Реєстраційний номер
2126U001731, Матеріали видань та локальних репозитаріїв
Категорія
Опубліковано, Стаття, Стаття
Назва роботи
ПІДВИЩЕННЯ ТОЧНОСТІ ЕКСТРАКЦІЇ ОЗНАК ВІДБИТКІВ ПАЛЬЦІВ ШЛЯХОМ ІНТЕГРАЦІЇ ШАРІВ ГАБОРА В ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ
Автор
Барковська О. Ю.
Рубан І. В.
Череповський М. А.
Пономаренко М. О.
Семітоцький Д. О.
Раптанов Д. А.
Barkovska O. Y.
Ruban I. V.
Cherepovsky М. А.
Ponomarenko M. O.
Semitotsky D. O.
Raptanov D. A.
Дата публікації
30-09-2026
Постачальник інформації
Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка")
Першоджерело
https://ric.zp.edu.ua/article/view/371394
Видання
National University "Zaporizhzhia Polytechnic"
Опис
Актуальність. Проблема надійної біометричної ідентифікації залишається критично важливою длямобільних систем безпеки, у яких відсутні спеціалізовані сканери відбитків пальців. Використання вбудованих камер смартфонів для отримання зображень відбитків пальців створює такі виклики, як нерівномірне освітлення, шуми та перспективні спотворення, що суттєво погіршує ефективність традиційних алгоритмів розпізнавання.Мета роботи – підвищення точності ідентифікації відбитків пальців в умовах використаннянеспеціалізованих оптичних сенсорів (камер смартфонів) шляхом розробки гібридної архітектури нейронноїмережі з адаптивними фільтрами Габора.Метод. Запропоновано гібридну архітектуру GaborCNN, яка інтегрує параметричний Gabor-шар, щопіддається навчанню, у згорткову нейронну мережу. На відміну від стандартних CNN, параметри фільтрівГабора (орієнтація, частота та ширина смуги) оптимізуються в процесі навчання за допомогою методу зворотного поширення помилки, що дозволяє моделі адаптуватися до специфічних структур папілярних ліній.Розроблено ефективний конвеєр передобробки, що включає сегментацію шкіри на основі простору HSV, методCLAHE для посилення контрасту та адаптивну бінаризацію. Стратегія навчання використовує комбінаціюфункції втрат ArcFace для початкової кластеризації ознак та Triplet Loss для тонкого налаштування просторувекторних представлень (embeddings), забезпечуючи високу міжкласову роздільність та внутрішньокласову компактність.Результати. Запропонована модель GaborCNN, що складається з 800 тис. параметрів, була оцінена на наборіданих із 2560 зображень. Експериментальні результати продемонстрували точність (Accuracy) 0,9539 та рівень рівної ймовірності помилок (EER) 0,0570. Гібридний підхід перевершив стандартні архітектури CNN на 1,13%за точністю, довівши свою ефективність для мобільних пристроїв з обмеженими ресурсами.Висновки. Проведені експерименти підтвердили, що інтеграція заснованих на фізичних принципах фільтрів Габора в архітектури глибокого навчання забезпечує більш стійку екстракцію ознак із шумних зображень, отриманих мобільними камерами. Розроблена модель придатна для практичного використання в мобільнихсистемах автентифікації. Подальші дослідження будуть зосереджені на інтеграції сформованих векторів ознак у криптографічні протоколи, зокрема в схеми прив’язки біометричних даних до криптографічних ключів тасистеми доведення з нульовим розголошенням (ZKP)
Додано/оновлено в НРАТ
2026-10-15