Ідентифікація користувачів за райдужною оболонкою ока в автоматизованій системі управління
Анотація
Досліджено особливості ідентифікації користувачів в автоматизованій системі управління, наприклад, бюджетом об'єднань співвласників багатоквартирних будинків (ОСББ) із використанням біометричної автентифікації на підставі райдужної оболонки ока. Актуальність дослідження зумовлена потребою забезпечення високого рівня безпеки у системах колективного управління бюджетом. Традиційні підходи до автентифікації користувачів, такі як паролі, часто не відповідають сучасним вимогам безпеки через ризики їх компроментації, втрати даних або людського фактору. Використання біометричних характеристик дає змогу значно підвищити рівень захисту системи завдяки унікальності фізіологічних параметрів кожного користувача. Наведено архітектуру системи біометричної ідентифікації користувачів, яка містить базу даних біометричних шаблонів, а також механізми автентифікації та авторизації користувачів. Запропоновано метод, який передбачає попереднє оброблення зображень райдужної оболонки ока, сегментацію ключових структур, екстракцію ознак та їх подальшу класифікацію за допомогою нейронних мереж. Реалізовано алгоритм розпізнавання зображень на підставі модифікованої архітектури ResNet-50, який демонструє високі показники точності та швидкодії. Проведено експериментальне оцінювання запропонованої системи на підставі відкритого набору даних CASIA-IrisV4. Встановлено, що використання методів аугментації зображень і спеціальних алгоритмів їх нормалізації дає змогу підвищити стійкість системи до шумів, зміни освітлення та інших зовнішніх факторів. Запропоновану систему можна адаптувати для інших типів колективних організацій, таких як громадські ініціативи, благодійні фонди або коворкінг-простори, де важливо забезпечити прозорість фінансових операцій та захист персональних даних. Впровадження біометричної ідентифікації на підставі райдужної оболонки ока дає змогу значно знизити ризики несанкціонованого доступу та підвищити рівень довіри до системи серед учасників спільноти.
Завантаження
Посилання
Abdulkareem, R. (2024). Biometric systems: A comprehensive review. Basra Journal of Science, 42, 1–10. https://doi.org/10.29072/basjs.20240110
Appati, J. K., Nartey, P. K., Owusu, E., & Denwar, I. W. (2021). Implementation of a Transform-Minutiae Fusion-Based Model for Fingerprint Recognition. International Journal of Mathematics and Mathematical Sciences, 2021, article ID 5545488, 12 p. https://doi.org/10.1155/2021/5545488
Cherry, A., Nasser, A., Salameh, W., Abou Ali, M., & Hajj-Hassan, M. (2025). Real-Time PPG-Based Biometric Identification: Advancing Security with 2D Gram Matrices and Deep Learning Models. Sensors, 25(1), 40 p. https://doi.org/10.3390/s25010040
Daugman, J. (2004). How iris recognition works. IEEE Transactions on Circuits and Systems for Video Technology, 14(1), 21–30. https://doi.org/10.1109/TCSVT.2003.818350
Dronjuk, I., Nazarkevych, M., & Troyan, O. (2016). The modified amplitude-modulated screening technology for the high printing quality. International Symposium on Computer and Information Sciences, 270–276. Springer, Cham. https://doi.org/10.1007/978-3-319-47217-1_29
Drozdowski, P., Rathgeb, C., & Busch, C. (2019). Computational workload in biometric identification systems: An overview. IET Biometrics, 8(5), 351–368. https://doi.org/10.1049/iet-bmt.2019.0076
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. An MIT Press book. Ian Goodfellow and Yoshua Bengio and Aaron Courville. URL: https://www.deeplearningbook.org/
Guo, G., & Zhang, N. (2019). A survey on deep learning-based face recognition. Computer Vision and Image Understanding, 189, article ID 102805. https://doi.org/10.1016/j.cviu.2019.102805
He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep residual learning for image recognition. arXiv:1512.03385 [cs.CV]. URL: https://arxiv.org/abs/1512.03385
Huang, H. (2024). Technology-driven financial risk management: Exploring the benefits of machine learning for non-profit organizations. Systems, 12(10), article ID 416. https://doi.org/10.3390/systems12100416
Jain, A. K., Flynn, P., & Ross, A. A. (2016). Handbook of biometrics. Springer. URL: https://content.e-bookshelf.de/media/reading/L-1927-957d45a798.pdf
Khare, P., & Srivastava, S. (2023). Enhancing biometric authentication: Deep learning models for human iris recognition. International Journal of Creative Research Thoughts, 11, h148–h153. URL: https://www.researchgate.net/publication/383986314_Enhancing_Biometric_Authentication_Deep_Learning_Models_For_Human_Iris_Recognition
Kumar, T., Brennan, R., Mileo, A., & Bendechache, M. (2024). Image data augmentation approaches: A comprehensive survey and future directions. In: IEEE Access, vol. 12, 187536–187571. https://doi.org/10.1109/ACCESS.2024.3470122
Malgheet, J., Manshor, N., & Affendey, L. (2021). Iris recognition development techniques: A comprehensive review. Complexity, 2021, 1–19. https://doi.org/10.1155/2021/6641247
Medykovskyy, M., Lipinski, P., Troyan, O., & Nazarkevych, M. (2015, September). Methods of protection document formed from latent element located by fractals. 2015 Xth International Scientific and Technical Conference Computer Sciences and Information Technologies (CSIT), 70–72. https://doi.org/10.1109/STC-CSIT.2015.7325434
Nazarkevych, M., Klyujnyk, I., Maslanych, I., Havrysh, B., & Nazarkevych, H. (2018, April). Image filtration using the Ateb-Gabor filter in the biometric security systems. 2018 XIV-th International Conference on Perspective Technologies and Methods in MEMS Design (MEMSTECH), 276–279. https://doi.org/10.1109/MEMSTECH.2018.8365749
Ng, A. Y. (2018). Machine learning yearning: Technical strategy for AI engineers, 118 p. URL: https://nessie.ilab.sztaki.hu/~kornai/2020/AdvancedMachineLearning/Ng_MachineLearningYearning.pdf
Olufemi, B., Bello, O., & Olufemi, K. (2024). Artificial intelligence in fraud prevention: Exploring techniques, applications, challenges, and opportunities. Computer Science and Information Technology Research Journal, 5(6), 1505–1520. https://doi.org/10.51594/csitrj.v5i6.1252
Osundare, O. (2024). Enhancing financial security in FinTech: Advanced network protocols for modern inter-bank infrastructure. Finance & Accounting Research Journal, 6, 1403–1415. https://doi.org/10.51594/farj.v6i8.1384
Qatawneh, A. M., Lutfi, A., & Al Barrak, T. (2023). Effect of artificial intelligence (AI) on financial decision-making: Mediating role of financial technologies (Fin-Tech). HighTech and Innovation Journal, 5(3). https://doi.org/10.28991/HIJ-2024-05-03-015
Ribeiro Pinto, J., Cardoso, J. S., & Lourenço, A. (2018). Evolution, current challenges, and future possibilities in ECG biometrics. IEEE Access, 6, 34746–34776. URL: https://www.researchgate.net/publication/325934871
Silver, D., Schrittwieser, J., & Hassabis, D. (2017). Mastering chess and Shogi by self-play with a general reinforcement learning algorithm. Nature, 550(7676), 354–359. https://doi.org/10.1038/nature24270
Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2001), Kauai, HI, USA, 2001, I–I. https://doi.org/10.1109/CVPR.2001.990517
Yin, Y., He, S., Zhang, R., Chang, H., Han, X., & Zhang, J. (2023). Deep learning for iris recognition: A review. arXiv:2303.08514 [cs.CV]. https://doi.org/10.48550/arXiv.2303.08514
Zhou, Z., Liu, Y., Zhu, X., Zhang, S., & Liu, Z. (2025). Privacy-preserving cancelable multi-biometrics for identity information management. Information Processing & Management, 62(1), article ID 103869. https://doi.org/10.1016/j.ipm.2024.103869
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
