الفهرس 
finger veins identification system
INTRODUCTIONOnly 14 pages are availabe for public view
 |  | from | 77 |  |  |
| | | from | 77 | | |
Abstract
في المجتمع الحالي الذي يشهد نموًا سريعًا في ابتكار معلومات المجال الإلكتروني ، أصبحت قضية الأمان مطلبًا مهمًا. بسبب هذه الحقيقة ، اكتسب التحقق من القياسات الحيوية شعبية لأنه يمنح منهجية موثوقة وعالية الأمان للمصادقة الشخصية. بناءً على سمة أو سمة مميزة يمتلكها الفرد ، يقوم نظام المقاييس الحيوية تلقائيًا بتحديد هوية الشخص. بصمات الوجه ، وهندسة اليد ، والكتابة اليدوية ، والقزحية ، والشبكية ، والوريد ، والصوت ليست سوى عدد قليل من السمات التي يمكن قياسها. تتطلب الحكومات الفيدرالية و حكومات الولايات والحكومات المحلية والجيش وتطبيقات الأعمال والشبكات ومراقبة الجوازات وأجهزة الصراف الآلي القياسات حيوية.
هناك علاقة بين أرقام التعريف الشخصي وكلمات مرور البريد الإلكتروني وأرقام بطاقات الائتمان وأرقام الوصول إلى أماكن العمل المؤمنة. تعتمد هويتك على كل منها ، وبما أنه من السهل سرقتها أو تخمينها ، فإن إدارة الهوية تتم من خلال التعرف الفردي.
القياس الحيوي للوريد بالإصبع هو إستراتيجية التعرف المستخدمة للتحقيق في نماذج وريد الأصابع للأشخاص للتحقق بشكل صحيح. تعد القياسات الحيوية في الوريد الإصبع واحدة من التقنيات الناشئة من أنواع مختلفة نظرًا لخصائصها ذات مخاطر التزييف المنخفضة ، وجزء من الاستقرار طوال فترة زمنية طويلة.
تم تطبيق شبكات خصومة التوليد( GAN) سابقًا على القياسات الحيوية في وريد الإصبع ، ولكن لا يزال لديها بعض المشكلات الخطيرة مثل اختيار المعلمات الفائقة ، وعدم كفاية استخراج الميزات الكبيرة ، لذلك اقترحنا شبكات خصومة ثنائية التوليد (Bi-GAN) مع تحسين التعليم القائم على التعلم (TLBO) للتعرف على وريد الإصبع لمحاولة حل هذه المشكلات ، وإنشاء نظام دقيق وسريع ويعمل بشكل جيد مع جميع صور وريد الأصبع ، وتحديد أفضل استراتيجية للتعرف على وريد الإصبع لتطبيقات المصادقة القائمة على المقاييس الحيوية في الوقت الفعلي.
يشتمل نهج Bi-GAN المقترح مع TLBO على أربع عمليات: (1). تقييم جودة الصورة (IQA) ، (2). المعالجة المسبقة ، (3). استخراج الميزات و (4). مطابقة الميزات. في IQA ، يتم تقييم جودة الصورة. ولعمل ذلك ، يتم أخذ أربعة مقاييس في الاعتبار وهي سطوع الصورة وتباين منطقة الصورة ودرجة تمويه الحواف ودرجة الضوضاء حيث نقوم بحساب المقاييس الأربعة المذكورة آنفًا بشكل فردي لكل صورة من وريد الإصبع.
يتم تضمين ثلاث عمليات في خطوة المعالجة المسبقة: التطبيع ، تقليل الضوضاء وتحسين التباين ، و إختيار منطقة الاهتمام (ROI). نقوم بتطبيع الصورة عن طريق تطبيع معدل البكسل ، ثم يتم التخلص من الضوضاء في صورة الوريد باستخدام مرشحات تقليل الضوضاء الهجين (انكماش المويجات التكيفية باستخدام المرشح الموجه) ، تم تحسين تباين الصورة باستخدام خوارزمية موازنة الرسم البياني التكيفية المحدود التباين التكيفي (CLAHE) ، ثم نقوم بتحديد منطقة الاهتمام بناءً على العتبة التكيفية Adaptive thresholding) ) .
نقوم باستخراج ميزات السمات الحيوية والقوام الناعم بواسطة Bi-GAN ويتم تحسين المعايير باستخدام خوارزمية TLBO. و قد استخدمنا معامل كانبرا لمطابقة الميزات.
يتم إجراء التجارب على قاعدة بيانات SDUMLA العامة التي تعرض كفاءة Bi-GAN و TLBO المقترحة في التعرف على وريد الإصبع.
تم تسليط الضوء على أداء نظامنا المقترح في هذه الدراسة. عند مقارنتها بـ CNN و GAN و Bi-GAN ، أثبت نهجنا المقترح أنه يقلل معدل الخطأ المتساوى بنسبة تصل إلى 0.91٪ ويزيد معدل التعرف بنسبة تصل إلى 99.78٪ على التوالي. بالإضافة إلى ذلك ، يستغرق اتخاذ القرار 0.0465 مللي ثانية ، وهو وقت أقل بكثير من CNN و GAN و Bi-GANوقد أثبتت النتائج أن النهج المقترح متفوق كما تم تحليله من نهج CNN و GAN وإعطاء تحسين في دقة التعرف.