Module also offered within study programmes:
General information:
Name:
Biometrics
Course of study:
2017/2018
Code:
JFM-2-205-TO-s
Faculty of:
Physics and Applied Computer Science
Study level:
Second-cycle studies
Specialty:
Techniki obrazowania i biometria
Field of study:
Medical Physics
Semester:
2
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
dr inż. Joanna Świebocka-Więk (jsw@agh.edu.pl)
Academic teachers:
dr inż. Joanna Świebocka-Więk (jsw@agh.edu.pl)
Module summary

Celem przedmiotu jest zapoznanie studentów z cechami biometrycznymi, sposobami ich akwizycji oraz przetwarzania. W trakcie zajęć studenci zapoznają się także z obsługą skanerów biometrycznych.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K007 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu i prezentacji. FM2A_K11, FM2A_K06 Project
M_K008 Student potrafi sporządzić poprawną dokumentację projektową. FM2A_K06 Report
Skills
M_U007 Student potrafi zaimplementować kompletny proces analizy danych biometrycznych. FM2A_U03, FM2A_U06 Project,
Report
M_U008 Student potrafi wykorzystać narzędzia obliczeniowe do analizy danych. FM2A_U03, FM2A_U08 Project,
Report
M_U009 Student potrafi posługiwać się wybranymi urządzeniami biometrycznymi. FM2A_U07 Execution of laboratory classes
Knowledge
M_W001 Student posiada przeglądową wiedzę na temat zagadnień biometrycznych. FM2A_W08, FM2A_W06 Project,
Report
M_W010 Student zna i rozumie przebieg procesu analizy danych biometrycznych. FM2A_W01 Project,
Report
M_W011 Student posiada wiedzę na temat przykładowych zastosowań algorytmów biometrycznych. FM2A_W05 Project,
Report
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K007 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu i prezentacji. - - - + - - - - - - -
M_K008 Student potrafi sporządzić poprawną dokumentację projektową. - - + - - - - - - - -
Skills
M_U007 Student potrafi zaimplementować kompletny proces analizy danych biometrycznych. - - + - - - - - - - -
M_U008 Student potrafi wykorzystać narzędzia obliczeniowe do analizy danych. - - + - - - - - - - -
M_U009 Student potrafi posługiwać się wybranymi urządzeniami biometrycznymi. - - + - - - - - - - -
Knowledge
M_W001 Student posiada przeglądową wiedzę na temat zagadnień biometrycznych. + - + + - - - - - - -
M_W010 Student zna i rozumie przebieg procesu analizy danych biometrycznych. + - + + - - - - - - -
M_W011 Student posiada wiedzę na temat przykładowych zastosowań algorytmów biometrycznych. + - + - - - - - - - -
Module content
Lectures:

Zagadnienia poruszane na wykładzie:

  • Zarys historyczny biometrii.
  • Przykłady zastosowań systemów biometrycznych oraz etapy ich działania – od przetwarzania wstępnego do klasyfikacji.
  • Weryfikacja i identyfikacja – cechy biometryczne, jako klucz dostępu.
  • Metody i algorytmy wstępnego przetwarzania danych wejściowych – pozyskiwanie danych, skanowanie obrazu pomiaru biometrycznego, obróbka, ekstrakcja cech danego obrazu biometrycznego.
  • Cechy fizyczne i behawioralne wykorzystywane w technikach biometrycznych.
  • Automatyczny opis obrazu pomiarów biologicznych – metody analizy obrazów w celu ich klasyfikacji.
  • Przygotowanie obrazu biometrycznego do klasyfikacji i rozpoznawania – przykładowe metody i algorytmy.
  • Poziom błędów akceptacji i odrzucania w systemach biometrycznych. (FAR-False Acceptance Rate oeaz FRR-False Rejection Rate).
  • Przykładowe pomiary fizyczne i behawioralne oraz emocjonalne (Kansei Engineering).

Laboratory classes:
  1. Ogólny opis zajęć

    Na zajęciach laboratoryjnych studenci zapoznają się z urządzeniami do pobierania cech biometrycznych, a także realizują algorytmy przetwarzania i analizy danych biometrycznych za pomocą środowisk obliczeniowych (na przykład MATLAB lub SCILAB), a także poprzez tworzenie własnych programów w wybranym języku oprogramowania (na przykład JAVA). Praca jest samodzielna, studenci zachęcani są do proponowania własnych modyfikacji istniejących rozwiązań, a także własnych pomysłów analizy danych biometrycznych.

  2. Podstawowe operacje na obrazach – przypomnienie (1 zajęcia)

    Studenci odświeżają swoją wiedzę zdobytą na przedmiocie Analiza i przetwarzanie obrazów wykonując proste ćwiczenia implementacyjne. Zapoznają się również z działaniem i implementują algorytmy dylatacji i erozji.

  3. Porównanie różnych metod binaryzacji obrazu (1 zajęcia)

    Studenci zapoznają się z zaawansowanymi technikami binaryzacji obrazu (na przykład algorytmy Otsu i Bernsena) i porównują ich skuteczność z prostymi algorytmami (na przykład binaryzacji lokalnej, globalnej i mieszanej przez średnią).

  4. Ścienianie obrazów (1 zajęcia)

    Studenci zapoznają się z algorytmem K3M oraz porównują jego skuteczność w stosunku do algorytmów KMM i ścieniania przez maskę.

  5. Odcisk palca jako cecha biometryczna (3 zajęcia)

    Studenci analizują odciski palców w celu identyfikacji ich użytkowników. W tym celu przygotowują je wstępnie do ekstrakcji cech charakterystycznych, wydobywają z nich wektory tych cech oraz dokonują na ich podstawie klasyfikacji odcisków.

  6. Twarz jako cecha biometryczna (5 zajęć)

    Studenci analizują zdjęcia twarzy pod kątem wydobycia z nich cech charakterystycznych znajdujących się na nich osób. W tym celu implementują algorytmy detekcji skóry na obrazie oraz wydobycia z niego twarzy, po czym z tak uzyskanego obrazu twarzy ekstrahują wektor cech charakterystycznych.

  7. Detekcja ruchu na sekwencji wideo (1 zajęcia)

    Studenci implementują podstawowe algorytmy detekcji ruchu na sekwencjach wideo.

  8. Analiza mowy (2 zajęcia)

    Studenci uczą się na przykładzie cyfr mowy polskiej jak wyodrębnić słowa z sygnału mowy oraz jak zakwalifikować je do poszczególnych klas.

  9. Ciekawostki biometryczne (1 zajęcia)

    Studenci zapoznają się z wybranymi nietypowymi zagadnieniami biometrycznymi.
    Na tych zajęciach również wystawiana jest ocena końcowa.

Project classes:

Tematy wykładów są rozszerzane przez studentów w formie projektów. Każda grupa studentów (1-3) opracowuje temat, który prezentuje na zajęciach projektowych.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 125 h
Module ECTS credits 5 ECTS
Participation in lectures 20 h
Realization of independently performed tasks 15 h
Participation in laboratory classes 30 h
Preparation for classes 30 h
Contact hours 10 h
Completion of a project 20 h
Additional information
Method of calculating the final grade:

Ocena końcowa będzie wystawiana na podstawie sprawozdań z zajęciach laboratoryjnych, na podstawie wykonanego projektu oraz aktywności na wykładzie.

Prerequisites and additional requirements:

Podstawowa umiejętność programowana w języku JAVA lub posługiwania się środowiskiem obliczeniowym MATLAB

Recommended literature and teaching resources:
  • Gonzalez R. C., Woods R. E.: Digital Image Processing. Prentice Hall, 2008.
  • Choraś R. S.: Komputerowa wizja: Metody interpretacji i identyfikacji obiektów. Problemy współczesnej nauki, teoria i zastosowania, informatyka, Akademicka Oficyna Wydawnicza EXIT, 2005.
  • Tadeusiewicz R.: Komputerowa analiza i przetwarzanie obrazów. Społeczeństwo globalnej informacji, Wydawnictwo fundacji postępu Telekomunikacji, Kraków, 1997.
  • Malina W., Ablemeyko S., Pawlak W.: Podstawy Cyfrowego Przetwarzania Obrazów. Akademicka Oficyna Wydawnicza EXIT, Warsaw, 2002.
  • Kasprzyk W.: Rozpoznawanie obrazów i sygnałów mowy. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2009.
  • Saeed K., Image Analysis for Object Recognition. Bialystok University of Technology, Bialystok, 2004.
Scientific publications of module course instructors related to the topic of the module:

Additional scientific publications not specified

Additional information:

None