Алматы 2015 Almaty


Development of the pollution transport system in Ili-Balkhash basin



Pdf көрінісі
бет99/130
Дата01.02.2017
өлшемі20,3 Mb.
#3199
1   ...   95   96   97   98   99   100   101   102   ...   130

Development of the pollution transport system in Ili-Balkhash basin 

Annotation. The article deals with the problem of boundary Ily River. This article relates to the development of 

an ecosystem southeast of Kazakhstan and Lake Balkhash. Within the article certain surface water evaluation criteria’s 

were determined. Also the article explains the necessity of pollution prediction and distribution of pollutants into water 

bodies.  Simulation  modeling  is  considered  as  a  significant  methodological  addition  to  the  information  about  the 

dynamics of distributed parameter of water bodies. 

Key words. Ili River, water features, water pollution, contamination modeling, contaminant transport model. 

 

Джамалов Д.К. 



Іле-Балқаш бассейніндегі ластануды тасымалдау геоақпараттық жүйесін құру. 

Аңдатпа.  Мақалада  Қазақстанның  оңтүстік-шығысы  мен  Балқаш  көлінің  экожүйесінің  даму  мәселесін 

ескере  отырып,  Іле  трансшекаралық  өзенінің  мәселелері  қарастырылған.  Жер  үсті  суын  пайдалануды  бағалау 

өлшемдері  анықталған.  Су  айдындарына  ластаушы  заттарды  тастау  мен  таратуды  болжаудың  пайдалылығы 

негізделген. Имитациялық моделдеу су объектілерінің үлестірілген парметрлерінің динамикасы туралы ақпарат 

алу үшін елеулі әдістемелік қосымша ретінде қарастырылған. 

Түйін  сөздер.  Іле  өзені,  су  объектісі,  судың  ластануы,  ластанудың  таралымын  моделдеу,  ластаушы 

заттардың таралу моделдері. 



 

 

 

 

 

 

 

 

706 

ӘОЖ 004.415.2 

 

Джунусова С.М., Дүйсен Г.К. студент 

Қ.И.Сәтбаев атындағы Қазақ ұлттық техникалық университеті, 

Алматы қ., Қазақстан Республикасы, 

gulminez_95@mail.ru

 

 

ҚАЗІРГІ ЗАМАНҒЫ КОМПЬЮТЕРЛЕРДІ  БАҒДАРЛАМАЛЫҚ  ҚАМТАМАСЫЗ  ЕТУ 



 

Аңдатпа: Бұл мақалада компьютерлерді бағдарламалық қамтамасыз ету туралы сипаттап жазылған. 

Түйін сөз: операциялық  жүйе, User Interface, БҚ, ҚБД. 

 

Бағдарламалық  қамтамасыз  ету  (БҚ)-компьютерде  ақпаратты  автоматтандырып  өндеуді 

жүзеге асыруға мүмкіндік беретін бағдарламалар жиынтығы. 

Мақсаты мен жүзеге асыратын қызметтеріне қарай кез келген бағдарлама екі топтың біріне: БҚ-

ның жүйелік (жалпы) және қолданбалы (арнайы) тобының біріне жатады.Жүйелік БҚ компьютердің 

міндет  атқаруы  мен  оған  қызмет  көрсетуін,  сондай-ақ,  жаңа  бағдарламалар  жасау  процесінде 

автоматтандыруды қамтамасыз етеді. 

Жүйелік БҚ-ға: 

- операциялық жүйелер мен олардың пайдалану интерфейсі; 

- бағдарламалау жүйесі; 

- техникалық қызмет көрсету бағдарламалары жатады. 

Операциялық  жүйе  (ОЖ)  –  бағдарламалардың  ұйымдық  жинтығы,  олардың  мақсаты  – 

компьютер  жұмысын  басқару.  ОЖ-  нің  бұл  бөлігі  ақпаратты  енгізудің,  сақтаудың,  өндеу  мен 

құжаттаудың кейбір әмбебап құралдары ретінде компьютердің қызмет атқаруын қамтамасыз етеді. 

Бағдарламалау  жүйесі  –  БҚ-ның  бір  бөлігі,  оны  пайдалана  отырып  бағдарламалар  жасалады. 

Бағдарламалау  жүйелерінің  мақсаты  –  бағдарламалау  тілдерінде  жазылған  бағдарламалардың 

бастапқы  мәтіндерін  жасау  процесін  оңайлату,  сондай-  ақ,  оларды  компьютер  атқаратын 

бағдарламаға  түрлендіру.  Бағдарламалау  жүйесіне  бағдарламалаудың  әр  түрлі  тілдеріндегі 

таратқыштар (компиляторлар немесе имтерпретаторлар) жатады. 

Техникалық  және  сервистік  (ұйымдасқан)  қызмет  көрсету  бағдарламалары  компьютердің, 

дискілердің  және  басқаларының  жұмыс  қабілетін  бақылаудың,  анықтау  мен  қалпына  келтірудің 

бағдарламалық құралдары болып саналады. 

Қолданбалы  БҚ  пайдалану  міндеттерін  шешуді  қамтамасыз  етеді.  Мұндағы  шешуші  ұғым 

қолданбалы бағдарламалардың дестесі (пакеті) болып табылады. 

Қолданбалы  бағдарламалардың  дестесі  (ҚБД)  –  белгілі  бір  тақырып  немесе  пән  бойынша 

міндеттер  ауқымын  шешуге  арналған  бағдарламалар  жиынтығы.  ҚБД  мына  төмендегі  түрлерге 

бөлінеді: 

- жалпы мақсаттағы; 

- әдістемелік бағдарлау; 

- проблемалық-бағдарлау. 

Жалпы мақсаттағы ҚБД міндеттердің кең тобын автоматтандыруға бағдарланған. 

ҚБД- нің тобына: 

- мәтіндік процессорлар( мысалы, Microsoft(MS)Word); 

- кестелік процессорлар (MS Excel); 

- Деректер базаларын басқару жүйелері (MS Access); 

- Серпінді тұсаукесерлер жүйелері (MS Power Point); 

- Графикалық процессорлар (Corel Draw); 

- Баспа жүйелері (Page Maket, Quark XPress); 

- Ықпалдасқан жүйелер (M8 Works); 

- Жобалауды автоматтандыру жүйелері (CASE технология); 

- Сараптау жүйелерінің, шешім қабылдауды қолдау жүйелерінің және басқаларының қоршауы. 

ҚБД-нің әдістемелік – бағдарлау негізіне: 

- математикалық бағдарлаулың (линиялық, серпінді, статистикалық және басқа да). 

- желілік жоспарлау мен басқарудың; 

- жаппай қызмет көрсету теориясының; 

- математикалық статистика есептерін шешудің әртүрлі экономикалық математикалық әдістерін 

жүзеге асыру жатады. 


707 

Проблемалық  -  бағдарланған  ҚБД  нақты  мәселе  саласындағы  белгілі  бір  міндеттерді 

(проблемаларды) шешуге бағытталған .Бұл қолданбалы бағдарламалар дестелерінің ең кең тобы. 

Олардан  мыналарды:  банктік  дестелерді,  бухгалтерлік  есеп  дестелерін,  қаржы  менеджментін, 

құқықтық  анықтамалық  жүйелерді  және  басқаларын  бөліп  атаған  жөн.:Қолданбалы  БҚ-ға  сервистік 

қызметің  бағдарламалық  құралдары  жатады,  олар  пайдаланушының  қолайлы  жұмыс  ортасын 

ұйымдастыру  үшін  (мысалы,  ақпараттық  менеджрлер,  аудармашылар  және  басқалары)  қызмет 

атқарады. 

Пайдаланушының  интерфейсі  (User  Interface)  ақпараттық  және  бағдарламалық  құралдармен 

қамтамасыз  етіледі.  Интерфейстің  ақпараттық  бөлігі  экран,  пернетақта  (клавиатура),  және  тышқан 

(маус-мышь) болып табылады. Бағдарламалық бөлігі қазір ең алдымен графикалық бейнелеу түрінде 

(Graphical User Interface- GUI) анықталады. 

GUI мына төмендегі төрт принципке негізделген: 

Пайдаланушының жалпы интерфейсінің болуы; бит картасының болуы; жоғары шешім қабілеті; 

түрлі түсті дисплей; 

What You See Is What You Get ( Көріп отырғанымның бәрі де бар); 

Тікелей жасалатын амал- айла(манипуляция). 

  

ӘДЕБИЕТТЕР 



1.  Скотт Мюллер. Модернизация и ремонт ПК = Upgrading and Repairing PCs. — 17-е изд. — М.: Вильямс, 2007.  

2.  Ковтанюк Юрий Славович. Библия пользователя ПК. — М.: Диалектика, 2007. 

3.  Обеспечение электромагнитной безопасности при эксплуатации компьютерной техники: справ. рук-во / 

А. И. Афанасьев [и др.]. — Фрязино: ГНПП Циклон-Тест, 1999 



 

REFERENCES 

1. Scott Mueller. Upgrading and Repairing PCs = Upgrading and Repairing PCs. - 17 th ed. - M.: Williams, 2007 

2. Yuri Kovtanyuk Slavovich. Bible PC user. - M .: Dialectics, 2007 

3.  Maintenance  of  electromagnetic  safety  in  the  operation  of  computer  technology:  Right.  Hands-on  /  AI 

Afanasiev [et al.]. - Friazino: SSPE Cyclone-Test, 1999f 

 

Джунусова С.М., Дуйсен Г.К. 



Программное обеспечение современных  компьютеров 

Аннотация: В этом статье написано о програмном обеспечении компьютеров. 

Ключивые слова: операционная  система, User Interface, ППП, ПО  . 

 

Dzhunusova S. M., Duisen G.K. 



Software of modern computers 

Annotation: This article is written about software of computers. 

Key words: OS, User Interface, application package, software. 

 

 

УДК 004.063 

 

Жаманкулова А.А., магистрант,  Бердибаев Р.Ш., 

Казахский национальный технический университет имени К.И. Сатпаева,  

г. Алматы, Республика Казахстан, 

zhappas_92@inbox.ru

 

 

ОСОБЕННОСТИ ТЕХНОЛОГИИ АУТЕНТИФИКАЦИИ ЛИЧНОСТИ  



ПО РАДУЖНОЙ ОБОЛОЧКЕ ГЛАЗА 

 

Аннотация:  Данная  статья  посвящена  вопросу  организации  безопасности  информационных  ресурсов 

посредством  применения  биометрической  аутентификации.  В  статье  приводятся  аргументы  в  пользу 

необходимости  повсеместного  внедрения  данной  технологии,  что  существенно  повысит  уровень 

информационной безопасности. Особое внимание уделено технологии аутентификации личности по радужной 

оболочке  глаза:  рассматриваются  особенности  организации  и  применения  данной  технологии,  алгоритм 

работы, описываются методы реализации.  

Ключевые слова: аутентификация, биометрия, радужная оболочка глаза, информационная безопасность.  

 

В  настоящее  время  вопрос  защиты  информации  представляет  собой  актуальную  задачу 



современности.  На  сегодняшний  день  организация  безопасности  информационных  ресурсов, 

базирующаяся  на  применение  парольной  системы  аутентификации,  в  недостаточной  степени 



708 

удовлетворяет современным требованиям защищенности. Это связано с рядом недостатков, которые 

были  выявлены  в  результате  анализа  уязвимостей  пользовательских  систем,  применяющих 

парольную аутентификацию. 

Среди  основных  недостатков  можно  выделить:  простота  и  предсказуемость  паролей, 

возможность  получения  несанкционированного  доступа  третьим  лицам,  подверженность  атакам, 

основанные на принципе перебора и многие другие. 

Чтобы  исключить  ряд  негативных  факторов  и  повысить  уровень  информационной  безопасности, 

наряду  с  парольной  аутентификацией,  стали  применять  аутентификацию  по  уникальному  предмету.  К 

числу которых относятся смарт-карты, USB-токены, карты с магнитной полосой и другие устройства. 

Однако  с  увеличением  количества  и  улучшением  качества  атак  стало  недостаточно  применять 

только  данные  способы  аутентификации,  при  этом  возросли  и  требования  к  обеспечению 

информационной безопасности, что послужило причиной поиска рентабельных методов защиты. 

Современные  тенденции  в  области  защиты  информации  диктуют  жесткие  условия.  Поэтому 

повсеместное распространение получил альтернативный вариант – биометрическая аутентификация, 

что существенно повысило уровень информационной безопасности. 

В  биометрической  аутентификации  за  основу  берутся  уникальные  характеристики  отдельно 

взятого пользователя.  

Это  могут  быть  как  статические  характеристики,  присущие  человеку  с  рождения  и 

неизменяемые  в  течение  продолжительного  периода  (отпечатки  пальцев,  радужная  оболочка  глаза, 

сетчатка  глаза,  геометрия  лица)  так  и  динамические,  характерные  для  подсознательных  движений  в 

процессе воспроизведения какого-либо действия (голос, почерк, походка). 

Преимущества биометрической аутентификации [1]: 

1.  Становится  возможным  произвести  аутентификацию  пользователя,  т.  е.  реальное 

подтверждение подлинности субъекта, получающего права доступа.  

2.  Существенно  повышается  защищенность  систем  и  вместе  с  тем  упрощается  процесс 

идентификации  пользователя  —  пользователь  не  должен  вспоминать,  набирать  и  периодически 

менять пароли доступа в различные системы.  

3.  В  силу  простоты  процесса  аутентификации  его  можно  инициировать  значительно  чаще,  чем 

позволяют традиционные системы, запрашивающие имя пользователя и пароль.  

4.  Во  всех  случаях,  кроме  случаев  взлома  защиты,  можно  доказать  авторство  того  или  иного 

электронного действия, подтвержденного биометрической аутентификацией.  

5.  Невозможно предъявить идентификатор третьим лицом. 

В данной статье акцент будет сделан на аутентификацию по радужной оболочке глаза. И этому 

есть  объяснение.  Выбор  радужной  оболочки  глаза  в  качестве  биометрической  характеристики 

обусловлен рядом причин: 

Во-первых, радужная  оболочка глаза имеет  особую  структуру, состоящая из различных элементов, 

что в совокупности представляет собой очень сложный, но в то же время уникальный рисунок. 

Вероятность того, что два разных человека имеют один и тот же рисунок радужной оболочки глаза, 

равняется приблизительно 10

-78

, в то время как все население Земли составляет примерно 10



10 

[2]. 


Во-вторых,  радужная  оболочка  глаза  является  долговечным  параметром,  а  именно:  ее  форма 

остается  неизменной  на  протяжении  всей  жизни,  за  исключением  патологий  и  травм,  что  касается 

цвета,  то  при аутентификации  эти  данные  не  учитываются,  поэтому  не  существенно,  если  цвет  глаз 

поменяется.  Также  хотелось  бы  отметить,  что  ношение  контактных  линз  не  могут  повлиять  на 

процесс аутентификации. 

Стоит  отметить,  что  формирование  радужной  оболочки  глаза  начинается  на  третьем  месяце 

внутриутробного  развития,  а  к  восьмому  месяцу  представляет  собой  практически  сформированную 

структуру. Окончательное формирование и устойчивость наблюдается после первого года. 

Рисунок  радужки  в  большой  степени  случаен,  а  чем  больше  степень  случайности,  тем  больше 

вероятность  того,  что  конкретный  рисунок  будет  уникальным.  Математически  <случайность> 

описывается  степенью  свободы.  Исследования  показали,  что  текстура  радужки  имеет  степень 

свободы  равной  250,  что  гораздо  больше  степени  свободы  отпечатков  пальцев  (35)  и  изображений 

лиц (20) [3]. 

Если сравнить две на первый взгляд схожие технологии аутентификации: по радужной оболочке 

глаза и сетчатке глаза, то у первого способа можно выделить еще одно немало важное преимущество. 

Так  например,  когда  у  пользователя  наблюдается  катаракта 

  повреждение  хрусталика  глаза,  то  в 

процессе  аутентификации,  в  первом  случае  это  никаким  образом  не  отразится,  но  во  втором  может 

отрицательно сказаться и повысить вероятность ошибок. 


709 

В-третьих, уникальность структуры радужной оболочки глаза и наличие около 250 независимых 

характеристик  позволит  для  надежной  аутентификации  учитывать  30-40%  из  них,  особенно  это 

важно при искажении изображений, что обусловило различные условия съемки.  

Еще  одним  немало  важным  преимуществом  является  соотношение  ошибок  первого  и  второго 

родов. 


Известно,  что  основными  характеристиками  любой  биометрической  системы  являются  два 

коэффициента: 

 FRR (false reject rate), коэффициент ошибочных отказов

 FAR (false acceptance rate), коэффициент ошибочных подтверждений. 

Ошибочный  отказ  происходит  в  случае,  когда  при  аутентификации  система  не  подтверждает 

личность  зарегистрированного  пользователя.  По  статистике  одна  ошибка  на  100.  Ошибочное 

подтверждение  наоборот  в  случае,  когда  при  аутентификации  система  подтверждает  личность 

незарегистрированного  пользователя.  По  статистике  одна  ошибка  на  10 000.  Данные  коэффициенты 

взаимосвязаны и имеют определенное соотношение.  

Идеальным  вариантом  считается,  когда  оба  коэффициента  равны  нулю,  но  к  сожалению  таких 

систем  на  данный  момент  нет.  В  большинстве  случаев  параметры  приходится  настраивать  для 

получения требуемого соотношения коэффициентов. 

В настоящее время аутентификация по радужной оболочке глаза считается одной из лучших, так 

согласно  исследованиям:  при  вероятности  возникновения  ошибки  первого  рода  в  0,001%,  что 

считается  высоким  уровнем  надежности,  вероятность  появления  ошибки  второго  рода  составляет 

всего лишь 1%. Это в очередной раз подтверждает преимущество данного метода аутентификации по 

сравнению с другими. 

Если  проанализировать все  алгоритмы  аутентификации по  радужной  оболочке  глаза,  то  можно 

заметить  общую  закономерность  построения  данных  алгоритмов:  изначально  извлекаются  данные  о 

текстуре  радужной  оболочки  глаза  из  общего  изображения,  которые  в  дальнейшем  фиксируются  в 

виде  специального  кода  и  могут  быть  занесены  в  в  базу  данных,  в  результате  код  сопоставляется  с 

другими кодами радужных оболочек глаз. 

Основной  алгоритм  аутентификации  личности  по  радужной  оболочке  глаза  представлен  на 

рисунке 1. 

 

 

 



Рисунок 1 – Алгоритм аутентификации 

 

Первый  этап  «Локализация»  заключается  в  определении  месторасположения  радужной 



оболочки  глаза  на  изображении.  Одним  из  методов,  который  часто  применяют  на  данном  этапе  - 

преобразования Хафа.  

Основная  идея  преобразования  Хафа  заключается  в  поиске  прямых  и  кривых  линий  на 

изображении,  которые  задаются  определёнными  параметрами.  В  качестве  примера  можно  привести 

прямые, эллипсы, окружности и т.д.  

Рассмотрим семейство кривых на плоскости, заданное параметрическим уравнением [4]:  

    

 

 



   

  (1) 


где  F  –  некоторая  функция;  a

1

,  a



2

,  …,  a


n

  –  параметры  семейства  кривых;  x,  y  –  координаты  на 

плоскости.  

Согласно  представленному  параметрическому  уравнению,  фазовое  пространство  формируется 

из  параметров  семейства  кривых,  при  этом  каждая  точка  пространства  соответствует  некоторой 

кривой.  Учитывая  поступающую  информацию  об  изображении,  а  также  особенности  машинного 

представления,  необходимо  фазовое  пространство  преобразовать  в  дискретное.  С  этой  целью  в 


710 

фазовом  пространстве  вводится  сетка,  которая  делит  его  на  ячейки,  при  этом  набор  кривых  со 

схожими  значениями  параметров  будут  соответствовать  данным  ячейкам.  Каждой  ячейке  можно 

присвоить  число  (счетчик),  которое  отражает  количество  точек  интереса  на  изображении, 

относящиеся  хотя  бы  к  одной  из  кривых,  соответствующих  данной  ячейке.  Детальное  изучение 

счетчиков  ячеек  предоставляет  возможность  определить,  где  расположено  наибольшее  количество 

точек интереса, что в результате позволит кривые на изображении. 

В качестве наглядного примера рассмотрим выделение окружностей на изображении. 

Геометрическое расположение точек окружности можно представить в виде формулы: 

 

                                                      (2) 



 

где (a, b) – координаты центра окружности; R – ее радиус. 

Тогда формула, задающая семейство окружностей выглядит следующим образом 

 (3) 


 

В  случае,  когда  значение  радиуса  задано  и  требуется  найти  окружность,  тогда  фазовое 

пространство  будет  соответствовать  плоскости  параметров  центра  окружности  (a,  b),  при  этом 

алгоритм выделения окружностей будет подобен алгоритму нахождения прямых. 

Однако,  если  значение  радиуса  не  задано,  то  пространство  параметров  будет  базироваться  на 

трех  измерениях 

  (a,  b,  R),  а  это  в  свою  очередь  значительно  повлияет  на  вычислительную 

сложность решения задачи. И для того, чтобы привести задачу к двумерному фазовому пространству 

можно  воспользоваться  дополнительными  методами,  которые  не  рассматриваются  в  рамках  данной 

статьи. 


Второй этап «Нормализация» включает в себя: 

  перевод  изображения  из  декартовой  системы  координат  в  полярную,  при  этом  важно 

произвести отображение на прямую; 

 применение фильтров, например фильтра Гаусса; 

 выравнивание гистограммы. 

Фильтра  Гаусса  применяется  при  обработке  изображений  с  целью  снижения  уровня  шума. 

Применение данного фильтра придает изображению эффект лёгкого размытия. 

Уравнение распределения Гаусса в одно измерение имеет вид [5]: 

 (4) 

 

Уравнение распределения Гаусса в двух измерениях имеет вид : 



 

   


 (5) 

где (x


2

+y

2



 радиус размытия; σ – стандартное отклонение распределения Гаусса.  

Когда производятся два измерения, то тогда данная формула в качестве поверхности определит 

концентрические окружности, с распределением Гаусса от центра. 

Важно  изначально  определить  ненулевые  пиксели,  которые  в  дальнейшем  будут  применяться 

при построении матрицы свертки, которая в свою очередь будет использована при работе с исходным 

изображением.  

Под матрицей свертки понимается матрица коэффициентов, которая «умножается» на значение 

пикселей изображения для получения требуемого результата. 

Каждому  пикселю  соответствует  новое  средневзвешенное  значение,  которое  устанавливается 

посредством анализа окрестности пикселя. 

Наивысшее  Гауссово  значение  подразумевает,  что  исходному  значению  пикселя  присвоен 

наибольший  вес,  что  касается  соседних  пикселей,  то  им  также  присваивается  вес,  который 

увеличивается  в  зависимости  от  расстояния  до  исходного.  Этот  принцип  и  приводит  к  эффекту 

размытости, что сохраняет границы и края лучше, чем другие, более равномерные фильтры. 

Стоит  отметить,  что  выбор  границ  напрямую  зависит  от  того,  где  располагается  максимальное 

значение градиента, которое зависит от направления поиска градиента. 

Однако практическое применение внесло поправки в теоретические данные: если рассматривать 

с теоретической точки зрения, то распределение в  каждой точке изображения будет ненулевым, что 


711 

означает  необходимость  расчетов  для  каждого  пикселя  изображения,  а  это  не  совсем  рентабельно, 

поэтому  на  практике  не  берут  во  внимание  пиксели  на  расстоянии  свыше  3σ,  ввиду  того,  что  они 

достаточно  малы.  Таким  образом,  достаточно  рассчитать  матрицу  [6σ]*[6σ],  чтобы  гарантировать 

достаточную точность приближения распределения. 

Третий  этап  «Параметризация»  основан  на  обработке  нормализованного  изображения  и 

выделении  локальных  особенностей  структуры  радужной  оболочки  глаза.  Наиболее  часто 

применяющимися  методами  параметризации  являются:  непрерывное  вейвлет-преобразование, 

пирамида лапласианов, преобразование Эрмита и ряд других. 

На  заключительном  этапе  «Составление  кода»  работа  ведется  с  обработанным  и 

подготовленным для составления кода изображением радужной оболочки глаза.  

Для составления кода наиболее распространенным методом является применение пространственно-

частотной  свёртки  изображения  фильтрами  Габора.  Каждый  бит  кода  определяется  знаком  результата 

применения двухмерного фильтра Габора на одном из участков текстуры радужки [2]. 

Следующим  шагом  на  данном  этапе  является  формирование  сравнительного  критерия  для 

полученного  кода.  Обычно  рассматривают  расстояние  Хэмминга 

 мера (точнее, метрика) различия 

объектов одинаковой размерности. 

В общем виде расстояние Хэмминга d

H

 для объектов X



i

 и X


j

 размерности p задаётся функцией: 

 

  

 



  (6) 

 

Выбор  данной  метрики  обуславливается  тем,  что  составленный  код  представляет  собой 



последовательность битов. 

Стоит отметить, что описанный метод составления кода был разработан Daugman и относится к 

классу  классических.  Код  запатентован  и  именуется  как  «IrisCode».  Система  Daugman`a  считается 

наиболее развитой. 

Также  классическим  методом  является  Wildes,  основу  которого  составляет  преобразование 

Хафа,  в  качестве  сравнительного  критерия  применяют  нормализованную  корреляцию.  Для 

фиксирования изображения применяется специальное оборудование. 

Наряду  с  вышеуказанными  методами  известен  и  метод  Boles,  основанный  на  вейвлет-

преобразованиях, при этом текстуру радужной оболочки глаза рассматривают как одномерную функцию. 

В  заключении  хотелось  бы  отметить,  что  существует  множество  различных  методов 

исследования  структуры  радужной  оболочки  глаза,  которые  предоставляют  возможность  решить 

широкий спектр задач, связанных с аутентификацией личности.  

Но  несмотря  на  обилие  методов,  приоритетной  задачей  во  все  времена  остается  поиск  новых, 

более  эффективных  методов  аутентификации  личности,  которые  позволят  улучшить  существующие 

и исключить погрешности. 

На  сегодняшний  день  технология  аутентификации  личности  по  радужной  оболочке  глаза 

является  наиболее  перспективной.  Этому  свидетельствует  растущий  с  каждым  годом  интерес  к 

данной области, а также увеличение доли рынка метода аутентификации по радужной оболочке глаза 

среди других биометрических технологий. 

 

ЛИТЕРАТУРА 



1.  Задорожный  В.  Биометрия  в  общих  словах  (электронный  ресурс). 

  Режим  доступа: 

http://www.uran.donetsk.ua/~masters/2005/kita/kompanets/library/int1.htm

2. Дегтярева А., Вежневец В. Методы идентификация личности по радужной оболочке глаза (электронный 



ресурс). 

 Режим доступа: 

http://cgm.computergraphics.ru/content/view/61

 

3. Прудник, А. М. Биометрические методы защиты информации : учеб.-метод. пособие / А. М. Прудник, Г. 



А. Власова, Я. В. Рощупкин. – Минск : БГУИР, 2014. – 123 с. 

4.  Дегтярева  А.,  Вежневец.  В.  Преобразование  Хафа  (электронный  ресурс). 

  Режим  доступа: 

http://cgm.computergraphics.ru/content/view/36

 

5.  Власов  А.В.,  Цапко  И.В.  Модификация  алгоритма  Канни  применительно  к  обработке 



рентгенографических изображений // Вестник науки Сибири. 2013. № 4(10). С.120–127. 



Достарыңызбен бөлісу:
1   ...   95   96   97   98   99   100   101   102   ...   130




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет