко Алексей Евгеньевич sulavich@mail.ru, канд. техн. наук, доцент кафедры "Комплексная защита информации", ФГАОУ ВО "Омский государственный технический университет", г. Омск, Россия
Жумажанова Самал Сагидулловна samal_shumashanova@mail.ru, аспирантка, ФГБОУ ВО "Омский государственный технический университет", Омск, Россия
Панфилова Ирина Евгеньевна panfilova_2015@bk.ru, аспирант, инженер, ФГБОУ ВО «Самарский государственный технический университет», г. Самара, Россия
Серикова Анастасия Евгеньевна , студент, ФГБОУ ВО «Омский государственный технический университет», г. Омск, Россия
- В разделе
- ТЕХНИЧЕСКАЯ ЗАЩИТА ИНФОРМАЦИИ. Доверенная среда
- Ключевые слова
- многослойные нейронные сети / нейросетевые преобразователи "биометрия-код" / автоматическое обучение / термограммы лица / биометрическая аутентификация / извлечение признаков / оценка информативности признаков
- Год
- 2023 номер журнала 1 Страницы 9 - 18
- Индекс УДК
- 004.89; 004.056.53
- Код EDN
- OKAIZO
- Код DOI
- 10.52190/2073-2600_2023_1_9
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Разработан метод биометрической аутентификации на основе нейросетевых моделей искусственного интеллекта по тепловым изображениям лица в защищенном режиме исполнения. Под "защищенным исполнением" понимается невозможность анализа логики работы искусственного интеллекта, управления искусственным интеллектом и извлечения знаний из его памяти (например, персональных данных) любым неавторизованным лицом. В основе метода лежит искусственная нейронная сеть InceptionResNet, а также модифицированный нейросетевой преобразователь "биометрия-код", обучаемый по ГОСТ Р 52633.5. Результаты показали, что при таком подходе изменение психофизиологического состояния субъекта не приводит к снижению точности аутентификации. Наилучшие показатели ошибок аутентификации составили: EER = 4,91 (FFR = 0,27 при FAR < 0,001). Предложенный метод является робастным по отношению к пользователю и его состоянию, а также работоспособен на малых обучающих выборках (8 примеров термограммы на человека).
- Полный текст статьи
- Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Список цитируемой литературы
-
Catak F. O., Yildirim Yayilgan S., Abomhara M. Privacy-Preserving Fully Homomorphic Encryption and Parallel Computation Based Biometric Data Matching // Rreprints. 2020. P. 2020070658. DOI: 10.20944/preprints202007.0658.v1.
Gomez-Barrero M. et al. Multi-biometric template protection based on Homomorphic Encryption // Pattern Recognition. 2017. V. 67. P. 149-163.
Ma Y., Wu L., Gu X. et al. A secure face-verification scheme based on homomorphic encryption and deep neural networks // IEEE Access. 2017. V. 5. P. 16532-16538.
Rathgeb С., Tams В., Wagner J., Busch С. Unlinkable improved multibiometric iris fuzzy vault // EURASIP J. Information Security. 2016. V. 1. Р. 26.
Hine G. E., Maiorana Е., Campisi Р. A zero-leakage fuzzy embedder from the theoretical formulation to real data // IEEE Transactions on Information Forensics and Security. 2017. V. 12(7). Р. 1724-1734.
Ponce-Hernandez W., Blanco-Gonzalo R., Liu-Jimenez J., Sanchez-Reillo R. Fuzzy vault scheme based on xed-length templates applied to dynamic signature verification // IEEE Access. 2020. V. 8. Р. 11152-11164.
Sun Y., Lo B. An artificial neural network framework for gait-based biometrics // IEEE J. biomedical and health informatics. 2018. V. 23(3). Р. 987-998.
Elrefaei L. A., Mohammadi Al. А. М. Machine vision gait-based biometric cryptosystem using a fuzzy commitment scheme // J. King Saud University-Computer and Information Sciences. 2019. URL: https://www.sciencedirect.com/science/article/pii/ S1319157819300916 (date accessed: 07.04.2021). https://doi.org/10.1016/j.jksuci.2019.10.011.
Akhmetov B., Doszhanova A., Ivanov A. et al. Biometric Technology in Securing the Internet Using Large Neural Network Technology // World Academy of Science, Engineering and Technology. 2013. V. 7. № 7. Р. 129-139.
Malygin A., Seilova N., Boskebeev K., Alimseitova Z. Application of artificial neural networks for handwritten biometric images recognition // Computer Modelling and New Technologies. 20177. V. 21(1). P. 31-38.
Marshalko G. B. On the security of a neural network-based biometric authentication scheme // Matematiceskie voprosy kriptografii. 2014. V. 5. № 2. P. 87-98. DOI: https://doi.org/10.4213/mvk120.
Bogdanov D. S., Mironkin V. O. Data recovery for a neural network-based biometric authentication scheme // Матема- тические вопросы криптографии. 2019. Т. 10. № 2. С. 61-74. DOI: https://doi.org/10.4213/mvk284.
Pandey R. K., Zhou Y., Kota B. U., Govindaraju V. Deep secure encoding for face template protection // IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2016. Р. 77-83. DOI:10.1109/CVPRW.2016.17
Jindal A. K., Chalamala S., Jami S. K. Face template protection using deep convolutional neural network // IEEE Conference on Computer Vision and Pattern Recognition Workshops. - Salt Lake City, UT, USA, 2018. Р. 462-470.
Alcorn M. A. et al. "Strike (With) a Pose: Neural Networks Are Easily Fooled by Strange Poses of Familiar Objects," 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 4840-4849. DOI: 10.1109/CVPR.2019.00498.
Hafemann L. G., Sabourin R., Oliveira L. S. Characterizing and evaluating adversarial examples for Offline Handwritten Signature Verification // IEEE Transactions on Information Forensics and Security. 2019. V. 14. I. 8. P. 2153-2166. DOI: 10.1109/TIFS.2019.2894031.
Sulavko A. Biometric-Based Key Generation and User Authentication Using Acoustic Characteristics of the Outer Ear and a Network of Correlation Neurons // Sensors. 2022. V. 22. Р. 9551. <https://doi.org/10.3390/s22239551>.
Thai Hoang Le. Applying Artificial Neural Networks for Face Recognition. Hindawi Publishing Corporation Advances in Artificial Neural Systems Volume 2011. 2011
Wang Jie, Li Zihao Research on Face Recognition Based on CNN // IOP Conf. Series: Earth and Environmental Science. 2018. Р. 170.
Zhang K., Zhang Z., Li Z., Qiao Y. Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks // Computer Vision and Pattern Recognition (cs.CV). 2016. DOI: 10.1109/LSP.2016.2603342 <https://doi.org/10.1109/LSP.2016.2603342>.
Qi X., Zhang L. Face Recognition via Centralized Coordinate Learning // Computer Science. 2018.
Baojin Huang, Zhongyuan Wang, Guangcheng Wang, Kui Jiang, Zheng He, Hua Zou, Qin Zou Masked Face Recognition Datasets and Validation. 2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW). 2021.
Сулавко А. Е., Иниватов Д. П., Стадников Д. Г., Чобан А. Г. Преобразователь образов голосовых паролей дикторов в криптографический ключ на основе комитета предварительно обученных сверточных нейронных сетей // Вопросы защиты информации. 2021. № 4. С. 23-33.
Сулавко А. Е. Высоконадежная аутентификация по рукописным паролям на основе гибридных нейронных сетей с обеспечением защиты биометрических эталонов от компрометации // Информационно-управляющие системы. 2020. № 4. С. 61-77. DOI: 10.31799/1684-8853-2020-4-61-77.
Безяев А. В., Иванов А. И., Фунтикова Ю. В. Оптимизация структуры самокорректирующегося био-кода, хранящего синдромы ошибок в виде фрагментов хеш-функций // Вестник УрФО. Безопасность в информационной сфере. 2014. № 3(13). С. 4-13.
- Купить
