آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,988,717
تعداد دریافت فایل اصل مقاله4,032,581
تقی‌پور گرجی‌کلایی, مهران, رضوی, سیدمحمد, مهرشاد, ناصر. (1395). طراحی یک سامانه چندگانه تأیید هویت بیومتریک با استفاده از یک حسگر بدون تماس مبتنی بر اطلاعات موجود در بافت دست. پدافند الکترونیکی و سایبری, 5(1), 61-72.
مهران تقی‌پور گرجی‌کلایی; سیدمحمد رضوی; ناصر مهرشاد. "طراحی یک سامانه چندگانه تأیید هویت بیومتریک با استفاده از یک حسگر بدون تماس مبتنی بر اطلاعات موجود در بافت دست". پدافند الکترونیکی و سایبری, 5, 1, 1395, 61-72.
تقی‌پور گرجی‌کلایی, مهران, رضوی, سیدمحمد, مهرشاد, ناصر. (1395). 'طراحی یک سامانه چندگانه تأیید هویت بیومتریک با استفاده از یک حسگر بدون تماس مبتنی بر اطلاعات موجود در بافت دست', پدافند الکترونیکی و سایبری, 5(1), pp. 61-72.
تقی‌پور گرجی‌کلایی, مهران, رضوی, سیدمحمد, مهرشاد, ناصر. طراحی یک سامانه چندگانه تأیید هویت بیومتریک با استفاده از یک حسگر بدون تماس مبتنی بر اطلاعات موجود در بافت دست. پدافند الکترونیکی و سایبری, 1395; 5(1): 61-72.

طراحی یک سامانه چندگانه تأیید هویت بیومتریک با استفاده از یک حسگر بدون تماس مبتنی بر اطلاعات موجود در بافت دست

پدافند الکترونیکی و سایبری
مقاله 4، دوره 5، شماره 1، خرداد 1396، صفحه 61-72    اصل مقاله (1.19 M)
نویسندگان
مهران تقی‌پور گرجی‌کلایی؛ سیدمحمد رضوی* ؛ ناصر مهرشاد
دانشگاه سراسری بیرجند
تاریخ دریافت: 19 تیر 1395،  تاریخ بازنگری: 06 مرداد 1403،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
یکی از ابزار مؤثر در ارتقاء امنیت سایبری استفاده از سامانه‌های امن، باقابلیت اطمینان مناسب برای احراز هویت فرد است. سامانه‌های مبتنی بر خصیصه‌های بیومتریک توانسته‌اند تا حدود زیادی بر این مشکل غلبه کنند. در بسیاری از موارد ملاحظاتی چون هزینه، سرعت و دقت چالش‌هایی را در انتخاب ساختار و معماری سامانه تأیید هویت ایجاد می‌کنند. در این مقاله به‌منظور افزایش دقت و امنیت سامانه تأیید هویت و درعین‌حال کاهش هزینه سخت‌افزاری از یک حسگر برای دریافت تصویر داخل دست استفاده‌شده است. پس از دریافت تصویر دست، به شش زیر بخش، تقسیم‌بندی شده و درنهایت با استفاده از فیلتر بانک کمانی گابور به‌عنوان توصیفگر ویژگی‌های منحصربه‌فردی از تصاویر استخراج ‌شده است. همچنین با استخراج دانش موجود در منحنی‌های FAR و FRR به‌منظور تخمین وزن تأییدکننده‌ها و با استفاده از جمع وزن‌دار امتیاز تأییدکننده‌ها برای ترکیب اطلاعات در سطح امتیاز انطباق، سامانه تأیید هویتی طراحی ‌شده است که با وجود استفاده از یک حسگر و با بهره‌گیری از پتانسیل موجود در ساختار چندگانه میانگین خطای معادل EER آن برای پایگاه COEP حدود 25/2% بوده و میانگین زمان سپری‌شده برای تأیید هویت آن کمتر از 19/0 ثانیه است.
کلیدواژه‌ها
بافت دست؛ بیومتریک؛ سامانه چندگانه تأیید هویت؛ فیلتربانک کمانی گابور
مراجع
  1. Anon, “National Infrastructure Protection Plan 2006,” US Department of Homeland Security, 2006.
  2. J. Yang, Y. Shi, and J. Yang, “Personal identification based on finger-vein features” Comput. Hum. Behav., vol. 27, pp. 1565-1570, 2011.
  3. Zh. Liu, Y. Yin, H. Wang, Sh. Song, and Q. Li, “Finger vein recognition with manifold learning,” J. Netw. Comput. APPL., Vol. 33, pp. 275–282, 2010.
  4. D. Mulyono and H. Shi Jinn, “A Study of Finger Vein Biometric for Personal Identification” ISBAST, pp. 1-8, 2008.
  5. T. S. Beng and B. A. Rosdi, “Finger-Vein Identification using Pattern Map and Principal Component Analysis,” ICSIPA, pp. 530 – 534, Kualalumpur, 2011.
  6. Zh. Wang, E. Wang, Sh. Wang, and Q. Ding, “Multimodal Biometric System Using Face-Iris Fusion Feature,” J. Comput., vol. 6, no. 5, pp. 931-938, 2011.
  7. G. Lin, H. Zhu, X. Kang, C. Fan, and E. Zhang, “Feature Structure Fusion and Application,” Inf. Fusion, vol. 20, pp. 146-154, 2014.
  8. M. De Marsico, M. Nappi, D. Riccio, and G. Tortora, “Entropy-based Template Analysis in Face Biometric Identification,” Signal Image Video Process, vol. 7, no. 3, pp. 493-505, 2013.
  9. R. Wang, G. Wang, Zh. Chen, Zh. Zeng, and Y. Wang, “A Palm vein Identification System Based on Gabor Wavelet Features,” Neural Comput. Appl., vol. 24, no. 1, pp. 161-168, 2014.
  10. D. Zhang, A. Kong, J. You, and M. Wong, “Online Palmprint identification,” IEEE T Pattern Anal, vol. 25, no. 9, pp. 1041–1050.
  11. Kong, D. Zhang, and Kamel, “Palmprint identification using feature level fusion,” Pattern Recogn, vol. 39, no. 3, pp. 478–487, 2006.
  12. X. Pan and Q. Q. Ruan, “Palmprint recognition using Gabor-based local invariant features,” Nurocomputing, vol. 72, pp. 2040–2045, 2009.
  13. Y. T. Luoa, L. Y. Zhaoa, B. Zhangb, W. Jiac, F. Xuea, J. T. Lua, Y. H. Zhue, and B. Q. Xu, “Local line directional pattern for Palmprint recognition,” Pattern Recogn., vol. 50, pp. 26-44, 2016.
  14. L. Feia, Y. Xua, and D. Zhangb, “Half-orientation extraction of Palmprint features,” Pattern Recogn. Lett., vol. 69, pp. 35-41, 2016.
  15. N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE T Syst Man Cyb, vol. 9, no. 1, pp. 62-66, 1979.
  16. M. Taghipour-Gorjikolaie, S. M. Razavi, and N. Mehrshad, “Fingerprint enhancement using Arc-Gabor Filter Bank,” Machine Vision and Image Processing, vol. 3, no. 1, pp. 1-17, 2016 (In Persian).
  17. Y. Xu and Y. Lu, “Adaptive Weighted Fusion: A Novel Fusion Approach for Image Classification,” Nerocomputing, vol. 168, PP. 566–574, 2015.
  18. W. Jia, R. X. Hu, Y. K. Li, Y. Zhao, and J. Gui, “Histogram of Oriented Lines for Palmprint Recognition,” IEEE T Syst Man Cyb, vol. 44, no. 3, pp. 385-394, March 2014.
  19. B. Yang and S. Chen, “A Comparative Study on Local Binary Pattern (LBP) Based Face Recognition: LBP Histogram versus LBP Image,” Nerocomputing, vol. 120, pp. 365-379, 2013.
  20. Sh. R. Zhou, J. P. Yin, and J. M. Zhang, “Local Binary Pattern (LBP) and Local Phase Quantization (LPQ) Based on Gabor Filter for face Reperesentation,” Nerocomputing, vol. 116, pp. 260-264, 2013.
آمار
تعداد مشاهده مقاله: 614
تعداد دریافت فایل اصل مقاله: 165