Журнал «Доклады Томского государственного университета систем управления и радиоэлектроники» / Архив / Выпуск журнала № 2, т. 29 за 2026 год / Модификация нейросетевого алгоритма высоконадёжной биометрической аутентификации по радужной оболочке глаза

Модификация нейросетевого алгоритма высоконадёжной биометрической аутентификации по радужной оболочке глаза

DOI: 10.21293/1818-0442-2026-29-2-148-159

Скачать текст статьи в формате PDF

Скачать JATS xml

Аннотация: Актуальность. Рост числа систем, обрабатывающих конфиденциальные данные, требует механизмов аутентификации, устойчивых к компрометации хранимых эталонов. Цель исследования. Модификация нейросетевого алгоритма высоконадёжной биометрической аутентификации по радужной оболочке глаза, обеспечивающая восстановление криптографического ключа с точным побитовым совпадением. Методы. Свёрточная нейронная сеть для выделения области радужной оболочки, нормализация кадрированием, совместное обучение свёрточной модели для извлечения признаков и многослойного персептрона с использованием комбинированной функции потерь, включающей метрические слагаемые и два слагаемых, действующих непосредственно в битовом выходе модели; выбор рабочей точки по критерию допустимости; перебор в окрестности Хэмминга при проверке. Научная новизна. В отличие от известных схем, точное восстановление ключа достигается без вспомогательных данных и внешней коррекции ошибок, что позволяет хранить только хэш ключа. Результаты. Для 100 зарегистрированных пользователей у экземпляров, допущенных к эксплуатации, доля истинного принятия составила 0,875 при нулевой вероятности ложного допуска на 8000 предъявлений "Чужих"; перебор в окрестности радиуса два бита снижает вероятность ошибки первого рода до 0,107, не изменяя вероятность ошибки второго рода. Отказ по обеим попыткам при точном совпадении ключа наблюдался у 1 пользователя из 100. Показано, что запас, обеспечиваемый на группе подбора порога, переносится на тестовую выборку лишь частично. Практическая значимость. Алгоритм применим в системах, где недопустимо хранение биометрических эталонов и криптографических ключей в открытом виде.

Ключевые слова: биометрическая аутентификация, радужная оболочка, сегментация изображений, нейронные сети, криптографический ключ, Triplet Loss, Center Loss, биометрическая криптография

Библиография статьи:
Штука С. Е. Модификация нейросетевого алгоритма высоконадёжной биометрической аутентификации по радужной оболочке глаза / С. Е. Штука, А. Е. Боршевников // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2026. – Т. 29, № 2. – С. 148–159. DOI: 10.21293/1818-0442-2026-29-2-148-159

Авторы и правообладатели:

Штука С. Е. , Дальневосточный федеральный университет (ДВФУ)
Боршевников А. Е. , АО «Промышленные криптосистемы» (АО «ПроКСи»)

1. Information security methods – modern research directions / A. Shelupanov, O. Evsyutin, A. Konev, E. Kostyuchenko, D. Kruchinin, D. Nikiforov // Symmetry. – 2019. – Vol. 11, No. 2. – P. 150.
2. Nguyen K. Deep learning for iris recognition: a survey / K. Nguyen, H. Proença, F. Alonso-Fernandez // ACM Computing Surveys. – 2024. – Vol. 56, No. 9. – P. 1–35.
3. ГОСТ Р 52633.0–2006. Защита информации. Техника защиты информации. Требования к средствам высоконадежной биометрической аутентификации. – М.: Стандартинформ, 2020. – 19 с.
4. Müller D. Towards a guideline for evaluation metrics in medical image segmentation / D. Müller, I. Soto-Rey, F. Kramer // BMC Research Notes. – 2022. – Vol. 15, No. 1. – P. 210.
5. Mayya A. Iris and palmprint decision fusion to enhance human recognition / A. Mayya, M. Saii // International Journal of Computer Science Trends and Technology. – 2017. – Vol. 5. – P. 42–46.
6. Семёнов М.С. Сравнение методов сегментации изображения радужной оболочки глаза / М.С. Семёнов, Е.В. Мясников // Информационные технологии и нанотехнологии (ИТНТ-2018): сб. трудов IV Междунар. конф. и молодёжной школы, Самара, 24–27 апреля 2018 г. – Самара: Самар. нац. исслед. ун-т им. акад. С.П. Королева, 2018. – С. 814–821.
7. Daugman J.G. High confidence visual recognition of persons by a test of statistical independence // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1993. – Vol. 15, No. 11. – P. 1148–1161.
8. Чигринский В.В. Быстрый алгоритм поиска границ зрачка и радужной оболочки глаза / В.В. Чигринский, Ю.С. Ефимов, И.А. Матвеев // Машинное обучение и анализ данных. – 2016. – Т. 2, № 2. – С. 159–172.
9. Ганеева Ю.Х. Сегментация радужной оболочки глаза на изображении с помощью свёрточной нейронной сети архитектуры U-Net / Ю.Х. Ганеева, Е.В. Мясников // Информационные технологии и нанотехнологии (ИТНТ-2020): сб. трудов VI Междунар. конф. и молодёжной школы, Самара, 26–29 мая 2020 г. – Самара: Самар. нац. исслед. ун-т им. акад. С.П. Королева, 2020. – Т. 2. – С. 57–63.
10. Ronneberger O. U-Net: convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015: proc. of the 18th Int. Conf., Munich, Germany, October 5–9, 2015. – Cham: Springer, 2015. – P. 234–241.
11. Lozej J. End-to-end iris segmentation using U-Net / J. Lozej, B. Meden, V. Struc, P. Peer // 2018 IEEE International Work Conference on Bioinspired Intelligence (IWOBI), July 18–20, 2018. – San Carlos, Costa Rica: IEEE, 2018. – P. 1–6. DOI: 10.1109/IWOBI.2018.8464213.
12. A robust iris segmentation scheme based on improved U-Net / W. Zhang, X. Lu, Y. Gu, Y. Liu, X. Meng, J. Li // IEEE Access. – 2019. – Vol. 7. – P. 85082–85089.
13. Wu X. Study on iris segmentation algorithm based on dense U-Net / X. Wu, L. Zhao // IEEE Access. – 2019. – Vol. 7. – P. 123959–123968.
14. Robust iris segmentation algorithm in non-cooperative environments using interleaved residual U-Net / Y.H. Li, W.R. Putri, M.S. Aslam, C.C. Chang // Sensors. – 2021. – Vol. 21, No. 4. – P. 1434.
15. Efficient and robust eye images iris segmentation using a lightweight U-Net convolutional network / C. Miron, A. Pasarica, V. Manta, R. Timofte // Multimedia Tools and Applications. – 2022. – Vol. 81, No. 11. – P. 14961–14977.
16. Farmanifard P. Iris-SAM: iris segmentation using a foundation model / P. Farmanifard, A. Ross // Pattern Recognition and Artificial Intelligence: proc. of the 4th Int. Conf. ICPRAI 2024, Jeju Island, South Korea, July 3–6, 2024. – Singapore: Springer Nature Singapore, 2024. – P. 394–409.
17. Uncertainty-aware bilateral transformer for accurate and reliable iris segmentation / J. Wei, X. Gao, Y. Wang, R. He, Z. Sun // IEEE Transactions on Information Forensics and Security. – 2025. – Vol. 20. – P. 5919–5933.
18. Jiang J. SAM-Iris: a SAM-based iris segmentation algorithm / J. Jiang, Q. Zhang, C. Wang // Electronics. – 2025. – Vol. 14, No. 2. – P. 246.
19. IrisST-Net for iris segmentation and contour parameters extraction / Y. Liu, W. Shen, D. Wu, J. Shao // Applied Intelligence. – 2023. – Vol. 53, No. 9. – P. 11267–11281.
20. Ganeeva Y.K. Identifying persons from iris images using neural networks for image segmentation and feature extraction / Y.K. Ganeeva, E.V. Myasnikov // Computer Optics. – 2022. – Vol. 46, No. 2. – P. 308–316.
21. Штука С.Е. Разработка нейросетевого алгоритма высоконадёжной биометрической аутентификации на основе радужной оболочки глаза / С.Е. Штука, А.Е. Боршевников // Региональная информатика и информационная безопасность: сб. трудов XIV Санкт-Петербургской межрегион. конф., Санкт-Петербург, 29–31 октября 2025 г. – СПб.: СПОИСУ, 2025. – С. 204–206.
22. Demirel H. Iris recognition system using combined histogram statistics / H. Demirel, G. Anbarjafari // 2008 23rd International Symposium on Computer and Information Sciences (ISCIS), October 27–29, 2008. – Istanbul, Turkey: IEEE, 2008. – P. 1–4.
23. Monro D.M. DCT-based iris recognition / D.M. Monro, S. Rakshit, D. Zhang // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2007. – Vol. 29, No. 4. – P. 586–595.
24. An effective model for the iris regional characteristics and classification using deep learning Alex network / T. Balashanmugam, K. Sengottaiyan, M.S. Kulandairaj, H. Dang // IET Image Processing. – 2023. – Vol. 17, No. 1. – P. 227–238.
25. Iris recognition based on local circular Gabor filters and multi-scale convolution feature fusion network / J. Sun, S. Zhao, Y. Yu, X. Wang, L. Zhou // Multimedia Tools and Applications. – 2022. – Vol. 81, No. 23. – P. 33051–33065.
26. Li Y. A survey on Siamese network: methodologies, applications, and opportunities / Y. Li, C.L.P. Chen, T. Zhang // IEEE Transactions on Artificial Intelligence. – 2022. – Vol. 3, No. 6. – P. 994–1014.
27. Latif S.A. Hybrid CNN-ViT integration into Siamese networks for robust iris biometric verification / S.A. Latif, K.A. Sidek, A.H.A. Hashim // Bulletin of Electrical Engineering and Informatics. – 2025. – Vol. 14, No. 4. – P. 3101–3109.
28. ГОСТ Р 52633.5-2011. Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия–код доступа. – М.: Стандартинформ, 2018. – 16 с.
29. Quantifying privacy and security of biometric fuzzy commitment / X. Zhou, A. Kuijper, R. Veldhuis, C. Busch // 2011 International Joint Conference on Biometrics (IJCB), Washington, DC, USA, October 11–13, 2011. – IEEE, 2011. – P. 1–8.
30. Kausar F. Iris based cancelable biometric cryptosystem for secure healthcare smart card // Egyptian Informatics Journal. – 2021. – Vol. 22, No. 4. – P. 447–453.
31. Matveev I. From iris image to embedded code: system of methods / I. Matveev, I. Safonov // Algorithms. – 2023. – Vol. 16, No. 2. – Art. 87.
32. Lin K.-C. A high-security-level iris cryptosystem based on fuzzy commitment and soft reliability extraction / K.-C. Lin, Y.-M. Chen // IEEE Transactions on Dependable and Secure Computing. – 2024. – Vol. 21, No. 4. – P. 1770–1784.
33. Fuzzy extractors are practical: cryptographic strength key derivation from the iris / A. Shukla, L. Demarest, B. Fuller, S. Ahmad, C. Manicke, A. Russell, S. Chen // Proceedings of the 2025 ACM SIGSAC Conference on Computer and Communications Security (CCS '25), Taipei, Taiwan, October 13–17, 2025. – New York: ACM, 2025. – P. 3605–3619.
34. Schroff F. FaceNet: a unified embedding for face recognition and clustering / F. Schroff, D. Kalenichenko, J. Philbin // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 7–12, 2015. – Boston, MA, USA: IEEE, 2015. – P. 815–823.
35. A discriminative feature learning approach for deep face recognition / Y. Wen, K. Zhang, Z. Li, Y. Qiao // Computer Vision – ECCV 2016: proc. of the 14th European Conf., Amsterdam, The Netherlands, October 11–14, 2016. – Cham: Springer, 2016. – P. 499–515.

Рукописи статей направлять на адрес редакции: journal@tusur.ru

Последний выпуск

Доклады ТУСУР
№ 2, т. 29, 2026

Адрес редакции

634050, г. Томск, пр. Ленина, 40, МК, каб. 310/2

(3822) 701-582, внутр.: 1456

journal@tusur.ru

Подписка на обновления

Оформить подписку на получение обновлений журнала