Методическое обеспечение верификации личности по индивидуальным особенностям сосудистого рисунка и геометрическим пропорциям лица человека в естественных условиях тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Баша, Наталия Сергеевна

• Баша, Наталия Сергеевна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Баша, Наталия Сергеевна

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

Глава 1. Обзор и анализ методов биометрической идентификации личности по термографическим изображениям

1.1 Основные понятия биометрической аутентификации личности

1.2 Термография

1.2.1 Инфракрасное излучение и его измерение

1.2.2 Тепловое излучение человека

1.2.3 Факторы, влияющие на тепловое излучение человека

1.2.4 Распознавание личности по термографическим изображениям

1.3 Базы термографических изображений

1.4 Результаты анализа литературы

1.5 Биометрические подсистемы

1.5.1 Биометрическая идентификация и верификация

1.5.2 База биометрических данных

1.5.3 Регистрация в биометрической базе данных

1.6 Сопоставление биометрических образцов

1.7 Вычисление ошибок

1.7.1 Определение FAR и FRR, положительная аутентификация

1.8 Качество работы системы и вопросы разработки

1.9 Функциональная схема системы верификации личности

1.10 Постановка задачи

1.11 Выводы

Глава 2 Алгоритм автоматического выделения области лица на термографическом изображении

2.1 Исследование температурных особенностей лица человека

2.2 Алгоритм выделения лица

2.3 Апробация алгоритма выделения лица

2.3 Выводы

Глава 3. Методика верификации личности

3.1 Методика верификации личности по индивидуальным температурным

особенностям сосудистого рисунка лица

3.2 Компенсация наклона головы

3.3 Масштабирование области лица

3.4 Выделение индивидуальных физиологических особенностей

3.4.1 Алгоритм выделения сосудистого рисунка

3.4.2 Определение ориентации сосудистого рисунка

3.4.3 Бинаризация сосудистого рисунка

3.4.3 Утоныпение сосудистого рисунка

3.4.4 Выделение характерных признаков

3.5 Создание шаблона признаков

3.6 Разработка решающего правила

3.7 Вычисление меры сходства

3.8 Вычисление порога меры сходства на обучающей выборке

3.8.1 Результат распознавания на тестируемой выборке

3.9 Выводы

Глава 4. Апробация системы верификации личности

4.1 База Термографических Данных

4.1. Технические характеристики ИК-камеры «ИРТИС-2000МЕ»

4.1.2Состав Базы Данных

4.1.3Порядок создания записи в Базе Данных

4.2 Результаты тестирования: показатели эффективности разработанной системы

4.3 Результаты тестирования: сравнение с существующей методикой

4.4 Результаты тестирования системы: время верификации

4.5 Интерфейс системы верификации пользователя по термографическим изображениям

4.6 Исследования устойчивости экстрагированных признаков в зависимости от различных условий

4.6.1 Фактор старения

4.6.2 Действие отрицательных температур

4.6.3 Маскировка

4.7 Исследования устойчивости верификации в зависимости от возраста верифицируемого

4.8 Исследования устойчивости верификации в зависимости от пола верифицируемого

4.9 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Методическое обеспечение верификации личности по индивидуальным особенностям сосудистого рисунка и геометрическим пропорциям лица человека в естественных условиях»

ВВЕДЕНИЕ

Актуальность работы

Термография — одно из молодых и перспективно развивающихся направлений биометрических систем верификации личности. Достоинствами термографии являются дистанционность, устойчивость к изменению освещенности, возможность пресекать попытки фальсификации личности посредством внешней маскировки и использования муляжа.

Методики верификации личности по портретным термографическим изображениям разрабатываются в Университете Лавала (Канада) [45, 46], в Лаборатории Компьютерного зрения Университета Нотр-Дам (США) [48, 49, 50, 52, 53], научной группой Национального университета Ченг Кунга (Тайвань) [54, 55, 56] и многими другими. В России данное направление только начинает развиваться, схожими исследованиями занимаются в Институте теоретической и экспериментальной биофизики РАН г. Пущино [10, 12, 14, 17].

Известные методики тестировались на базах термографических портретов (Equinox [57], Laval University Database [58, 59], UTK-IRIS Database [60] и др.), содержащих изображения разных людей с учетом поворотов головы, изменений внешнего вида и освещенности. Однако, в них нет изображений, полученных в естественных условиях (на открытом воздухе, при наличии источников теплового излучения и др.) и они предполагают наличие на термограмме единственного объекта - лица человека, локализуемого областью эллиптической формы или значением температуры кожи.

В связи с расширением класса задач, решаемых биометрическими системами (верификация в местах массового скопления людей), возникает необходимость верификации личности не только в лабораторных условиях (или близких к ним), но и в естественных условиях.

Например, существующая методика, предложенная Р. Буддхарайя, И. Павлидисом в [48, 49, 50, 52, 53] и основанная на индивидуальных особенностях сосудистого рисунка, показывает хорошие результаты работы в

лабораторных условиях (при значении вероятности ложной верификации 0,05 достигается вероятность ложного отказа доступа, равная 0,3), однако в естественных условиях данный метод дает неудовлетворительные результаты (вероятность ложного отказа доступа 0,65).

Таким образом, повышение точности верификации личности в естественных условиях является актуальной задачей, для решения которой необходимо решить дополнительные задачи, отсутствующие при верификации личности в лабораторных условиях: детекция лица на изображении, выявление зависимости температуры лица от температуры окружающей среды, учет наклона и поворота головы и др.

Одним из путей решения является методика верификации личности по индивидуальным особенностям сосудистого рисунка и геометрическим пропорциям лица человека, с использованием информации о расположении внутренних углов глаз и геометрических пропорциях лица человека, детекцией характерных признаков, инвариантных к наклону, повороту и масштабированию области лица, уточнением условий существования характерных точек сосудистого рисунка лица.

Объект исследования: биометрическая система верификации личности по термографическим изображениям лица.

Предмет исследования: методики и алгоритмы детектирования лица и анализа характерных особенностей сосудистого рисунка по термографическим изображениям среднего и дальнего ИК-диапазона.

Цель исследования: повышение точности и расширение условий применения систем верификации личности по термографическим изображениям лица.

Основные задачи:

1 Анализ существующих методик верификации личности и обоснование требований к разработке новой методики.

2 Разработка методики верификации личности по индивидуальным температурным особенностям сосудистого рисунка лица

3 Разработка системы верификации личности по термографическим изображениям лица;

4 Экспериментальная апробация разработанной системы верификации личности на термографических изображениях, полученных в естественных условиях.

Научная задача состоит в разработке методик и алгоритмов выделения

лиц и индивидуальных характерных особенностей, обеспечивающих повышение

точности и расширение условий применения биометрических систем

верификации личности по термографическим изображениям лица. На защиту выносятся:

1. Алгоритм автоматического выделения области лица на термографическом изображении на основе выявления внутренних углов глаз и геометрических пропорций лица человека.

2. Методика верификации личности по индивидуальным температурным особенностям сосудистого рисунка лица.

3. Результаты экспериментальных исследований биометрической системы верификации личности по термографическим изображениям лица.

Научная новизна:

1. Научная новизна первого результата заключается в том, что решена задача автоматического выделения области лица на термограмме. В отличие от существующих подходов, основанных на сегментации с использованием сетей Байеса или нейронных сетей, нуждающихся в предварительном задании априорных вероятностей принадлежности точки объекту или фону или в обучении, предложенный алгоритм использует эмпирическую зависимость температуры кожи от температуры окружающей среды и расположение внутренних углов глаз для уточнения границ детектированной области.

2. Научная новизна второго результата заключается в том, что решена задача формирования биометрического шаблона характерных особенностей сосудистого рисунка лица в не рассматриваемых ранее условиях и ограничениях: инвариантности к масштабу и наклону лица на

термографическом изображении, особенностям окрестностей конечных точек и точек ветвления сосудистого рисунка (изменение ориентации сосудистого рисунка; значения величин углов, образуемых при ветвлении).

Практическая ценность полученных результатов заключается в том, что применение разработанной методики позволило повысить точность верификации и расширить условия применения систем верификации личности по термографическим изображениям лица. Разработанный алгоритм автоматического выделения области лица, позволяет найти и выделить масштабированную область лица с точностью 0,98; инвариантную к поворотам и наклонам головы меньше 15°, температуре окружающей среды в диапазоне -15 -+30 °С, наличию усов и бороды. Предложенная методика выделения характерных точек сосудистого рисунка увеличила точность выделения точек ветвления сосудистого рисунка на 0,08 и конечных точек на 0,12. Применение предложенной методики верификации личности позволяет снизить вероятность ложного отказа при верификации в естественных условиях на 0,15 (по сравнению с методикой Р. Буддхарайя, И. Павлидиса [48, 49, 50, 52, 53]).

Глава 1. Обзор и анализ методов биометрической верификации личности по термографическим изображениям

В первой главе приводится основная используемая в диссертации терминология, дается описание существующим подходам к распознаванию личности по термографическим портретам, способам тестирования и критериям сравнения различных методик верификации. Рассматриваются области их применения, достоинства и недостатки методов с точки зрения удобства использования и с точки зрения их устойчивости по отношению к угрозам. Обосновывается актуальность разработки нового метода верификации личности по портретным термографическим изображениям, позволяющего частично снять недостатки существующих методов.

Рассматривается вопрос построения биометрической системы верификации. Дается общее представление биометрической системы как системы распознавания образов; описываются две основные подсистемы: регистрация и верификация. Рассматривается вопрос определения ошибок в системах биометрической верификации. Приводится список основных требований, предъявляемых к биометрическим системам и системам распознавания образов. Разрабатывается функциональная схема для системы верификации личности по термографическим изображениям.

Формулируется постановка задачи исследований, проводимых в работе.

1.1 Основные понятия биометрической аутентификации личности

С задачей распознавания личности человек сталкивается ежедневно, так как для многих видов приложений необходимым условием является гарантия идентичности личности. Надежная аутентификация становится необходимым атрибутом повседневной жизни: люди ее используют при совершении финансовых операций, посадке на самолет, входе в систему компьютера. Верификация личности становится трудной задачей, когда требуется высокая точность, то есть низкая вероятность ошибок. Одновременно пользователь

должен испытывать как можно меньше неудобств при прохождении процедуры верификации.

Идентификационные карты могут быть утеряны или подделаны, а пароль может быть забыт или передан другому человеку, поэтому традиционные методы идентификации, основанные на идентификационных картах, номерах или на недоступных другим знаниях (таких, как пароль или номер страховки), являются ненадежными. Одним из решений надежной и положительной идентификации личности является использование биометрических параметров.

Биометрия - это наука об идентификации или верификации человека по физиологическим или поведенческим отличительным характеристикам [1, с. 19]. Физиологические биометрические параметры, такие как отпечатки пальцев или геометрия руки, являются физическими характеристиками, которые обычно измеряются в определенный момент времени. Поведенческие параметры, например, подпись, голос, представляют собой последовательность действий и длятся в течение определенного периода времени. Общие понятия аутентификации личности

Выделяют три традиционных способа аутентификации (рисунок 1.1):

• По собственности - аутентификация осуществляется по физическим предметам, таким как ключи, паспорт и смарт-карты;

• По знаниям - аутентификация осуществляется по информации, которая должна храниться в секрете и которую может знать только определенный человек, например, пароль или парольная фраза. Знания могу представлять собой относительно конфиденциальную информацию, которая может и не быть секретной, например, девичья фамилия матери.

• По биометрическим параметрам - аутентификация осуществляется по физиологическим или поведенческим характеристикам индивида.

Рисунок. 1.1 - Три основных способа подтверждения личности человека

Формально можно использовать любую индивидуальную особенность, у которой есть биометрические характеристики, такие как уникальность, постоянство и т.д.

Три способа аутентификации могут использоваться в комбинации, особенно при автоматической аутентификации. Например, вариант «пароль плюс идентификационный номер» объединяет в себе общеизвестные знания с секретной информацией, банковская карта, как собственность, требует знаний для совершения операций, паспорт - это собственность с изображением лица и подписью, которые относятся к биометрическим параметрам [1, с. 21]. В биометрии различают два аутентификационных метода:

1 Верификация, основанная на биометрическом параметре и на уникальном идентификаторе, который выделяет конкретного человека (например, идентификационный номер).

2 Идентификация, основанная только на биометрических измерениях. При этом измеренные параметры сравниваются со всеми записями из базы зарегистрированных пользователей, а не с одной из них, выбранной на основании какого-то идентификатора (как в случае верификации). Биометрическую идентификацию гораздо сложнее применять из-за

сложности поиска в биометрической базе данных: каждый из биометрических образцов Одолжен-" быть~ сопоставлен" стакаждой"записью~из~"базы данных (сопоставлений 1:т). Верификационные системы, совершают только одно или несколько сопоставлений 1:1.

Биометрические параметры обладают характерными свойствами, которые позволяют применять их на практике. Эти пять свойств описаны Кларком [2]:

1 всеобщность: каждый человек имеет биометрические характеристики;

2 уникальность: для биометрии нет двух людей, обладающих одинаковыми биометрическими характеристиками;

3 постоянство: биометрические характеристики должны быть стабильны во времени;

4 измеряемость: биометрические характеристики должны быть измеряемы каким-либо физическим считывающим устройством;

5 приемлемость: совокупность пользователей и общество в целом не должны (сильно) возражать против измерения/сбора биометрических параметров.

Комбинация всех этих свойств определяет эффективность биометрии и, следовательно, эффективность аутентификационных систем.

Не существует биометрических параметров, абсолютно удовлетворяющих любому из этих требований, так же как и тех, которые бы сочетали в себе все эти свойства одновременно. Любой метод биометрической аутентификации -результат многих компромиссов.

Основными задачами, решаемыми с помощью биометрии, являются:

• контроль физического доступа, например, для аэропортов. Он используется в приложениях для инфраструктуры аэропорта или для инфраструктуры туристического бизнеса;

• контроль логического доступа, например, для банковских счетов, то есть для доступа к деньгам и операции с ними;

• гарантия уникальности человека. Здесь внимание сосредоточено на исключении возможности дублирования членства, например, в социальных программах [1, с. 22].

Биометрические параметры

___В таблице1приведен сгшсок шести биометрических параметров, наиболее____-

используемых сегодня в биометрических системах. В таблице 2 находятся

биометрические параметры, которые используются реже или пока сравнительно мало исследованы [1, с. 23].

Таблица 1

Физиологические Поведенческие

Лицо Подпись

Отпечатки пальцев Голос

Геометрия руки

Радужная оболочка

Таблица 2

Физиологические Поведенческие

ДНК Походка

Форма ушей Клавиатурный почерк

Запах

Сетчатка глаза

Кожное отражение

Термограмма

Предложенная работа посвящена биометрическому параметру, на который в настоящее время возложены большие ожидания - термограмме.

1.2 Термография

Термография — одно из молодых, но перспективно развивающихся направлений верификации личности по биометрическим данным. Термографический образ (термограмма) — изображение объекта, полученное камерой, регистрирующей тепловое излучение объекта (человека). Для получения термографических изображений используются инфракрасные камеры (ИК-камеры). Различные

_____системы диагностики и контроля на базе ИК-камер нашли широкое применение в

промышленности, технике и медицине (неразрушающий контроль, техническая и медицинская диагностика и др.). Достоинствами систем являются высокая

информативность, бесконтактность, неинвазивность, простота, наглядность, повторяемость и безопасность для человека. Термографическое наблюдение позволяет:

• получать данные об объекте в условиях изменяющейся освещенности (в том числе в полной темноте);

• получать данные в случае, когда объект находится на удалении;

• пресекать попытки фальсификации личности посредством внешней маскировки объекта или муляжа;

• отличить внешне сложно различимых людей (близнецов, близких родственников).

Таким образом, термографическое наблюдение возможно применять в тех условиях, когда получение изображения в видимом диапазоне недостаточно для реализации поставленных целей, в частности использовать термографические изображения в задачах биометрической аутентификации личности. Работы, связанные с задачами распознавания лиц в ближнем РЖ-диапазоне (0,9 -2,4 мкм), ведутся последние 10 лет и решаются с помощью высокочувствительных видеокамер. Однако возможность применять ИК-камеры, регистрирующие инфракрасное излучение человека в среднем (3-5 мкм) и дальнем (8-14 мкм) диапазоне, для данного рода исследований появилась недавно. В Таблице 3 приведено сравнение характеристик (по данным технической документации) современных ИК-камер ГОТК 2000 [3] и БИЯ Таи 640 [4, 5] с инфракрасной камерой предыдущего поколения БЫК Ж 913+ [6].

Рассмотрим детально сущность явления, процесс получения термограмм и предпосылки к выделению индивидуальных особенностей по термографическим изображениям.

Таблица 3. Технические возможности новых ИК-камер

Характеристики гатге 2000 РЬШ Таи 640 гьт т 913+

Тип устройства Термограф ИК камера выс. разреш. Инфракрасная камгера

Внешний вид щщШ. ¿Ж 1 -4 -

Тип матрицы Ик-приемник 1п8Ь, Ь^СсГГе, охлаждаемый жидким азотом Неохлаждаемая микроболометрическая матрица

Спектральный диапазон 3-5 мкм 7.5 - 13.5 мкм 7,5-14 мкм

Температурное разрешение 0,02°С 0,05°С 0,08°С

Диапазон измеряемых температур от - Ю°С до +170°С от -40°С до +160°С от -20°С до +400°С

Точность измерения ±0,5°С н/д ±2°С

Время сканирования кадра 0.8 сек 0.13 сек 1 сек

Получаемые изображения Температурные карты Цветные изображения. С помощью специального приложения есть возможность измерить температуру любой точки

1.2.1 Инфракрасное излучение и его измерение

Физическая сущность теплового радиоизлучения заключается в наличии заряженных частиц (электроны и ионы), которые находятся в хаотическом движении и обладают свойствами электрической или магнитной полярности. Электромагнитные волны распространяются по всему объему тела, достигают поверхности и, пройдя через кожу, частично излучаются в окружающую среду. Интенсивность этих процессов пропорциональна температуре тела и его излучательной способности. Поскольку движение частиц хаотическое, они создают радиоволны различной длины [7, 8, 9, 10].

Существующие в настоящее время способы регистрации инфракрасного излучения кожи человека можно разделить на две группы - контактные и дистанционные.

Классическим представителем контактного метода регистрации инфракрасного излучения является контактная пластинчатая термография жидкими кристаллами. В ее основе лежит способность холестерических кристаллов изменять цвет в зависимости от интенсивности и волнового и диапазона инфракрасного излучения поверхности, на которую они нанесены [11].

Основным элементом всех дистанционных методов регистрации инфракрасных лучей является чувствительный приемник инфракрасного излучения. Существующие в настоящее время приемники дистанционной регистрации инфракрасных лучей подразделяются на избирательные и неизбирательные.

К неизбирательным (неселективным) приемникам относятся устройства, которые одинаково хорошо улавливают инфракрасное излучение в диапазоне длин волн от 0,74 до 2000 мкм. К приемникам такого типа относятся: болометр, термопара, термоэлемент.

В качестве избирательных (селективных) приемных устройств и приборов, дистанционно регистрирующих инфракрасное излучение, используются фоторезисторы. Как правило, они работают в определенном диапазоне инфракрасного излучения и являются весьма высокочувствительными (до 0,03 °С) и малоинерционными. В настоящее время широко применяются фоторезисторы из антимонида индия, сульфида свинца, селенида, теллурида свинца, германиевые, сложные Ь^СсГГе. Все они при охлаждении жидким азотом (-196 °С) или жидким аргоном (-186 °С) приобретают высокую чувствительность в своем диапазоне инфракрасного свечения. Существуют также фотосопротивления на основе кадмия, которые работают при комнатной температуре без охлаждения жидким азотом или аргоном, что делает их более удобными в работе. Это - пировидиконы.

ИК-камеры для дистанционного определения пространственного распределения^гемпературы^ прошли три этапа развития [10, 9]. Первый этап состоял в разработке гибридных электронных оптико-механических систем. Развертка изображения объекта осуществлялась оптико-механическим способом

с помощью вращающихся призм, дисков Нипкова или качающихся зеркал. При этом ИК-излучение фокусировалось на термочувствительный элемент или линейку из таких элементов, где преобразовывалось в электрический сигнал. Затем появились системы из небольших матриц. Наконец были созданы большие матричные системы, состоящие из нескольких тысяч ИК-приемников.

Сейчас в основном используются два варианта ИК-камер: фотонные и микроболометрические, а также два типа построения матриц. Первый тип матриц, свойственный как фотонным, так и микроболометрическим камерам, выполнен на системе комплементарных металло-оксидных полупроводников (КМОП-матрицы, от англ. CMOS — Complementary Metal Oxide Semiconductor), второй, используемый в фотонных камерах, — на матрицах с зарядовой связью (ПЗС-матрицы, от англ. CCD — Charge-Coupled Device). Каждый из этих вариантов имеет достоинства и недостатки. Достоинством КМОП-матриц является экономичность и быстродействие — в статическом режиме ток практически отсутствует, опрос элементов матрицы можно производить одновременным параллельным электронным считыванием сигналов матрицы (snap-shot method). Недостатком КМОП-матриц является их высокая стоимость. К недостаткам ПЗС-матриц следует отнести считывание информации последовательными регистрами сдвига, которые преобразуют строку зарядов на входе в серию импульсов на выходе, что снижает быстродействие обработки информации. При использовании ПЗС-матриц приходится решать сложнейшую задачу по обеспечению приемлемого динамического диапазона и чувствительности сенсора. В последние годы появились разные варианты быстрого считывания информации. Существуют усовершенствованные варианты полнокадровой системы, основанной на ПЗС-матрицах, в которой заряды параллельного регистра не поступают построчно на вход последовательного регистра, а "складируются" в буферном параллельном регистре, а уже из него „подаются на .вход.последовательного регистра сдвига, вследствие чего возрастает быстродействие тепловизионных систем [10, 12].

Исчезновение оптико-механических узлов в ИК-камерах, независимо от их модификаций, привело к уменьшению габаритов и энергопотребления, а главное — к увеличению соотношения сигнал/шум, улучшению качества изображения и расширению динамического диапазона регистрируемого сигнала.

При изготовлении матриц для класса фотонных приборов используются гетероструктуры: на основе халькогенида свинца, соединения кадмий-ртуть-теллур, антимонида индия, силицида платины, примесных кремния и германия; многослойные структуры с квантовыми ямами на базе детекторов QWIP (quantum well infrared photodetector); барьеры Шоттки на основе тонких (~ 30 А) пленок силицида платины, а в ближайшее время, вероятно, будут использоваться также сочетания таких гетероструктур в пределах одного чувствительного элемента фотодетектора. В микроболометрах чаще всего применяется окись ванадия или аморфный кремний [10,12].

Основной хакрактеристикой чувствительности ИК-камер является разность температур, эквивалентная шуму, NETD (Noise Equivalent Temperature Différence). Для современных ИК-камер на основе охлаждаемых детекторов этот параметр изменяется в пределах от 10 до 40 мК. Точность измерения абсолютной температуры — понятие не совсем определенное, так как зависит от многих параметров; в существующих на рынке и доступных радиометрах точность измерения составляет 50-100 мК [10, 12,14].

Изображение объекта на экране ИК-камеры, значения мощности инфракрасного излучения в каждой точке поля зрения прибора отображаются согласно заданной цветовой палитре (черно-белой или цветной), где каждому оттенку серого или цвету соответствует определенная температура.

Любое нагретое тело, имеющее температуру выше абсолютного нуля (273°К), в том числе организм человека, излучает электромагнитные волны в широком спектре частот. Радиоволны, видимый спектр света, рентгеновские лучи и гамма лучи - это все электромагнитные колебания с различной длиной волны.

Инфракрасное излучение занимает на шкале электромагнитных волн спектральную область между концом красного света видимой части спектра (с

длиной волны 0,74 мкм) и коротковолновым радиоизлучением (длина волны 1 -2 мм). В частности, В.В. Зарецкий и А. Г. Выховская (1976) предложили выделять ближнее (0,76 - 1,5 мкм), коротковолновое (1,5 - 5,5 мкм), длинноволновое (5,6 - 25 мкм) и дальнее (25 - 100 мкм) инфракрасное излучение [12, 13, 14].

В ИК-камерах в основном применяются два диапазона длин волн, соответствующих окнам прозрачности атмосферы: 3-5 мкм или 8-12 мкм (рисунок 1.2) [12].

1,0 1,5 2 3 4 5 6 8 10 12 15 20 30 I-------------------------------------1 I---------1

Длина волны,мкм

Рисунок 1.2- Окна прозрачности атмосферы для инфракрасного излучения разных длин волн [ 12]

1.2.2 Тепловое излучение человека

Человек, как биологическое тело, имеет температуру в интервале от 32 до 42 °С и является источником преимущественно инфракрасного излучения. Основная часть собственного излучения кожи человека приходится на диапазон волн с длиной от 4 до 50 мкм, а максимальная спектральная плотность лежит около 10 мкм. В целом, на длину волны до 5 мкм приходится около 1% всего излучения, от 5 до 9 мкм - 20%, от 9 до 16 мкм - 30% и на более длинноволновое излучение - 41% [7]. Излучательная способность кожи человека зависит от состояния эпидермиса и в норме лежит в диапазоне е = 0,94-0,98. В случае кожных патологий е может уменьшиться даже до 0,74 [10].

Тело человека имеет многослойную структуру (кожа, подкожно-жировая клетчатка, мышцы и т.д.), в которой каждый слой имеет свою диэлектрическую проницаемость. В зависимости от области обследования толщина и количество слоев различны, и приборы, работающие в конкретных диапазонах, будут измерять температуру на различной глубине.

Глубина эффективности измерения температуры равна толщине излучающего слоя и определяется как расстояние, на которое распространяется электромагнитная волна от поверхности объекта до того слоя, в котором ее интенсивность уменьшается в 2,73 раза. Поэтому измерение теплового излучения тела человека в инфракрасном диапазоне дает истинную температуру только самого верхнего слоя кожи толщиной в доли миллиметра. О температуре подлежащих тканей и органов можно судить опосредованно и только когда температурные изменения «проецируются» на кожные покровы [7,15, 16].

Список литературы диссертационного исследования кандидат наук Баша, Наталия Сергеевна, 2013 год

Список литературы

1 Болл, Р. Руководство по биометрии / Р. Болл, Д. Коннел, Ш. Панканти, Н. Ратха, Э. Сеньор — М.: Техносфера, 2007. -368 с.

2 Clarke, R. Human identification in information systems: Management challenges and public policy issues/ R. Clarke // Information Technology & People. — 1994. — №7(4) —C. 6—37.

3 Термограф ИРТИС 2000 Me [Электронный ресурс]. — Режим доступа: http://irtis.ru/prod5 .html.

4 Blue Sky Company [Электронный ресурс]. — Режим доступа: http://blueskyic.com/tau%20640.html.

5 Infrared Cameras from FLIR [Электронный ресурс]. — Режим доступа: http://www.flir.com/thermography/americas/us/view/?id=56784.

6 Наблюдательные тепловизоры [Электронный ресурс] — Режим доступа: http ://www. diagnost.ru/part_2 .html.

7 Колесов, С. H. Остеохондроз позвоночника: неврологические и тепловизионные синдромы / С. Н. Колесов. — Нижний Новгород: ООО «Типография «Поволжье», 2006. — 220с. — С. 20—25.

8 Виноградов, В. И. Некоторые аспекты применения термографии при реабилитации пациентов с нарушением функций опорно-двигательной и нервной систем / В. И. Виноградов, И. С. Веретенов, В. Н. Слезко, Г. И. Пугач, В. А. Ланда, Г. И. Большакова // Функциональная диагностика. — 2005. — №3. — С. 72—78.

9 Госсорг, Ж. Инфракрасная термография. Основы, техника, применение: Пер. с франц. / Ж. Госсорг — М.: Мир, 1988. — 416 с.

10 Иваницкий, Г. Р. Анализ теплового рельефа на теле человека / Г. Р. Иваницкий, А. А. Деев, Е. П. Хижняк, Л. Н. Хижняк // Технологии живых систем. — 2007. — № 4(5-6) — С. 43—50.

11 Джемисон, Дж. Э. Физика и техника инфракрасного излучения / Дж. Э. Джемисон, P. X. Мак-Фи, Дж. Н. Пласс, Р. Г. Грубе, Р. Дж. Ричарде — М.: Советское радио, 1965 (пер. с англ.). — 642 с.

12 Иваницкий, Г. Р. Тепловидение в медицине / Г. Р. Иваницкий //Вестник РАН. — 2006. — №1. — С. 48—58.

13 Джонс, К. Физические проблемы получения изображений с помощью ИК-излучения / К. Джонс; под ред. С. Уэбба // Физика визуализации изображений в медицине. — 1991. — Т. 2. — С. 232—257.

14 Иваницкий, Г. Р. Тепловидение в медицине: сравнительная оценка инфракрасных систем диапазонов длин волн 3-5 и 8-12 мкм для диагноститческих целей / Г. Р. Иваницкий, Е. П. Хижняк, А. А. Деев, Хижняк Л. Н. Хижняк // ДАН. — 2006. — № 407(2) — С. 258—262.

15 Мазурин, В. Я. Медицинская термография / В. Я. Мазурин. — М.: Медицина, 1989.—С. 120—123.

16 Розенфельд, JI. Г. Основы клинической дистанционной термодиагностики / JI. Г. Розенфельд. — Киев: Здоровье, 1988. — 222 с.

17 Иваницкий, Г. Р. Возможности термографии в современной медицине: исследование пространственного изменения температуры кожи человека при введении перфторана / Г. Р. Иваницкий, А. А. Деев, Е. И. Маевский и др. //Доклады АНРФ.— 2003.—Т. 3943. — С. 419—423.

18 Колесов, С. Н. Медицинское теплорадиовидение: современный методологический подход: Монография / С. Н. Колесов, М. Г. Воловик, М. А. Прилучный — Нижний Новгород: ФГУ «ННИИТО Росмедтехнологий», 2008 — 184 с.

19 Prokoski, F. J. Identification of individuals by means of facial thermography / F. J. Prokoski, R. B. Riedel, J. S. Coffin // Proceedings of The IEEE 1992 International Carnahan Conference on Security Technology: Crime Countermeasures. — Atlanta, GA, USA 14-16 Oct., 1992. — P. 120—125.

20 Prokoski, F. J. Method for identifying individuals from analysis of elemental shapes derived from biosensor data / F. J. Prokoski. — US Patent 5,163,094. — November 1992.

21 Wilder, J. Comparison of visible and infra-red imagery for face recognition / J. Wilder, P. Phillips, C. Jiang, S. Wiene // Proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition (AFGR '96) . — Killington, Vermont, October, 1996. — P. 182—187.

22 Cutler, R. Face recognition using infrared images and eigenfaces [Электронный ресурс] / R. Cutler. — Режим доступа: http://citeseer.ist.psu.edu/cutler96face.html.

23 Socolinsky, D. A. Illumination Invariant Face Recognition Using Thermal Infrared Imagery / D. A. Socolinsky, L. B. Wolff, J. D. Neuheisel, and С. K. Eveland // Proc. IEEE CS Conf. Computer Vision and Pattern Recognition. — Dec. 2001. — vol. 1. — P. 527—534.

24 Wolff, L. B. Quantitative measurement of illumination invariance for face recognition using thermal infrared imagery / L. B. Wolff, D. A. Socolinsky, and С. K. Eveland // Proc. CVPR Workshop on Computer Vision Beyond the VisibleSpectrum — 2001. —P. 140—151.

25 Socolinsky, D. A. Thermal face recognition in an operational scenario / D. A. Socolinsky, A. Selinger // Proceedings of CVPR 2004. — Washington, D.C., 2004. —P. 1012—1019.

26 Chen, X. PCA-based face recognition in infrared imagery: Baseline and comparative studies / X. Chen, P. Flynn, K. Bowyer// IEEE International Workshop on Analysis and Modeling of Faces and Gestures. — Nice, France, 2003. — P. 127—134.

27 Chen, X. IR and visible light face recognition" / X. Chen, P. J. Flynn, K. W. Bowyer // Computer Vision and Image Understanding. — 2005. — vol. 99. — P. 332—358.

28 Chen, X. Visible-light and infrared face recognition / X. Chen, P. Flynn, K. Bowyer // Proc. Workshop on Multimodal User Authentication. — 2003. — P. 48—55.

29 Friedrich, G. Seeing people in the dark: face recognition in infrared images / G. Friedrich, Y. Yeshurun // Second BMCV. — 2003. — P. 348— 359.

30 Kim, К. I. Face recognition using kernel principal component analysis / К. I. Kim, K. Jung, and H. J. Kim // IEEE Signal Processing Letters. — 2002. — 9(2). — P. 40— 42,

31 Bartlett, M. S. Face recognition by independent component analysis / M. S. Bartlett, J. R. Movellan, T. J. Sejnowski. // IEEE Transactions on Neural Networks. — 2002. — 13(6). —P. 1450—1464.

32 Belhumeur, P. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection / P. Belhumeur, J. Hespanha, and D. Kriegman // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1997. — 19(7). — P. 711—720.

33 Belkin, M. Laplacian Eigenmaps and Spectral Techniques for Embedding and Clustering / M. Belkin, P. Niyogi // Advances in Neural Information Precessing Systems. —2002. —vol. 14. —P. 585—591.

34 Chen, X. PCA-based face recognition in infrared imagery: Baseline and comparative studies / X. Chen, P. Flynn, K. Bowyer // International Workshop on Analysis and Modeling of Faces and Gestures — Nice, France, October 2003. — P. 127.

35 Cutler, R. Face recognition using infrared images and eigenfaces: technical report [Электронный ресурс] / R. Cutler // University of Maryland. — April 1996. — Режим доступа: http://www.cs.umd.edu/ rgc/pub/ireigenface.pdf.

36 Mian, A. Comparison of Visible, Thermal Infra-Red and Range Images for Face Recognition: lecture Notes In Computer Science / A. Mian // Proceedings of the 3rd Pacific Rim Symposium on Advances in Image and Video Technology. — 2009. — Vol. 5414. —P. 807—816.

37 Akhloufi, M. Probabilistic Bayesian framework for infrared face recognition / M. Akhloufi, A. Bendada // World Academy of Science, Engineering and Technology 60. —2009. —P. 66—70.

38 Chang, H. Physics-based fusion of multispectral data for improved face recognition / H. Chang, A. Koschan, B. Abidi, M. Abidi. // ICPR '06: Proceedings of the 18th International Conference on Pattern Recognition (ICPR'06). — IEEE Computer Society, 2006. — P. 1083—1086.

39 Chen, X. Visible—light and infrared face recognition / X. Chen, P. Flynn, and K. Bowyer // Proceedings of the Workshop on Multimodal User Authentication. — Santa Barbara, CA, December 2003. — P. 322—358.

40 Heo, J. Fusion of visual and thermal signatures with eyeglass removal for robust face recognition / J. Heo, S. G. Kong, B. R. Abidi, M. A. Abidi // Proceedings of CVPR Workshop on Object Tracking and Classification Beyond the Visible Spectrum (OTCBVS) 2004. —Washington, DC, June 2004. — Vol. 8. — P. 122.

41 Pan, Z. Face Recognition in Hyperspectral Images / Z. Pan, G. Healey, M. Prasad, B. Tromberg // IEEE Transactions on Pattern Analysis and Machine Intelligence. — December, 2003.—Vol. 25. —№ 12. —P. 1552—1560.

42 Pan, Z. Illumination—invariant face recognition in hyperspectral images / Z. Pan, G. Healey, M. Prasad, B. Tromberg // Proc. SPIE: Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery IX. — Apr. 2003. — Vol. 5093. —P. 275—282.

43 Chang, H. An Indoor and Outdoor, Multimodal, Multispectral and Multi— Illuminant Database for Face Recognition / H. Chang, H. Harishwaran, M. Yi, A. Koschan, B. Abidi, M. Abidi // Proceedings of the 2006 Conference on Computer Vision and Pattern Recognition Workshop. — June 17—22, 2006. — P.54.

44 Pan, Z. Multiband and spectral eigenfaces for face recognition in hyperspectral images / Z. Pan, G. Healey, M. Prasad, B. Tromberg // Proc. SPIE. — 2005. — Vol. 5779. —P. 144—151.

45 Akhloufi, M. A. Infrared face recognition using Distance transform / M. A. Akhloufi, A. Bendada // World Academy of Science, Engineering and Technology. — 2008. — Vol 40. — P. 160—163.

46 Akhloufi, M. A. Thermal Faceprint: A new thermal face signature extraction for infrared face recognition / M. A. Akhloufi, A. Bendada // Proceedings of the 5th Canadian Conference on Computer and Robot Vision (CRV 2008) . — Windsor, ON, Canada, 2008. — P. 269—272.

47 Bourlai, T. Methodological Advances on Pulse Measurement through Functional Imaging / T. Bourlai, P. Buddharaju et al. // Computational Surgery and Dual Training.

— Springer, 2010. —P. 101—121.

48 Buddharaju, P. Face Recognition Beyond the Visible Spectrum / P. Buddharaju, I. Pavlidis, C. Manohar // Advances in Biometrics: Sensors, Algorithms and Systems.

— Nov., 2007. — P. 158—180.

49 Buddharaju, P. Pose—Invariant Physiological Face Recognition in the Thermal Infrared Spectrum / P. Buddharaju, I. T. Pavlidis, P. Tsiamyrtzis // IEEE Conference on Computer Vision and Pattern Recognition Workshop. — New York, 2006. — P.53.

50 Buddharaju, P. Face recognition in the thermal infrared spectrum / P. Buddharaju, I. Pavlidis, I. A. Kakadiaris // Proceedings of the Joint IEEE International Workshop on Object Tracking and Classification Beyond the Visible Spectrum. — Washington, DC, July 2004.—P. 133.

51 Akhloufi, M. A. Probabilistic Bayesian framework for infrared face recognition / M. A. Akhloufi, A. Bendada // In proc. International Conference on Machine Vision, Image Processing, and Pattern Analysis. — 2009. — P. 66—70.

52 Buddharaju, P. Physiology—based face recognition / P. Buddharaju, I. T. Pavlidis, P. Tsiamyrtzis // Proceedings of the IEEE Conference on Advanced Video and Signal Based Surveillance. — Lake Como, Italy, 9, September 2005. — P. 354—359.

53 Buddharaju, P. Pose—invariant physiological face recognition in the thermal infrared spectrum / P. Buddharaju, I. T. Pavlidis, P. Tsiamyrtzis // Proceedings of the 2006 IEEE Conference on Computer Vision and Pattern Recognition. — New York, June 2006. —P. 53—60.

54 Chen, Y.-T. Human Face Recognition Using Thermal Image / Y.—T. Chen, M.— S. Wang // Journal of Medical and Biological Engineering. — 2002. — Vol 22(2) . — P. 97—102.

55 Wu, S. Q. A robust method for detecting facial orientation in infrared images / S. Q. Wu, L. J. Jiang, S. L. Xie, C. B. Yeo // Pattern Recognition. — 2006. — Vol. 39.

— No. 2. —P. 303—309.

56 Wu, S. Q. Infrared facial recognition using modified blood perfusion/ S. Q. Wu, Z. H Gu, K. A. Chia, S. H. Ong // Proceedings 6th International Conference Information, Comm. and Sign. — Singapore, Dec, 2007. — P. 1—5.

57 Equinox, "Multimodal face database" [Электронный ресурс] — Режим доступа: http://www.equinoxsensors.com/products/HID.html.

58 Akhloufi, M. Multispectral Infrared Face Recognition: a comparative study / M. Akhloufi, A. Bendada // 10th International Conference on Quantitative InfraRed Thermography. — Québec,Canada, July 27—30, 2010. — P. 1—8.

59 Akhloufi, M. Multispectral face recognition using non linear dimensionality reduction / M. Akhloufi, A. Bendada, J.—C. Batsale // Proc. SPIE 7341, Visual Information Processing XVIII. — April 27, 2009. — P. 73410J.

60 OTCBVS Benchmark Dataset Collection // Электронный ресурс — Режим доступа: http://www.cse.ohio—state.edu/otcbvs—bench/.

61 JADE— UC IR Uncooled Camera [Электронный ресурс] — Режим доступа: http://alacron.com/clientuploads/directory/Cameras/CEDIP/docjadeuc.pdf

62 Hermosilla, G. Thermal Face Recognition Using Local Interest Points and Descriptors for HRI Applications / G. Hermosilla, P. Loncomilla, J. Ruiz-del-Solar// RoboCup 2010: Robot Soccer World Cup XIV, Lecture Notes in Computer Science. — 2011. — Vol. 6556. — P. 25—35.

63 Черемисина E. H. Распознавание личности по термографическим изображениям лица: современное состояние, перспективы развития [Электронный ресурс] / Е. Н. Черемисина, Н. С. Баша // Электронное научное издание «Системный анализ в науке и образовании». ISSN: 2071-9612. — 2012. — №2. — Режим доступа: http://www.sanse.ru/archive/24.

64 Jain, А. К. Handbook of Biometrics / А. К. Jain, P. Flynn, A. A. Ross, — Springer. — 2007. —p. 556.

65 Zunkel R. Hand Geometry Based Authentication. / R. Zunkel // Biometrics: Personal Identification in Networked Society. — Kluwer Academic Publishers. — 1999. —P. 87—102.

66 Lee, L. Reliable On-Line Human Signature Verification Systems / L. Lee, T. Berger, E. Aviczer // IEEE Transactions on Pattern Analysis and Machine Intelligence. — June 1996. — № 18(6). — P. 643—647.

67 Li, S. Z. Handbook of Face Recognition / S. Z. Li, A. K. Jain. — Springer, 2005. — p. 695.

68 Иванов, А. И. Оценка систем биометрической аутентификации / А. И. Иванов // Защита информации. Конфидент. — 1998. — № 2. — С. 77—81.

69 Выскуб, В. Г. Возможности повышения точности биометрических распознающих систем / В. Г. Выскуб, И. В. Прудников // Инженерная физика. — 2009. — № 5. — С. 41—43.

70 Ту, Д. Т. Принципы распознавания образов: Пер. с англ./ Д. Т. Ту, Р. К. Гонсалес. — М.: Мир, 1978.— 411 с.

71 Горелик, А. Д. Методы распознавания: Учеб. пособие. 3-е изд. / А. Д. Горелик, В. А. Скрипкин. — М.: Высшая школа, 1989. — 350 с.

72 Golfarelli, М. On the Error-Reject Tradeof in Biometric Verification Systems/ M. Golfarelli, D. Maio, D. Maltoni // IEEE Transactions on Pattern Analysis and Machine Intelligence. — July 1997. — Vol. 19(7) — P.786—796.

73 Martin, A. The DET Curve in Assessment of Detection Task Performance / A. Martin, G. Doddington, Т. Kam, M. Ordowski, M. Przybocki. // Proceedings of the Fifth European Conference on Speech Communication and Technology. — Rhodes, Greece, September 1997. — Vol. 4. — P. 1895—1898.

74 Воронцов, К. В. Математические методы обучения по прецедентам [Электронный ресурс] / К. В. Воронцов.— Режим доступа: http://www.machinelearning.rU/wiki/images/6/6d/V oron-ML-1 .pdf.

75 Adler, A. Vulnerabilities in biometric encryption systems / A. Adler // Proceedings of AVBPA. — 2005. — Vol. 3546. —P. 1100 — 1109.

76 Cavoukian, A. Privacy and Biometrics / A. Cavoukian // Proceedings of International Conference on Privacy and Personal Data Protection. — Hong Kong, China, 1999. —P.557—571.

77 Prabhakar, S. Biometric Recognition: Security and Privacy Concerns / S. Prabhakar, S. Pankanti, A. K. Jain. // IEEE Security and Privacy Magazine. — March-April 2003. — Vol. 1(2). —P.33—42.

78 Иваницкий, Г. P. Особенности температурных распределений в области глаз/ Г. Р. Иваницкий, А. А. Деев, И. Б. Крестьева, Е. П. Хижняк, JI. Н. Хижняк // ДАН.— 2004. — Т. 398. — № 5. — С. 709—714.

79 Rustemeyer, J. Thermography and thermoregulation of the face / J. Rustemeyer, J. Radtke, A. Bremerich // Head & Face Medicine. — 2007. — P. 3—17.

80 Иваницкий, Г. P. Современное матричное тепловидение в биомедицине / Г. Р. Иваницкий // УФН. — 2006. — Т. 176 — Р. 1293—1320.

81 Куприянов, В. В. Лицо человека: Анатомия, мимика / В.В.Куприянов, Г. В. Стовичек. —М.: Медицина, 1988. — 272 с.

82 Баша, Н. С. Алгоритм автоматического выделения лица на термографических изображениях / Н. С. Баша, Л. А. Шульга // Научный журнал «Информатика и ее применение». — 2011. — Т. 5. — № 1. — С. 73—77.

83 Баша, Н. С. Алгоритм автоматического выделения лица на термографических изображениях / Н. С. Баша, Л. А. Шульга // XX Междунар. конф. по компьютерной графике и зрению «Графикон'2010»: Сб. трудов. — Санкт Петербург. — 2010. — С. 300-303.

84 MacQueen, J. Some methods for classification and analysis of multivariate observations/ J. MacQueen // Proc. 5th Berkeley Symp. on Math. Statistics and Probability. —1967. — P. 281—297.

85 Баша, H. С. Применение метода k-средних для выделения круглых пор отпечатка пальца / Н. С. Баша, Л. А. Шульга // Тезисы докладов XVII-й Международной конференции «Математика, компьютер, образование», Сборник тезисов. — ОИЯИ, Дубна. — 2010. — С.90.

86 Баша, Н. С. Автоматическое выделение пор отпечатков пальцев в задачах идентификации личности на основе метода k-средних [Электронный ресурс] / Н. С. Баша, Л. А. Шульга // Электронное научное издание «Молекулярные

технологии». ISSN: 1996-5362. — 2010. — Т. 4. — Режим доступа: http://www.niipa.ru/iournal/articles/10.Ddf.

87 Buddharaju, P. Face Recognition Beyond the Visible Spectrum/ P. Buddharaju, I. Pavlidis, C. Manohar // Advances in Biometrics: Sensors, Algorithms and Systems. — Nov. 2007, —P. 158—180.

88 Buddharaju, P. Pose-Invariant Physiological Face Recognition in the Thermal Infrared Spectrum / P. Buddharaju, I. T. Pavlidis, P. Tsiamyrtzis // IEEE Conference on Computer Vision and Pattern Recognition Workshop. — N.Y., 2006.—P. 53—55.

89 Buddharaju, P. Face recognition in the thermal infrared spectrum / P. Buddharaju, I. Pavlidis, I. A. Kakadiaris // Proceedings of the Joint IEEE International Workshop on Object Tracking and Classification Beyond the Visible Spectrum. — Washington, DC, July 2004. —P. 133.

90 Гонсалес P. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С. Эддинс. — М: Техносфера, 2006. — с. 380.

91 Lam, L. Thinning Methodologies—A Comprehensive Survey / L. Lam, S.-W. Lee, C. Y. Suen // IEEE Transactions on Pattern Analysis and Machine Intelligence. — September, 1992. — Vol. 14. — № 9. —P. 879.

92 Баша, H. С. Система выделения подкожного кровеносного рисунка по термографическим изображениям / Н. С. Баша, JI. А. Шульга // Журнал «Вестник МГТУ им. Н.Э. Баумана. Сер. Естеств. науки». — 2012. — № 2(45). — С. 98-106.

93 Yang, J. A modified Gabor filter design method for fingerprint image enhancement / J. Yang, L. Liu, T. Jiang, Y. Fan// Pattern Recognition Letters — 2003. — Vol. 24. — P. 1805-1817.

94 Ratha, N. K. A realtime matching system for large fingerprint database/ N. K. Ratha, K. Karu, S. Chen, A. K. Jain // IEEE Trans. Pattern Anal. Machine Intell. — 1996. — Vol. 18. — №8. — P. 799-813.

95 Hong, L. Fingerprint image enhancement: Algorithm and performance algorithm / L. Hong, Y. Wan, A. K. Jain // IEEE Transactions on Pattern Analysis and Machine Intelligence. — May 1998. — Vol. 20. — № 8. — P. 777— 789.

96 Lam, L. Thinning Methodologies-A Comprehensive Surve / L. Lam, S.-W. Lee,

C. Y. Suen // IEEE Transactions on Pattern Analysis and Machine Intelligence. — September 1992. — Vol. 14. — № 9. _ p. 879.

97 Lam, L. An Evaluation of Parallel Thinning Algorithms for Character Recognition / L. Lam, C. Y. Suen //IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995. — Vol. 17. — № 9. — P. 914—919.

98 Jain, A. K. Handbook of Biometrics / A. K. Jain, P. Flynn, A. A. Ross. — Springer,2007. — p. 566.

99 Seal, A. Minutiae based thermal face recognition using blood perfusion data / A. Seal, M. Nasipuri, D. Bhattacharjee, D. K. Basu // Image Information Processing (ICIIP). —2013. —P. 1—4.

100 Halici, U. An introduction to fingerprint recognition / L.C.Jain, U. Halici, I. Hayashi, S. B. Lee, S. Tsutsui // Intelligent Biometric Techniques in Fingerprint and FaceRecognition. — CRC Press, Florida, 1999. — P. 3— 34.

101 Maltoni, D. Handbook of Fingerprint Recognition, second Edition / D. Maltoni,

D. Maio, A. K. Jain, S. Prabhakar. — London: Springer-Verlag. — 2009.

102 Баша, H. С. Метод верификации личности по термографическим изображениям лица в реальных условиях [Электронный ресурс] / Н. С. Баша // Электронное научное издание «Системный анализ в науке и образовании». ISSN: 2071-9612. — 2013. — №3. — Режим доступа: http://www.sanse.ru/archive/29.

103 Jea, T.-Y. A minutia-based partial fingerprint recognition system / T.-Y. Jea,V. Govindaraju // Pattern Recognition. — 2005. — Vol. 38. — P. 1672—1684.

104 Bolle, R. The Relationship Between the ROC Curve and the CMC / R. Bolle, J. Connell, S. Pankanti, N. Ratha, A. Senior // Proceedings of Fourth IEEE Workshop on Automatic Identification Advanced Technologies (AutoID). — Bufalo, USA, October 2005. — P. 15—20.

105 Самарский, А. А. Численные методы / А. А. Самарский, А. В. Гулин. — M.: Наука, 1989. —430 c.