445
услуг влияет коэффициент важности. Математическое обозначение
выражения следующее:
𝐹
𝑖
(
Z
) →
max
Z = Ф
(
𝑋
𝑖
, 𝑇
)
𝑋
𝑖
=
(𝑥
𝑖𝑗
, 𝑦
𝑙𝑗
, 𝛼
𝑙
, 𝛽
𝑗
, 𝜆
𝑣
𝑗
)
, i =
1..
H, v =
1..
r
l
Решение данной математической задачи реализуется следующим
образом: для начала степень близости запроса
T
к параметру услуг
X
определяется функцией
Ф
(𝑋
𝑖
, 𝑇)
и результат фиксируется в массиве
Z
.
Далее, класс услуг
𝑋
𝑖
=
(𝑥
𝑖𝑗
, 𝑦
𝑙𝑗
, 𝛼
𝑙
, 𝛽
𝑗
, 𝜆
𝑣
𝑗
)
близости степеней,
группа
параметров
и
экспертные
коэффициенты
данные
параметрами
соответственно умножаются и с помощью функции
𝑋
𝑖
(𝑍)
выбирается
наибольший элемент. Это и будет выбранной услугой.
Литература
1.Бабаджанов Э.С. Ахборот тизимларида самарали электрон хизматларни танлаш
технологияси//Muhammad al-Xorazmiy avlodlari. №1(3).Тоshkent-2018.\–Б.26-33(05.00.00;
№10).
СИСТЕМА РАСПОЗНАВАНИЯ ОТПЕЧАТКОВ ПАЛЬЦЕВ
ИСПОЛЬЗОВАНИЕМ МЕТОДОВ СОПОСТАВЛЕНИЯ С ШАБЛОНОМ
КРУГОВОЙ СТРОКИ
Ч.М. Хидирова (ТУИТ, доцент)
Ш.М. Матчонов (ТУИТ, магистрант)
Система распознавания отпечатков пальцев на основе идентификации
мобильных устройств с использованием методов сопоставления с образцом
круговой строки. Поскольку современные устройства все чаще настраивают-
ся для высокоскоростной передачи и обмена данными в мобильных сетях [1],
это в свою очередь, привело к увеличению объема информации, передавае-
мой неизвестным объектам. Это сделало
обмен персональными данными
через системы распознавания фундаментальной проблемой и следовательно,
заставляет производителей повышать точность распознавания.
Основываясь на отсутствии методов учета ориентации в других исследо-
ваниях [2] в этой статье, предлагается процесс сопоставления с образцом для
аутентификации по отпечатку пальца с использованием классификации для
сопоставления профилей отпечатков пальцев. Это достигается путем полу-
чения информации о деталях путем перехвата отпечатка пальца с помощью
серии кругов сканирования. Затем эта информация переводится в строку.
После этого начального этапа строковая информация отпечатка пальца
сопоставляется в локальной базе данных изображений. Этот процесс сопос-
тавления выполняется алгоритмом сопоставления с образцом,который устой-
чив к топографическим ошибкам и, таким образом, позволяет выполнять
процесс идентификации деталей за линейное время в
соответствии с общей
длиной всех искомых строк.
446
Схема алгоритма.Наш алгоритм был структурирован так, чтобы иден-
тифицировать круговые строки из сохраненного отпечатка пальца и ввода с
наибольшей длиной: asmf/acdm использовался для проверки того, что отно-
сительное вращение круговой строки ввода соответствует вращению сохра-
ненного изображения отпечатка пальца. Кроме того,
для проверки точности
совмещения использовался алгоритм аппроксимации Нидлмана-Вунша [3].
Основным компонентом, определяющим скорость выполнения, является
извлечение мелких деталей из изображения и построение круговой строки,
которая многократно вызывается на протяжении всего процесса. Мы описали
полный процесс сопоставления отпечатков пальцев, как показано ниже:
1.
Формирование базы данных:
была создана база данных круговых
строк с центром изображения, классифицированным как эффективный центр.
2.
Формирование концентрических кругов к строкам:
были нарисованы
концентрические круги, а затем (с помощью быстрого извлечения мелких
деталей) преобразованы в строки, состоящие из нулей и единиц. Например,
предполагая, что
Cir
- круговая строка
i
-го
изображения с радиусом
r
, все
повороты каждой из круговых строк сохраняются в базе данных. Если позво-
лить
DbRir
быть коллекцией повернутых строк из
Cir
;
Cir
= «0111» означает,
что
DRir
будет содержать значения «0111», «1011», «1101», «1110». И
наоборот, если позволить
DbRir
быть набором повернутых строк из
Cir
;
Cir
=
«0111» будет означать, что
DRir
будет содержать значения «0111», «1011»,
«1101», «1110».
3.
Формирование двоичной строки:
после предыдущей фазы, быстрое
извлечение новых мелочей было повторено, чтобы построить круговые
двоичные строки для каждого круга.
4
. Формирование списка CsR:
после формирования двоичной строки
процесс затем приступил к созданию отсортированного списка
CsR
из пар
радиусов и круговых строк (<
CStr, Radius
>) в порядке убывания длины
CStr
.
5.
Сравнение ротации:
после формирования списка метод asmf / acdmf
был применен вместе с алгоритмом Нидлмана-Вунша. Это позволяло
сравнивать чередования, в результате
чего процент совпадающих строк,
записанных как выше определенного порога (
tS
), приводил к сохранению
суммы процента совпадений.
I
-е изображение было помечено как
«изображение-кандидат», а затем было выбрано (
i
+ 1) -е изображение до тех
пор, пока все изображения в базе данных не были использованы. Следуя
этому процессу, этот этап можно повторить после выбора другой
центральной точки.
6.
Сопоставление изображений:
после предыдущих этапов процесс
наконец возвращается к сопоставленным изображениям для проверки.
Результаты исследования.
Мы стремились улучшить производитель-
ность извлечения мелких деталей, чтобы сократить общее время выполнения
процесса.
Сравнивая время, необходимое в миллисекундах для каждого
метода, становится ясно, что наш алгоритм решения обеспечивает лучшие
результаты для общего времени выполнения извлечения деталей из изобра-
447
жения и построения круговой строки, которая многократно вызывается на
протяжении всего процесса. Это представлено в таблице 1 и на рисунке 1.
Таблица 1. Результаты экспериментов
Размер базы
данных
Do'stlaringiz bilan baham: 
