РОЗРОБЛЕННЯ МЕТОДУ МАШИННОГО НАВЧАННЯ ПРИ БІОМЕТРИЧНОМУ ЗАХИСТІ ІЗ НОВИМИ МЕТОДАМИ ФІЛЬТРАЦІЇ

Abstract

Здійснено обробку біометричних зображень і проведено фільтрацію новим розробленим фільтром вейвлет Ateb-Габора. Ідентифікацію біометричних зображень проведено методами машинного навчання. Фільтр Габора на основі Ateb-функцій є ефективним для проведення фільтрації, оскільки містить узагальнення тригонометричних функцій. Розроблено вейвлет-перетворення Ateb-Gabor функції. Показано, що функція залежить від семи параметрів, кожен з яких вносить суттєві зміни у результати фільтрації біометричних зображень. Проведено дослідження вейвлет Ateb-Габор функції. Побудовано графічні залежності вейвлет Габор фільтра та вейвлет Ateb-Габор фільтра. Введення вейвлет перетворень дає змогу зменшити складність обчислень Ateb-Gabor фільтра, спростивши обчислення функції та зменшивши час фільтрації. Проведено оцінку складності алгоритмів обчислення вейвлет Габор фільтра та вейвлет Ateb-Габор фільтра. Фільтрування Ateb-Габором дозволяє змінювати інтенсивність всього зображення, та забезпечити зміну певних діапазонів, і таким чином змінити певні ділянки зображення. Якраз цю властивість мають мати біометричні зображення, на яких мінуції бути контрасними і чіткими. Ateb-функції мають властивість зміни двох раціональних параметрів, а це, в свою чергу, дасть можливість гнучкіше керувати фільтрацією. Досліджено властивості Ateb-функції, а також можливості зміни амплітуди функції, частоти коливань на чисельні значення фільтра Ateb-Габора. Завдяки використанню параметрів Ateb-функції можна отримати значно більший діапазон форм і величин, що розширює кількість можливих варіантів фільтрації. Також можна реалізувати один раз фільтрацію, врахувавши напрям мінуцій і надійно визначити чіткість країв, а не проводити фільтрацію батократно. Результати достовірності протестовано на базі NIST Special Database 302, та показано добрі результати фільтрації. Це підтверджено експериментом порівняння між фільтрацією вейвлет-Габором та вейвлет Ateb-Габор функції на основі вимірювання співвідношення сигнал-шум PSNR.

Keywords

• вейвлет ateb-габор перетворення; вейвлет габор перетворення; біометричні зображення; машинне навчання