Методы, алгоритмы и программное обеспечение интеграции биометрических информационных технологий тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Ушмаев, Олег Станиславович

• Ушмаев, Олег Станиславович
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Ушмаев, Олег Станиславович

Введение

1. Методологический анализ основных подходов и методов биометрической идентификации

1.1. Основные характеристики биометрических систем

1.2. Методы биометрической идентификации

1.3. Основные подходы к интеграции различных технологий

1.4. Пути совершенствования методов синтеза интегрированных биометрических систем. Постановка проблемы

2. Биометрическая идентификация по отпечатку пальца

2.1. Классификация алгоритмов распознавания по отпечатку пальца

2.2. Факторы, снижающие эффективность распознавания по отпечаткам пальцев

2.3. Учет и моделирование деформаций отпечатков

2.4. Анализ эффективности автоматического учета деформаций

3. Синтез комбинированных мер сходства

3.1. Статистические аспекты интеграции биометрических технологий

3.2. Оптимальная интеграция независимых биометрических технологий

3.3. Условно оптимальные интеграция биометрических технологий

4. Сравнительный статистический анализ комбинированных алгоритмов биометрической идентификации

4.1. Интеграция независимых биометрических технологий

4.2. Интеграция зависимых биометрических технологий

4.3. Интеграция на уровне алгоритмов

5. Сравнительный анализ реализаций основных алгоритмов предварительной обработки биометрической информации на различных архитектурах вычислительных средств 104 5.1. Вычислительные проблемы реализации алгоритмов биометрической идентификации

5.2. Математическая модель линейной фильтрации изображений

5.3. Сравнительный анализ реализации алгоритмов фильтрации изображений на различных архитектурах

Введение диссертации (часть автореферата) на тему «Методы, алгоритмы и программное обеспечение интеграции биометрических информационных технологий»

Актуальность работы. В настоящее время приобретают широкое распространение биометрические (основанные на физиологических и поведенческих характеристиках) технологии автоматической аутентификации и идентификации. Это обусловлено множеством причин. Во-первых, из-за быстрого развития сектора электронной коммерции значительно возросли требования к защищенности информационных ресурсов. Во-вторых, быстрый рост производительности современных вычислительных средств сделал возможным внедрение биометрических технологий в системы реального времени. В-третьих, в связи с возросшей в последние годы угрозой терроризма увеличился интерес к средствам биометрической идентификации со стороны государства.

Как показывают многочисленные результаты тестирований биометрических систем, на современном уровне развития технологий ни одна из существующих систем, использующая одно биометрическое измерение (например, отпечаток пальца или радужную оболочку глаза), не может во многих случаях обеспечить требуемых уровней надежности и ошибок 1-го и 2-го рода. В такой ситуации особенно актуальной становится проблема интеграции биометрических систем.

С алгоритмической точки зрения интеграция является сложной прикладной математической задачей. Показатели работы биометрических систем, такие как ошибки распознавания, в основном носят статистических характер, поэтому основной проблемой синтеза комбинированных систем является достижение требуемых статистических критериев качества. Прямое применение определенных методов математической статистики затруднено спецификой биометрических систем и малыми размерами обучающих выборок.

Также в настоящее время является актуальной проблема создания средств автоматической настройки комбинированных биометрических систем. Для этого требуется не только развитие математических методов, но и стандартизация выходных данных биометрических систем.

Вместе с тем, несмотря на потребности практики, в настоящее время не только отсутствуют алгоритмы автоматической интеграции различных биометрических систем, но и теоретические наработки в данной области не нашли должного распространения в научной литературе. Существующие разработки в данной области, как правило, представляют собой отдельные примеры интеграции систем в рамках рекомендаций международных стандартов 70-х годов, когда перспективы интеграции биометрических технологий серьезно не рассматривались.

Целью исследования является разработка методов, алгоритмов и программного обеспечения оптимальной интеграции биометрических технологий для систем автоматической аутентификации и идентификации, в частности для автоматических дактилоскопических идентификационных систем (АДИС). Для достижения поставленной цели необходимо решение следующих задач:

1. Обобщить опыт разработки методов и алгоритмов синтеза комбинированных биометрических систем и выявить направления их совершенствования.

2. Разработать статистические методы оценки качества комбинированных биометрических систем.

3. Разработать алгоритмы оптимальной интеграции биометрических систем, а также специализированные алгоритмы с учетом специфики АДИС.

4. Разработать критерии верификации результатов автоматической интеграции биометрических систем.

5. Экспериментально проверить разработанное базовое алгоритмическое и программное обеспечения автоматической настройки комбинированных биометрических систем на ПЭВМ и высокопроизводительных вычислительных средствах.

Методы исследования. В работе использованы современные методы теории вероятностей и математической статистики, обработки изображений, теории оптимизации, методы программирования и моделирования на ЭВМ, а также рекомендации действующих и разрабатываемых отечественных и международных стандартов по биометрическим технологиям.

Научная новизна и результаты, выносимые на защиту. В работе получены следующие основные результаты:

1. Разработаны и обоснованы новые методы анализа статистических показателей работы комбинированных биометрических систем.

2. Разработаны новые корреляционные алгоритмы верификации личности по отпечатку пальца.

3. Разработаны и обоснованы новые методы, алгоритмы и программное обеспечение компенсации деформаций отпечатков пальцев.

4. Предложены методы построения оптимальных и условно оптимальных комбинированных мер сходства для некоррелированных и коррелированных биометрических технологий.

5. Разработано базовое программное обеспечение для интеграции биометрических технологий.

Теоретическая значимость и практическая ценность работы. Теоретическая значимость состоит в развитии методов интеграции биометрических систем, оптимизирующих уровни ошибок 1-го и 2-го рода. Разработанные алгоритмы и программное обеспечение могут использоваться для построения комбинированных биометрических технологий.

Реализация результатов работы. Результаты диссертации реализованы в Проектах РФФИ (№01-01-00758, №04-01-00270), Государственном контракте ОИТВС 01/097-098/210503-180, в продуктах компании «Biolink Technologies».

Апробация работы. Материалы диссертации излагались и обсуждались на следующих научно-технических конференциях: «Методы и средства обработки информации» (Москва, 2003), «Распознавание 2003» (Курск, 2003), «Workshop on Multimodal User Authentication» (Santa Barbara, 2003), «Идентификация систем и проблемы управления SICPRO'04» (Москва, 2004), «SPIE Symposium on Security & Defense» (Orlando, 2004), «European Conference on Computer Vision 2004» (Prague, 2004).

Публикации. Материалы диссертации содержатся в отчетах ИЛИ РАН, по теме диссертации опубликовано 5 печатных работ.

Заключение диссертации по теме «Теоретические основы информатики», Ушмаев, Олег Станиславович

Основные результаты диссертации опубликованы в [ 124-130].

2. Биометрическая идентификация по отпечатку пальца 2.1. Классификация алгоритмов распознавания по отпечатку пальца

Все базовые алгоритмы сравнения отпечатков пальцев можно разделить на две основные группы [7,11,29,60]:

1. Классические алгоритмы.

2. Корреляционные алгоритмы.

Классические алгоритмы предполагают ' сравнение взаимного расположения особых точек (минюций) отпечатков пальцев, полей направлений папиллярных линий и прочих топологических характеристик отпечатков. Считается, что взаимное расположение минюций, хотя и не полностью описывает отпечаток, является уникальной характеристикой человека и не повторяется [77]. Такой подход к сравнению отпечатков позволяет сжимать полученный со сканера отпечаток в шаблон, по которому невозможно восстановить исходный отпечаток. Примеры классических алгоритмов распознавания приведены в [60]. Некоторые алгоритмы сравнения графов могут быть адоптированы к задачам распознавания по отпечаткам пальцев [97].

Корреляционные алгоритмы сравнивают отпечатки как изображения. Существуют разные подходы к разработке корреляционных алгоритмов. Однако большинство из них требует хранения в базе биометрических записей части изображения, что из соображений безопасности делает применение таких алгоритмов в некоторых системах, либо нежелательными, либо невозможным (злоумышленник может воспользоваться изображением отпечатка для создания муляжа отпечатка для последующего использования его в преступных целях).

Типовая схема корреляционного алгоритма предполагает вычисление прямого наложения участков изображения. Однако прямая корреляция всего изображения с целью выделить совпадающие участки является слишком трудоемкой процедурой, особенно, если дополнительно осуществлять перебор по поворотам, поэтому не используется в реальных системах.

В этой связи в работе предлагается усовершенствованная схема более быстрого корреляционного алгоритма.

На этапе создания шаблона регистрации выполняются следующие процедуры: •

1. Бинаризация изображения.

2. Выделение на изображении участков высокой кривизны (такие участки как элементы текстуры несут наибольшую информацию). На рисунке 2.1 приведен пример выделенной информативной зоны изображения.

3. Вычисление на участках высокой кривизны локальной спектральной картины, инвариантной к сдвигам. А именно выделяются доминирующие частоты энергетического спектра Фурье.

Получаемый шаблон регистрации содержит бинарное изображение и набор сжатых энергетических спектров вокруг TS точек высокой кривизны.

Рисунок 2.1 - Пример информативной зоны отпечатка

Сравнение осуществляется следующим образом:

1. Для всех возможных соответствующих пар точек изображений вычисляется расстояние между спектральными картинами. По этому расстоянию все пары сортируются. Данная процедура позволяет очень точно определить оптимальные параметры относительного сдвига и поворота изображений, что существенно сокращает число переборов по поворотам при последующем прямом наложении участков изображений.

2. Для CR пар (CR варьируется от 3 до 35), давших наименьшее спектральное расстояние, вычисляется прямая свертка двух окрестностей на изображениях.

Использование такого алгоритма в основном целесообразно для полупроводниковых сканеров малой площади, дающие изображения плохого качества. В таких случаях зачастую классические алгоритмы не работают из-за малых площадей пересечения отпечатков и недостаточного числа выделяемых минюций.

Список литературы диссертационного исследования кандидат технических наук Ушмаев, Олег Станиславович, 2004 год

1. Federal Bureau of Investigation, "The FBI Fingerprint Identification Automation Program: Issues and Options", U.S. Government Publication, U.S. Congress, Office of Technology Assessment, Washington, DC, 1991.

2. N. Kingsbury, Technology Assessment: Using Biometrics for Border Security. DIANE Publishing Co., 2003.

3. James Wayman et al. Biometric Systems: Technology, Design and Performance Evaluation. Springer Verlag, 2004.

4. Monrose F., Reiter M.K., Li Q. and Wetzel S., "Cryptographic Key Generation From Voice", in Proc. Symp. On Security and Privacy, pp.202-213, 2001.

5. Monrose F., Reiter M.K., and Wetzel S., "Password Hardening Based on Keystroke Dynamics" in Proc. Computer and Communications Security Conf. (6th), 1999.

6. P. Griffin, "Topics for Multi-Biometrics Research" // Panel Discussion MMUA'2003. http://mmua03 .cs.ucsb.edu

7. Jain A.K., Hong L., Pankanti S. and Bolle R., "An Identity-Authentication System Using Fingerprints", Proc. of IEEE, 1997, 85(9), pp. 1365-1388.

8. Daugman J., "The Importance of Being Random", Pattern Recognition, vol.36, no.2, 2003.

9. J. Ashbourn, Practical Biometrics: From Aspiration to Implementation. Springer Verlag, 2003.

10. Daugman J., Recognizing Persons by Their Iris Patterns, in Biometrics: Personal Identification in a Networked Society, A.K. Jain, R.Bolle, and S.Pankanti (edt.), Kluwer Academic, New York, 1999.

11. Halici U., Jain L.C., Erol A., Introduction to Fingerprint Recognition, Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, 1999.

12. Large & Medium Scale ID, online available at: www.biolinkUSA.com.

13. Civil Fingerprint Identification Systems, online available at: www.east-shore.com.14. www, ci vilidsy stems .com.

14. J. Wayman. "Biometric Testing Celebrating 35+ Years"// Panel Discussion MMUA'03. http://mmua03.cs.ucsb.edu

15. John D. Woodward, Jr. "Biometrics: Facing Up to Terrorism", The Biometric Consortium Conference 2002, Arlington, February, 2002.

16. Соколов A.B., Шаныгин В.Ф., Защита информации в распределенных корпоративных сетях и системах. М.: ДМК, 2002. - 656с.

17. Программно-аппаратные средства обеспечения информационной безопасности. Защита программ и данных: Учебное пособие для вузов / Белкин П.Ю., Михальский О.О., Першаков А.С. и др. М.: Радио и связь. -1999.-168 с.

18. Чмора A.JI. Современная прикладная криптография. М.: Гелиос АРВ. -2001.-256 с.

19. Петров А.А. Компьютерная безопасность. Криптографические методы защиты. -М.: ДМК, 2000. 448 с.

20. Beardsley, Chartles Т., Is your computer insecure?, IEEE Spectrum, Jan, 1972, pp.67-78.

21. S.Reed and D. Branstad, Controlled Accessibility Workshop Report, NBS Tech. Note 827, May, 1974.

22. J. Wegstein "Automated Fingerprint Identification", NBS Tech. Note 538, Aug. 1970.

23. Lee H.C. and Gaenssley R.E., Advances in Fingerprint Technology, Elsevier, New York, 1991

24. Eleccion M., "Automatic Fingerprint Identification", IEEE Spectrum, 1973, 10, pp. 36-45.

25. B. Dalrymple, Fingerprints (Dactyloscopy) Identification and Classification in Encyclopedia of Forensic Science, Siegel, J. et al., Eds., Academic Press, New York, 2000, 872.

26. Federal Bureau of Investigation, "The Science of Fingerprints: Classifications and Uses", U.S. Government Publication, Washington, DC, 1984.

27. Henry E. "Classification and Uses of Finger Prints", Routledge, London, 1900.

28. Jain A.K., Hong L. and Bolle R., "On-Line Fingerprint Verification", IEEE Trans. On Pattern Analysis and Machine Intelligence, 1997, 19(4), pp. 302-314.

29. Biometrics in Driver's License Operations. http://www.biometricgroup.com/dl idoperations.pdf

30. Biometric Consortium, http://www.biometric.org

31. International Biometric Group, http://www.biometricgroup.com

32. BioAPI Consortium, http://www.bioAPI.org

33. International Biometric Industry Association, http://www.IBIA.org

34. Официальный сайт русского биометрического общества http://www.biometricsguide.ru

35. Biometrics Application Programming Interface www.parallaxresearch.com/ ataclips/pub/infosec/biometrics/bapi20overview.pdf

36. HAAPI 2.0. www.biometrics.org/REPQRTS/HAAPI20/

37. ANSI, "Fingerprint Identification Data Format for Information Interchange", American National Standards Institute, New York, 1986.

38. National Institute of Standards and Technology, "Data Format for the Interchange of Fingerprint Information", U.S. Government Publication, Washington, DC, 1991.

39. National Institute of Standards and Technology, "Guideline for the Use of Advanced Authentication Technology Alternatives", Federal Information Processing Standards 190,1994.

40. CryptoAPI. http://CryptoAPI.sourceforge.net

41. First International Competition for Fingerprint Verification Algorithms (FVC2000), http://bias.csr.unibo.it/fVc2000/.

42. Face Recognition Vendor Test, http://www.frvt.org

43. Fingerprint Vendors Technology Evaluation, http://fbvte.nist.gov

44. FVC2004, the Third International Competition for Fingerprint Verification Algorithms (FVC2004),, http://bias.csr.unibo.it/fVc2004/

45. T. Mansfield et al. "Biometric Product Testing Final Report". UK Biometrics Working Group, 2001, http://www.cesg.gov.uk/site/ast/biometrics/media/BiometricTestReportptl.pdf

46. A.J. Mansfield and J.L. Wayman "Best Practices in Testing and Reporting Performance of Biometric Devices". UK Biometrics Working Group, 2002.

47. L.G. Kersta "Voiceprint Identification", Nature, vol. 196, Dec. 29, 1962, pp. 1253-1257.

48. O. Tosi, Experimental Studies on the reliability of the voiceprint identification technique, Proc. of 3rd National Symposium on Law Enforcement and Technology, 1970.

49. A.J. Goldsten, L.D. Harmon, and A.B. Lesk "Identification of Human Faces", Proc. IEEE, 59(5), May, 1971

50. L.D. Harmon "The recognition of Faces", Scientific American 229(5), 1973.

51. W. Haberman and A. Fejfar "Automatic ID of personnel through Speaker and Signature verification System Description and Testing", 1976 Carnahan Conference on Crime Countermeasures, U of KY, May 1976.

52. A. Fejfar and J. Myers, "The Testing of 3 Automatic ID Verification Techniques of Entry Control", 2nd International Conf. on Crime Countermeasures, Oxford, July, 25-29,1977.

53. Davide Maltoni, Dario Maio, Anil K. Jain, Salil Prabhakar. Handbook of Fingerprint Recognition. Springer Verlag, New York, 200361. FAC (with FVC04)62. SVC (with FVC04)

54. R. Chellapa, C. Wilson, and S.Sirohey, Human and Machine Recognition of Faces: a Survey, Proc. Of IEEE, 83(5), pp. 705-741, 1995

55. V. Blanz and T. Vetter, A Morphable Model for Synthesis of 3D Faces. In Computer Graphics Proceedings SIGGRAPH, pages 187-194, Los Angeles, 1999

56. Genemation. www.genemation.com

57. SfmGe v.2.51. http://bias.csr.unibo.it/research/biolab/bio tree.html

58. R. Cappelli, A. Erol, D. Maio and D.Maltoni, Synthetic Fingerprint-Image Generation//Proc. ICPR2000, Barcelona, Sep. 2000

59. J.G. Daugman, US Patent No. 2591 260, U.S. Government Printing Office, Washington DC, 1994.

60. L. Flom and A. Safir, U.S. Patent No. 4641 349, U.S. Government Printing Office, Washington, DC, 1987

61. Delean Vision, www.delean.com

62. Cnews analytics, www.cnews.ru

63. Dieckmann U., Plankensteiner P. and Wagner Т., "SESAM: A Biometric Person Identification System Using Sensor Fusion", Pattern Recognition Letters, vol.18, pp. 827-833,1997.

64. L. Xu, A. Krzyzak and C.Y. Suen "Methods of Combining Multiple Classifiers and Their Applications To Handwriting Recognition", IEEE Trans. On SMC, 22(3), 1992, pp. 418-435.

65. J. Kittler, M. Haref, R.P.W. Duin and J. Matas, "On combining classifiers", IEEE Trans. On PAMI, vol.20, no.3,1998, pp.226-239

66. Frischholz R.W., Dieckmann U., "BioID: A Multimodal Biometric Identification System", IEEE Computer, pp. 64-68, Feb. 2000.

67. Novikov S.O., Glushchenko G.N., "Fingerprint ridges structure generation models", 6th Int. Workshop on Digital Image Processing and Computer Graphics. Vienna, 20-22 Oct. 1997, Proc. SPIE, vol. 3346.

68. S. Pankanti, S. Prabhakar and A.K. Jain, "On the Individuality of Fingerprints", IEEE Trans. PAMI, 2002, 24(8), pp. 1010-1025

69. Bazen A.M., Gerez S.H., "Thin-Plate Spline Modelling of Elastic Deformation in Fingerprints", Proceedings of 3rd IEEE Benelux Signal Processing Symposium, 2002.

70. Bookstein F.L., "Comment to D.G. Kendall's A survey of the statistical theory of shape", Statistical Science, vol.4, no. 2,1989, pp. 99-105.

71. M. Fornefett, K. Rohr and H.S. Stiehl, "Radial Basis Functions with Compact Support for Elastic Registration of Medical Images", Image and Vision Computing, 19 (1-2), 2001, pp. 87-96.

72. Raffaele Cappelli, Dario Maio, Davide Maltoni, "Modelling Plastic Distortion in Fingerprint Images", ICAPR2001, pp. 369-376.

73. Landau L.D., Lifshits E.M., "Theory of Elasticity: Course of Theoretical Physics", Butterworth-Heinemann Edition, 1995

74. Shames, I.H. and Pitarresi, J.M., Introduction to Solid Mechanics, Upper Saddle River, NJ, 2000.

75. Федоренко Р.П. Введение в вычислительную физику. -М.: изд-во МФТИ, 1994.-528с.

76. Бахвалов Н.И., Жидков Н.П., Кобельков Г.М., Численные методы. — М.: Лаборатория базовых знаний, 2003.

77. Основные физические константы. Энергоатомиздат, 1991.88. U.S. Patent No. 6282 304.

78. Neyman J. and E.S. Pearson (1933) On the problem of the most efficient tests of statistical hypotheses. Philos. Trans. Roy. Soc., London A, 231, p. 289337.

79. Пугачев B.C., Синицын И.Н. Теория стохастических систем. М.: Логос, 2000.

80. Пугачев B.C., Синицын И.Н. Стохастические дифференциальные системы. Анализ и фильтрация (2-е изд.). М.: Наука, 1990.

81. Pugachev V.S., Sinitsin I.N., Stochastic Systems. Theory and Applications. Singapore, World Scientific, 2001.

82. C.Watson, NIST Special Database 14: Mated Fingerprint Card Pairs 2, CD-ROM & documentation, September 1993.

83. C.Watson, NIST Special Database 29: Plain and Rolled Images from Paired Fingerprint Cards, CD-ROM & documentation, November 2001.

84. Richard O. Duda, Peter E. Hart, Pattern Classification and Scene Analysis. -John Wiley & Sons, New York, 1973.

85. Kohonen T. "Self-Organization and Associative Memory", Series in Informatic Sciences, vol. 8. Springer Verlag, 1984.

86. M. Pelillo, K. Siddiqi, S.W. Zucker, Matching Hierarchical Structures Using Association Graphs // IEEE Trans. PAMI, v.21, NO.ll, November 1999, p. 11051120.

87. Т. Павлидис, Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. - 400с.

88. У. Претт, Цифровая обработка изображений. М. Мир, 1982. - 792с.

89. M.S. Grewal, А.Р. Andrews, Kalman filtering: Theory and Practice, Prentice Hall, 1993.-383 c.

90. Васильев K.K., Крашенинников B.P., Синицын И.Н., Синицын В.И. Технологии обработки сигналов и изображений в информационных и управляющих системах // Наукоемкие технологии, №3, 2002, т.З. С. 4-23.

91. Тематический выпуск памяти B.C. Пугачева // АиТ, № 11, 1998.

92. Grewal M.S., Weill L.R. and Andrews A.P. Global Positioning Systems, Inertial Navigation, and Integration. John Wiley & Sons, 2000. - 392c.

93. Микаэлян A.JI. Оптические методы в информатике. М.: Наука, 1990.

94. Валях Е. Последовательно-параллельные вычисления, М.: Мир, 1985.

95. Тербер К. Дж., Архитектура высокопризводительных вычислительных систем, М.: Наука, 1985.

96. J. Joseph, С. Fellenstein, Grid Computing. Prentice Hall, 2003.

97. Burtsev V.S., Fyodorov V.D. Associative memory of new generation supercomputers based on optical information processing principles // Holography and Optical Informational Processing, 1991, v. 1731, p.201-216.

98. Kautz W.H., Pease M.C. Cellular Logic-in-Memory Arrays. 1971, November, AD763710.

99. Бурцев B.C. Система массового параллелизма с автоматическим распределением аппаратных средств суперЭВМ в процессе решения задачи. Юбилейный сборник трудов ОИВТА РАН. М. 1993. т.2, С.5-21.

100. Бурцев B.C. Новые принципы организации вычислительных процессов высокого параллелизма // Труды Первой Всероссийской конференции «Методы и средства обработки информации», М.: МГУ, 2003, С. 17-31.

101. Andrews H.C., Caspari К., A Generalized Technique for Spectral Analysis, IEEE Trans. Computers, C-19,1, 16-25 (January 1970).

102. J.R. Parker, Algorithms for Image Processing and Computer Vision. John Wiley & Sons, New York, 1996.

103. B.H. Малоземов, C.M. Машарский, Основы дискретного гармонического анализа. Спб.: 2003. 228 с.1Ь6. Standard Performance Evaluation Corporation, http://www.spec.org.

104. Intel Corporation, http://www.intel.com.

105. Floating point performance with Flops.c program. http://www.computational-battery.org/Maskinvare/Flops.html119. x86 Overview. http://www.cs.utk.edu/~rwhalev/ATLAS/x86.html.

106. J.R. Gurd, D.F. Snelling. Manchester Data-Flow: A Progress Report // Proceedings 6th ACM International Conference on Supercomputing (ICS'92). ACM Press. 1992, P. 216-225.

107. Popadopoulos G., Culler D. Monsoon: an Explicit Token-Store Architecture // Sigarch Computer Architecture News. 1990. Vol. 18, No.2.122. Проект OCBM. 1993.

108. V.K. Prasanna Kumar, Venkatesh Krishan, Efficient Parallel Algorithms for Image Template Matching on Hypercube SIMD Machine // IEEE Trans. PAMI, v. 11, no.6, June 1989. p. 665-669.

109. Синицын И.Н., Степанов A.M., Ушмаев О.С., Применение ассоциативной памяти для распараллеливания алгоритмов фильтрации и распознавания изображений // Сб. материалов 6-й международной конференции «Распознавание 2003», Курск, 2003. С. 23-24.

110. Синицын И.Н., Синицын В.И., Корепанов Э.Р., Белоусов В.В., Ильясов Д.Ф., Ушмаев О.С., Субоптимальные обучающиеся информационные технологии и системы // Тула, 2003.

111. Ushmaev O.S., Novikov S.O., Registration of Elastic Deformations of Fingerprint Images with Automatic Finding of Correspondences // Proc. of workshop on Multimodal User Authentication (MMUA03), Santa Barbara, CA, December 11-12,2003, P. 196-201.

112. Синицын И.Н., Степанов A.M., Ушмаев O.C., Проблемы синтеза фильтров и идентификаторов с ассоциативной памятью // Труды III международной конференции «Идентификация систем и проблемы управления» (SICPR004). 2004. CD-ROM, С. 1896-1911.

113. О. Ushmaev and S. Novikov, Integral Criteria for Large-scale Multiple Fingerprint Solutions // SPIE Symposium on Security & Defense. Orlando, FL, USA, April 12-16, 2004.

114. S.O. Novikov, O.S. Ushmaev, // European Conference on Computer Vision (ECCV'04), Workshop on Biometric Authentication (BioAW'04), Prague, May 10-17, 2004.