Элементы управления операционной системы windows. Основные понятия ОС Windows

Новизна магистерской работы: повышение быстродействия поиска в системе при соблюдении оптимальной точности и надежности системы за счет комбинации различных классификаторов и выявления наиболее точных методов для осуществления быстрого и корректного поиска в определенном классификатором классе. Быстродействие планируется достичь за счет правильной сегментации системной базы данных отпечатков пальцев в соответствии с натуральным распределением классов (0.279, 0.317, 0.338, 0.037, и 0.029 для классов завиток, правая петля, левая петля, дуга, и полусфера, соответственно ), а также возможно за счет объединения нескольких классов в один. В частности показатели быстродействия и точности системы значительно улучшаются при объединении классов дуга и полусфера в один класс. Точность классификации также планируется повысить за счет реализации эффективного метода обнаружения позиции центральной точки и внедрения в систему модуля улучшения изображений отпечатков пальцев перед выполнением этапа извлечения особых точек.

1. ОПИСАНИЕ ОБЪЕКТА КОМПЬЮТЕРИЗАЦИИ

Объектом исследования в данной работе является изображение отпечатка пальца, которое представляет собой папиллярный узор на поверхности пальцев. Уникальность каждого отпечатка пальца можно определить по узору, который образуют эти выступы и бороздки, а также по другим его деталям. Таким образом, в каждом отпечатке пальца можно определить два типа признаков - глобальные и локальные.

Глобальные признаки - те, которые можно увидеть невооружённым глазом :

В традиционной дактилоскопии папиллярные узоры пальцев рук делятся на три основных класса: дуговые (около 5% всех отпечатков), петлевые (65%) и завитковые (30%); для каждого класса проводится более детальная классификация на подклассы. В рамках данной работы классификация будет произведена на пять классов: завиток (W), правая петля (R), левая петля (L), дуга (A), и полусфера (T) .

На рисунке 1.1 изображены некоторые примеры отпечатков пальцев, относящиеся к основным классам.

Рисунок 1.1 - Основные классы отпечатков пальцев с учетом натурального распределения. a) Левая петля, b) Правая петля, c) Завиток, d) Дуга, e) Полусфера.

Локальные признаки называют деталями - уникальные для каждого отпечатка признаки, определяющие пункты изменения структуры папиллярных линий (окончание, раздвоение, разрыв и т.д.), ориентацию папиллярных линий и координаты в этих пунктах. Каждый отпечаток содержит до 70 деталей.

На изображении отпечатка пальца выделяют следующие детали (рисунок 1.2),:

Рисунок 1.2 – Примеры деталей.

Практика показывает, что отпечатки пальцев разных людей могут иметь одинаковые глобальные признаки, но совершенно невозможно наличие одинаковых деталей. Поэтому глобальные признаки используют для разделения базы данных на классы и на этапе аутентификации. На втором этапе распознавания (уникальная идентификация) используют уже локальные признаки ,.

Получение электронного представления отпечатков пальцев с хорошо различимым папиллярным узором - достаточно сложная задача. Поскольку отпечаток пальца слишком мал, для получения его качественного изображения приходится использовать достаточно изощренные методы. Современный метод получения электронного изображения отпечатка пальца - сканирование.

2. ЛОКАЛЬНЫЙ ОБЗОР СИСТЕМ, ОСУЩЕСТВЛЯЮЩИХ РАСПОЗНАВАНИЕ ПО ОТПЕЧАТКАМ ПАЛЬЦЕВ.

Задачей распознавания изображений отпечатков пальцев занималась магистр ДонНТУ Евстюничева А. В. Тема магистерской работы: В ходе выполнения магистерской работы были созданы проверочная и тестовая выборки отпечатков пальцев, частично реализован многоканальный подход для классификации отпечатков пальцев. В частности был получен вектор признаков - Код пальца и на его основании была осуществлена классификация методом Эвклидова расстояния. Однако вектор признаков был не совсем корректно генерирован в связи с неточной работой алгоритма определения месторасположения центральной точки. Тем ни менее была создана прекрасная база – теоретическая и практическая – для дальнейших исследований и продолжения работы в данном направлении.

3. ГЛОБАЛЬНЫЙ ОБЗОР СИСТЕМ, ОСУЩЕСТВЛЯЮЩИХ РАСПОЗНАВАНИЕ ПО ОТПЕЧАТКАМ ПАЛЬЦЕВ.

3.1 Обзор подходов для автоматической классификации отпечатков пальцев.

Классификация отпечатков пальцев - это метод, используемый для отнесения отпечатка пальца на основании его признаков к одному из нескольких предварительно заданных классов, которые могут обеспечить механизм индексации. Автоматизированная классификация отпечатков пальцев является сложной проблемой, потому что небольшие внутриклассовые различия и большие межклассовые различия между 5 классами должны быть приняты во внимание. Классификация отпечатков пальцев представляет собой грубый (укрупненный) уровень сопоставления отпечатков пальцев. Вначале введенный отпечаток пальца относится на грубом уровне к одному из нескольких предварительно заданных классов и затем, на более точном уровне, он сравнивается с множеством отпечатков, имеющихся в БД.

В результате развития науки об отпечатках пальцев было найдено несколько подходов для автоматической классификации отпечатка пальца. Эти подходы могут быть на грубом уровне представлены пятью основными категориями:

1) На основе модели. Метод классификации отпечатка пальца на основе модели использует местоположения особых точек (ядро и разветвление), чтобы классифицировать отпечаток пальца к одному из пяти вышеприведенных классов. Подход на основе модели использует знания людей-экспертов, применяя правила для каждой категории вручную построенной модели, и поэтому требует обучения. Развитием данной группы подходов занимались (K. Karu, A.K. Jain, L. Hong).

2) На основе структуры. Подход на основе структуры использует оценку ориентационного поля на изображении отпечатка пальца для того, чтобы отнести отпечаток к одному из пяти классов. Нейронная сеть, распознающая отпечатки пальцев, обучалась на изображениях с 2000 пальцев (одно изображение с пальца) и тестировалась на независимом наборе, состоящем из 2000 изображений, снятых с тех же пальцев. Более поздняя версия этого алгоритма (G.T. Candela, P.J. Grother, C.I. Watson, RA. Wilkinson, and C.L. Wilson) была тестирована на базе данных NIST-14, которая является естественно распределенной базой данных, обеспечивая лучшее выполнение алгоритма. Однако должно предполагаться совершенствование этого представления, так как база данных NIST-14 содержит маленький процент отпечатков пальцев типа дуга, которые поддаются классификации наиболее сложно, а нейронная сеть, используемая в алгоритме, неявно использует эту информацию для получения выгоды. Подобный подход на основе структуры, который использует скрытые модели Маркова для классификации (A. Senior), полагается на надежность оценки местоположений выступов, что является сложным из-за зашумленности изображения. В другом подходе на основе структуры используются кривые B-сплайна (базисные полиномиальные кривые), чтобы классифицировать отпечатки пальца (M.M.S. Chong, T.H. Ngee, L. Jun, and R.K.L. Gay).

3) На основе частоты. Подходы на основе частоты используют спектр частот отпечатков пальца для классификации. Здесь используются ряды Фурье (A.P. Fitz and R.J. Green).

4) Синтаксический подход. Синтаксический подход использует формальную грамматику для представления и классификации отпечатков пальцев (C.V.K. Rao and K. Black).

5) Гибридные подходы. Гибридные подходы комбинируют два или более видов подходов для классификации (B.G. Sherlock and D.M. Monro, M. Kawagoe and A. Tojo). Эти подходы подают надежды, но не были проверены на больших базах данных. Например, отчет M. M. S. Chong и др. заканчивается на 89 отпечатках пальца, Fitz и Green - на 40 отпечатках пальцев, и M. Kawagoe и A. Tojo - на 94 отпечатках пальцев. Наиболее перспективным является двухэтапный классификатор, который позволил бы сначала отнести отпечаток пальца к одному из подклассов, а после уже в этом подклассе производить сравнение. Среди гибридных подходов особое место занимает .

3.2. Обзор классификаторов изображений отпечатков пальцев

Рассмотрим несколько наиболее известных и используемых классификаторов: классификатор «K»-ближайших соседей, классификатор нейронная сеть, двухэтапный классификатор, классификатор скрытых моделей Маркова, классификатор дерево решений.

1. Классификатор «K»-ближайших соседей . Решающее правило «К» ближайших соседей заключается в том, что вначале находятся «К» ближайших соседей для тестового образца в пространстве признаков. После этого тестовый образец относится к классу, который наиболее часто представлен среди «К» ближайших соседей. Два верхних класса, которые были найдены с помощью классификатора «К» ближайших соседей, должны соответствовать классам, которые имеют самое высокое и второе по величине количество среди «К» ближайших соседей. Обычно рассматриваются 10 ближайших соседей (K=10). Точность классификации не всегда увеличивается с увеличением K; здесь возникает проблема классификации, связанная с определением оптимальной величины К для объема проверочной выборки конечного размера.

2. Классификатор Нейронная сеть . В данном случае обучали многослойную нейронную сеть с прямым распространением, используя в качестве обучающего алгоритма алгоритм быстрого распространения. Нейронная сеть имеет один скрытый слой из 20 нейронов, 192 входных нейрона, и 5 выходных нейронов, которые соответствуют пяти классам.

3. Двухэтапный Классификатор . Для упрощения задачи классификации мы декомпозируем 5-ти классовую задачу на набор из 10 2-х классовых задач. Целью является выполнение задачи простой классификации, используя классификатор «К» - ближайших соседей и затем используется набор двух-классовых классификаторов нейронных сетей для манипуляции с едва заметными различиями.

Первый этап использует классификатор «К» - ближайших соседей (К = 10), чтобы выбрать два наиболее вероятных класса для текущего входного образца. Мы получили путем наблюдения, что в 85.4 % случаев, класс с максимальной частотой попадания в группу «К» ближайших соседей это правильный класс (класс прошел классификацию) и в 12.6 % случаев класс со второй по величине частотой это также правильный класс. Другими словами, классификатор «К» - ближайших соседей приводит к нахождению двух классов с наибольшей частотой попадания в группу с точностью 98 %. Этот результат используется для точного отнесения отпечатков пальцев к двум из пяти классов. Каждый отпечаток будет иметь вхождение в два из пяти классов БД и поиск соответствия в БД должен быть произведен только в соответствующих двух классах.

Второй этап использует 10 (C 2 5) различных нейронных сетей для 10 различных парных классификаций. Эти нейронные сети имеют 192 входных нейрона, 20-40 скрытых нейронов находятся в одном скрытом слое, и 2 выходных нейрона. Каждая нейронная сеть обучена использовать образцы только из двух соответствующих классов в обучающей выборке. Например, нейронная сеть, которая находит различие между правой петлей и завитком обучена использовать только образцы, помеченные как правая петля и завиток в обучающей выборке. Схема двухэтапного классификатора представлена на рисунке 3.1.

Рисунок 3.1 - Схема двухэтапного классификатора.

Хотя этот классификатор устойчив к шумам и способен корректно классифицировать большинство низкокачественных отпечатков пальцев в БД NIST-4, он имеет недостатки на некоторых других изображения отпечатков пальцев, которые имеют очень низкое качество и не содержат информацию о выступах, присутствующую в центральной части отпечатка пальца. На низкокачественных отпечатках пальцев очень трудно правильно обнаружить центральную точку. Классификатор также не в состоянии правильно классифицировать изображения двойной петли, которые помечены как завиток в базе данных NIST-4. Для этих изображений алгоритм определения размещения центральной точки, выбирает вышерасположенную центральную точку и полагает, что это центр и при рассмотрении определяет, что центр изображения похож на петлю в области интереса, что приводит к ошибочной классификации завитка к правой петле или левой петле. Около 3% ошибок происходят в результате неправильной классификации петли в дугу, из-за едва различимой разницы между этими классами. Неправильная классификация дуги в полусферу составляет около 5 % ошибок.

3.3 Обзор алгоритмов сравнения отпечатков пальцев в найденном классе

В настоящее время выделяют следующие классы алгоритмов сравнения отпечатков пальцев: