Идентификация человека: Идентификация человека и установление личности по признакам внешности: соотношение понятий | Зинин

Идентификация личности | это… Что такое Идентификация личности?

I Идентифика́ция ли́чности

установление тождества личности человека по совокупности признаков путем сравнительного их исследования. В следственной и судебной практике осуществляют И. л. подозреваемых в совершении преступления, уголовных преступников, неизвестных лиц, задержанных правоохранительными органами, неизвестных трупов и др.

В зависимости от объекта идентификации и его особенностей применяют разнообразные методы исследования. например, используют метод дактилоскопии, основанный на выявлении индивидуальных неизменных особенностей папиллярных узоров кожи ладонных поверхностей ногтевых фаланг пальцев кисти; метод словесного портрета — описание внешности человека и его особенностей специальными стандартными терминами. Словесный портрет включает описание статических признаков (формы и других особенностей лица, глаз, носа, ушных раковин и др.) и динамических признаков (особенности походки, жестикуляции, мимики и т.

п.). Особенности походки могут быть установлены и по следам ног (дорожка следов при ходьбе). Важную часть словесного портрета составляют особые приметы. К ним относят родимые пятна, бородавки, рубцы, признаки перенесенных заболеваний и травм, особенности строения зубочелюстного аппарата, татуировки и др. Используют также измерение длины тела, стоп, окружности головы, грудной клетки, ширины плеч и др. (см. Антропометрия). Внешность разыскиваемого человека может быть установлена с помощью фоторобота — графического изображения портрета этого человека, составленного по описаниям свидетелей. При значительных посмертных изменениях прибегают к восстановлению мягких тканей чаще всего лица трупа. При фрагментировании трупа в результате травмы (авиационной, железнодорожной и др.) или умышленном его расчленении с целью сокрытия преступления устанавливают принадлежность частей одному трупу, их половую принадлежность, наличие особых примет, размеры исследуемых частей трупа, рост, возраст потерпевшего и т.
д. При обнаружении костных остатков устанавливают их принадлежность скелету человека, его пол, возраст, наличие патологических изменений и др. С этой целью используют остеометрию, гистологическое исследование, рентгенографию, определение физических свойств костной ткани, метод фотосовмещения прижизненной фотографии и фотографии черепа, реконструкцию лица по черепу с помощью метода Герасимова.

См. также Экспертиза судебно-медицинская.

II Идентифика́ция ли́чности

определение тождества опознаваемого субъекта конкретному лицу по характеризующим его отличительным признакам; при судебно-медицинской экспертизе И. л. производится главным образом с помощью антропометрических, анатомических, рентгеноанатомических и гистологических методов; методы И. л. применяются также при опознании трупа.

1. Малая медицинская энциклопедия. — М.: Медицинская энциклопедия. 1991—96 гг. 2. Первая медицинская помощь. — М.: Большая Российская Энциклопедия. 1994 г. 3. Энциклопедический словарь медицинских терминов. — М.: Советская энциклопедия. — 1982—1984 гг.

Как криминалисты идентифицируют личность: способы, методы, экспертизы

Каждый любитель детектива мечтает оказаться на месте Шерлока Холмса: расследовать таинственные преступления, одним взглядом подмечать мельчайшие детали, складывать факты в единую теорию, проявлять дедуктивную находчивость и блестяще разоблачать преступников. Но какими методами пользуются настоящие «гениальные сыщики»? И какую науку они изучают?

Криминалистика занимается разработкой методов расследования преступлений. А так как цель любого следствия – вычислить виновного, задача криминалистики – обеспечить максимальное количество сведений о личностях жертвы и преступника. Существуют разнообразные методы идентификации личности. Самый незамысловатый –

сопоставить сведения из документов и информацию, полученную в результате судебно-медицинской экспертизы. Если же возникают сомнения в верности документационных данных, проводят процедуру опознания – привлекают свидетелей для установления личности. Однако когда беспристрастность свидетелей не гарантирована, криминалисты прибегают к более изощренным методам.

Дактилоскопия – благодаря детективным романам и криминальным драмам самый растиражированный способ опознать преступника. Это метод установления личности по отпечатку пальца.

Еще в XVII веке ученые классифицировали узоры на коже пальцев на три типа: дугообразные, петлеобразные и завитковые. Папиллярный узор формируется на тринадцатой неделе развития плода в материнской утробе, у каждого человека он уникален и неповторим. Существует заблуждение, что идентификации по отпечаткам пальцев можно избежать, если деформировать узор: сжечь кожу на пальцах, стереть или отрезать. Но в случае химического или физического воздействия на конечностях появляются рубцы, по которым так же легко идентифицировать личность при снятии отпечатков. Как правило, рисунок на коже стоп меньше подвержен деформации, поэтому нередко криминалисты исследуют папиллярные узоры на пятках, сопоставляют результаты с имеющимися в базе данными.

Следующим криминалистическим методом активно пользуются археологи. Остеометрический способ идентификации личности позволяет по костным останкам вычислить возраст, пол, физиологические особенности человека. Исследователи ориентируются на череп и тазовую кость.

Череп формируется у эмбриона уже на второй неделе развития. В материнской утробе организм не нуждается в дыхании и пережевывании пищи, поэтому черепная коробка новорожденного имеет особую конфигурацию: мозговой отдел почти в 9 раз больше лицевого по объему, челюсти, особенно альвеолярные отростки, недоразвиты. Впоследствии череп модифицируется, ребенок приобретает более выраженные индивидуальные черты.

У взрослого человека объемы мозгового и лицевого отделов соотносятся как 2 к 3. По визуальным характеристикам лицевого отдела можно установить пол: как правило, у мужчин более массивная нижняя челюсть, достигающая в весе 80 граммов и более, выдаются вперед затылочный бугор и надбровные дуги, глазницы имеют прямоугольную форму. Женский череп более изящен: нижняя челюсть весит меньше 65 граммов, затылочный бугор более приплюснутый, глазницы круглые. У мужчин лицевой отдел более развит, чем у женщин, и сама черепная коробка крупнее на 100-200 кубических сантиметров.

Представим: условный криминалист В. обнаружил труп, обстоятельства указывают на суицид. Осматривая место предполагаемого преступления, криминалист В. обнаружил кровавый след на плитке и волос на полу. Он отнес биоматериал на молекулярно-генетическую экспертизу и выяснил, что у клеток крови и волоса разный генетический состав: кровь принадлежит жертве, волос – постороннему лицу. Если биоматериал взят у одного человека, клетки будут иметь одинаковый генетический состав.

Молекулярно-генетическая экспертиза помогает установить кровное родство, расовую и половую принадлежность, задействовав минимальное количество биоматериала. Чаще всего используются кровь, волос, семенная жидкость, эпителий внутренней стороны щеки. Генетический состав любого организма уникален, а состав клеток в одном организме идентичен.

В клетках заключается наследственный материал — геном (молекулы ДНК), состоящий из 23 пар хромосом, 22 пары содержат информацию об особенностях внешности, психики, физиологии человека.

Для осуществления экспертизы исследуют определенный участок хромосомы, который состоит из короткой (от 2 до 6) или длинной (от 7) последовательности нуклеотидов. Участки-тандемы повторяются. Изучению подвержены короткие тандемные повторы (STR — short tandem repeats), так как длинные под воздействием химических веществ или радиации могут деградировать. По количеству повторяющихся тандемов на определенном участке формируется генетический профиль человека.

Для идентификации по материалу ДНК стандартизировано около 30 наборов нуклеотидов, в которых количество повторов уникально. На основе этих наборов созданы международные стандарты теста ДНК — CODIS, ESSS, UK Core Loci.

Каждый человек получает 50% генетического материала от матери и 50% — от отца. Установление родства возможно при сопоставлении генетических профилей «по вертикали» (родитель-ребенок): мать-сын, мать-дочь, отец-сын, отец-дочь.

Для этого сравнивают количество тандемных повторов в каждой аллели. Если хотя бы в двух нуклеотидных последовательностях обнаружены аллели, не свойственные отцу или матери, родство не подтверждается. Для подтверждения родства показатель вероятности должен превысить 99,90 %, если в тесте участвовали оба родителя и ребенок. Если же биоматериал получен от ребенка и только отца (только матери), вероятность должна достичь показателя 99,75 %.

С развитием технологий криминалистические методы практически не допускают погрешностей, что ускоряет ход расследования и делает достовернее его результаты.

Автор: Ксения Луженкова

Фото:

1. Дактилоскопия https://krmuseumgr.nnov.muzkult.ru/media/2021/07/26/1303767615/otpechatki.jpg

2. Разнообразие папиллярного узора https://avatars.mds.yandex.net/get-zen_doc/1637352/pub_5e0eef9ebd639600b1326df0_5e0ef66906cc4600afee2584/scale_12003.

3. Череп младенца и взрослого человека

http://vmede.org/sait/content/Anatomiya_kraev_t1_1978/000108. jpg

4. Череп мужской и женский http://vmede.org/sait/content/Anatomiya_kraev_t1_1978/000114.jpg

Источники:

  1. Ковалев А.В. – НЕТРАДИЦИОННЫЕ МЕТОДЫ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ В КРИМИНАЛИСТИКЕ // Юридический институт НИ ТГУhttp://ui.tsu.ru/wp-content/uploads/2016/05/ковалев-ав.pdf

  2. Сеченовский Университет https://www.sechenov.ru/upload/iblock/514/5148cef19122863a5dd24f6a2b0013d6.pdf

  3. Попов В.В. — ИДЕНТИФИКАЦИЯ ЛИЧНОСТИ МОЛЕКУЛЯРНО-ГЕНЕТИЧЕСКИМИ МЕТОДАМИ // Ростовского юридического института МВД России https://cyberleninka.ru/article/n/identifikatsiya-lichnosti-molekulyarno-geneticheskimi-metodami/viewer

Идентификация человека с использованием движения всего тела и антропометрической биометрии из видео Kinect

Идентификация человека с использованием движения всего тела и антропометрической биометрии из видео Kinect

  • Brent C. Munsell 19 ,
  • Эндрю Темляков 20 ,
  • Chengzheng Q 20 и
  • …
  • Песня Wang 20
  • Конференция
  • .

  • 4376 доступов

  • 33 Цитаты

Часть серии книг Lecture Notes in Computer Science (LNIP, том 7585)

Abstract

Известно, что для идентификации личности биометрические данные движения и антропометрические данные менее чувствительны к фотометрическим различиям и более устойчивы к препятствиям, таким как очки, волосы и головные уборы. Существующие методы, основанные на походке, основаны на точной идентификации и регистрации цикла походки. Обычно для этого требуется, чтобы субъект неоднократно выполнял одно и то же действие с использованием дорогостоящего средства захвата движения или 2D-видео на простом фоне, где человека можно легко сегментировать и отслеживать. Для идентификации человека эти продублированные требования ограничивают использование биометрии на основе походки в реальных сценариях, которые могут иметь множество действий с разным уровнем сложности. Мы предлагаем новый метод идентификации человека, использующий биометрические данные движения и антропометрические данные, полученные с помощью недорогого датчика Kinect RGBD. В отличие от предыдущих методов, основанных на походке, мы используем все суставы тела, обнаруженные Kinect SDK, для анализа моделей движения и антропометрических характеристик на протяжении всей последовательности дорожек. Мы показываем, что предложенный метод может идентифицировать людей, которые выполняют разные действия (например, ходят и бегают) с разным уровнем сложности. По сравнению с современным методом, основанным на походке, который использует изображения глубины, созданные датчиком Kinect, предложенный метод продемонстрировал лучшую производительность идентификации человека.

Ключевые слова

  • Кривая рабочих характеристик приемника
  • Машинный интеллект
  • Цикл походки
  • Глубина изображения
  • Равная частота ошибок

Эти ключевые слова были добавлены автором, а не автором. Этот процесс является экспериментальным, и ключевые слова могут обновляться по мере улучшения алгоритма обучения.

Скачать документ конференции в формате PDF

Каталожные номера

  1. Терк, Массачусетс, Пентланд, А.П.: Распознавание лиц с использованием собственных лиц. В: Конференция IEEE по компьютерному зрению и распознаванию образов, стр. 586–591 (1991)

    . Google ученый

  2. «>

    Джайн, А., Хонг, Л., Болле, Р.: онлайн-проверка отпечатков пальцев. IEEE Transactions on Pattern Analysis and Machine Intelligence 19, 302–314 (1997)

    CrossRef Google ученый

  3. Ма, Л., Тан, Т., Ван, Ю., Чжан, Д.: Идентификация личности на основе анализа текстуры радужной оболочки. IEEE Transactions on Pattern Analysis and Machine Intelligence 25, 1519–1533 (2003)

    CrossRef Google ученый

  4. Росс, А., Дасс, С., Джейн, А.: Деформация отпечатков пальцев с использованием соответствий гребневой кривой. IEEE Transactions on Pattern Analysis and Machine Intelligence 28, 19–30 (2006)

    CrossRef Google ученый

  5. Lu, X., Jain, A.: Моделирование деформации для надежного трехмерного сопоставления лиц. IEEE Transactions on Pattern Analysis and Machine Intelligence 30, 1346–1357 (2008)

    CrossRef Google ученый

  6. «>

    Пиллаи, Дж., Патель, В., Челлаппа, Р., Рата, Н.: Безопасное и надежное распознавание радужной оболочки с использованием случайных проекций и разреженных представлений. IEEE Transactions on Pattern Analysis and Machine Intelligence 33, 1877–1893 (2011)

    Перекрёстная ссылка Google ученый

  7. Хонг Л., Джейн А.: Интеграция лиц и отпечатков пальцев для идентификации личности. IEEE Transactions on Pattern Analysis and Machine Intelligence 20, 1295–1307 (1998)

    CrossRef Google ученый

  8. Чанг, К., Бойер, К., Саркар, С., Виктор, Б.: Сравнение и комбинация изображений ушей и лица в биометрии на основе внешнего вида. IEEE Transactions on Pattern Analysis and Machine Intelligence 25, 1160–1165 (2003)

    Перекрёстная ссылка Google ученый

  9. Мурасе Х. , Сакаи Р.: Распознавание движущихся объектов в собственном пространстве: анализ походки и чтение по губам. Письма о распознавании образов 17, 155–162 (1996)

    CrossRef Google ученый

  10. Катлер, Р., Дэвис, Л.С.: Надежное периодическое обнаружение движения в реальном времени, анализ и приложения. Транзакции IEEE по анализу шаблонов и машинному интеллекту 22, 781–79.6 (2000)

    Google ученый

  11. Бойд, Дж. Э., Литтл, Дж. Дж.: Биометрическое распознавание походки. В: Тистарелли, М., Бигун, Дж., Гроссо, Э. (ред.) Расширенные исследования в области биометрии. LNCS, том. 3161, стр. 19–42. Springer, Heidelberg (2005)

    CrossRef Google ученый

  12. Гафуров Д., Хелкала К., Сёндрол Т.: Биометрическая аутентификация походки с использованием датчика акселерометра. JCP 1, 51–59(2006)

    Перекрёстная ссылка Google ученый

  13. Абделькадер, К.Б., Дэвис, Л., Катлер, Р.: Шаг и частота шагов как биометрические параметры для автоматической идентификации и проверки личности. В: Международная конференция IEEE по автоматическому распознаванию лиц и жестов, стр. 372–377 (2002 г.)

    . Google ученый

  14. Кэмпбелл Л., Бобик А.: Распознавание движения человеческого тела с использованием ограничений фазового пространства. В: Международная конференция по компьютерному зрению, стр. 624–630 (1995)

    Google ученый

  15. Литтл Дж., Бойд Дж. Э.: Распознавание людей по походке: форма движения. Видере 1, 1–32 (1996)

    Google ученый

  16. Сивапалан, С., Чен, Д. , Денман, С., Сридхаран, С., Фукс, К.Б.: Энергетические объемы походки и распознавание фронтальной походки с использованием изображений глубины. В: Международная объединенная конференция по биометрии (2011 г.)

    Google ученый

  17. Gu, J., Ding, X., Wang, S., Wu, Y.: Распознавание движений и походки по восстановленным трехмерным изображениям суставов человека. Транс. Сис. Человек Кибер. Часть B 40, 1021–1033 (2010)

    CrossRef Google ученый

  18. Грин, Р. Д., Гуань, Л.: Количественная оценка и распознавание моделей движения человека по монокулярным видеоизображениям — часть ii: Приложения к биометрии. IEEE Transactions on Circuits and Systems for Video Technology 14, 179–190 (2003)

    Перекрёстная ссылка Google ученый

  19. Хан Дж., Бхану Б.: Индивидуальное распознавание с использованием изображения энергии походки. IEEE Transactions on Pattern Analysis and Machine Intelligence 28, 316–322 (2006)

    CrossRef Google ученый

  20. Болле, Р.М., Коннелл, Дж.Х., Панканти, С., Ратха, Н.К., Сениор, А.В.: Соотношение между кривой ROC и CMC. В: Материалы четвертого семинара IEEE по передовым технологиям автоматической идентификации, стр. 15–20 (2005 г.)

    Google ученый

  21. Бренд, М.: Инкрементальное разложение по сингулярным значениям неопределенных данных с пропущенными значениями. В: Heyden, A., Sparr, G., Nielsen, M., Johansen, P. (eds.) ECCV 2002, Part I. LNCS, vol. 2350, стр. 707–720. Springer, Heidelberg (2002)

    CrossRef Google ученый

  22. Fan, R.E., Chen, P.H., Lin, CJ: Выбор рабочего набора с использованием информации второго порядка для обучения машин опорных векторов. Журнал исследований машинного обучения 6, 1889 г.–1918 (2005)

    MathSciNet МАТЕМАТИКА Google ученый

Ссылка на скачивание

Информация о авторе

Авторы и принадлежность

  1. Университет Клафлин, Оранжевый Гипбург, SC, 29115, США

    Brent C. Munsell

  2. Университет, Колумба, 29208. США

    Эндрю Темляков, Chengzheng Qu & Song Wang

Авторы

  1. Brent C. Munsell

    Просмотр публикаций автора

    Вы также можете искать этого автора в PubMed Google Scholar

  2. Андрей Темляков

    Просмотр публикаций автора

    Вы также можете искать этого автора в PubMed Google Scholar

  3. Chengzheng Qu

    Просмотр публикаций автора

    Вы также можете искать этого автора в PubMed Google Scholar

  4. Song Wang

    Посмотреть публикации автора

    Вы также можете искать этого автора в PubMed Google Scholar

Информация о редакторе

Редакторы и принадлежность

  1. Dipartimento di Inggneria elettrica, Gestionale E Meccanica (Diegm), Università Degli Di Udine, Via delle Sccanic Fusiello

  2. IIT Istituto Italiano di Tecnologia, Via Morego 30, 16163, Генуя, Италия

    Vittorio Murino

  3. Dipartimento di Ingegneria dell’Informazione, Università degli Studi di Modena e Reggio Emilia, Strada Vignolege, 905, 41125, Modena, Italy

    Rita Cucchiara

Rights and permissions

Reprints and Permissions

Информация об авторских правах

© 2012 Springer-Verlag Berlin Heidelberg

Об этой статье

Подход глубокого обучения для идентификации личности с помощью биометрии уха

. 2021;51(4):2161-2172.

doi: 10.1007/s10489-020-01995-8. Epub 2020 28 октября.

Рамар Ахила Приядхаршини 1 , Селварадж Ариважаган 1 , Мадаканну Арун 1

принадлежность

  • 1 Центр обработки изображений и распознавания образов, Инженерный колледж Мепко Шленк, Сивакаси, Индия.
  • PMID: 34764557
  • PMCID: PMC7594944
  • DOI: 10. 1007/s10489-020-01995-8

Рамар Ахила Приядхаршини и др. Аппл Интелл (Дордр). 2021.

. 2021;51(4):2161-2172.

doi: 10.1007/s10489-020-01995-8. Epub 2020 28 октября.

Авторы

Рамар Ахила Приядхаршини 1 , Сельварадж Ариважаган 1 , Мадаканну Арун 1

принадлежность

  • 1 Центр обработки изображений и распознавания образов, Инженерный колледж Мепко Шленк, Сивакаси, Индия.
  • PMID: 34764557
  • PMCID: PMC7594944
  • DOI: 10. 1007/s10489-020-01995-8

Абстрактный

Автоматическая идентификация человека по изображениям ушей является активной областью исследований в биометрическом сообществе. Подобно другим биометрическим данным, таким как лицо, радужная оболочка и отпечатки пальцев, ухо также имеет большое количество специфических и уникальных характеристик, которые позволяют идентифицировать человека. В нынешней всемирной вспышке COVID-19ситуации, большинство систем идентификации лиц выходят из строя из-за сценария ношения маски. Человеческое ухо является идеальным источником данных для пассивной идентификации человека, поскольку оно не предполагает сотрудничества человека, которого мы пытаемся распознать, а структура уха не меняется радикально с течением времени. Получение человеческого уха также легко, так как ухо видно даже в сценариях ношения маски. Ушная биометрическая система может дополнять другие биометрические системы в системе автоматического распознавания человека и обеспечивает идентификационные сигналы, когда информация другой системы ненадежна или даже недоступна. В этой работе мы предлагаем шестиуровневую архитектуру глубокой сверточной нейронной сети для распознавания уха. Потенциальная эффективность глубокой сети проверяется на наборе данных уха IITD-II и наборе данных уха AMI. Модель глубокой сети достигает скорости распознавания 97,36% и 96,99% для набора данных IITD-II и набора данных AMI соответственно. Надежность предлагаемой системы проверяется в неконтролируемой среде с использованием набора данных AMI Ear. Эта система может быть полезна для идентификации людей в большой толпе в сочетании с надлежащей системой наблюдения.

Ключевые слова: Си-Эн-Эн; Распознавание ушей; Человек; Удостоверение личности.

© Springer Science+Business Media, LLC, часть Springer Nature 2020.

Заявление о конфликте интересов

gov/pub-one»> Конфликт интересов Авторы заявляют об отсутствии конфликта интересов.

Цифры

Рис. 1

Образец биометрической среды уха…

Рис. 1

Образец среды биометрической системы уха

рисунок 1

Образец среды биометрической системы уха

Рис. 2

Видимая структура человеческого уха

Рис. 2

Видимая структура человеческого уха

Рис. 2

Видимая структура человеческого уха

Рис. 3

Архитектура предлагаемого глубокого…

Рис. 3

Архитектура предложенной глубокой CNN для набора данных IITD-II

Рис. 3

Архитектура предложенной глубокой CNN для набора данных IITD-II

Рис. 4

Функции активации ( a )…

Рис. 4

Функции активации ( a ) RELU ( b ) ELU ( c )…

Рис. 4

Функции активации ( a ) RELU ( b ) ELU ( c ) SELU ( d ) Sigmoid ( e ) Tanh

Рис. 5

Примеры изображений набора данных IITD-II

Рис. 5

Примеры изображений набора данных IITD-II

Рис. 5

Образцы изображений набора данных IITD-II

Рис. 6

Примеры изображений набора данных AMI

Рис. 6

Примеры изображений набора данных AMI

Рис. 6

Примеры изображений набора данных AMI

Рис. 7

Образец обучения Производительность разработанного…

Рис. 7

Образец обучения Производительность разработанной глубокой сети

Рис. 7

Образец производительности обучения разработанной глубокой сети

Рис. 8

Выполнение различных функций активации

Рис. 8

Выполнение различных функций активации

Рис. 8

Выполнение различных функций активации

Рис. 9

Карты объектов ( и )…

Рис. 9

Карты признаков ( a ) сверточный слой 1 ( b ) сверточный слой…

Рис. 9

Карты объектов ( a ) сверточный слой 1 ( b ) сверточный слой 2

Рис. 10

Примеры изображений различных…

Рис. 10

Примеры изображений различных преобразований, примененных к тестовым изображениям AMI Ear…

Рис. 10

Образцы изображений различных преобразований, примененных к тестовым изображениям набора данных AMI Ear. ( a ) Исходное изображение ( b ) Повернутое под разными углами ( c ) При различных условиях освещения ( d ) Гауссовский шум добавлен с различной дисперсией

См. это изображение и информацию об авторских правах в PMC

Похожие статьи

  • Комплексный опрос и подход, основанный на глубоком обучении, для распознавания человека с использованием биометрии уха.

    Камбой А., Рани Р., Нигам А. Камбой А. и др. Вис комп. 2022;38(7):2383-2416. doi: 10.1007/s00371-021-02119-0. Epub 2021 22 апр. Вис комп. 2022. PMID: 33907343 Бесплатная статья ЧВК. Обзор.

  • Подход к глубокому обучению для мультимодальной биометрической системы распознавания, основанный на слиянии признаков радужной оболочки, лица и вен пальцев.

    Алай Н., Аль-Баити ДХ. Алай Н. и др. Датчики (Базель). 2020 сен 27;20(19)):5523. дои: 10.3390/s20195523. Датчики (Базель). 2020. PMID: 32992524 Бесплатная статья ЧВК.

  • VGGFace-Ear: расширенный набор данных для неограниченного распознавания ушей.

    Рамос-Купер С., Гомес-Ньето Э., Камара-Чавес Г. Рамос-Купер С. и соавт. Датчики (Базель). 2022 23 февраля; 22 (5): 1752. дои: 10.3390/s22051752. Датчики (Базель). 2022. PMID: 35270896 Бесплатная статья ЧВК.

  • Исследование биометрии уха с использованием EfficientNet.

    Бойсенс А., Вирири С. Бойсенс А. и соавт. Компьютер Intel Neurosci. 2022 31 августа; 2022:3514807. дои: 10.1155/2022/3514807. Электронная коллекция 2022. Компьютер Intel Neurosci. 2022. PMID: 36093471 Бесплатная статья ЧВК.

  • Протокол создания ChimericalDataset на основе Зоопарк Доддингтона : биометрическое приложение с лицом, глазами и ЭКГ.

    Лопес Силва П., Лус Э., Морейра Г., Мораес Л., Менотти Д. Лопес Сильва П. и др. Датчики (Базель). 2019 5 июля; 19 (13): 2968. дои: 10.3390/s19132968. Датчики (Базель). 2019. PMID: 31284418 Бесплатная статья ЧВК.

Посмотреть все похожие статьи

Цитируется

  • Искусственный интеллект для оценки тяжести микротии с помощью глубоких сверточных нейронных сетей.

    Ван Д., Чен С., Ву И., Тан Х., Дэн П. Ван Д и др. Передний сург. 2022, 8 сентября; 9:929110. doi: 10.3389/fsurg.2022.929110. Электронная коллекция 2022. Передний сург. 2022. PMID: 36157410 Бесплатная статья ЧВК.

  • MDFNet: неконтролируемая легкая сеть для распознавания отпечатков ушей.

    Айади О., Халди Б., Саадеддин К. Айади О. и др. J Ambient Intel Humaniz Comput. 2022 июн 18:1-14. doi: 10.1007/s12652-022-04028-z. Онлайн перед печатью. J Ambient Intel Humaniz Comput. 2022. PMID: 35757492 Бесплатная статья ЧВК.

  • Исследование динамического распознавания человеческого уха на небольшой выборке на основе глубокого обучения.

    Лэй Ю, Цянь Дж, Пан Д, Сюй Т. Лей Ю и др. Датчики (Базель). 2022 февраль 22;22(5):1718. дои: 10.3390/s22051718. Датчики (Базель). 2022. PMID: 35270867 Бесплатная статья ЧВК.

  • Комплексный опрос и подход, основанный на глубоком обучении, для распознавания человека с использованием биометрии уха.

    Камбой А., Рани Р., Нигам А. Камбой А. и др. Вис комп. 2022;38(7):2383-2416. doi: 10.1007/s00371-021-02119-0. Epub 2021 22 апр. Вис комп. 2022. PMID: 33907343 Бесплатная статья ЧВК. Обзор.

использованная литература

    1. С Сюй, З Му, Л Юань, (2007). Метод слияния на уровне признаков, основанный на KFDA, для мультимодального распознавания с использованием уха и профиля лица, международная конференция IEEE по вейвлет-анализу и распознаванию образов, стр. 1306–1310.
    1. X Pan, Y Cao, X Xu, Y Lu, Y Zhao, (2008). Мультимодальное распознавание ушей и лиц на основе KFDA, Международная конференция IEEE по обработке аудио, языка и изображений, стр. 965–969.
    1. Теохарис Т., Пассалис Г., Тодеричи Г., Какадиарис И.А. Унифицированное трехмерное распознавание лиц и ушей с использованием вейвлетов на геометрических изображениях. Распознавание образов 2008;41(3):796–804. doi: 10.1016/j.patcog.2007.06.024. — DOI
    1. Ислам С.
Leave a Comment on Идентификация человека: Идентификация человека и установление личности по признакам внешности: соотношение понятий | ЗининРазное

About the Author

admin

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Related Posts