математические модели и методы обработки цифровых дактилоскопических изображений тема диссертации и автореферата по ВАК РФ 05.13.18, доктор физико-математических наук Гудков, Владимир Юльевич

  • Гудков, Владимир Юльевич
  • доктор физико-математических наукдоктор физико-математических наук
  • 2011, ЧелябинскЧелябинск
  • Специальность ВАК РФ05.13.18
  • Количество страниц 349
Гудков, Владимир Юльевич. математические модели и методы обработки цифровых дактилоскопических изображений: дис. доктор физико-математических наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. Челябинск. 2011. 349 с.

Оглавление диссертации доктор физико-математических наук Гудков, Владимир Юльевич

Предисловие.

Принятые сокращения.

Введение.

1. Общая характеристика работы

1.1. Основные положения.

1.2. Выводы.

2. Методологические аспекты проблемы

2.1. Класс изображений.

2.2. Классификация систем обработки изображений.

2.3. Функциональная организация систем обработки изображений

2.4. Анализ состояния теории обработки изображений.

2.5. Математические модели дактилоскопических изображений.

2.6. Выводы.

3. Методы и модели распознавания общих признаков дактилоскопических изображений

3.1. Краткая характеристика.

3.2. Элементарные функции.

3.3. Концепция пирамидальной обработки

3.4. Коррекция изображения.

3.5. Сглаживание изображения.

3.6. Формирование слоев светотеней.

3.7. Измерение матриц потоков.

3.8. Выделение опорных потоков.

3.9. Распознавание общих признаков.

3.10. Модель ошибки распознавания общих признаков.

3.11. Выводы.

4. Методы и модели распознавания частных признаков дактилоскопических изображений

4.1. Краткая характеристика.

4.2. Формирование слоев светотеней.

4.3. Измерение матриц потоков.

4.4. Выделение опорных потоков.

4.5. Волновой синтез модельных потоков.

4.6. Детализация модельных потоков.

4.7. Измерение матриц плотностей.

4.8. Выделение опорных плотностей.

4.9. Синтез модельных плотностей.

4.10. Сегментация.

4.11. Фильтрация.

4.12. Скелетизация и распознавание частных признаков.

4.13. Модель ошибки распознавания частных признаков.

4.14. Выводы.

5. Математические модели дактилоскопических изображений

5.1. Краткая характеристика.

5.2. Модель частных признаков.

5.3. Модель общих признаков.

5.4. Модель топологических векторов частных признаков.

5.5. Модель топологических векторов линий.

5.6. Модель векторов гребневого счета линий.

5.7. Модель зон.

5.8. Модель векторов состояния.

5.9. Модель индексов изображения.

5.10. Графическая структура изображения.

5.11. Выводы.

6. Расширение области применения математических моделей и методов обработки

6.1. Сегментация.

6.2. Поиск в электронной дактилотеке.

6.3. Выводы.

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «математические модели и методы обработки цифровых дактилоскопических изображений»

Настоящая работа написана на основе многолетнего опыта, накошенного автором в прогрессе разработки математического ядра коммерческой дактилоскопической системы. В работе использованы достижения как отечественных, так и зарубеэюных ученых, однако в значительной мере на ее содержание повлияла и преподавательская деятельность автора в ЮжноУральском государственном университете.

В работе рассмотрены математические методы измерения, анализа и интерпретации цифровых дактилоскопических изображений, предложены их математические модели. Актуальность работы связана с ростом преступности и терроризма. Ограничить этот рост способна биометрия, в том числе на основе отпечатков пальцев. Однако отпечатки могут быть загрязнены, деформированы или смазаны, со следами шрамов или ожогов. Это затрудняет организацию учета лиц в электронных системах. Несмотря на заметные успехи в области компьютерного зрения, биометрия все еще находится в стадии развития.

При составлении текста автор опирался на ряд открытых публикаций, однако материал уникален, что подтверждается ссылками на научную и патентную литературу. Опыт по разработке математического ядра дактилоскопической системы помог автору скомпоновать текст. Изложение большинства методов соответствует стратегии проектирования «сверху-вниз», сопровождается обширным графическим материалом и ориентировано на прикладные задачи расчета и реализации конкурентоспособных автоматизированных дактшоскопических информационных систем на формальном языке программирования.

Я благодарен близким, друзьям и коллегам по цеху за терпение и поддержку, оказываемые мне в процессе работы.

ПРИНЯТЫЕ СОКРАЩЕНИЯ

АДИС — автоматизированная дактилоскопическая информационная система

БД — база данных

ДИ - дактилоскопическое изображение

ДПФ - дискретное преобразование Фурье

КА — классификационный анализ

КЛД - коэффициент ложного доступа

КЛОД - коэффициент ложного отказа доступа

МРВ - массовая ранговая вероятность

НЭИ — непроизводный элемент изображения

ПО - программное обеспечение

СОИ — система обработки изображений

ТОЙ - теория обработки изображений

ФБР - федеральное бюро расследований

ХОИ - характерный объект изображения

ЦОИ - цифровая обработка изображений

ЦОС - цифровая обработка сигналов

ЧП - частный признак

ЭВМ - электронная вычислительная машина

ВВЕДЕНИЕ

Исследования в области биометрии начались более ста лет назад с разработки методов сравнения отпечатков пальцев. В 1891г. англичанин Френсис Гальтон предложил систему классификации папиллярных узоров. Статья с его выводами была опубликована в журнале «Природа», но не обратила на себя должного внимания. В 1892г. вышла его книга «Отображение пальцев», в которой впервые рассматривалась возможность идентификации человека по оттискам пальцев. В книге были сделаны три основополагающих вывода: узор папиллярных линий остается неизменным на протяжении всей жизни человека, узор неповторим и индивидуален, узор поддается классификации [83, 168, 226, 282, 284].

Позднее более совершенную систему классификации отпечатков пальцев разработал другой англичанин — Эдуард Ричард Генри, шеф Скотланд-Ярда. В конце 1896г. он нашел способ приведения в порядок огромной картотеки, в которой хранились отпечатки пальцев. Система классификации Генри обеспечила возможность быстрого поиска нужной карточки. На помощь пришли пять выделенных типов узоров: дуговой, шатровый, радиально-петлевой, ульнарно-петлевой и завитковый [93, 284, 303].

Результаты исследований Генри были опубликованы в его книге «Классификация и использование отображений пальцев», изданной в Индии. Работа оказалась настолько удачной, что, будучи представленной комиссии ученых, получила положительную оценку, а полиция приобрела мощный метод доказательства. В 1902г. английский суд впервые признал факт совпадения отображений пальцев как доказательство [93].

Служащий полицейского управления в Аргентине Хуан Вуцетич длительное время занимался проблемой папиллярных узоров и обнаружил, что с ростом объема картотеки появляются те же трудности, что и в методе Гальтона-Генри. Тогда Вуцетич стал искать характерные детали, чтобы подразделить отпечатки внутри самих групп. С его легкой руки в употребление было введено название нового метода идентификации — дактилоскопия, что в переводе с греческого означает «рассматривать пальцы» [118, 183].

В других странах также стали использовать для идентификации преступников и просто гражданских лиц дактилоскопию. Во Франции первый случай дактилоскопической идентификации зарегистрирован в 1902г., Бельгии - в 1904г., Венгрии - в 1907г., Норвегии - в 1910г., Португалии - в 1913г. В России дактилоскопия начала использоваться с 1906г., когда циркуляром Главного тюремного управления она была введена для регистрации в тюрьмах. В 1908г. дактилоскопия начала использоваться в поисковых отделениях больших городов [83, 118].

В настоящее время разработаны известные математические модели для доказательства индивидуальности узоров отпечатков пальцев [269,276]. Большинство моделей устанавливает уникальность каждого отдельного узора [267,284,297,303], и каждая из таких моделей нацелена на повышение эффективности дактилоскопической идентификации человека, однако неизвестно ни одной лучшей и свободной от недостатков модели [200,294,299]. Тем не менее, отпечатки пальцев, а в настоящее время и ладоней, играют все возрастающую роль в задаче идентификации человека, благодаря, видимо, совершенствованию техники дактилоскопической экспертизы и развитию компьютерных технологий [106, 225-227, 284, 289].

Исторически сложилось так, что изучение папиллярных узоров проводилось в рамках нескольких научных направлений [83].

Первое из них можно назвать естественнонаучным. Труды значительного числа основоположников этого направления были обобщены. Э. Локар дал общую характеристику свойств папиллярных узоров, выделив среди них те, которые имеют значение для идентификации (постоянство, неизменяемость и разнообразие), отражают закономерности наследования, указывают на половые и возрастные различия, свидетельствуют о наследственных заболеваниях

83,118]. Дальнейшие исследования были направлены на анализ отражения наследственных заболеваний в папиллярном узоре, на изучение связей узора с морфологией человека и закономерностей распределения узоров в различных расах [82, 93, 150, 282].

Исследования в рамках естественнонаучного направления показали, что папиллярные узоры есть не что-то внешнее по отношению к организму, а отражают сложные функциональные зависимости в таком системном образовании, как организм человека. Они определили пути специальных научных исследований с целью разработки новых экспертных методик для решения криминалистических задач [118, 122, 150].

Второе направление исследований связано с совершенствованием научных основ дактилоскопической экспертизы [82]. Здесь выделяются работы, связанные с классификацией папиллярных узоров и частных признаков [17, 18, 106, 168], с оценкой идентификационной значимости частных признаков [150, 168, 266, 287, 288], с выработкой концепции по обоснованию тождества [297] или непрерывной классификации [227]. Изучению подверглись научные основы пороскопической экспертизы, которая может применяться в тех случаях, когда дактилоскопия не решает вопрос о тождестве [276, 303].

Это направление привело к разработке новых экспертных методик идентификации человека по следам пальцев рук и ладоней, идентификации родителей по папиллярным узорам детей, идентификации новорожденных по отпечаткам стоп. В это же время была разработана методика вероятностного определения пола по имеющемуся оттиску пальца или руки [83, 118].

Третье направление относится к автоматизации дактилоскопических экспертиз. Это установление личности неопознанных трупов; установление лиц, скрывающих анкетные данные, и лиц, оставивших следы и поставленных на дактилоскопический учет; установление факта, одним лицом или разными лицами оставлены следы рук, изъятые с мест различных преступлений; аутентификация личности в пропускных системах и системах ограниченного доступа; таможенный контроль [183,281,284]. Это направление сформировалось благодаря стремительному развитию дискретной математики [160], теории искусственного интеллекта [32,41,57,133,134,257], теории распознавания изображений [12, 21, 24, 60, 61, 82, 137, 269], численных методов [48,49,234], вычислительной техники [85, 173, 186] и опирается на обширные разделы современной математики [114, 115, 157, 159]. Задача автоматической идентификации по отпечаткам пальцев рук решается в АДИС [281]. В мире насчитывается более сотни АДИС, наиболее известными из которых являются японская система NEC, французская система SAGEM, канадская система PRINTRAK, американская система COGENT, российская система PAPILLON [72-76,292-297]. Эти системы наиболее развиты, дороги и программно защищены [16, 92]. Их информационное содержание, техническая реализация, методический и функциональный состав недоступны и в научно-технической литературе не раскрываются. Известны научные работы, относящиеся к фрагментам функционального наполнения АДИС. Но, поскольку технологии обработки и интерпретации изображений находятся в стадии развития, а технические средства распознавания ДИ существенно уступают возможностям эксперта-криминалиста, проблема разработки методов синтеза математического ядра АДИС актуальна [11, 17-20, 22, 268, 269, 304-310].

Необходимо отметить, что одна и та же физическая система может быть описана разными математическими моделями в зависимости от целей и предмета исследований [15,50, 101, 115]. Ключевыми моментами для АДИС являются надежность и избирательность. Под надежностью здесь понимается не столько вероятность безотказной работы технического комплекса, сколько вероятность того, что след, изъятый с места преступления, безошибочно идентифицируется системой по массиву дактилокарт [17,175-181,278,280]. Такое понимание надежности преимущественно относится к системам, работающим в экспертных подразделениях полиции. Под избирательностью обычно понимается вероятность того, что отпечаток пальца, идентифицированный системой по тестовому следу, окажется на первом месте в рекомендательном списке с существенным отрывом от конкурирующего кандидата - другого отпечатка пальца [106,168,175—181,266,274,305]. Конечно, при математической формализации эти понятия нуждаются в уточнении, причем такая формализация может быть сделана по-разному. Это приводит к различным математическим моделям оценки качества системы, например таким, как величины КЛД и КЛОД, функция МРВ и др. [269, 284].

При исследовании реальных объектов зачастую приходится принимать во внимание разнообразные неопределенные факторы, действующие на отпечаток пальцевого узора. Эти факторы могут быть связаны, например, со свойствами следообразующего материала, с деформацией пальца в момент следообразования, с дефектами кожи в виде ожогов, шрамов, складок, грязи и шелушения [11,83,93,106,118,150,276]. Основные способы учета этих неопределенных факторов при обработке ДИ приводятся в работе.

Характерной чертой современной эпохи является бурный взрыв исследовательского интереса к экстремальным задачам [7, 68, 107, 117, 139]. Подобные задачи встречались в истории человечества со времен античности. Однако именно на современном этапе практическое применение экстремальных задач связано с успехом их реализации на ЭВМ. Такая же тенденция наблюдается и в биометрии. Так экстремальные задачи [26, 212] определяют методы автоматизации настройки параметров математической модели, методы нейронной технологии, эвристические алгоритмы, использующиеся в биометрии, и являются мостиком к построению адаптивных систем [1,2, 5, 26,42,45, 50, 107, 112, 116, 117, 159,239].

Биометрия является широкой областью исследований, включающей в себя многие аспекты, в том числе правовые и социальные проблемы, а также вопросы эргономики, безопасности, поддержания целостности данных и применения крупномасштабных систем [269,279,280]. Биометрия тесно связана с теорией распознавания паттернов, в настоящее время она все более активно взаимодействует с другими смежными дисциплинами, такими, как методы статистики и теория вероятностей [56, 110, 111, 131, 209, 229, 242, 269].

Сейчас очень важный период для биометрии. Сенсоры быстро дешевеют, компьютеры достигли высокого уровня производительности, а технологическая инфраструктура становится частью нашей жизни. Сделать аутентификационные протоколы, ежедневно контролирующие безопасность посредством биометрических идентификаторов, теперь всего лишь вопрос времени.

Особенностью биометрических систем является то, что они дают вероятностные ответы. Что такое вероятность в вопросах безопасности? Здесь не существует незначительных деталей. Безопасность все еще является расплывчатым понятием, потому что она всегда ниже 100%. Ответы, основанные на вероятностях, часто не являются четко обозначенными и могут стать источником биометрических мифов и ложных представлений. Однако качество биометрических технологий, которые сами не защищены от неправильного использования, может быть улучшено [268,269,276]. Этим объясняется повышенное внимание к биометрии [62, 279, 280, 300, 311].

В биометрии может быть использовано множество биометрических параметров: отпечатки пальцев, голос, рост, черты лица, радужная оболочка глаз, глазное дно, форма руки, рисунок вен, генотип и др. АДИС, в состав которой входит СОИ, является малой частью большого комплекса мультибиометрии и нацелена только на отпечатки пальцев и ладоней. Однако даже АДИС является сложной системой с огромным перечнем выполняемых функций. В работе же рассматривается довольно узкий круг вопросов, касающихся математического ядра АДИС: модели автоматической и полуавтоматической обработки ДИ, математические модели ДИ, решение задачи оценки качества КА. Мнение о том, насколько удачно решены поставленные вопросы, читатель может сформировать, ознакомившись с результатами некоторых независимых международных тестов [304-310].

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Гудков, Владимир Юльевич

6.3. выводы

В главе показана возможность расширения области применения разработанных в диссертации методов обработки ДИ. В область исследования могут быть включены изображения иного характера, например изображения отпечатков нескольких пальцев. Более того, эти методы можно применить для обработки любых регулярных изображений с выраженной локальной ориентацией текстуры. Методы сегментации, воплощенные в программном объекте, тестировались в NIST USA и доказали свою эффективность [304].

Индексы, как обобщающие элементы новой математической модели ДИ, позволяют построить новые алгоритмы идентификации, существенно повышающие производительность системы. Они, организованные в ссылки БД, помогают обеспечить навигацию по электронной дактилотеке.

Индексирование изображений открывает новые направления исследований. В частности возможна криптография на основе отпечатков пальцев. Каждый индекс как скалярное число определяет открытый и закрытый криптографические ключи [160]. Поскольку индексов несколько, появляется новое направление вероятностной криптографии. Пользователь расшифровывает сообщение, прикладывая палец к сенсору, и просматривает на экране различные варианты расшифровки, соответствующие различным ключам. Для пальцев без дефектов такой подход вполне реален.

ЗАКЛЮЧЕНИЕ

В работе изложены методы КА первой и второй обработки ДИ, методы построения математической модели ДИ. Разделение обработки на фазы вызвано требованиями по эксплуатации АДИС и отражает несовершенство современного состояния теории цифровой обработки изображений.

В первой обработке ДИ описаны методы, обеспечивающие точное и надежное распознавание общих признаков узора. К ним относится измерение полей потоков (гл. 3.7), выделение опорного поля потоков (гл. 3.8), распознавание общих признаков (гл. 3.9), таких как завиток, петля и дельта, распознавание типа узора отпечатка пальца (гл. 3.9), оценка ошибки распознавания общих признаков (гл. 3.10).

Во второй обработке ДИ описаны методы, минимизирующие ошибку распознавания частных признаков узора. К ним относится измерение полей потоков (гл. 4.3) и выделение опорного поля потоков (гл. 4.4) с учетом общих признаков, волновой синтез модельного поля потоков, прогнозирующий потоки в неинформативных областях (гл. 4.5), детализация модельного поля потоков, адаптирующая потоки к особенностям изображения (гл. 4.6), измерение полей плотности (гл. 4.7), выделение опорного поля плотности (гл. 4.8), синтез модельного поля плотности (гл. 4.9), сегментация (гл. 4.10), фильтрация (гл. 4.11), скелетизация и распознавание частных признаков (гл. 4.12), оценка ошибки распознавания частных признаков (гл. 4.13).

В математической модели ДИ развиты модели частных признаков (гл. 5.2) и общих признаков (гл. 5.3) узора, предложена модель топологических векторов частных признаков (гл. 5.4) и модель топологических векторов линий (гл. 5.5), в модели векторов гребневого счета линий (гл. 5.6) развит подход классического гребневого счета. В целом математическая модель ДИ рассматривается с позиций управляемой структуры данных (гл. 5.7). Как характеристики, производные от топологических векторов, предложена модель векторов состояния (гл. 5.8) и модель индексов изображения (гл. 5.9), многократно ускоряющие процедуру идентификации. Описаны свойства векторов. Доказана теорема об устойчивости по Ляпунову векторов состояния.

Предложенные способы распознавания общих и частных признаков естественным образом вытекают из свойств самого ДИ и коррелируют с алгебраическим подходом к проблеме распознавания, развиваемым академиком Ю.И. Журавлевым и его школой [275, 313].

Основные практические и теоретические результаты работы можно сформулировать следующим образом:

1. Предложена группа взаимосвязанных методов, минимизирующих ошибку распознавания общих признаков узора. К ним относится измерение полей потоков, выделение опорного поля потоков, распознавание общих признаков, распознавание типа узора отпечатка пальца.

2. Предложена группа взаимосвязанных методов, минимизирующих ошибку распознавания частных признаков узора. К ним относится измерение полей потоков и выделение опорного поля потоков с учетом общих признаков, волновой синтез модельного поля потоков, прогнозирующий потоки в неинформативных областях, детализация модельного поля потоков, адаптирующая потоки к особенностям изображения, измерение полей плотности, выделение опорного поля плотности, синтез модельного поля плотности, сегментация, фильтрация, скелетизация и распознавание частных признаков.

3. Предложен новый метод построения матриц потоков на основе параллельного движения в слоях светотеней и оценке точек из различных цепей, напоминающей корреляцию при синхронном смещении нескольких точек. Параллельное движение выполняют для четырех возможных направлений, покрывающих плоскость. Избыточное число данных измерений позволяет разделить результаты статистического анализа, по крайней мере, на два независимых канала измерения [121]. Замыкание каналов на единственное исходное изображение порождает доминирующие потоки и своего рода обратную связь.

4. Предложен метод синтеза поля опорных потоков на основе кросс-анализа полей потоков из различных каналов и цепочечного присоединения потоков по оценкам ближнего и дальнего прогнозов. Метод дополнен волновым распространением модельных потоков, формируемым в соответствии с типом узора, и вычислением продольной и поперечной кривизны модельных потоков с указанием линий перелома направлений кривизны. Это позволяет предсказать потоки в неинформативных областях и улучшить оценку (4.14.7).

5. Предложен метод распознавания общих признаков ДИ на основе адаптивных апертур для матриц потоков, уточняющий при иерархическом погружении в пирамиду параметры общих признаков и выбирающий из них наиболее правдоподобные, улучшающие оценку (3.10.5). Учет общих признаков во второй обработке улучшает оценку (4.14.7), а их набор определяет вероятный тип узора.

6. Предложен метод синтеза модельного поля плотности линий над полем градиента изображения, предполагающий измерение и анализ плотности линий с выделением опорного поля, синтез модельного поля плотности линий методом волнового прогноза периодов как с адаптацией, так и без адаптации к точечным периодам. Метод существенно отличается от ДПФ и позволяет подавить межпапиллярные линии и подчеркнуть детали изображения: глазки, крючки, фрагменты и др.

7. Предложен метод сегментации на базе качества сегментов изображения, оцениваемого на основе когерентностей и достоверностей как модельных потоков, так и модельных плотностей линий. Ни один из этих разработанных признаков не известен из уровня техники.

8. Предложен метод фильтрации изображения на основе последовательно применяемого дифференциального фильтра с новым килевидным ядром, ориентированным по направлению кривизны модельных потоков и минимизирующим влияние изменяющейся ширины просветов между линиями, и сглаживающего вдоль линий фильтра, учитывающего направление и величину кривизны модельных потоков. Оба фильтра в окрестности общих: признаков специализируются. Метод фильтрации не известен из уровня техники.

9. Предложена новая математическая модель ДИ, защищенная рядом патентов Российской Федерации [175-181]. В ней расширено содержание общих и частных признаков, введены новые топологические векторы частных признаков и линий (опр. 5.4.1, 5.4.2), развит подход гребневого счета (опр. 5.6.1), введены векторы состояния по (5.8.2) и (5.8.3), предложен метод индексации ДИ (5.9.1) и (5.9.2) и его графическая структура (5.10.1). Доказаны свойства моделей. Доказана теорема 5.4.1 о числе равных по топологии связей в топологическом векторе при мутации к-го рода частного признака. Доказана теорема 5.8.1 о вероятности s -устойчивости вектора состояния.

В математической модели достигнуты первый, второй и третий уровни обобщения топологических векторов, позволяющие повысить устойчивость модели к преобразованиям и деформации ДИ, улучшить реактивность процедуры идентификации и обеспечить индексацию ДИ.

10. На основе функции МРВ предложены модели ошибок распознавания общих (3.10.3-3.10.6) и частных (4.13.5—4.13.8) признаков, позволяющие ввести точки контроля независимых частей программного объекта и решить оптимизационную задачу идентификации изображения. Доказаны свойства функции МРВ и моделей. Доказана теорема 3.10.1 и теорема 4.13.1 о состоятельности оценок ошибок распознавания.

11. Доказана возможность расширения области применения исследованных методов измерения, анализа и понимания ДИ (гл. 6) на примере сегментации изображений множества отпечатков пальцев [304] и навигации по коллекции изображений.

12. Программное обеспечение, в котором реализованы методы измерения, анализа и понимания ДИ, сертифицировано в NIST USA (метка 21 [307]) и защищено 11 свидетельствами об официальной регистрации программы для ЭВМ. Эти методы, встроенные в АДИС СОНДА, дважды обеспечили первое место при идентификации ДИ, снятых с оптического сенсора, на международном тестировании в университете Болоньи (Италия) как в 2006 г. (метка Р088 [305]), так и в 2004 г. (метка Р047 [308]). Они в составе SDK СОНДА на другом тесте в NIST USA показали лучший в мире результат среди таких фирм, как COGENT, DERM ALO G, BIOSCRYPT, SAGEM, NEC, IDENTIX, BIO-KEY, MOTOROLA, NEUROTECHNOLOGIJA, AWARE, BIOVISION и SUPREMA (метка 21 [306]).

Дополнительно ядро АДИС СОНДА в виде набора инструментальных средств разработчика протестировано министерством внутренних дел США в NIST USA (метка 1Z [310]). Однако без специальной адаптации к сложным изображениям АДИС СОНДА показывает средние результаты [309]. Тем не менее, это единственная Российская система, которая под своим именем выступила на тестировании в NIST USA, организованного для оценки технологии автоматической идентификации следов пальцев рук.

Конкурентоспособный уровень методов и технологий подтверждается фактом покупки исходных текстов ПО американской компанией IDENTIX.

Методы, воплощенные в программах АДИС СОНДА и SDK СОНДА защищены свидетельствами об официальной регистрации программ для ЭВМ [203-206] и патентами Российской Федерации на изобретения [175—181], приведенный перечень которых далеко не исчерпывающий.

Список литературы диссертационного исследования доктор физико-математических наук Гудков, Владимир Юльевич, 2011 год

1. Абламейко, C.B. Автоматический анализ и контроль изображений/ C.B. Абламейко, В.И. Лебедев, Д.М. Лагуновский. Минск: ИТК АНБ, 1993. -103с.

2. Абламейко, C.B. Обработка изображений: технология, методы, применение: учебное пособие / C.B. Абламейко, Д.М Лагуновский. Минск: Амалфея, 2000. - 304 с.

3. Автоматический анализ сложных изображений / под ред. Э.М. Бравер-мана: сб. пер. М.: Мир, 1969. - 309 с.

4. Аггарвал, Д.К. Определение параметров движения по последовательности изображений: обзор / Д.К. Аггарвал, Н. Нандхакамур // ТИИЭР. 1988. -Т. 76, №8.-С. 69-90.

5. Айзерман, М.А. Метод потенциальных функций в теории обучения машин / М.А. Айзерман, Э.М. Браверман, Л.И. Розоноэр. М.: Наука, 1970. -394 с.

6. Айзерман, М.А. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы/ М.А. Айзерман, Э.М. Браверман, Л.И. Розоноэр // Автоматика и телемеханика. -1964. Т. 25, № 6. - С. 917-936.

7. Александров, А.Г. Оптимальные и адаптивные системы / А.Г. Александров. -М.: Высшая школа, 1989. 263 с.

8. Алоимокос, Д. Зрительное определение формы / Д. Алоимокос // ТИИЭР. 1988. - Т. 76, № 6. - С. 50-69.

9. Альберг, Д. Теория сплайнов и ее приложения / Д. Альберг, Э. Нильсон, Д. Уолш. М.: Мир, 1972. - 380 с.

10. Анатомия человека: в 2 т. / под ред. М.Р. Сакина. М.: Медицина, 1993. - Т. 2. - 560 с.

11. Андрианов, В.А. Средства и методы выявления, фиксации и изъятия следов рук / В.А. Андрианов, В.Е. Капитонов. — М.: Высшая школа, 1985. -127 с.

12. Анисимов, Б.В. Распознавание и цифровая обработка изображений / Б.В. Анисимов, В.Д.Курганов, В.К. Злобин. М.: Высшая школа, 1983. — 295 с.

13. Арамонович, И.Г. Моделирование биологических систем: справочник / И.Г. Арамонович, В.И. Левин. Киев: Наук, думка, 1969. — 528 с.

14. Арене, X. Многомерный дисперсионный анализ / X. Арене, Ю. Лёйтер. М.: Финансы и статистика, 1985. — 230 с.

15. Арлазаров, В.Л. Документооборот. Прикладные аспекты /

16. B.Л. Арлазаров, Н.Е. Емельянов. -М.: УРСС, 2005. 184 с.

17. A.c. 138095 СССР, МКИ G 06 К 9/00. Способ автоматического сравнительного исследования дактилоскопических отпечатков / Л.Г. Эджубов,

18. C.А. Литинский. №701272/31; заявл. 17.01.59; опубл. 18.09.61, Бюл. №9. -9 с.

19. A.c. 251961 СССР, МКИ G 06 К 9/00. Устройство для кодирования дактилоскопических отпечатков / П.М. Чеголин, И.А. Чадович, С.А. Дюжева. -№ 1237900/18-24; заявл. 08.05.68; опубл. 13.01.70, Бюл. № 28. 8 с.

20. A.c. 271922 СССР, МКИ G 06 К 9/00. Устройство для автоматического опознавания пальцевых узоров / А.М. Кукинов, O.A. Оганов. — № 1213420/1824; заявл. 29.01.68; опубл. 26.05.70, Бюл. № 18. 8 с.

21. A.c. 290296 СССР, МКИ G 06 К 9/00. Способ автоматического нахождения центра считывания дактилоскопических отпечатков / П.М. Чеголин,

22. И.А. Чадович, B.C. Кончак, Г.И. Алексеев. № 1301566/18-24; заявл. 06.01.69; опубл. 22.12.70, Бюл. №2.-7 с.

23. A.c. 691896 СССР, МКИ G 06 К 9/00. Способ распознавания изображений объектов с однородной структурой / И.И. Стрижкин, JI.H. Васильев. — № 2607472/18-24; заявл. 25.04.78; опубл. 15.10.79, Бюл. № 38. 9 с.

24. A.c. 702390 СССР, МКИ G 06 К 9/00. Устройство для выделения границ дактилоскопического отпечатка / JI.C. Хуршудян, А.Г. Азарян. — № 2584686/18— 24; заявл. 24.02.78; опубл. 05.12.79, Бюл. № 45. 9 с.

25. A.c. 1524073 СССР, МКИ G 06 К 9/00. Способ выделения контуров изображения объекта / Ю.И. Рассадкин, И.Б. Лимонов. № 4327673/24-24; заявл. 16.01.87; опубл. 23.11.89, Бюл. № 43. - 14 с.

26. A.c. 1652984 СССР, МКИ G 06 К 9/00. Способ формирования признаков при распознавании изображений объектов / Г.Е. Баскин, В.И. Гордиенко, Л.С. Короток, Б.П.Русын. №4468868/24; заявл. 01.08.88; опубл. 30.05.91, Бюл. № 20. - 9 с.

27. Афанасьев, А.Н. Системы технического зрения для определения координат топологических элементов изделий РЭА: автореферат дис. . канд. техн. наук / А.Н. Афанасьев. Ижевск: Изд-во ИжГУ, 1993. - 17 с.

28. Афанасьев, В.Н. Математическая теория конструирования систем управления / В.Н. Афанасьев, В.Б. Колмановский, В.Р. Носов. — М.: Высшая школа, 1998.-574 с.

29. Бакут, П.А. Сегментация изображений: методы выделения границ областей / П.А. Бакут, Г.С. Колмогоров // Зарубежная радиоэлектроника. 1987. -№ 10.-С. 33-52.

30. Банк данных детального описания папиллярных узоров / Л.Г. Эджубов, Е.С. Карпухина, В.Н. Мяснянкина и др.; под ред. Л.Г. Эджубова // сб. науч. ст. -М.: ИЦ МВД РФ, 2002. С. 304-311.

31. Барвиненко, C.B. Использование обобщенного иерархического спектра Хоуга в задаче поиска объекта произвольной формы на полутоновомизображении / C.B. Барвиненко, Е.И. Шабаков // Автоматика и телемеханика. — 1998.-№7.-С. 185-189.

32. Бахвалов, Н.С. Численные методы: учебное пособие / Н.С. Бахвалов, Н.П. Жидков, Г.М. Кобельков. М.: Наука, 1987. - 600 с.

33. Берже, К. Теория графов и ее применение / К. Берже. М.: Мир, 1962. -319 с.

34. Берт, П.Д. Интеллектуальное восприятие в пирамидальной зрительной машине / П.Д. Берт // ТИИЭР. 1988. - Т. 76, № 8. - С. 175-186.

35. Бертеро, М. Некорректные задачи в предварительной обработке визуальной информации / М. Бертеро, Т.А. Поджо, В. Toppe // ТИИЭР. 1988. -Т. 76, №8.-С. 17-40.

36. Бесл, Д. Геометрическое моделирование и машинное зрение / Д. Бесл // ТИИЭР. 1988. - Т. 76, № 8. - С. 90-117.

37. Бессонов, A.A. Методы и средства идентификации динамических объектов / A.A. Бессонов, Ю.В. Загашвили, A.C. Маркелов. Л.: Энергоатом-издат, 1989. - 280 с.

38. Блум, Ф. Мозг, разум и поведение / Ф. Блум, А. Лейзерсон, Л. Хофстед-тер; пер. с англ. Е.З. Годиной. -М.: Мир, 1988. 248 с.

39. Болтянский, В.Г. Наглядная топология / В.Г. Болтянский, В.А. Ефремович. М.: Наука, 1983.-160 с.

40. Бондаренко, В.А. Фрактальное сжатие изображений по Барнсли -Слоану / В.А. Бондаренко, В.Л. Дольников // Автоматика и телемеханика. -1994.-№5.-С. 12-20.

41. Боннер, Р.Э. Некоторые методы классификации / Р.Э Боннер; под ред. Э.М. Бравермана // Автоматический анализ сложных изображений. М.: Мир, 1969.-С. 209-234.

42. Брайнес, С.Н. Нейрокибернетика / С.Н. Брайнес, A.B. Напалков, В.Б. Свечинский. — М.: Изд-во медицинской литературы, 1962. — 172 с.

43. Братко, И. Программирование на языке Пролог для искусственного интеллекта / И. Братко; пер. с англ. А.И. Лупенко, A.M. Степанова; под ред. A.M. Степанова. -М.: Мир, 1990. 560 с.

44. Бураков, М.В. Синтез нейронного регулятора / М.В. Бураков // Изв. РАН. ТиСУ. М, 1999. - № 3. - С. 140-145.

45. Буч, Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++ / Г. Буч; пер. с англ.; под ред. И. Романовского, Ф. Андреева. М.: Изд-во Бином, 1998. — 560 с.

46. Бъемон, Ж. Итерационные методы улучшения изображения / Ж. Бъемон, Л.Р. Логендейк, P.M. Мерсеро // ТИИЭР. 1990. - Т. 78, № 5. - С. 58-84.

47. Вапник, В.FI. Теория распознавания образов: статистические проблемы обучения / В.Н. Вапник, А.Я. Червоненкис. — М.: Наука, 1974. — 416 с.

48. Василенко, Г.И. Восстановление изображений / Г.И. Василенко, A.M. Тараторин. М.: Радио и связь, 1986. - 304 с.

49. Вентцель, Е.С. Теория вероятностей и ее инженерные приложения / Е.С. Вентцель, Л.А. Овчаров. -М.: Наука, 1988. 480 с.

50. Вержбицкий, В.М. Численные методы: линейная алгебра и нелинейные уравнения / В.М. Вержбицкий. М.: Высшая школа, 2000. - 266 с.

51. Вероятностные методы в вычислительной технике / A.B. Крайников, Б.А. Курдиков, А.Н. Лебедев и др. М.: Высшая школа, 1986. - 312 с.

52. Визильтер, Ю.В. Объединение свидетельств при проверке сложных гипотез в задачах распознавания образов / Ю.В. Визильтер // Мехатроника, автоматизация, управление. 2006. — №3. — С.26-32.

53. Гавриков, М.Б. Зависимость качества распознавания от взаимного расположения среднестатистических растров и векторов баз обучения и распознавания / М.Б. Гавриков, Н.В. Пестрякова, A.B. Усков // Препринт ИПМатем. РАН. М., 2009. - № 19 - 28 с.

54. Гавриков, М.Б. Метод полиноминальной регрессии в задачах распознавания печатных и рукопечатных символов / М.Б. Гавриков, Н.В. Пестрякова // Препринт ИПМатем. РАН. М., 2004. - № 22 - 12 с.

55. Галушкин, А.И. Теория нейронных сетей: учебное пособие для вузов: кн. 1 / А.И. Галушкин. М.: Изд-во ИПРЖР, 2000. - 416 с.

56. Генкин, В.Л. Системы распознавания автоматизированных производств / В.Л. Генкин, И.Л. Ерош, Э.С. Москалев. — Л.: Машиностроение, 1988. -246 с.

57. Глушков, В.М. К вопросу о самообучении в персептроне / В.М. Глуш-ков // Журнал вычислительной математики и математической физики. — 1962. — №6. -С. 1102-1110.

58. Гмурман, В.Е. Теория вероятностей и математическая статистика: учебное пособие / В.Е. Гмурман. М.: Высшее образование, 2007. - 479 с.

59. Головинский, О.Б. Поисковые системы / О.Б. Головинский, Г.В. Лавин-ский. — Киев: Техника, 1979. 104 с.

60. Гольденберг, Л.М. Цифровая обработка сигналов: справочник / Л.М. Гольденберг, Б.Д. Матюшкин, М.Н. Поляк. М.: Радио и связь, 1985. -312 с.

61. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс; пер. с англ.; под ред. П.А. Чочиа. М.: Техносфера, 2006. - 1072 с.

62. Горелик, А.Л. Методы распознавания / А.Л. Горелик, В.А. Скрипкин. -М.: Высшая школа, 1989. 232 с.

63. Горелик, А.Л. Современное состояние проблемы распознавания/ А.Л. Горелик, И.Б. Гуревич, В.А. Скрипкин. М.: Радио и связь, 1985.-160 с.

64. ГОСТ Р ИСО/МЭК 19794-2-2005. Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Часть 2. Данные изображения отпечатка пальца контрольные точки - М.: Изд-во стандартов, 2005.

65. Гренандер, У. Лекции по теории образов: анализ образов / У. Гренандер. -М.: Мир, 1981.-448 с.

66. Гренандер, У. Лекции по теории образов: регулярные структуры / У. Гренандер. М.: Мир, 1983.-430 с.

67. Гудков, В.Ю. Адаптивная фильтрация траектории движения объекта /

68. B.Ю. Гудков // XXI Российская школа по проблемам науки и технологий: тезисы докл. Миасс: МНУЦ, 2001. - С. 102.

69. Гудков, В.Ю. Двухканальный подход к определению поля потоков дактилоскопических изображений / В.Ю. Гудков; под ред. д.т.н. проф.

70. A. И. Телегина // Математическое моделирование: сб. науч. тр. Челябинск: Изд-во ЮУрГУ, 2003. - С. 62-76.

71. Гудков, В.Ю. Индексация дактилоскопических изображений /

72. B.Ю. Гудков // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2010. - Вып. 11. - № 2(178). - С. 17-20.

73. Гудков, В.Ю. Математические модели изображения отпечатка пальца на основе описания линий / В.Ю. Гудков // Информатика и ее применения. — 2010. -Т. 4, Вып. 1.-С. 59-65.

74. Гудков, В.Ю. Методы первой обработки дактилоскопических изображений: монография / В.Ю. Гудков. -Миасс: Изд-во ООО «Геотур», 2008. 127 с.

75. Гудков, В.Ю. Методы первой и второй обработки дактилоскопических изображений: монография / В.Ю. Гудков. Миасс: Изд-во ООО «Геотур», 2009. -237 с.

76. Гудков, В.Ю. Об устойчивости модели дактилоскопических изображений / В.Ю. Гудков // Дискуссия: журн. науч. публ. Екатеринбург: Изд-во АЖУР, 2010.-№ 1.-С. 10-11.

77. Гудков, В.Ю. Основы теории цифрового управления: текст лекций / В.Ю. Гудков. Челябинск: Изд-во ЮУрГУ, 2003. - 92 с.

78. Гудков, В.Ю. Способ распознавания дактилоскопических изображений /В.Ю. Гудков // XXIII Российская школа по проблемам науки и технологий: тезисы докл. Миасс: МСНТ, 2003. - С. 92.

79. Дактилоскопическая экспертиза: современное состояние и перспективы развития / В.Е. Корноухов, В.К. Анциферов, Г.П. Морозов и др.; под ред. Г.Л.Грановского. Красноярск: Изд-во Красноярского университета, 1990. -416 с.

80. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. М.: Мир, 1976.-511 с.

81. Евреинов, Э.В. Однородные вычислительные системы, структуры и среды / Э.В. Евреинов. М.: Радио и связь, 1981. - 208 с.

82. Елисеев, И.И. Группировка, корреляция, распознавание образов / И.И. Елисеев, В.О. Рукавишников. — М.: Статистика, 1977. 144 с.

83. Журавлев, Ю.И. Об алгоритмических методах в задачах распознавания и классификации: распознавание, классификация, прогноз // Математические методы и их применение / Ю.И. Журавлев. М.: Наука, 1989. — Вып. 1. - С. 9— 16.

84. Завалишин, Н.В. Модели зрительного восприятия и алгоритм анализа изображений / Н.В. Завалишин, И.Б. Мучник. — М.: Наука, 1974. 344 с.

85. Загоруйко, Н.Г. Методы распознавания и их применение / Н.Г. Загоруй-ко. М.: Советское радио, 1972. - 208 с.

86. Залманзон, Л.А. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях / Л.А. Залманзон. М.: Наука, 1989. -496 с.

87. Защита программного обеспечения / Д. Гроувер, Р. Сатер, Д. Фипс и др.; пер. с англ.; под ред. В.Г. Потемкина. -М.: Мир, 1992. 286 с.

88. Зорин, Г.А. Теоретические основы криминалистики / Г.А. Зорин. -Минск: Амалфея, 2000. 416 с.

89. Зрительное опознание и его нейрофизиологические механизмы / под ред. В.Д. Глезер. Л.: Наука, 1975. - 272 с.

90. Ивахненко, А.Г. Самообучающиеся системы распознавания и автоматического управления / А.Г. Ивахненко. — Киев: Техника, 1969. — 392 с.

91. Игнатов, В.А. Теория информации и передачи сигналов / В.А. Игнатов. -М.: Радио и связь, 1991. 280 с.

92. Икэути, К. Автоматическое формирование программ распознавания образов / К. Икэути, Т. Канадэ // ТИИЭР. 1988. - Т. 76, № 8. - С. 186-209.

93. Инвариантные множества динамических систем в Windows/ А.Д.Морозов, Т.Н. Драгунов, С. А. Бойкова, О.В.Малышева. — М.: Эдиториал, 1998.-240 с.

94. Казаринов, М.Ю. Детерминизм в сложных системах управления и самоорганизации / М.Ю. Казаринов. JL: Изд-во Ленинградского университета, 1990.-168 с.

95. Калеватых, A.B. Обзор современных методов автоматизированного анализа изображений / A.B. Калеватых, Б.А. Павлов // Автоматика и телемеханика. 1995. - № 9. - С. 3-21.

96. Капица, С.П. Синергетика и прогнозы будущего / С.П.Капица, С .П. Курдюмов, Г.Г. Малинецкий. М.: Едиториал УРСС, 2003. - 288 с.

97. Каппелини, В. Цифровые фильтры и их применение / В. Каппе лини, А.Д. Константинидис, П. Эмилиани; пер. с англ. В.Н. Елисеева; под ред. H.H. Слепова. — М.: Энергоатомиздат, 1983. 360 с.

98. Касти, Д. Большие системы: связность, сложность и катастрофы/ Д. Касти. М.: Мир, 1982. - 216 с.

99. Катыс, Г.П. Обработка визуальной информации / Г.П. Катыс. М.: Машиностроение, 1990. - 320 с.

100. Кирилов, С.Н. Оптимизация признакового пространства в задачах распознавания элементов речи / С.Н. Кирилов, A.C. Шелудяков // Автоматика и телемеханика. 1998. - № 5. - С. 157-162.

101. Ковалевский, В.А. Методы оптимальных решений в распознавании изображений / В.А. Ковалевский. М.: Наука, 1976. - 328 с.

102. Кодирование и обработка изображений / под ред. В.В. Зяблова, Д.С. Лебедева. -М.: Наука, 1988. 181 с.

103. Козлов, Ю.М. Адаптация и обучение в робототехнике / Ю.М. Козлов. — М.: Наука, 1990. 248 с.

104. Колмогоров, А.Н. Основные положения теории вероятностей/ А.Н. Колмогоров. М.: Наука, 1987. - 347 с.

105. Колмогоров, А.Н. Теория информации и теория алгоритмов/ А.Н. Колмогоров. -М.: Наука, 1987. 304 с.

106. Кольцов, П.П. Математические модели теории распознавания образов: Компьютер и задачи выбора / П.П. Кольцов. М.: Наука, 1989. - С. 89-119.

107. Кондратьев, В.В. Основы теории активного восприятия изображений: монография / В.В. Кондратьев, В.А. Утробин. Н. Новгород: Изд-во НГТУ, 1997.-249 с.

108. Корн, Г. Справочник по математике: для научных работников и инженеров / Г. Корн, Т. Корн. М.: Наука, 1974. - 831 с.

109. Коршунов, Ю.М. Математические основы кибернетики / Ю.М. Коршунов. М.: Энергоатомиздат, 1987. — 496 с.

110. Кохонен, Т. Ассоциативная память / Т. Кохонен. М.: Мир, 1980. -239 с.

111. Красовский, A.A. Оценивание стационарного поля при размытом изображении / A.A. Красовский // Сб. докл. АН. 1979. - Т. 249, № 5. - С. 10711073.

112. Криминалистика: учебник для вузов / И.Ф.Герасимов, Л.Я. Драпкин, Е.П. Игценко и др.; под ред. И.Ф. Герасимова, Л .Я. Драпкина. М.: Высшая школа, 1994.-528 с.

113. Крылов A.C. Метод моментов Гаусса-Эрмита для анализа изображений отпечатков пальцев / A.C. Крылов, Е.В. Лазарева, О.С. Ушмаев // Графикон: тр. конф. М.: МГУ, 2008. - с. 31.

114. Кузнецов, В.Д. Идентификация объектов по стереоизображениям: оптимизация информационного пространства / В.Д. Кузнецов, И.А. Матвеев, А.Б. Мурынин // Изв. РАН. ТиСУ. 1998. - № 4. - С. 50-53.

115. Кулаичев, А.П. Методы и средства анализа данных в среде Windows: STADIA 6.0 / А.П. Кулаичев М.: Информатика и компьютеры, 1998. - 270 с.

116. Куликовский, Л.Ф. Теоретические основы информационных процессов / Л.Ф. Куликовский, В.В. Мотов. М.: Высшая школа, 1987. - 248 с.

117. Куприянов, М.С. Цифровая обработка сигналов: процессоры, алгоритмы, средства проектирования / М.С. Куприянов, Б.Д. Матюшкин. — СПб.: Политехника, 1999. 592 с.

118. Курейчик, В.В. Генетический алгоритм разбиения графа / В.В. Курей-чик, В.М. Курейчик // Изв. РАН. ТиСУ. 1999. - № 4. - С. 79-87.

119. Курейчик, В.В. Фрактальный алгоритм разбиения графов / В.В. Курейчик, В.М. Курейчик // Изв. РАН. ТиСУ. 2002. - № 4. - С. 65-75.

120. Кухарев, Г.А. Биометрические системы: методы и средства идентификации личности человека / Г.А. Кухарев. СПб.: Политехника, 2001. - 240 с.

121. Лагно, Д. Модифицированные алгоритмы Форчуна и Ли скелетизации многоугольной фигуры/ Д. Лагно, А. Соболев // Тр. межд. конф. ГрафиКон'2001. -Н. Новгород, 2001.- С. 120-124.

122. Ларичев, О.И. Теория и методы принятия решений, а также хроника событий в волшебных странах: учебник / О.И. Ларичев. М.: Логос, 2003. — 392 с.

123. Лебедев, Д.Е. Упругая модель изображения / Д.Е. Лебедев; под ред. В.В. Зяблова, Д.С. Лебедева // Кодирование и обработка изображений: сб. ст. -М.: Наука, 1988. С. 61-64.

124. Ли, Д. Вычислительные аспекты нижнего уровня машинного зрения / Д. Ли // ТИИЭР. 1988. - Т. 76, № 8. - С. 40-50.

125. Липский, В. Комбинаторика для программистов / В. Липский; пер. с польск. В.А.Евстигнеева, О.А.Логиновой; под ред. А.П.Ершова. М.: Мир, 1988.-213 с.

126. Логвиненко, А.Д. Зрительное восприятие пространства/ А.Д. Логви-ненко. М.: МГУ, 1981.-224с. .

127. Логический подход к искусственному интеллекту / А. Тей, П. Грибо-мон, Ж. Луи и др. М.: Мир, 1990. - 432 с.

128. Лотон, Д.Т. Системы понимания изображений / Д.Т. Лотон, К.С. Макко-нел // ТИИЭР. 1988. - Т. 76, № 8. - С. 209-227.

129. Любивь, И.В. Программные системы для идентификации и локализации объектов в изображениях: автореферат дис. . канд. физ.-мат. наук / И.В. Любивь. Красноярск, 2004. - 20 с.

130. Ляпунов, A.A. Проблемы теоретической и прикладной кибернетики/ A.A. Ляпунов. М.: Наука, 1980. - 336 с.

131. Мазуров, В.Д. Математические методы распознавания образов: монография / В.Д. Мазуров. Свердловск: Изд-во УрГУД982. - 80 с.

132. Майерс, Г. Искусство тестирования программ / Г. Майерс; пер. с англ.; под ред. Б.А. Позина. -М.: Финансы и статистика, 1982. 176 с.

133. Маковецкий, П.В. Смотри в корень: сборник любопытных задач и вопросов / П.В. Маковецкий. М.: Наука, 1991. - 352 с.

134. Марр, Д. Информационный подход к представлению и обработке зрительных образов у человека / Д. Марр. М.: Радио и связь, 1987. - 402 с.

135. Мартинес, Ф. Синтез изображений: принципы, аппаратное и программное обеспечение / Ф. Мартинес; пер. с фр. A.B. Серединского. М.: Радио и связь, 1990. - 192 с.

136. Матвеев, А.И. Идентификация объектов по стереоизображениям: оптимизация алгоритмов восстановления поверхности / А.И. Матвеев, А.Б. Му-рынин // Изв. РАН. ТиСУ. 1998. - № 3. - С.149-155.

137. Медицинские информационные технологии и системы/ C.B. Абламейко, В.В. Анищенко, В.А. Лапицкий, A.B. Тузиков. Минск: ОИПИ HAH Беларуси, 2007.- 176 с.

138. Меерсон, Я.А. Высшие зрительные функции: зрительный гнозис / Я.А. Меерсон. Л.: Наука, 1986. - 163 с.

139. Мермельстайн, П. Эксперименты по машинному распознаванию слитных рукописных слов / П. Мермельстайн, М. Иден; под ред. Э.М. Бра-вермана // Автоматический анализ сложных изображений: сб. пер. М.: Мир, 1969.-С. 188-202.

140. Месарович, М. Теория иерархических многоуровневых систем / М. Ме-сарович, Д. Мако, И. Танахара. М.: Мир, 1973. — 344 с.

141. Местецкий, JI.M. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры/ JIM. Местецкий. М.: ФИЗМАТЛИТ, 2009. -288 с.

142. Минский, М. Персептроны / М. Минский, С. Пейперт; пер. с англ. Г.Л. Гиммельфарба, В.М. Шарыпанова; под ред. В.А. Ковалевского. М.: Мир, 1971.-264 с.

143. Минский, М. Структура для представления знаний: психология машинного зрения / М. Минский; под ред. П. Уинстон. М.: Мир, 1978. - С. 249-340.

144. Миронов, А.И. Исследование микрорельефа папиллярных линий/ А.И. Миронов. М.: ВНИИ МВД СССР, 1970. - 20 с.

145. Многомерный вейвлет-анализ изображений / В.З. Рахманкулов,

146. A.A. Ахрем, В.В. Герасимов, A.A. Барсегов; под ред. член-корр. РАН

147. B. Л. Арлазарова и д.т.н. проф. Н. Е. Емельянова // Обработка изображений и анализ данных: труды ИСА РАН. М.: УРСС, 2008. - Т. 38. - С. 278-288.

148. Мурынин, А.Б. Автоматическая система распознавания личности по стереоизображениям / А.Б. Мурынин // Изв. РАН. ТиСУ. 1999. - № 1. - С. 106114.

149. Мучник,И.Б. Формирование описания языка зрительных образов/ И.Б. Мучник; под ред. Э.М. Бравермана // Автоматический анализ сложных изображений: сб. пер. М.: Мир, 1969. - С. 299-308.

150. Мушик, Э. Методы принятия технических решений / Э. Мушик, П. Мюллер. -М.: Мир, 1990. 208 с.

151. Нарасимхан, Р. Лингвистический подход к распознаванию образов/ Р. Нарасимхан; под ред. Э.М. Бравермана // Автоматический анализ сложных изображений: сб. пер. М.: Мир, 1969. - С. 22^19.

152. Нарасимхан,Р. Синтаксическая интерпретация классов изображений/ Р. Нарасимхан; под ред. Э.М. Бравермана // Автоматический анализ сложных изображений: сб. пер. М.: Мир, 1969. - С. 50-64.

153. Натансон, И.П. Краткий курс высшей математики / И.П.Натансон. — СПб.: Лань, 1997.-736 с.

154. Нейлор, К. Как построить свою экспертную систему / К. Нейлор; пер. с англ. H.H. Слепова. М.: Энергоатомиздат, 1991. - 286 с.

155. Новейшие методы обработки изображений / A.A. Потапов, A.A. Пахомов, С.А. Никитин, Ю.В. Гуляев. М.: Физматлит, 2008. - 496 с.

156. Новиков, Ф.А. Дискретная математика для программистов: учебник для вузов / Ф.А. Новиков. СПб.: Питер, 2008. - 384 с.

157. Носач, В.В. Решение задач аппроксимации с помощью персональных компьютеров / В.В. Носач. -М.: МИКАП, 1994. 382 с.

158. Нотон, Д. Движение глаз и зрительное восприятие: восприятие: механизмы и модели / Д. Нотон, Л. Старк. -М.: Мир, 1974. С. 226-240.

159. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, A.B. Алексеев, Г.В. Меркурьева и др. М.: Радио и связь, 1989. -304 с.

160. Онищенко, A.M. Повышение достоверности контроля и распознавания образов: выбор информативных сигналов и алгоритмы их обработки / A.M. Онищенко // Автоматика и телемеханика. 1996. - № 9. - С. 51-65.

161. Онищенко, A.M. Повышение достоверности контроля и распознавания образов: критерии информативности сигналов / A.M. Онищенко // Автоматика и телемеханика. 1996. — № 7. — С. 66-78.

162. Оппенгейм, A.B. Цифровая обработка сигналов / A.B. Оппенгейм, Р.В. Шафер. М.: Связь, 1979. - 416 с.

163. Ope, О. Графы и их применение / О. Ope. M.: КомКнига, 2006. - 168 с.

164. Осовский, С. Нейронные сети для обработки информации/ С. Осовский; пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

165. Острейковский, В.А. Теория систем: учебник для вузов / В.А. Острей-ковский. — М.: Высшая школа, 1997. — 240 с.

166. Острём, К. Системы управления с ЭВМ / К. Острём, Б. Виттенмарк; пер. с англ. А.Н. Николаева, Т.С. Чеботарева. М.: Мир, 1987. - 480 с.172.0т С к С++ / Е.И. Козел, Л.М. Романовская, Т.В. Русс и др. М.: Финансы и статистика, 1993. - 272 с.

167. Очин, Е.Ф. Вычислительные системы обработки изображений/ Е.Ф. Очин. Л.: Энергоатомиздат, 1989. - 136 с.

168. Павлидис, Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис; пер. с англ. Н.Г. Гуревич. М.: Радио и связь, 1986. - 400 с.

169. Пат. 2185660 Российская Федерация, МПК G06K9/52. Способ кодирования отпечатка папиллярного узора / В.Ю. Гудков, A.C. Боков. -№ 2000118065/09; заявл. 07.07.2000; опубл. 20.07.2002; Бюл. № 20.-13 с.

170. Пат. 2185661 Российская Федерация, МПК G06K9/62. Способ сравнения папиллярных узоров пальцев / В.Ю. Гудков, A.C. Боков. — № 2000121735/09; заявл. 14.08.2000; опубл. 20.07.2002; Бюл. № 20. 10 с.

171. Пат. 2298828 Российская Федерация, МПК G06K 9/52. Способ кодирования отпечатка папиллярного узора / В.Ю. Гудков, A.C. Боков. — № 2005132146/09; заявл. 17.10.2005; опубл. 10.05.2007; Бюл. № 13. 17 с.

172. Пат. 2305317 Российская Федерация, МПК G06K9/62. Способ сравнения папиллярных узоров / В.Ю. Гудков, A.C. Боков. № 2005132145/09; заявл. 17.10.2005; опубл. 27.04.2007; Бюл. № 24. - 13 с.

173. Пат. 2321057 Российская Федерация, МПК G06K9/52, А61В 5/117. Способ кодирования отпечатка папиллярного узора / В.Ю. Гудков. — № 2006142831/09; заявл. 04.12.2006; опубл. 27.03.2008; Бюл. № 9. 13 с.

174. Пат. 2331108 Российская Федерация, МПК G06K9/62. Способ сравнения отпечатков папиллярных узоров / Д.И. Аркабаев, В.Ю. Гудков. — № 2006140939/09; заявл. 20.11.2006; опубл. 10.08.2008; Бюл. № 22. 17 с.

175. Пат. 2360286 Российская Федерация, МПК G06K 9/00. Способ кодирования отпечатка папиллярного узора /В.Ю. Гудков. №2007118575/09; заявл. 18.05.2007; опубл. 27.06.2009; Бюл. № 18. - 13 с.

176. Персептрон — система распознавания образов / под ред. А.Г. Ивахненко. -Киев: Наук. Думка, 1975. -432 с.

177. Полевой, Н.С. Криминалистическая кибернетика / Н.С. Полевой. М.: Изд-во МГУ, 1989. - 328 с.

178. Попов, Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ / Э.В. Попов. М.: Наука, 1987. - 288 с.

179. Прикладная статистика: классификация и снижение размерности: справ, изд. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин; под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989. - 607 с.

180. Проектирование специализированных информационно-вычислительных систем / Ю.М. Смирнов, Г.Н. Воробьев, Е.С. Потапов, В.В. Сюзев; под ред. Ю.М. Смирнова. М.: Высшая школа, 1984. - 359 с.

181. Прэтт, У. Цифровая обработка изображений: в 2 т. / У. Прэтт; пер. с англ.; под ред. Д.С. Лебедева. М.: Мир, 1982. - Т. 2. - 480 с.

182. Райфельд, М.А. Ранговые алгоритмы обнаружения и оценивания: автореферат дис. . канд. техн. наук /М.А. Райфельд. Новосибирск, 1994. - 18 с.

183. Райхлин, В.А. Схемотехнические модели итеративных систем: автореферат дис. . д-ра техн. наук / В.А. Райхлин. — С. Петербург, 1994. — 39 с.

184. Райхмист, Р.Б. Графики функций: справочное пособие для вузов/ Р.Б. Райхмист. М.: Высшая школа, 1991. - 160 с.

185. Растригин, JI.A. Гибридное распознавание / JI.A. Растригин // Автоматика и телемеханика. — 1993. — № 4. — С. 3—20.

186. Рашфорт, К. Восстановление сигналов, функциональный анализ и интегральные уравнения Фредгольма первого рода / К. Рашфорт; под ред. Г. Старка // Реконструкция изображений: сб. науч. трудов. М.: Мир, 1992. — С. 15-46.

187. Реконструкция изображений / под ред. Г. Старка. — М.: Мир, 1992. -636 с.

188. Розенблатт, Ф. Математические модели принятия оптимальных решений / Ф. Розенблатт. М.: Мир, 1965. - 480 с.

189. Розенблатт, Ф. Принципы нейродинамики / Ф. Розенблатт. М.: Мир, 1964.-375 с.

190. Розенфельд, А. Машинное зрение: основные принципы / А. Розен-фельд // ТИИЭР. 1988. - Т. 76, № 8. - С. 10-16.

191. Розенфельд, А. Распознавание и обработка изображений/ А. Розенфельд. М.: Мир, 1972. - 232 с.

192. Руйуорд-Смит, В.Д. Теория формальных языков: вводный курс / В.Д. Руйуорд-Смит; пер. с англ. Б.А. Кузьмина; под ред. И.Г. Шестакова. — М.: Радио и связь, 1988. 128 с.

193. Садыков, С.С. Скелетизация бинарных изображений / С.С. Садыков, И.Р. Самандаров // Зарубежная радиоэлектроника. 1985. - № 10. - С. 30-37.

194. Самищенко, С.С. Атлас необычных папиллярных узоров / С.С. Сами-щенко. М.: Юриспруденция, 2001. - 320 с.

195. Самойленко, В.И. Техническая кибернетика / В.И. Самойленко, В.А. Пузырев, И.В. Грубрин. М.: Изд-во МАИ, 1994. - 280 с.

196. Саридис, Д. Самоорганизующиеся стохастические системы управления / Д. Саридис. М.: Наука, 1980. - 400 с.

197. Свидетельство об официальной регистрации программы для ЭВМ. Автоматизированная дактилоскопическая идентификационная система Сонда 7.3 Лайт / Д.И. Аркабаев, А.С. Боков, В.Ю. Гудков и др. М.: РОСПАТЕНТ, 2006. - 50с. - № 2006611735.

198. Свидетельство об официальной регистрации программы для ЭВМ. Автоматизированная дактилоскопическая идентификационная система Сонда 8 Enterprise Edition / Д.И. Аркабаев, А.С. Боков, В.Ю. Гудков и др. М.: РОСПАТЕНТ, 2006. - 50с. -№ 2006611657.

199. Свидетельство об официальной регистрации программы для ЭВМ. Автоматизированная дактилоскопическая идентификационная система Сонда 8 / Д.И. Аркабаев, А.С. Боков, В.Ю. Гудков и др. М.: РОСПАТЕНТ, 2006. - 50с. -№2006611656.

200. Свидетельство об официальной регистрации программы для ЭВМ. Система входа в компьютер и защиты данных Сонда Логон / Д.И. Аркабаев, А.С. Боков, В.Ю. Гудков и др. М.: РОСПАТЕНТ, 2006. - 50с. - № 2006611736.

201. Сергиенко, А.Б. Цифровая обработка сигналов / А.Б. Сергиенко. — СПб.: Питер, 2002. 608 с.

202. Сиран, И. Анализ массивов интенсивности с использованием знаний о сцене / Й, Сиран; под ред. П. Уинстон // Психология машинного зрения. М.: Мир, 1978.-С. 112-136.

203. Соболь, И.М. Метод Монте-Карло / И.М. Соболь. М.: Наука, 1985. -80 с.

204. Советов, Б.Я. Моделирование систем: учебник для вузов / Б.Я. Советов, С.А. Яковлев. М.: Высшая школа, 1998. - 319 с.

205. Соколов,А.В. Информационно-поисковые системы / А.В.Соколов. — М.: Радио и связь, 1981. 151 с.

206. Солодовников, B.B. Основы теории и элементы систем автоматического регулирования: учебное пособие для вузов / В.В. Солодовников, В.Н. Плотников, A.B. Яковлев. -М.: Машиностроение, 1985. 536 с.

207. Сперри, Р. Глаз и мозг: восприятие: механизмы и модели / Р. Сперри. -М.: Мир, 1974. С. 307-337.

208. Спиридонов, A.B. Применение сглаживающих сплайнов для фильтрации сильно зашумленных сигналов / A.B. Спиридонов, И.В. Тиме // Автоматика и телемеханика. 1998. - № 7. - С. 75-82.

209. Статистика: курс лекций / Л.П. Харченко, В.Г. Долженкова, В.Г. Ионин и др.; под ред. В.Г. Ионина. М.: ИНФРА-М, 1999. - 310 с.

210. Сутро, Л. Модель зрительного пространства: проблемы бионики: биологические прототипы и синтетические системы / Л. Сутро. М.: Мир, 1965.- 126 с.

211. Тарасевич, Ю.Ю. Математическое и компьютерное моделирование. Вводный курс: учебное пособие / Ю.Ю. Тарасевич. М.: Едиториал УРСС, 2004.- 152 с.

212. Тейер, Т. Надежность программного обеспечения / Т. Тейер, М. Липов, Э. Нельсон.; пер. с англ. Е.К. Масловского. М.: Мир, 1981. - 323 с.

213. Техническое зрение / под ред. А. Пью. М.: Машиностроение, 1987. -413 с.

214. Техническое зрение роботов / В.И. Мошкин., A.A. Петров, B.C. Титов, Ю.Г. Якушенков; под ред. Ю.Г. Якушенкова. М.: Машиностроение, 1990. -272 с.

215. Титов, Ю.В. Об искажении символов при сканировании / Ю.В. Титов; под ред. член-корр. РАН В. Л. Арлазарова и д.т.н. проф. Н. Е. Емельянова // Системный подход к управлению информацией: труды ИСА РАН. М.: УРСС, 2006. - Т. 23. - С. 260-288.

216. Тодорова, М.И. О времени работы метода потенциальных функций на одномерной решетке / М.И. Тодорова // Математические методы распознавания образов: сб. тезисов докл. Пущино, 1995. — С. 60-61.

217. Толстой, JI.H. Что такое красота? / JI.H. Толстой М.: Современник, 1985.-592 с.

218. Трухаев, Р.И. Модели принятия решений в условиях неопределенности / Р.И. Трухаев. М.: Наука, 1981. - 257 с.

219. Ушмаев, О.С. Адаптация биометрической системы к искажающим факторам на примере дактилоскопической идентификации / О.С. Ушмаев // Информатика и ее применение. 2009. - Т. 3, Вып. 2. — С. 25—33.

220. Ушмаев, О.С. Методы и инструментальные средства разработки мультибиометрических систем двойного применения: автореферат дис. . д-ра техн. наук / О.С. Ушмаев. М.: Цифровичок, 2009. - 42 с.

221. Ушмаев, О.С. Непрерывная классификация дактокарт по особенностям опорных точек отпечатков пальцев / О.С. Ушмаев // Математические методы распознавания образов: сб. докл. М.: МАКС ПРЕСС, 2009. - С. 453-456.

222. Федотов, Н.Г. Распознавание изображений с позиций стохастической геометрии / Н.Г. Федотов // Математические методы распознавания образов: сб. тезисов докл. Пущино, 1995. - С. 63-64.

223. Феллер, В. Введение в теорию вероятностей и ее приложения: в 2 т. / В. Феллер М.: Мир, 1980. - Т. 1. - 528 с.

224. Феллер, В. Введение в теорию вероятностей и ее приложения: в 2 т. / В. Феллер М.: Мир, 1980. - Т. 2. - 738 с.

225. Фишер, Р. От поверхностей к объектам: машинное зрение и анализ трехмерных сцен / Р. Фишер. М.: Радио и связь, 1993. - 288 с.

226. Фомин, Я.А. Статистическая теория распознавания образов / Я.А. Фомин, Г.Р. Тарловский. М.: Радио и связь, 1986. — 264 с.

227. Фор, А. Восприятие и распознавание образов / А. Фор; пер. с фр. A.B. Серединского; под ред. Г.П. Катыса. — М.: Машиностроение, 1989. — 272 с.

228. Форсайт, Д. Машинные методы математических вычислений / Д. Форсайт, М. Малькольм, К. Моулер; пер. с англ. Х.Д. Икрамова. М.: Мир, 1980.-279 с.

229. Форсайт, Д.А. Компьютерное зрение: современный подход / Д.А. Форсайт, Ж. Понс; пер. с англ. A.B. Назаренко, И.Ю. Дорошенко. М.: Изд. дом Вильяме, 2004. - 928 с.

230. Фу, К. Структурные методы в распознавании образов / К. Фу. — М.: Мир, 1977.-319 с.

231. Харалик, P.M. Статистический и структурный подходы к распознаванию структур / P.M. Харалик // ТИИЭР. 1979. - Т. 67, № 5. - С. 95120.

232. Химельблау, Д. Прикладное нелинейное программирование / Д. Хи-мельблау; пер. с англ. И.М. Быховской, Б.Т. Вавилова; под ред. М.Л. Быховского. М.: Мир, 1975. - 534 с.

233. Хонсбергер, Р. Математические изюминки / Р. Хонсбергер; пер. с англ. А.П. Савина, Л.А. Савиной. -М.: Наука, 1992. 176 с.

234. Хорн, Б. Определение формы по данным о полутонах / Б. Хорн; под ред. П. Уинстон // Психология машинного зрения. М.: Мир, 1978. - С. 137-184.

235. Хьюбел, Д. Глаз, мозг, зрение / Д. Хьюбел; пер. с англ. О.В. Левашова, Г.А. Шараева; под ред. А.Л. Вызова. М.: Мир, 1990.-237 с,

236. Чобану, М.К. Аналитический синтез многомерных неразделимых сигналов и устройств для многоскоростных систем обработки изображений: автореферат дис. . д-ра. техн. наук / М.К. Чобану. М., 2007. - 32 с.

237. Чукин, Ю.В. Структуры данных для представления изображений/ Ю.В. Чукин // Зарубежная радиоэлектроника. — 1983. — № 8. С. 35-47.

238. Чэн, Ш.К. Принципы проектирования систем визуальной информации / Ш.К. Чэн. М.: Мир, 1994. - 408 с.

239. Шевченко, H.A. Обработка изображений металлических поверхностей в задачах автоматизированного контроля качества изделий: автореферат дис. . канд. техн. наук / H.A. Шевченко. Владимир, 2006. - 20 с.

240. Шеперд, Г. Нейробиология: в 2 т. / Г. Шеперд; пер. с англ. H.H. Али-пова, О.В. Левашова; под ред. Д.А. Сахарова. — М.: Мир, 1987. Т. 2. - 368 с.

241. Шибанов, Г.П. Распознавание в системах автоконтроля / Г.П. Шибанов.- М.: Машиностроение, 1973. 424 с.

242. Шикин, Е.В. Кривые и поверхности на экране компьютера: руководство по сплайнам для пользователей / Е.В. Шикин, А.И. Плис. М.: ДИАЛОГ-МИФИ, 1996.-240 с.

243. Шилдт, Г. Теория и практика С++ / Г. Шилдт; пер. с англ. О. Кокоревой.- СПб.: BHV-Санкт-Петербург, 1996. 416 с.

244. Шильяк, Д. Децентрализованное управление сложными системами / Д. Шильяк. М.: Мир, 1994. - 574 с.

245. Шлезингер, М.И. Математические средства обработки изображений/ М.И. Шлезингер. Киев: Наук. Думка, 1989. - 200 с.

246. Шубников, A.B. Симметрия в науке и искусстве / A.B. Шубников, В .А. Копцик. М.: Наука, 1972. - 339 с.

247. Шустер, Г. Детерминированный хаос: введение / Г. Шустер. М.: Мир, 1988.-240 с.

248. Эксперименты с машинным зрением / В.П. Андреев, Д.А. Белов, Г.Г. Вайнштейн, Е.А. Москвина. -М.: Наука, 1987. 128 с.

249. Элджер, Д. С++: библиотека программиста / Д. Элджер. СПб.: Питер, 2000.-320 с.

250. Элементы теории биологических анализаторов / под ред. Н.В. Позина. -М.: Наука, 1978.-360 с.

251. Эндрю, А. Искусственный интеллект / А. Эндрю; пер. с англ. В.Л. Стефанюка; под ред. Д.А. Поспелова. М.: Мир, 1985. - 264 с.

252. Эфрос, A.JI. Физика и геометрия беспорядка / A.JI. Эфрос. М.: Наука, 1982.-176 с.

253. Эшби, У.Р. Введение в кибернетику / У.Р. Эшби; пер. с англ.; под ред. В .А. Успенского. М.: КомКнига, 2005. - 432 с.

254. Яглом, И.М. Булева алгебра и ее модели / И.М. Яглом. М.: Советское радио, 1980.-192 с.

255. Яне, Б. Цифровая обработка изображений / Б. Яне; пер. с англ. A.M. Измайловой. М.: Техносфера, 2007. - 584 с.

256. Яншин, В.В. Анализ и обработка изображений: принципы и алгоритмы / В.В. Яншин. М.: Машиностроение, 1994. - 112 с.

257. Ярославский, Л.П. Устройства ввода-вывода изображений для цифровых вычислительных машин / Л.П. Ярославский. — М.: Энергия, 1986. -88 с.

258. Ясницкий, Л.Н. Введение в искусственный интеллект / Л.Н. Ясницкий. М.: Издательский центр «Академия», 2005. - 176 с.

259. ANSI/NIST ITL 1-2007 Data Format for the Interchange of Fingerprint, Facial, & Other Biometric Information Part 1. - 2007.

260. Automated fingerprint identification / K. Asai, Y. Kato, Y. Hoshino, K. Kiji // SPIE Imaging Applications for Automated Industrial Inspection & Assembly. -Kawasaki, 1979. -V. 192. P. 49-58.

261. Bhanu, B. Computational algorithms for fingerprint recognition / B. Bhanu, X. Tan. New York: Springer-Verlag, 2003. - 216 p.

262. Bolle, R.M. Automatic fingerprint recognition systems / R.M. Bolle, N.K. Ratha. New York: Springer-Verlag, 2004. - 458 p.

263. Bolle, R.M. Error analysis of pattern recognition systems — the subsets bootstrap / R.M. Bolle, N.K. Ratha, S. Pankanti // Computer Vision and Image Understanding. 2004. - V. 93, № 1. - P. 1-33.

264. Bolle, R.M. Guide to biometrics / R.M. Bolle, J.Y. Connel, S. Pankanti, N.K. Ratha. New York: Springer-Verlag, 2004. - 368 p.

265. Burt, P.I. Fast filter transforms for image processing / P.I. Burt // Comp. Graphics and Image Processing. 1981. - V. 16. - P. 20-51.

266. Daubechies, I. Ten lectures on wavelets / I. Daubechies // CBMS-NSF regional conf. series in appl. math. Philadelphia: PA, 1992. —V. 61. - P. 32-57.

267. Faugeras, O.D. A 3-D recognition and positioning algorithm using geometric matching between primitive surfaces / O.D. Faugeras, M.A. Hebert // Proceedings 8th Int. Joint Conf. on Artificial Intelligence. 1983. - P. 996-1002.

268. Gudkov, V.U. Mathematical models of fingerprint image on the basis of lines description / V.U. Gudkov // GraphiCon: Conf. proc. M.: MSU, 2009. - P. 223-227.

269. Gurevich, I.B. Fundamental concepts and elements of image analysis ontology / I.B. Gurevich, O. Salvetti, Yu.O. Trusova // Pattern Recognition and Image Analysis. 2009. -V. 19, № 4, P. 603-611.

270. Handbook of fingerprint recognition / D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar. London: Springer-Verlag, 2009. - 496 p.

271. Horn, B.K.P. The variational approach to shape from shading / B.K.P. Horn, M.J. Brooks // Computer, vision, graphics and image processing. 1986. - V. 33. — P. 174-208.

272. Hrechak, A.K. Automated fingerprint recognition using structural matching / A.K. Hrechak, J.A. McHugh // Pattern recognition. 1990. - V. 23, № 8. - P. 893904.

273. ISO/IEC 19794-2: 2005 Information technology Biometric data interchange formats - Part 2: Finger minutiae data.

274. Jain, A.K. Handbook of multibiometrics / A.K. Jain, K. Nandakumar, A. A. Ross. London: Springer-Verlag, 2006. - 202 p.

275. Komarinski P. Automated fingerprint identification systems / P. Komarinski. -New York: Academic Press, 2005. 295 p.

276. Kucken, M. Fingerprint formation / M. Kucken, A.C. Newell // Journal of Theoretical Biology, 235. 2005. - P. 71-83.

277. Lin, H. Median filters with adaptive length / H Lin, A. N. Wiltion // Jr. IEEE. Circuits and systems. 1988. - V. 35, № 6. - P. 675-690.

278. Maltoni, D. Handbook of fingerprint recognition / D. Maltoni, D. Maio, A.K. Jain. New York: Springer-Verlag, 2003. - 348 p.

279. Mecollum, A.J. A histogram modification unit for real-time image enhancement / A.J. Mecollum, C.C. Bowman // Computer vision, graphics and image processing. 1988. -V. 42, № 3. - P. 387-398.

280. Mestetskiy, L.M. Binary image skeleton continuous approach / L.M. Mestetskiy, A. Semenov // Proceedings of the Third International conference on computer vision theory and application. - 2008. - V. 1. — P. 251—258.

281. Nilsson, K. Complex filters applied to fingerprints images detecting prominent symmetry points used for alignment / K. Nilsson, J. Bigun // Workshop on biométrie authentication: Proc. New York: Springer-Verlag, 2002. - P. 39-47.

282. Nilsson, K. Prominent symmetry points as landmarks in fingerprint images for alignment / K. Nilsson, J. Bigun // Pattern Recognition: Int. conf. proc. 2002. -V.3.-P. 395-398.

283. Palmhashing: a novel approach for cancelable biometrics / T. Connie, A. Teoh, M. Goh, D. Ngo // Information Processing Letters. 2005. - V. 93, № 1. -P. 1-5.

284. Pankanti, S. Structure in errors: a case study in fingerprint verification / S. Pankanti, N.K. Ratha, R.M. Bolle. // Pattern Recognition: Int. conf. proc. 2002. -V.3.-P. 440-443.

285. Prabhakar, S. Decision-level fusion in fingerprint verification / S. Prabhakar, A.K. Jain // Pattern Recognition. 2002. - V. 35, № 4. - P. 861-874.

286. Pat. 4817183 USA, Int. Cl. G06K 9/00. Fingerprint recognition and retrieval system / M.K. Sparrow (Winchester). Field: Apr. 1, 1987; Date of patent: Mar. 28, 1989; U.S.C1. 382/4. - 50 p.

287. Pat. 5321765 USA, Int. CI. G06K 9/00. Method and apparatus for verifying identity / B.D. Costello (England). Field: Jan. 21,1992; Date of patent: Jun. 14, 1994; U.S.C1. 382/4. - 14 p.

288. Pat. 5631971 USA, Int. CI. G06K 9/00. Vector based topological fingerprint matching / M.K. Sparrow (Winchester). Field: Jul. 15, 1994; Date of patent: May. 20, 1997; U.S.C1. 382/125. - 17 p.

289. Pat. 7184579 USA, Int. CI. G06K 9/00, G06F 7/00. Fingerprint identification system / M. Masanory (Japan); NEC Corporation. — Field: Jan. 28, 2002; Date of patent: Feb. 27, 2007; U.S.C1. 382/124.-21 p.

290. Pat. 7194115 USA, Int. CI. G06IC9/00, G05B 19/00. Fingerprint identification method and apparatus / U. Kaora (Japan); NEC corporation. — Field: July. 26, 2001; Date of patent: Mar. 20, 2007; U.S.CI. 382/124. 26 p.

291. Pat. 7194393 USA, Int. CI. G06F 17/10. Numerical model for image feature extraction / W. Xiangshu (Calif.), H. Ming (Calif.); Cogent Systems (Calif.). Field: Jan. 19, 2006; Date of patent: Mar. 20, 2007; U.S.C1. 703/2. - 16 p.

292. Ross, A. Handbook on multibiometrics. Springer US, 2006. - 198 p.

293. Shen, L. Quality measures of fingerprint images / L. Shen, A. Kot, W.M. Koo // Audio and video based biometric person authentication: Int. conf. proc. 2001. — P. 266-271.

294. Schouten, B. Biometrics and their use in e-passports / B. Schouten, B. Jacobs // Image and Vision Computing. 2009. - V. 27, № 3. - P.305-312.

295. Sebastian, T.B. Curves vs skeletons in object recognition / T.B. Sebastian, B.B. Kimia // Signal Processing. 2005. - V. 85. - P. 247-263.

296. Sujan, V.A. Fingerprint identification using space invariant transforms / V.A. Sujan, M.P. Mulqueen // Pattern Recognition Letters. 2002. - V. 3, № 5. -P. 609-619. '

297. The science of fingerprint: classification and uses. Washington: U.S. Government Printing Office, 1984. - 211 p.

298. The fingerprint segmentation evaluation: draft testing plan.— http.7/fingerprint.nist.gov/SlapSegII/.

299. The fourth international fingerprint verification competition: FVC 2006. — http://bias.csr.unibo.it/fVc2006/results.asp.

300. The NIST ongoing MINEX. http://fingerprint.nist.gov/minex/Results.htmL

301. The NIST MINEX compliant feature extractors and compliant matchers— http://fingerprint.nist.gov/minex/Qpl.html.

302. The third international fingerprint verification competition: FVC 2004. -http://bias.csr.unibo.it/fVc2004/results.asp.

303. The evaluation of automated latent fingerprint identification technologies. — http://fingerprint.nist.gov/latent/NISTIR7577ELFTPhaseII.pdf.

304. Testing status: NIST proprietary fingerprint template testing: Results. -http://fingerprint.nist.gov/PFT/index.html.

305. UK Identity and Passport Service. www.ips.gov.uk/.

306. Ushmaev, O.S. Problems of automatic fusion of biométrie identificators / O.S. Ushmaev // Pattern Recognition and Image Analysis. 2009. - V. 19, № 3, P. 534-538.

307. Zhuravlev, Yu.I. Sixty years of cybernetics / Yu.I. Zhuravlev, I.B. Gurevich // Pattern Recognition and Image Analysis. 2010. - V. 20, № 1, P. 1-20.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.