Клиентам Сбербанка и ВТБ не приходят смс от «Билайна»

https://ria.ru/20190625/1555886958.html

Клиентам Сбербанка и ВТБ не приходят смс от «Билайна»

Клиентам Сбербанка и ВТБ не приходят смс от «Билайна» — РИА Новости, 25.06.2019

Клиентам Сбербанка и ВТБ не приходят смс от «Билайна»

Клиентам Сбербанка и ВТБ не приходят смс-сообщения от «Билайна» для подтверждения входа в онлайн-систему и совершения платежей, сообщили РИА Новости в… РИА Новости, 25.06.2019

2019-06-25T12:18

2019-06-25T12:18

2019-06-25T12:18

экономика

втб

сбербанк россии

билайн

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdn25.img.ria.ru/images/155492/67/1554926747_0:139:3053:1856_1920x0_80_0_0_ac6cbfb9e96e9cecbe73fd79b4ca2c15.jpg

МОСКВА, 25 июн — РИА Новости. Клиентам Сбербанка и ВТБ не приходят смс-сообщения от «Билайна» для подтверждения входа в онлайн-систему и совершения платежей, сообщили РИА Новости в колл-центрах кредитных организаций.В пресс-службе «Билайна» пояснили, что в результате перенастройки оборудования временно части абонентов смс доходили не в полном объёме.»К сожалению, в настоящий момент по независящим от банка причинам увеличены сроки доставки смс-сообщений для входа в систему. Работоспособность сервиса будет восстановлена в ближайшее время, после восстановления сервиса вы получите смс с ранее запрошенными кодами. После этого вам будет необходимо повторно войти в систему и запросить новый код. Приносим извинения от лица банка за предоставленные неудобства», — сообщили в колл-центре ВТБ.При этом в банке указали, что сейчас есть временные ограничения по доставке 3D Secure смс и для входа в «ВТБ Онлайн».В пресс-службе ВТБ также пояснили РИА Новости, что на стороне банка все системы функционируют в штатном режиме. «Данная проблема связана с работой оператора связи (Билайн). На стороне банка все системы функционируют в штатном режиме», — сообщили в банке.Вместе с тем, в колл-центре Сбербанка корреспонденту РИА Новости сообщили, что проблема с доставкой смс действительно существует, но системы банка работают штатно, а сбой произошел у «Билайна».

https://ria.ru/20190613/1555554311.html

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2019

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdn23.img.ria.ru/images/155492/67/1554926747_322:0:3053:2048_1920x0_80_0_0_136e3c5b51c60612116e1371533a5383.jpg

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

экономика, втб, сбербанк россии, билайн

МОСКВА, 25 июн — РИА Новости. Клиентам Сбербанка и ВТБ не приходят смс-сообщения от «Билайна» для подтверждения входа в онлайн-систему и совершения платежей, сообщили РИА Новости в колл-центрах кредитных организаций.

В пресс-службе «Билайна» пояснили, что в результате перенастройки оборудования временно части абонентов смс доходили не в полном объёме.

13 июня 2019, 22:53

Абоненты «Билайна» столкнулись с ограничением доступа к сервисам Mail.ru

«К сожалению, в настоящий момент по независящим от банка причинам увеличены сроки доставки смс-сообщений для входа в систему. Работоспособность сервиса будет восстановлена в ближайшее время, после восстановления сервиса вы получите смс с ранее запрошенными кодами. После этого вам будет необходимо повторно войти в систему и запросить новый код. Приносим извинения от лица банка за предоставленные неудобства», — сообщили в колл-центре ВТБ.

При этом в банке указали, что сейчас есть временные ограничения по доставке 3D Secure смс и для входа в «ВТБ Онлайн».

В пресс-службе ВТБ также пояснили РИА Новости, что на стороне банка все системы функционируют в штатном режиме. «Данная проблема связана с работой оператора связи (Билайн). На стороне банка все системы функционируют в штатном режиме», — сообщили в банке.

Вместе с тем, в колл-центре Сбербанка корреспонденту РИА Новости сообщили, что проблема с доставкой смс действительно существует, но системы банка работают штатно, а сбой произошел у «Билайна».

Владельцы iPhone 12 не получают уведомления о сообщениях

Некоторые владельцы iPhone перестали получать сообщения, отправленные с устройств на базе Android, а также уведомления о новых SMS. Пользователи отметили, что в основном это коснулось смартфонов, обновленных до версий операционной системы iOS 14.1 и iOS 14.2. Некоторым юзерам удалось решить проблему с помощью сброса настроек сотовой связи, однако этот способ помог далеко не всем.

Многие владельцы iPhone 12 начали жаловаться на проблему с iMessage. По данным сайта MacRumors, пользователи не видят некоторые SMS-сообщения и уведомления от приложения.

Пока неизвестно, с чем именно связана эта проблема: с аппаратным обеспечением или с обновлением операционной системы до iOS 14.1 и iOS 14.2. Большинство пользователей, столкнувшихся с «невидимыми» сообщениями, это владельцы iPhone 12 и iPhone 12 Pro.

Один из пользователей форума MacRumors заявил о том, что он не видит сообщения, отправленные с Android-устройств.

«Я только что сменил iPhone 11 Max Pro на ‌iPhone 12‌. У меня в смартфоне есть групповой чат с детьми, и один из них — пользователь Android. Вчера вечером он подошел ко мне и спросил, почему я не ответил на два его сообщения, которые он мне отправил в группе. Я проверил свой смартфон и ничего не обнаружил. Тогда он показал мне свой телефон и этого было достаточно, чтобы убедиться, что сообщения были действительно отправлены», — пишет пользователь.

Другой владелец iPhone 12 Pro также пожаловался на недошедшие сообщения в групповых чатах, он также отметил, что в диалогах SMS тоже не доходят до «яблочного» смартфона.

«Я столкнулся с точно такой же проблемой. Похоже, сообщения в групповых чатах не видно только от Android-юзеров. Мы с друзьями протестировали приложение и никаких проблем с SMS от пользователей iPhone нет. Я написал об этом в техподдержку. Кстати, я заметил это после того, как перешел с iPhone XS на iPhone 12 Pro. После обновления ОС до iOS 14.1 я удалил все текстовые сообщения с телефона и перезагрузился, затем заново активировал приложение. Надеюсь, это поможет», — пишет один из читателей MacRumors.

Также есть жалобы на отсутствие уведомлений о сообщениях.

«Вчера я переписывался с мамой по iMessage, она как раз обновляла iOS на iPhone XR. Сразу после того, как она апдейтнулась до iOS 14.2, она перестала отвечать на мои сообщения. Я отправил ей еще одно, и она сказала, что ничего не видела. А потом я вообще перестал получать оповещения. Мне пришлось открыть приложение для сообщений и проверить, есть ли там сообщение. Разумеется, они там были. iOS 14 — это полный беспорядок», — жалуется один из пользователей форума.

Столкнувшиеся с отсутствием сообщений и уведомлений о них поделились тем, как они пытались выйти из сложившейся ситуации. Так, некоторые абоненты американского оператора сотовой связи Verizon смогли решить эту проблему, загрузив приложение Verizon Message +. Другой участник форума сообщил о восстановлении нормальной работы устройства после сброса настроек сети. Однако, как и предыдущий вариант решения проблемы, он подходит не всем. Отключение 5G также не помогает.

Скорее всего, эту проблему смогут решить только операторы связи или Apple в следующем обновлении операционной системы.

Почему не приходит СМС пароль от Сбербанка Онлайн на телефон

Система «Сбербанк Онлайн» предназначена для комфорта клиентов банка, с ее помощью они могут совершать дистанционно платежи в любое удобное время. Через интернет-банкинг люди оплачивают коммуналку, кредиты, переводят деньги родным и близким. Для входа в систему необходимо ввести одноразовый код подтверждения, в случае если СМС-пароль от «Сбербанк Онлайн» не приходит на телефон, необходимо выяснить, что стало причиной сбоя в работе.

SMS с кодом подтверждения

Как все происходит на практике:

• Обладатель пластиковой карточки от Сберегательного банка подключает приложение «Мобильный банк» и проходит простую процедуру регистрации на портале https://online.sberbank.ru. Также необходимо выполнить привязку мобильного телефона к персональной странице в системе онлайн-банкинга;
• При регистрации для входа в Личный кабинет пользователю выдается логин и пароль. При посещении портала на мобильник приходит код подтверждения, его вводят в специальное поле;
• Подобная система используется банком в целях безопасности, чтобы финансами клиентов не смогли воспользоваться третьи лица, заполучившие сведения об идентификационных данных. Любая операция, проведенная в «Сбербанк Онлайн», должна быть подтверждена одноразовым кодом.

Банк никогда не отправляет СМС-пароль для отмены транзакции, подобным образом действуют только мошенники. Код действителен в течение трехсот секунд. Если вы не введете его, через пять минут пароль аннулируется.

Почему не приходят SMS-уведомления

С подобной проблемой можно столкнуться и при оплате покупок в интернет-магазине. Приобретая товар в торговой точке, поддерживающей технологию Verified by Visa, после ввода сведений о кредитке вас перенаправят на сервис для подтверждения транзакции. Если код не приходит в течение пяти минут, запрос отменяется, и вы не сможете оплатить товар.

Чаще всего СМС перестают поступать от кредитного учреждения в следующих случаях:

• Самая распространенная причина – сбой в работе оператора связи. Например, из-за плохого сигнала. Для решения проблемы достаточно отыскать место, где он «ловится» хорошо, и провести транзакцию. Возможно, оператор проводит технические работы, чтобы уточнить этот момент, просто зайдите на сайт поставщика услуги и ознакомьтесь с имеющейся там информацией;
• Если коды перестали приходить неожиданно, перезагрузите смартфон. Может быть, произошел сбой и удастся восстановить работу системы;
• Убедитесь, что верно вели идентификационные данные. Один лишний пробел может стать причиной того, что система не пускает в Личный Кабинет;
• Периодически технические работы проводит и Сберегательный банк. В этом случае также наблюдаются проблемы с доставкой уведомлений (подобные сведения размещают на сайте кредитного учреждения). Обычно они проводятся в ночное время, чтобы не доставлять неудобств пользователям;
• Если не приходят SMS с паролем для входа в Сбербанк Онлайн, убедитесь, что в телефоне достаточно памяти для принятия новых СМСок. Не все гаджеты уведомляют своего владельца о «заполнении», попробуйте почистить сообщения и освободить место;
• Если вы поменяли номер мобильного телефона, можно столкнуться с такой проблемой: оповещения о проведении операций по карте поступают, а пароли для подтверждения − нет. В этом случае обратитесь в Службу поддержки клиентов Сбербанка;
• Если вы приобрели новый смартфон или заменили СИМ-карту, также возможны перебои с поступлением уведомлений. Для начала переставьте новую карту в другой мобильник и проверьте, поступают ли на нее СМС. Если все в порядке, значит, проблема кроется в настройках телефона. Попробуйте поменять сеть с высокой на более низкую, например с LTE\WCDMA\GSM на WCDMA\GSM.
• Проверьте настройки SMS, в некоторых моделях новых смартфонов сообщения от абонента 900 автоматически попадают в категорию «спам»;
• Блокировать SMS-оповещения от Сбербанка может установленный антивирус. Сбросьте его настройки проверьте, поступают ли уведомления. Попробуйте номер 900 занести в телефонную книжку, тогда программа будет его распознавать;
• Нередко можно столкнуться и с противоположной ситуацией – телефон, пораженный вирусом, «отказывается» принимать СМС. Установите антивирус, если не помогло, придется обнулить все настройки.

Интересный и эффективный способ получения уведомления (проблему он не решит, но желанный код подтверждения для входа в систему вы получите): отправьте любой запрос в «Мобильный банк» (баланс, справка). Вам быстро придет ответ на предыдущий вопрос (код для входа), а вот сообщение на второй придется ждать долго.

Заключение

Если после проведения всех возможных вариантов исправления проблемы, так и не приходит СМС с кодом подтверждения от Сбербанка, свяжитесь с сотрудниками учреждения по телефону горячей линии 8-800-555-55-50 и озвучьте оператору свой вопрос.

мобильный банк и Сбербанк Онлайн

При пользовании мобильного банка или системы Сбербанк Онлайн бывают ситуации, когда не приходят СМС от Сбербанка. Подобные перебои доставляют массу неудобств, особенно, при необходимости провести быстро финансовую операцию или получить информацию по счету. Иногда сообщения все же доходят, спустя определенное время. Однако, в ряде случаев этого так и не происходит, делая работу с сервисами попросту невозможной. Какие могут быть причины сбоев и, как можно решить проблему, рассмотрим подробнее в данной статье.

Работа СМС оповещения в Сбербанке.

Прежде чем разбираться с возможными неисправностями, стоит знать детали работы уведомления по СМС Сбербанком. СМС информирование входит в состав автоматизированной системы приема запросов и формирования ответов на них. Ее надлежащее функционирование, как правило, зависит от исправности узлов на нескольких этапах:

• Работоспособности банковской системы и оборудования на стороне Сбербанка;
• Исправности каналов связи и сети мобильных операторов;
• Настроек и целостности устройств на стороне клиента.  

Как видно, неполадки могут возникнуть на разных сегментах последовательности обмена сообщениями. Однако, для конечного пользователя итог будет один, необходимая информация до него не будет доставлена. Вместе с тем, запланированная транзакция не будет проведена.

Стоит отметить, что расчетное время доставки СМС от Сбербанка может составлять до 2 минут, иногда чуть больше. Если ответ не поступил на телефон в течение этого времени, то адресованный код в сообщении теряет свою актуальность. Он становится недействительным, и для совершения операции потребуется новая комбинация.

Итак, исходя из этапов передачи сообщения, рассмотрим возможные причины неполадок.

Почему не приходит СМС от Сбербанка?

В действительности, причин недоставки уведомлений может быть множество. И, как правило, в этом виноват не сам банк. В свою очередь, среди наиболее частых причин бывают:

1. Приостановка услуги из-за просроченной оплаты.

СМС информирование является платной службой с ежемесячным продлением. Списание средств за пользование ею осуществляется автоматически с началом нового расчетного периода. Как правило, деньги снимаются с карты клиента или с его счета. Если на них недостаточная сумма, то услуга приостанавливается до внесения денег. После пополнения счета работа сервиса для клиента возобновляется.

2. Неполадки в работе мобильного оператора.

Одним из распространенных случаев являются перебои сотовой связи. Абонент может находится вне зоны покрытия мобильной сети конкретного оператора. Доставка сообщений в таких условиях невозможна. Вместе с тем, могут проводиться работы по обслуживанию оборудования оператора или выход его из строя. Однако, это случается гораздо реже.

3. Перебои в функционировании сервисов Сбербанка.

Технические работы и обслуживание оборудования в банке также проводятся. Как правило, большинство устройств резервируется с обеспечением бесперебойной работы. Тем не менее, аварии и падения серверов изредка случаются, что приводит к задержкам доставки СМС. Чаще всего, информация о запланированных работах размещается на главной странице официального сайта. В основном эти мероприятия выпадают на выходные и праздничные дни.

4. Неисправность сотового телефона клиента.

Современные смартфоны имеют свойство периодически «глючить». Они могут неожиданно терять сеть, переставать видеть сим-карту или попросту зависать.

5. Переполнена внутренняя память мобильного телефона.

Поскольку, для хранения различного рода информации используется одна и та же память телефона, рано или поздно она может быть переполненной. Например, фото, кэш или аудиофайлы заняли все свободное место настолько, что даже для обычных СМС его недостаточно.

6. Клиент поменял номер.

Если пользователь сменил сим-карту, а с ней и номер сотового телефона, то вероятно СМС отправляются на старый. Несвоевременное предоставление обновленной контактной информации в банк приводит к тому, что не приходят СМС от Сбербанка.

7. Настройки гаджета.

Нередко причиной отсутствия сообщений от банка могут быть настройки самого мобильного устройства. Например, включенный «режим полета», отключенная сим-карта, занесенный номер банка в «черный список». Более того, из-за работы стороннего программного обеспечения СМС могут просто блокироваться. Например, антивирусное ПО отправляет сообщения в спам. Не исключено, что телефон может быть заражен вредоносным ПО, которое препятствует нормальной работе устройства.

8. Приостановленные услуги мобильного оператора.

Если баланс телефона не был своевременно пополнен, то по достижении допустимого порога остатка на счете мобильный оператор мог заблокировать предоставляемые услуги сотовой связи до поступления оплаты.  

Что делать, если не приходит СМС от Сбербанка?

Если СМС от Сбербанка не пришло сразу, не стоит моментально бить тревогу. Доставка сообщения в зависимости от ситуации может занимать до 3 минут. Если в течение этого времени ответа не поступило, следует запросить повторное СМС. Если и это не помогло, то лучше начать решать вопрос последовательно, начиная с собственного телефона:

• Проверить активность устройства, включенный режим работы, баланс, а также наличие сигнала сети;
• Убедиться в наличии свободного места на телефоне, при необходимости очистить его;
• Просмотреть каталоги нежелательной почты, черного списка, а также разделы фильтрации входящих сообщений;
• На время отключить защиту устройства и блокирующее ПО;
• Установить мобильный антивирус и проверить устройство на предмет заражения вредоносными программами;
• Попробовать перезагрузить устройство, как правило, это действие помогает во многих случаях;
• Переставить сим-карту, а еще лучше проверить ее работу в другом мобильном аппарате.

Как правило, весомая часть неполадок кроется на стороне клиента. Трудности возникают чаще всего из-за невнимательности, а также нестабильной работы личного телефона, привязанного к сервисам Сбербанка.

Если с устройством пользователя все в порядке, то остается только два варианта:

Перебои в работе сети мобильного оператора;

Проблемы на стороне Сбербанка.

В этих случаях, пользователю мобильного банка или Сбербанка Онлайн вряд ли самостоятельно получится устранить неисправность. Разумнее будет подождать некоторое время и попробовать провести транзакцию позже.

В случае неотложной ситуации или нерешенного затруднения всегда можно адресовать вопросы в службу технической поддержки, как мобильного оператора, так и Сбербанка. Для этого можно воспользоваться онлайн чатом на официальных сайтах компаний или телефонным звонком на номера:

• Сбербанк – 900, 8(495) 500 55 50;
• Билайн — 8 800 700 06 11;
• Мегафон — 8 800 550 05 00;
• МТС — 8 800 250 08 90;
• Теле2 – 611.

Заключение.

Если не приходят СМС от Сбербанка при использовании мобильного банка или Сбербанка Онлайн, то это не всегда сигнал о наличии неисправности. Как правило, сообщения доставляются, но с задержкой в несколько минут. Если ответ так и не приходит, то действительно есть вероятность сбоя. Гораздо реже это случается по вине банка или оператора сотовой связи, и наиболее часто недоставка СМС происходит в результате оплошности самого клиента.

Читайте также:

Какой штраф за разведение костра?

Какие выплаты положены сотруднику при увольнении?

Арест имущества должника судебными приставами.

Как оформляется заявка на ипотеку в Сбербанке?

Вам не нужно никому писать текстовые сообщения

Третий раунд ежемесячных авансовых платежей по детской налоговой льготе должен был поступить на банковские счета в среду, учитывая, что это 15 сентября.

Итак, какое лучшее время для мошенников, чтобы написать нам телефоны с обещаниями больших денег?

Ночью 14 сентября я получил этот текст: «Подайте заявку на получение государственного дополнительного поощрительного бонуса в размере 1400 долларов США».

Конечно, в сообщении говорилось, что все, что мне нужно сделать, это щелкнуть ссылку в тексте, чтобы «отправить свои данные».»

Имейте в виду, что не существует такой вещи, как дополнительный стимулирующий бонус, даже если люди сейчас говорят о получении денег.

Не нажимайте на ссылки, чтобы получить наличные деньги

Да, многие родители получают дополнительные деньги благодаря авансовые платежи по налоговой льготе на ребенка. Но опять же, они никому не пишут текстовые сообщения, чтобы ее получить.

Миллионы соответствующих критериям семей в настоящее время получают до 300 долларов в месяц на каждого ребенка в возрасте 5 лет и младше и 250 долларов в месяц для детей в возрасте С 6 по 17.Ежемесячные выплаты производятся с июля по декабрь.

В зависимости от того, сколько у вас детей и их возраста, вы легко можете получить дополнительные 500 или 900 долларов в месяц.

Подробнее: AT&T не пишет о том, как получить деньги после «завышенной платы»

Подробнее: Детройтцы ходят от дома к дому, чтобы убедиться, что семьи не упустят налоговую скидку на детей

Поскольку мошенники Однако давайте проясним, что никто никому не пишет текстовые сообщения, чтобы получить эти деньги.

Сентябрьский пакет платежей составляет около 15 миллиардов долларов по всей стране, охватывая около 35 миллионов семей. Большинство платежей будет осуществляться путем прямого депозита.

В Мичигане около 1,02 миллиона домашних хозяйств получили авансовые платежи за август по налоговой льготе на детей. Этими выплатами было охвачено около 1,8 миллиона детей. Сумма долларов в Мичигане составляет почти 450 миллионов долларов.

Средний платеж в августе в Мичигане составил 439 долларов.

Следующий раунд выплат будет окт.15, 15 ноября и 15 декабря.

Многие платежи производятся автоматически и основаны на информации, полученной Налоговой службой из ваших налоговых деклараций за 2019 или 2020 год, в зависимости от того, какая из них уже обработана.

Сентябрьские платежи пошли семьям, имеющим право на получение дохода, чьи отчеты были обработаны IRS до 30 августа.

Платежи также были отправлены людям, которые обычно не подают декларации, но в течение 2020 года успешно зарегистрировались для платежей экономического воздействия с помощью IRS. Инструмент нефилеров на IRS.gov или в 2021 году успешно использовали инструмент регистрации нефилеров для получения авансового налогового кредита на ребенка.

Некоторые люди получат в сентябре исключительно большие суммы после некоторых задержек.

Если кто-то не получил платеж за июль или август, он мог получить эти деньги за эти два месяца, включенных в сентябрьский платеж.

Сумма авансовых выплат в 2021 году составит до 1800 долларов на каждого ребенка в возрасте 5 лет и младше. Сумма авансовых платежей составит до 1500 долларов на каждого ребенка в возрасте от 6 до 17 лет.

Таким образом, семья, которая только начала получать деньги в сентябре, увидит, что их выплаты будут распределены на четыре месяца, а не на шесть месяцев, и ежемесячная сумма будет больше.

Для семей, которые только начинают получать деньги в сентябре, каждый платеж составляет до 450 долларов в месяц на каждого ребенка в возрасте до 6 лет и до 375 долларов в месяц на каждого ребенка в возрасте от 6 до 17 лет.

Что IRS говорит о мошенниках

«Преступники всегда меняют свою тактику, но IRS никогда не отправит вам текстовое сообщение, электронную почту или свяжется с вами через социальные сети, чтобы сказать, что вы можете получить свои деньги быстрее», — сказал Луис Д.Гарсия, представитель IRS в Детройте.

Если вас беспокоит задолженность, важно также понимать, как работает IRS.

«В очень редких случаях мы можем позвонить вам», — сказал Гарсия. «Но в таких случаях обычно на вашем столе лежит куча писем IRS, которые вы игнорировали, и вы вроде как ожидаете звонка».

Еще одно хорошее напоминание, сказал Гарсия: «Угрозы тюремного заключения, потери права выкупа, депортации и тому подобного никогда не произойдет, если вы будете общаться с настоящим IRS.»

Не спешите платить налоги с помощью подарочных карт, карт Apple iTunes или следуйте другим требованиям, которые могут предъявить мошенники.

Что вы будете делать, если вы не получили наличные?

Семьи, которые еще не получили авансовый налоговый кредит на ребенка может потребоваться либо для подачи налоговой декларации, либо использования инструмента для нефалеров на IRS.gov, чтобы убедиться, что они получают свои деньги. Налоговое управление сообщило, что его «Инструмент для регистрации лиц, не подавших налоговые льготы на детей», будет доступен до 15 октября.

Инструмент без подачи документов предназначен для тех, кому необходимо сообщить о соответствующих критериях детей, родившихся до 2021 года.Этот инструмент используется семьями, которым не требуется подавать налоговую декларацию за 2020 год, они не подавали ее и не планируют это делать. Пользователь, не подающий заявку, также должен иметь основной дом в Соединенных Штатах более полугода.

IRS отмечает, что инструмент нефилера также может использоваться некоторыми людьми, которые не получили полные суммы первого и второго платежа за экономический ущерб. Но эта группа ограничена теми, кто не обязан подавать налоговую декларацию за 2020 год, не подавал и не планирует это делать.Согласно IRS, с помощью этого инструмента можно «потребовать возвратный кредит на восстановление в 2020 году и получить третий платеж за экономический эффект».

Что делать, если вы переехали?

В августе IRS запустило функцию, которая позволяет любой семье, получающей ежемесячные платежи по налоговым льготам на детей, обновлять свой почтовый адрес на портале обновлений по налоговым льготам на детей через IRS.gov.

Используя эту функцию, IRS заявило, что семьи, которые предпочитают получать свои платежи в виде бумажных чеков, могут избежать задержек с отправкой по почте или даже избежать возврата чека как недоставленного путем обновления адреса, если это необходимо.

Опять же, IRS не собирается писать вам. И вам не нужно никому писать текстовые сообщения, чтобы изменить адрес.

Да, всем нужны дополнительные деньги

Наступает сезон возврата счетов, поскольку мы планируем дополнительные расходы на школьную одежду, обучение в колледже и покупку подарков к праздникам.

Таким образом, вполне логично, что мошенники будут играть на наших привычках к расходам, а также на постоянных новостях о том, что многие налогоплательщики ежемесячно отправляют все больше денег.

В августе я написал о мошенническом тексте, выдавая себя за AT&T.В этом тексте содержалось обещание дополнительных денег: «В прошлом месяце мы случайно завысили стоимость вашего телефонного счета». И они попросили вас нажать на ссылку, чтобы вернуть деньги.

Нам нужно понимать, что мошенники хотят застать нас врасплох и заставить переходить по ссылкам, даже не задумываясь. Они хотят собрать больше информации о нас или даже получить доступ к нашим учетным записям через наши смартфоны.

Никогда не переходите по этим ссылкам. Лучшая ставка: не создавайте лишних головных болей в поисках дополнительных денег.

Свяжитесь с Сьюзан Томпор по электронной почте [email protected]. Следуйте за ней в Twitter @ tompor. Чтобы подписаться, перейдите на страницу freep.com/specialoffer. Узнайте больше о бизнесе и подпишитесь на нашу бизнес-рассылку.

Датчики | Бесплатный полнотекстовый | Устройство сбора изображений для приложений контроля доступа в умном городе на основе Iris Recognition

1. Введение

Технология компьютерного зрения использует цифровую обработку изображений для извлечения информации из изображений, которая затем используется в алгоритмах принятия решений, используемых во многих приложениях.Современные системы мультивидения представляют собой продолжение систем монокулярного зрения, позволяющих получать более широкий диапазон трехмерной геометрической информации [1]. Например, в недавнем приложении для обнаружения объектов Tang et al. [2] использовали динамическую систему стереоскопического визуального слежения в реальном времени без меток с четырьмя окулярными точками для измерения деформации поверхности крупнопольных колонн из стальных труб, заполненных повторно используемым бетоном. Технологию компьютерного зрения также можно использовать для автоматизации процессов биометрии, которые используются для идентификации и аутентификации людей путем измерения и анализа их личных характеристик: отпечатков пальцев, радужной оболочки глаза, геометрии руки, голоса, лица, сосудистого рисунка, отпечатка ладони или поведенческих характеристик. (е.g., подпись, рисунок набора и походка). Автоматизированная биометрическая технология обеспечивает передовую методологию с преимуществом по сравнению с традиционными методами контроля доступа. Пин-коды или пароли можно забыть, а удостоверения личности или ключи могут быть потеряны или украдены. Биометрические характеристики сложно украсть или забыть. Благодаря своим уникальным характеристикам и высокой безопасности биометрическая технология используется во множестве приложений [3]. В сценарии приложения проверки полученный биометрический образец сравнивается с ранее сохраненными образцами для сопоставления.В сценарии идентификации биометрический образец собирается с задачей идентифицировать неизвестный образец как соответствующий ранее полученному известному образцу. В обоих сценариях возможны четыре возможных результата сопоставления: истинное принятие, ложное принятие, истинное отклонение или ложное отклонение [4]. Ожидается, что общий мировой рынок биометрии быстро вырастет с 19,5 млрд долларов США в 2020 году до 44,1 млрд долларов США к 2026 году. регистрация среднегодового темпа роста (CAGR) 14,8% [5]. Мировой рынок бесконтактной биометрии принесет доход в размере более 9 миллиардов долларов США в 2021 году, и ожидается, что он будет расти со стабильным среднегодовым темпом роста 16% в течение следующего десятилетия [6].На спрос на контактные биометрические системы повлияла пандемия COVID-19. Спрос на такие контактные биометрические системы, вероятно, резко упадет, чтобы избежать распространения коронавируса. Аналогичным образом ожидается, что после COVID-19 спрос на бесконтактные биометрические системы, такие как распознавание лиц, радужной оболочки глаза и голоса, возрастет [7].

1.1. Ирис, отпечаток пальца и распознавание лица

Ирис, отпечаток пальца и распознавание лица являются наиболее известными формами биометрической безопасности.Как показано на Рисунке 1 [8], при сравнении текстур радужной оболочки глаза с рисунками отпечатков пальцев или изображениями лиц текстуры радужной оболочки имеют наибольшее разнообразие. Эта функция делает распознавание радужной оболочки наиболее точной и, следовательно, самой надежной неинвазивной биометрической системой. Однако каковы другие плюсы и минусы этих трех систем? Распознавание радужной оболочки глаза — это метод биометрической аутентификации, в котором используются методы распознавания образов, основанные на изображениях радужной оболочки глаза человека с высоким разрешением. Радужная оболочка формируется на ранних этапах жизни, и после того, как она полностью сформирована, ее текстура остается стабильной на протяжении всей жизни человека.Поскольку радужная оболочка является внутренним органом, она хорошо защищена от повреждений и износа. Распознавание радужной оболочки глаза — отличный метод защиты, особенно если он выполняется с использованием инфракрасного освещения для уменьшения зеркального отражения от выпуклой роговицы. Его эффективность редко снижается из-за очков или контактных линз. Однако трудно выполнить распознавание радужной оболочки на расстоянии, превышающем несколько метров. Часто встречающаяся проблема при внедрении технологии — сопротивление со стороны пользователей.Обычно люди испытывают неприятные ощущения при сканировании глаз. Также они должны занять определенную позу, что может вызвать дискомфорт. Сканеры радужной оболочки глаза также относительно дороги по сравнению с другими методами распознавания [8,9]. Распознавание отпечатков пальцев — самый старый и наиболее широко используемый метод распознавания. Наиболее известные примеры его применения включают мобильные телефоны или ноутбуки, доступ в здание или двери автомобиля. Отпечатки пальцев обычно состоят из гребней и борозд, и их уникальность определяется узорами, образованными гребнями, мелкими точками и бороздками, которые остаются неизменными на протяжении всей жизни человека.Система идентификации, основанная на распознавании отпечатков пальцев, ищет определенные характеристики в образце. Однако отпечатки пальцев могут быть повреждены или даже стерты, и, следовательно, их нельзя будет распознать или записать. С другой стороны, идентификация по отпечатку пальца уже знакома публике и широко распространена. Его можно легко интегрировать в существующие приложения. Пользователи могут легко научиться пользоваться этой системой, поскольку она интуитивно понятна и не требует специального обучения. Развитие технологий привело к появлению небольших и недорогих считывателей отпечатков пальцев, и использование этих систем расширилось в широком диапазоне приложений [8,9].Распознавание лиц быстро развивается в последние годы и является отличным кандидатом, если требуется система для удаленного распознавания. Хотя она может не обладать высокой точностью, одним из основных преимуществ этой системы является то, что она не требует сотрудничества с лицом, идентифицируемым. Распознавание лиц может работать, даже если объект не подозревает, что его сканируют. Система распознавания лиц анализирует форму и положение различных частей лица, чтобы определить соответствие. Это автоматический и ненавязчивый метод идентификации, который можно использовать в статических или динамических приложениях.Однако есть несколько факторов, которые могут повлиять на точность биометрических данных лица: они могут не работать в условиях плохого освещения; лицо человека со временем меняется; на форму лица также влияют вариации мимики [8,9].

1.2. Стандарты распознавания радужной оболочки глаза

Самая важная работа в ранней истории биометрии радужной оболочки — это работа Даугмана [4]. В 1993 году Даугман [10] опубликовал первую научную статью, предлагающую реальный метод распознавания радужной оболочки глаза, незадолго до того, как был также выдан его соответствующий патент в США [11].Сегодня алгоритм Даугмана IrisCode реализован в большинстве систем, развернутых по всему миру, которые работают как лицензионные исполняемые файлы [12]. Основной принцип системы распознавания радужной оболочки показан на рисунке 2. Сначала получается четкое изображение глаза. Затем полученное изображение сегментируется и извлекается изображение радужной оболочки глаза. На этапе кодирования радужной оболочки к извлеченному сегменту радужной оболочки применяется математическое преобразование. На этапе согласования кода результаты этого преобразования используются в алгоритмах поиска наиболее подходящего кандидата в базе данных сохраненных кодов радужной оболочки глаза [13].Хорошо структурированный и широко применяемый стандарт может создать совершенно новые рынки и способствовать конкуренции. Семейство стандартов ISO / IEC19794-x для форматов обмена биометрическими данными состоит из 14 частей. Эти стандарты необходимы для приложений, в которых биометрические данные, хранящиеся в стандартном формате, должны обрабатываться с помощью совместимого оборудования. Наиболее широко применяемым стандартом из этого семейства является ISO / IEC19794-5, который определяет требования к формату для хранения изображений лиц.Его используют выдающие национальные паспорта и считыватели паспортов на иммиграционных контрольно-пропускных пунктах. Функциональная совместимость распознавания радужной оболочки глаза требует, чтобы записи данных были синтаксически и семантически понятны принимающей системе. Усилия по стандартизации распознавания радужной оболочки глаза начались в 2002 году, после атаки 11 сентября. В то время единственной коммерческой компанией в этой области была компания Iridian, которая владела патентными правами Даугмана. Иридиан добровольно предложила первый проект стандарта; в 2005 г. это привело к почти идентичному стандарту ISO / IEC19794-6 [14].Стандарт определяет формат данных изображения, свойства изображения, качество изображения и рекомендации по захвату изображения. Например, стандарт определяет размер изображения 640 × 480 пикселей и полученный диаметр диафрагмы 200 пикселей. Воздействие оптического излучения было связано с несколькими реакциями, которые подпадают под категорию фотобиологических эффектов и, как было показано, представляют опасность для кожа и глаза. Стандарт IEC62471 признан во многих странах ключевым стандартом, решающим вопросы фотобиологической безопасности.В соответствии с этим стандартом люди, находящиеся поблизости от ламповых систем, не должны подвергаться воздействию уровней, превышающих пределы воздействия, которые представляют собой условия, при которых, как считается, почти все люди в общей популяции могут подвергаться многократному воздействию без неблагоприятных последствий для здоровья [15 ].

1,3. Коммерческие решения для приложений контроля доступа в умном городе и рыночные возможности

Чтобы получить доступ к нашим домам в умном городе с помощью технологии распознавания радужной оболочки глаза, требуется компактное, недорогое и простое в интеграции решение.Сегодня на рынке существует несколько коммерческих решений, использующих устройства контроля доступа на основе распознавания радужной оболочки глаза, предназначенные для приложений умного города. На рис. 3a – d показаны четыре примера таких решений, а в таблице 1 перечислены их типичные технические характеристики [16,17,18,19]. Главный недостаток существующих коммерческих решений в том, что они предназначены для крепления на стене рядом с входной дверью. Их цена, без стоимости установки, находится в пределах 1000 долларов США. Они не предназначены для простой установки в дверь, что упростило бы интеграцию и обслуживание производителей дверей.Считыватели отпечатков пальцев также являются важными конкурентами. Они широко распространены, маленькие, недорогие и предназначены для встраивания в дверь или даже в дверную ручку. Следовательно, требуется доступное решение, способное заменить считыватели отпечатков пальцев. На рисунке 3e показано предлагаемое нами решение, которое представляет собой концепцию дизайна. В последней строке таблицы 1 приведены его основные технические характеристики. Наша конструкция будет компактной и рассчитана на прямой монтаж на двери. Устройство, конечно же, будет соответствовать пределам освещенности.Он будет использовать локальную нестандартную базу данных из 30 пользователей, которая будет основана на изображениях размером 800 × 600. Поскольку мы используем стандартную недорогую цветную камеру, будет использоваться видимое освещение. Дальность захвата будет от 7 до 13 см. Целевое время доступа будет менее 2 с, что сопоставимо со сканерами отпечатков пальцев. Целевая производственная себестоимость должна быть менее 200 долларов США при уровне производства 5000 единиц в год в первый производственный год.

1,4. Цель, цель и нововведение этой работы

Аргументы, обсуждаемые в Разделе 1.3 привел нас к цели этой работы, которая заключалась в том, чтобы проверить, можно ли построить компактное устройство контроля доступа, основанное на технологии распознавания радужной оболочки и предназначенное для легкой интеграции в двери умного города, по разумной цене.

Наш проект разделен на два этапа. В данной работе мы представляем результаты первого этапа. Основная цель этой работы заключалась в разработке устройства, которое выполняет получение изображения в реальном времени на основе ПЛИС четкого изображения в градациях серого освещенного глаза, используя модуль камеры, который объединяет датчик цветного изображения на основе Байера и моторизованный объектив.На втором этапе устройство будет дополнительно миниатюризировано, а другие этапы распознавания радужной оболочки (сегментация радужной оболочки, кодирование радужной оболочки, сопоставление кодов) будут добавлены по мере обновления программного обеспечения.

Основным нововведением в этой работе является метод обработки в реальном времени необработанных кадров изображения RGB, полученных с модуля камеры. В этой работе мы представляем комбинированный метод обработки изображений в реальном времени, который выполняет две задачи обработки изображений, которые выполняются в реальном времени и параллельно на ПЛИС.Первая задача — преобразование изображения из необработанного RGB в оттенки серого. Вторая задача — фокусировка изображения, которая выполняется на необработанных изображениях RGB. Насколько нам известно, описанный метод обработки изображений еще не был представлен ни в каких приложениях для получения изображений радужной оболочки или распознавания радужной оболочки.

1,5. Структура этой работы

Эта статья организована следующим образом. В Разделе 2 представлены научные данные и соответствующая исследовательская работа. Эта глава разделена на четыре подраздела: освещение и получение ирисовой диафрагмы, показатели качества изображения диафрагмы и фокусировка изображения, демозаика сенсора изображения и преобразование изображения из цветного в оттенки серого.В разделе 3 представлены метод исследования и использованные материалы. В разделе 4 представлены и обсуждаются результаты исследования. Выводы и будущая работа представлены в Разделе 5.

2. Научные предпосылки и соответствующие исследования

2.1. Освещение и получение радужной оболочки глаза

Цвет глаз не изменяется плавно по радужной оболочке. Вместо этого он организован в кластеры схожих цветов, которые могут иметь резкие границы, возникающие из структур внутри радужной оболочки. Восприятие цвета радужной оболочки, основанное на отражении света, рассеянии света, дифракции света и поглощении света радужной оболочкой, представляет собой сложное явление, сочетающее в себе эффекты пигментации, текстуры, волокнистой ткани и кровеносных сосудов в радужной оболочке.Свет с более короткими длинами волн обычно отражается или рассеивается, тогда как более длинные волны обычно поглощаются радужной оболочкой. Количество текстурной информации, извлекаемой из данной радужной оболочки, зависит от длины волны, на которой она освещена. Традиционно для распознавания радужной оболочки используется только узкая полоса ближнего инфракрасного (NIR) спектра (700–900 нм), поскольку это облегчает любой физический дискомфорт от освещения, уменьшает зеркальные отражения и увеличивает количество текстуры, захваченной для определенной радужной оболочки. цвета.Коэффициент диффузного отражения диафрагмы составляет примерно 10% в ближнем ИК-диапазоне. Высокие уровни NIR-освещения могут быть опасными, потому что глаз не реагирует инстинктивно своими естественными защитными механизмами, такими как отвращение, моргание и сужение зрачка. С другой стороны, низкие уровни освещенности видимым светом в условиях неограниченной визуализации могут ухудшить качество захваченных данных [20,21,22]. Ограничения во всех коммерческих системах распознавания радужной оболочки в основном обусловлены процессом получения изображения, который требует положение и движение объекта в процессе распознавания.Метриками требуемой степени взаимодействия являются объем захвата, расстояние зазора и время захвата. На любом расстоянии, с которого они сделаны, изображения радужной оболочки глаза должны предоставлять достаточно информации для задачи распознавания радужной оболочки глаза. Система формирования изображения радужной оболочки захватывает изображение с одной или двумя диафрагмами на заданном расстоянии с использованием освещения в заданном диапазоне длин волн. Камеры с диафрагмой, которые работают на расстоянии примерно 30 см или меньше от объекта, обычно разрешают 200 пикселей по диаметру диафрагмы.Все коммерческие системы визуализации радужной оболочки соответствуют стандартам безопасности для глаз, которые ограничивают значения энергетической освещенности и яркости [23,24]. Matey et al. [23] представили результаты проекта «Ирис в движении». Разработанная система смогла получить изображения радужной оболочки глаза достаточного качества для распознавания радужной оболочки, когда объект двигался с нормальной скоростью ходьбы через ограничивающий портал. Камера для сбора данных находилась на расстоянии примерно 3 м, объем захвата изображения составлял 0,2 м × 0,4 м × 0,1 м, и использовалось синхронизированное светодиодное освещение в ближнем ИК-диапазоне.Были получены изображения с размером около 100 пикселей по радужной оболочке. Большинство испытуемых могли носить очки или контактные линзы. Общий уровень распознавания по всем предметам составил 78%. Юн и др. [25] предложили использовать камеру с панорамированием, наклоном и масштабированием на расстоянии. Система покрывала объем захвата 1 м × 1 м × 1 м на расстоянии от 1,5 до 2,5 м. Использовались два осветителя NIR и шаговый двигатель для управления фокусом. Чтобы получить радужную оболочку глаза, сначала было обнаружено лицо с помощью алгоритма Виолы-Джонса.Затем с помощью системы панорамирования и наклона лицо помещалось в центр изображения. Наконец, радужная оболочка была обнаружена с помощью алгоритма кругового детектора края. Донг и др. [26] представили систему получения изображения радужной оболочки, которая была самоадаптированной для пользователей. Были использованы две камеры с низким разрешением: одна для съемки лица, а другая — для съемки радужной оболочки глаза. Как только область лица была обнаружена лицевой камерой, радужная оболочка была захвачена камерой диафрагмы. Объект не двигался, а объем захвата составлял 0,6 м × 0.4 м × 0,4 м. Среднее время захвата составило 5,1 с. He et al. [27] разработали камеру с диафрагмой, чтобы сделать ее более экономичной по сравнению с коммерческими альтернативами, сохраняя при этом получение изображений высокого качества. Они использовали датчик изображения 480 K пикселей со специальным объективом и фиксированным фокусом на 25 см, а также использовали светодиодную подсветку NIR 880 нм и фильтр NIR-pass для минимизации зеркальных отражений на диафрагме. Ху и Си [28] представили систему получения изображений и обнаружения в реальном времени с использованием сверточной нейронной сети.Получение и обработка изображений осуществлялись с помощью ПЛИС Altera Cyclone IV, памяти DDR и цифрового датчика изображения OV7725. Было установлено разрешение изображения 640 × 480 пикселей, и использовался формат выходных данных изображения RGB565. Система была подключена к ПК через интерфейс USB. Освещение в ближнем инфракрасном диапазоне и объектив с ручной регулировкой фокуса использовались для получения изображений радужной оболочки на расстояниях 1,5 м, 1,6 м и 1,7 м.

2.2. Показатели качества изображения радужной оболочки и фокусировка изображения

Качество образца диафрагмы имеет несколько применений.Его можно использовать на разных уровнях обработки в системах распознавания радужной оболочки глаза, например, на этапе получения изображения, на этапе улучшения изображения или на этапе сопоставления. Качество изображения радужной оболочки оценивается с помощью показателей качества для количественной оценки информации, содержащейся в изображении радужной оболочки, а также того, следует ли удалить изображение или продолжить его обработку. Метрики можно условно разделить на две группы. Первая группа показателей включает эффекты окружающей среды и камеры. Вторая группа показателей относится к непринужденному представлению объекта, например, недостаточному освещению, размытию в расфокусировке, представлению под углом и окклюзии [29].Показатель качества изображения может улучшить производительность системы. Однако общепринятой меры общего качества изображения радужной оболочки не существует [4]. Большинство авторов из области исследования получения изображений радужной оболочки глаза используют метрику фокуса изображения для оценки движения или размытия при расфокусировке. Активная автофокусировка (AF) или пассивная автофокусировка могут использоваться для получения резкого изображения в цифровых камерах. В то время как активная автофокусировка использует датчик расстояния для измерения расстояния между объективом и объектом для регулировки положения линзы фокусировки, пассивная автофокусировка вычисляет значение резкости изображения с использованием обработки пикселей [30,31].В литературе существуют различные методы оценки резкости изображения. При оценке, основанной на градиенте, сфокусированные изображения имеют больший уровень серого или изменения цвета, чем расфокусированные. В оценках, основанных на корреляции, размытые изображения имеют более сильную корреляцию пикселей, тогда как в оценках, основанных на статистике, самое четкое изображение содержит максимальное количество энтропии. При оценке на основе преобразования используются преобразования Фурье или другие преобразования для оценки частотного спектра изображения. Сфокусированные изображения содержат больше высокочастотных компонентов, потому что они получают более резкие и четкие края [32].Система Даугмана оценивала фокусировку изображения в реальном времени, глядя на мощность в средней и верхней полосах 2D-спектра Фурье. Он использовал ядро ​​свертки 8 × 8 для вычисления преобразования Фурье [4,10]. He et al. [33] разработали систему получения изображения с четкой диафрагмой с фиксированным фокусным расстоянием и оптимальным фокусным расстоянием 30 см. Для измерения расстояния использовался инфракрасный датчик. Затем они использовали двумерное преобразование Фурье изображения, чтобы оценить мощность высокочастотных компонентов изображения.Канг и Парк [34] предложили ядро ​​свертки 5 × 5, подобное ядру Даугмана. Чтобы протестировать метод оценки фокуса, они искусственно сгенерировали размытые изображения радужной оболочки из базы данных изображений радужной оболочки Casia 1.0, используя маску ядра Гаусса с различными значениями σ. Yousefi et al. [35] оценили следующие функции резкости на основе градиента: F4 Воллата, F5 Воллата, дисперсию изображения, квадрат градиента, сумму различий по строкам, сумму различий по строкам и столбцам и сумму лапласианов в терминах точность и время вычислений на платформе ПК.Точность измерялась как процент совпадения истинного положения фокуса. Метод суммы разностей дал самое быстрое время вычислений с точностью 92%, тогда как метод квадратного градиента был более чем в три раза медленнее с точностью 77%. Янг и Ван [36] предложили метод оценки качества изображения радужной оболочки, основанный на оценке уровня серого, где качество изображения радужной оболочки отражалось путем оценки средневзвешенного значения трех показателей качества: положения радужной оболочки, видимости радужной оболочки и четкости радужной оболочки.Предложенный индекс качества был протестирован на изображениях из базы данных изображений радужной оболочки глаза Casia 1.0, где правильно обнаружено 95,7% радужных оболочек.

2.3. Демозаика датчика изображения

Каждый пиксель цифрового цветного изображения состоит из красного, зеленого и синего (RGB) цветовых каналов. Для цветной цифровой камеры потребуется три датчика изображения, по одному на каждый цветовой канал. Чтобы снизить затраты, производители цифровых камер используют один датчик изображения CMOS и матрицу цветных фильтров (CFA) для записи одного из трех цветовых каналов в каждом месте пикселя.Первичный выходной сигнал этих датчиков изображения — необработанный RGB. Интерполяция изображения CFA, также известная как демозаика, требуется для восстановления полноцветного изображения RGB из необработанных данных пикселей RGB [37]. Наиболее распространенным паттерном CFA является паттерн Байера [38], как показано на Рисунке 4. Методы демозаики можно сгруппировать в две группы. Первая группа алгоритмов работает с каждым цветовым каналом отдельно. Они включают репликацию ближайшего соседа, билинейную интерполяцию и интерполяцию кубическим сплайном. Вторая группа алгоритмов использует межканальную корреляцию.Один из подходов в этой группе — плавный переход оттенка, который предполагает, что оттенок не изменяется резко между соседними местоположениями пикселей. На первом этапе эти алгоритмы интерполируют канал яркости (зеленый), что обычно достигается с помощью билинейной интерполяции. Каналы цветности (красный и синий) оцениваются на основе билинейно интерполированного «красного оттенка» (отношение красного к зеленому) и «синего оттенка» (отношения синего к зеленому). Другой подход, использующий межканальную корреляцию, — это интерполяция по краям.Здесь билинейная интерполяция зеленого канала заменена адаптивной интерполяцией для предотвращения интерполяции по краям [39]. Gunturk et al. [39] представили новый алгоритм демозаики, который использует межканальную корреляцию в схеме чередующихся проекций. Предложенный алгоритм сравнивался с билинейной интерполяцией и шестью другими алгоритмами демозаики; он продемонстрировал выдающуюся производительность как визуально, так и с точки зрения среднеквадратичной ошибки при разумной вычислительной сложности. Киммел [40] представил упрощенную модель формирования изображения, используемую для восстановления алгоритма восстановления изображения с помощью ПЗС-сенсора, основанного на CFA Байера.Работоспособность разработанного алгоритма интерполяции проверена на четырех эталонных изображениях. Билинейная интерполяция использовалась в качестве эталонного метода, чтобы показать визуальное улучшение, предлагаемое предлагаемой схемой. Lukac et al. [41] представили рентабельный метод корреляционно-корректирующей интерполяции с распознаванием краев для цифровых фотоаппаратов, в котором используются взвешенные коэффициенты с распознаванием краев. Чтобы измерить эффективность этого метода, сначала цветное изображение было преобразовано в изображение Байера. Эффективность методов интерполяции измерялась с использованием среднеквадратичной ошибки и критерия нормализованного цветового различия.Метод сравнивался с семью другими методами на двадцати цветных изображениях. В среднем они достигли улучшения на 20–30%. Bailey et al. [42] реализовали алгоритм демозаики с использованием ПЛИС Altera Cyclone V. Они рекомендуют интегрировать интерполяцию Байера в конвейер обработки изображений FPGA, когда пиксели передаются потоком с датчика изображения. На первом этапе их трехэтапного алгоритма недостающие зеленые пиксели сначала оценивались с использованием интерполяции высокого порядка в четырех направлениях с окном интерполяции 7 × 7.На втором этапе использовалась простая интерполяция первого порядка и интерполяция по диагонали для оценки недостающих синих и красных пикселей. Заключительный этап использовался для интерполяции красного и синего каналов как по горизонтали, так и по вертикали. Изображения с разрешением 800 × 600 и глубиной пикселя 8 бит были захвачены и отображены на мониторе VGA. В результате они сравнили требования к ресурсам предложенного алгоритма с другими пятью алгоритмами. Качество обработанных изображений оценивалось визуально, и авторы отметили значительно лучшее качество, хотя и за счет увеличения использования ресурсов.

2.4. Преобразование цветного изображения в оттенки серого

В большинстве приложений распознавания изображений цифровая обработка изображений выполняется на изображениях в оттенках серого. Обнаружение краев — одна из наиболее часто используемых процедур при цифровой обработке изображений. Многие исследователи предложили реализацию на ПЛИС некоторого алгоритма обнаружения границ, и их первым шагом обычно является преобразование из RGB в оттенки серого. Обнаружение краев цвета встречается редко, поскольку его требования к расчету в три раза больше, чем в случае изображения в градациях серого, а 90% краев примерно одинаковы в изображениях в градациях серого и цветных [43].Преобразование цветных изображений в оттенки серого используется по разным причинам, например, для воспроизведения монохромных устройств. Преобразование цвета в оттенки серого сокращает трехмерные данные о цвете до одного измерения. Во время этого процесса неизбежна некоторая потеря информации. Цель состоит в том, чтобы сохранить как можно больше информации и получить ощутимо правдоподобные результаты в оттенках серого. Предлагались различные подходы. Один простой, широко используемый и эффективный с точки зрения вычислений подход основан на игнорировании каналов цветности (красный и синий) и использовании канала яркости (зеленого) в качестве представления исходного цветного изображения [44].В 2005 году Gooch et al. [45] представили алгоритм Color2Gray с целью улучшения того, что в то время считалось обычными алгоритмами (CIECAM97 Lum, L * a * b * Lum, XYZ Lum, YCrCb Lum, Photoshop Auto Contrast) для преобразования изображений RGB в оттенки серого. Эти алгоритмы, которые используют простую взвешенную по пикселям сумму для сопоставления трехмерного цветового пространства с одним измерением, неэффективны при сохранении различий в цветности между изолирующими пикселями. Алгоритм Color2Gray кодирует различия цветного изображения в различия яркости в оттенках серого.Алгоритм Color2Gray не обеспечивает значительных улучшений для сцен с высоким динамическим диапазоном. Однако этот метод действительно улучшает любое изображение, которое содержит большие области изолятора с небольшим количеством различных значений цветности. Алгоритм требует очень больших вычислительных ресурсов. В 2005 году при использовании процессора Athlon 64 3200+ для вычисления изображений с полными окрестностями требовалось 12,7 с для изображения размером 100 × 100 пикселей.

3. Методы и материалы

Блок обработки изображений FPGA является функциональным ядром нашего устройства.Устройство выполняет функцию получения четких изображений в оттенках серого для освещенного глаза, используя модуль камеры, который объединяет датчик цветного изображения и моторизованный объектив. Блок обработки изображений ПЛИС поддерживается схемой измерения расстояния ИК-излучением и освещением видимым светом. Оба источника света соответствуют стандарту безопасности IEC62471. В следующем разделе мы сначала представляем блок обработки изображений FPGA; Затем мы представляем вспомогательное оборудование устройства получения изображения глаза, экспериментальную установку и процедуры тестирования.

3.1. Блок обработки изображений ПЛИС

Блок обработки изображений ПЛИС выполняет две очень важные задачи:

Оба блока обработки изображений выполняются на ПЛИС параллельно и в реальном времени. Комбинированный результат обеих операций — резкое 8-битное изображение в оттенках серого от модуля камеры, основанного на недорогом 10-битном цветном датчике изображения.

Поток пиксельных данных от модуля камеры к внешней SRAM через блок обработки изображений в реальном времени FPGA показан на рисунке 5.См. Также рисунок 4. В этом блоке четыре строковых буфера (LB) реализованы как ячейки блочного ОЗУ (BRAM) внутри FPGA. Каждый LB содержит всю строку SVGA или 800 пикселей. LB заполняются строками SVGA последовательно, строка за строкой. Когда четвертый LB заполнен, следующая строка SVGA записывается в первый LB и т. Д., Пока не будут получены и обработаны все 600 строк. Доступ к ячейке каждого LB может быть получен (запись в ячейку LB или чтение из ячейки LB) с помощью одного тактового сигнала FPGA. Например, при записи 10 бит данных пикселей в любую из четвертых ячеек LB, 10 бит данных пикселей могут быть одновременно красными из любой ячейки в первом, втором или третьем LB.Это основа нашего блока обработки изображений FPGA. Каждый обработанный пиксель записывается во внешнюю SRAM для дальнейшей обработки. В нашем случае это влечет за собой отображение обработанного изображения на дисплее SVGA или отправку обработанного изображения на ПК через интерфейс UART-USB. Модуль камеры был настроен на формат данных изображения raw-RGB. Каждый полученный пиксель имел 10-битное значение интенсивности красного, зеленого или синего цвета. Половина всех пикселей на датчике изображения были зелеными. Следовательно, пространственное разрешение зеленых пикселей было вдвое больше по сравнению с пространственным разрешением синих или красных пикселей.Мы интерполировали недостающие зеленые пиксели, чтобы получить 8-битное зеленое монохромное изображение, которое можно аппроксимировать полутоновым изображением, которое мы получили бы от 8-битного монохромного датчика изображения в градациях серого. Чтобы интерполировать недостающие зеленые пиксели, мы использовали направленную на края билинейную интерполяцию. На рис. 6a, уравнения (1) и (2) показывают пиксели, участвующие в направленной по краю билинейной интерполяции отсутствующих зеленых пикселей. Интерполяция зеленого цвета была рассчитана для каждой позиции красного пикселя и каждой позиции синего пикселя.Значение резкости изображения вычислялось в каждой позиции зеленого пикселя как вычисление синего градиента и красного градиента. Таким образом, две операции обработки изображения чередовались в одном кадре изображения. Насколько нам известно, описанный метод обработки изображений еще не представлен ни в одном приложении для получения изображений радужной оболочки глаза. Рисунок 6b и уравнения (3) — (5) показывают, как позиции зеленых пикселей используются для расчета резкости изображения кадра изображения. Для кадра изображения размером 480 000 пикселей производится вычисление резкости 240 000 пикселей.Лучше сфокусированные изображения имеют более высокие значения резкости. Интерполяция зеленого пикселя в позиции красного пикселя R0 в 8-битное значение оттенков серого:

если | G2 — G3 | > | G0 — G5 | => интерполированное значение зеленого пикселя = (G0 + G5) / 8
если | G2 — G3 | <| G0 - G5 | => интерполированное значение зеленого пикселя = (G2 + G3) / 8

(1)

Интерполяция зеленого пикселя в позиции синего пикселя B4 в 8-битное значение в градациях серого:

если | G5 — G6 | > | G3 — G8 | => интерполированное значение зеленого пикселя = (G3 + G8) / 8
если | G5 — G6 | <| G3 - G8 | => интерполированное значение зеленого пикселя = (G5 + G6) / 8

(2)

Расчет резкости пикселей в позиции зеленого пикселя G3:

pixel_sharpness (k) = | R0 — R1 | + | B1 — B4 |

(3)

Расчет резкости пикселей в позиции зеленого пикселя G5:

pixel_sharpness (k) = | B3 — B4 | + | R0 — R2 |

(4)

Резкость изображения = [∑ ^k pixel_sharpness (k)] / 64

(5)

3.2. Аппаратное обеспечение устройства для получения изображения глаза

Разработанное устройство для получения изображения глаза было спроектировано на основе модуля камеры. Мы использовали небольшой, недорогой и простой в приобретении модуль камеры со встроенным датчиком изображения и моторизованным объективом. На рисунке 7 показана функциональная блок-схема разработанного устройства получения изображения глаза со следующими основными компонентами:

• Модуль камеры [46] в качестве устройства получения изображения;
• Микроконтроллер (MCU) [47] как системный контроллер;
• FPGA [48] с внешней памятью SRAM 2 МБ [49] в качестве ядра обработки изображений;
• Подсистема подсветки объектов на основе светодиодов RGB [50];
• Подсистема измерения расстояния для измерения расстояния между объектом и модулем камеры на основе ИК-излучающих светодиодов [51] и ИК-детектирующих фотодиодов [52];
• Внешний ПК, который подключен к FPGA через внешний интерфейс микросхемы UART / USB [53], для автономной обработки изображений и тестирования MATLAB [54];
• Внешний 8.4-дюймовый дисплей SVGA [55], который подключен к FPGA через внешний интерфейс микросхемы SVGA / LVDS [56], для отладки изображения в реальном времени. Дисплей используется в прототипе устройства только для целей отладки и не будет интегрирован в конечный продукт.

В модуль камеры встроены цветной датчик изображения CMOS с разрешением 5 мегапикселей и моторизованный объектив для регулировки фокуса камеры. Размер изображения, формат данных изображения и положение линзы фокусировки регулировались MCU по шине I2C. В нашем проекте размер изображения был установлен на SVGA (800 × 600 пикселей), а формат данных изображения был установлен на необработанный RGB, где каждый пиксель имел глубину 10 бит.Кадры изображения были захвачены FPGA через порт цифрового видео (DVP).

На рис. 8а показан модуль камеры, установленный на плате ЦП. Размер изображения SVGA был выбран для получения изображений глаз с достаточно хорошим разрешением, которое соответствовало бы размеру дисплея. Однако это также означает, что наше устройство не соответствует стандарту ISO / IEC19794-5. Поскольку мы использовали локальную базу данных на кристалле, которая недоступна для внешнего мира, это не проблема.

Частота пикселей изображения была установлена ​​на 12 МГц, что дает приблизительную частоту кадров 5 кадров в секунду.На этих пиксельных часах длительность кадра составляла 195 мс. Эта частота кадров была выбрана из-за требований к синхронизации блока обработки изображений в реальном времени FPGA. Чип FPGA работает на частоте 200 МГц. Это предоставляет блоку обработки 16 тактовых циклов для обработки каждого входящего пикселя в реальном времени.

Резкость изображения регулировалась путем регулировки положения встроенного моторизованного объектива. Чтобы ускорить процесс фокусировки, положение объектива камеры сначала было установлено примерно в соответствии с измеренным расстоянием между модулем камеры и объектом.Это было достигнуто с помощью схемы измерения расстояния с помощью ИК-излучения, основными компонентами которой являются четыре ИК-светодиода и четыре ИК-фотодиода. Излучаемый и отраженный ИК-свет регистрировался ИК-фотодиодами, когда объект помещался перед модулем камеры. Схема измерения расстояния, расположенная вокруг модуля камеры, показана на рисунке 8b. Поскольку мы использовали модуль камеры со встроенным датчиком изображения на основе CFA, который чувствителен к длинам волн красного, синего и зеленого света, трехцветный RGB Было использовано светодиодное освещение с максимальными длинами волн 634 нм, 522 нм и 465 нм для красного, зеленого и синего каналов освещения соответственно.Как видно на рисунке 8b, вокруг модуля камеры симметрично расположено восемь светодиодов RGB. Интенсивность освещения для каждого канала освещения может регулироваться MCU независимо в соответствии с измеренным расстоянием от объекта с учетом пределов освещенности для безопасности глаз. На рис. 8c – e горят красный, зеленый и синий светодиоды. Преимущество использования видимого освещения перед ИК-освещением состоит в том, что его можно использовать для определения живости глаз, поскольку зрачок глаза изменяется в размере при изменении уровня освещенности видимым светом.Изображение глаза было получено с небольшого расстояния 7–13 см. Следовательно, видимое освещение должно гарантировать захват достаточного количества деталей структуры радужной оболочки для процесса распознавания радужной оболочки. Чтобы получить четкое 8-битное изображение в оттенках серого с помощью нашего устройства получения изображения глаза, мы использовали простую экспериментальную установку, как показано на рисунке 9a. Установка состояла из двух деревянных досок, четырех металлических стержней с резьбой и четырех гаек под верхней деревянной доской. Расстояние между модулем камеры и верхними досками регулировалось вручную путем регулировки положения гаек.Вместо получения изображений реального глаза использовался пластиковый искусственный игрушечный глаз диаметром 22 мм [57], как показано на рисунке 8b. На этом этапе проекта мы не использовали настоящие человеческие глаза, поскольку нас интересовали основные функции и концепция предлагаемого устройства для получения изображения глаза.

3.3. Экспериментальная установка и процедуры испытаний

На первом этапе экспериментальная установка использовалась для калибровки схемы измерения расстояния ИК-излучения. На втором этапе измерялась функция резкости как функция расстояния.На последнем этапе экспериментальная установка использовалась для тестирования предложенной схемы получения изображения глаза. С помощью откалиброванной схемы ИК-измерения расстояния сначала приблизительно устанавливается положение фокусной линзы. Затем может начаться процесс точной настройки положения линзы. В этот момент начинается подсветка RGB и выполняется алгоритм пассивной фокусировки. Здесь значения резкости изображения вычисляются из последовательно полученных кадров. Выполняется точная настройка положения объектива камеры на основе текущего и предыдущего значений резкости изображения.Положение объектива камеры регулируется MCU по шине I2C в диапазоне от 0 до 1023 цифр. Процесс фокусировки изображения завершается, когда получается не более шести последовательных изображений. Следовательно, весь процесс фокусировки изображения никогда не занимает более 1200 мс. На этом этапе мы получили изображение с максимальным значением резкости. Уровень освещенности RGB устанавливался в соответствии с измеренным расстоянием от глаза.

Для измерения функции резкости изображения как функции расстояния от камеры в качестве целевого изображения для фокусировки использовалась диаграмма ISO12233.Версия этой диаграммы в виде файла PDF-изображения показана на рисунке 10. Диаграмма была получена из [58], распечатана и закреплена на нижней стороне верхней деревянной доски механической установки. Важно, чтобы схема освещения RGB и Схема ИК-измерения расстояния соответствует стандарту IEC62471. Чтобы рассчитать общий уровень опасного воздействия одного светодиода RGB на расстоянии 10 мм и уровень опасного воздействия одного ИК-светодиода на расстоянии 10 мм, мощность излучения Φ [Вт] красного, зеленого, синего, и сначала измерялось ИК-освещение.Для этого использовались стандарт IEC62471 [59] и установка измерителя мощности от Gentec [60,61]. Здесь предполагались наихудшие сценарии освещения, так как глаз будет центрирован на 10 мм над светодиодом и освещен в течение 5 с. Уравнения (6) и (7) показывают расчет предела воздействия синего света для сетчатки глаза (EB × t, EB) небольшого источника света для спектральной области от 300 до 700 нм. Уравнения (8) и (9) показывают расчет предела опасного воздействия инфракрасного излучения (EIR) для глаза для ИК-области спектра от 780 до 3000 нм.E (λ) — спектральная энергетическая освещенность (Вт × м ² × нм ⁻¹ ), определяемая как отношение мощности излучения dΦ (λ) в интервале длин волн dλ, падающих на элемент поверхности, на площадь dA этого элемента и интервал длин волн dλ. λ — длина волны (нм), Δt — время воздействия (с), Δλ — ширина полосы (нм), а B (λ) — весовая функция опасности синего света (константа).

EB × t = ∑λ∑t E (λ) × B (λ) × Δt × Δλ ≤ 100 Дж / м ² действительно для t ≤ 100 с

(6)

EB = ∑λ E (λ) × B (λ) × Δλ ≤ 1 Вт / м ² действительно для t> 100 с

(7)

EIR = ∑ ^λ E (λ) × Δλ ≤ 18.000 × t ^−0,75 Вт / м ² действительно для t ≤ 1.000 с

(8)

EIR = ∑ ^λ E (λ) × Δλ ≤ 100 Вт / м ² действительно для t> 1.000 с

(9)

4. Результаты и обсуждение

В этом разделе мы представляем результаты испытаний, которые были получены с использованием экспериментальной установки, представленной в разделе 3. На рисунке 11 показаны измеренные характеристики напряжение / расстояние. Напряжение схемы обнаружения инфракрасного излучения было измерено 10-разрядным АЦП микроконтроллера на уровне 3.Опорное напряжение 3 В. В коде для преобразования напряжения в расстояние использовались справочная таблица и линейная интерполяция между точками калибровки. На рисунке 12 показана функция резкости изображения, измеренная разработанной системой формирования изображения, в зависимости от резкости изображения от расстояния до объекта. По заявлению производителя, максимальное значение функции резкости было на расстоянии 100 мм. На рисунке 13 показаны результаты измерения резкости изображения в зависимости от положения линзы на трех фиксированных расстояниях от объекта: 70 мм, 100 мм и 130 мм.Как и ожидалось, лучшая производительность схемы резкости изображения была измерена на расстоянии 100 мм. Это оптимальное расстояние захвата системы.

Разработанное устройство получения изображения глаза было испытано в диапазоне расстояний 7–13 см от цели. Измеренный размах подсистемы измерения расстояний в этом диапазоне составлял примерно 50 разрядов. Достигнутая точность измерения расстояния была достаточно хорошей для выполнения активной фокусировки с помощью этого приложения.

Для оценки общих характеристик предлагаемого устройства получения изображения глаза использовались субъективный визуальный подход и метрика значения резкости изображения.На рис. 14 показаны три изображения, полученные при разных условиях освещения и наилучшем положении фокусировки. Резкость изображения значительно улучшилась при более высоком уровне освещенности. В десяти попытках среднее время получения четкого изображения составляло 1 с, при этом время получения составляло от 800 до 1200 мс. Диаметр полученной диафрагмы составлял приблизительно 400 пикселей, что вдвое больше по сравнению со стандартизованными 200 пикселями. Это будет преимуществом, когда будет реализована вся система распознавания радужной оболочки глаза. Нежелательные артефакты освещения были хорошо сконцентрированы внутри области зрачка.В таблице 2 показан расчет общего опасного воздействия синего цвета на сетчатку глаза одного светодиода RGB. В таблице 3 показан расчет опасности облучения глаза инфракрасным излучением от одного ИК-светодиода. Оба рассчитанных уровня опасного воздействия были ниже пределов их опасного воздействия. Предел опасного уровня воздействия синего цвета на сетчатку, EB × t, составляет 100 Дж / м ² . Расчетный предел опасного уровня воздействия инфракрасного излучения, EIR, составил 5883 Вт / м ² .

5. Выводы и дальнейшая работа

Целью этой работы было проверить, можно ли построить компактное устройство контроля доступа на основе технологии распознавания радужной оболочки глаза, предназначенное для легкой интеграции в двери умного города, по разумной цене.В каждой системе распознавания радужной оболочки подсистема получения изображения представляет собой наиболее сложную и дорогостоящую часть. Поэтому проект разбили на два этапа. В этой работе мы представили результаты первого этапа, цель которого заключалась в разработке и тестировании только части системы получения изображения глаза.

Результаты показали хорошую производительность разработанного устройства. Нам удалось получить резкое изображение искусственного игрушечного глаза диаметром 22 мм с расстояния примерно 10 см, достигая 400 пикселей по диаметру радужной оболочки, со средним временем получения 1 с и с уровнями освещенности ниже уровней опасного воздействия. .

Основным недостатком данной работы были ограничения, вызванные использованием искусственного игрушечного глаза и, как следствие, существенно ограниченные условия получения изображения радужной оболочки глаза. Нам не удалось измерить производительность всей системы распознавания радужной оболочки глаза, которая может быть достигнута за счет использования реальных изображений глаза, получения изображений с меньшими ограничениями и реализации всех этапов распознавания радужной оболочки глаза.

Тем не менее, мы получили достаточно положительных данных для продолжения нашей работы, которая будет сосредоточена на разработке полной системы распознавания радужной оболочки глаза для приложений контроля доступа в умном городе.На втором этапе устройство будет дополнительно миниатюризировано, а другие этапы распознавания радужной оболочки (сегментация радужной оболочки, кодирование радужной оболочки, сопоставление кодов) будут добавлены в качестве обновлений программного обеспечения. Также будут изучены и реализованы оптимальные уровни видимой освещенности для разных цветов радужной оболочки в зависимости от расстояния до камеры. Производительность всей системы распознавания радужной оболочки будет измеряться с точки зрения ее метрик точности контроля доступа, таких как частота ложных приемов (FAA) и частота ложных отказов (FRR).

Вклад авторов

Концептуализация, D.Z .; методология, Д.З. и A.Ž .; аппаратное / программное обеспечение, Д.З .; проверка, A.Ž .; формальный анализ, Д.З. и A.Ž .; следствие, Д.З .; ресурсы, Д.З. и A.Ž .; курирование данных, Д.З. и A.Ž .; письменная — подготовка оригинального черновика, Д.З. и A.Ž .; написание — просмотр и редактирование, Д.З. и A.Ž .; наблюдение, А.Ž .; администрация проекта, Д.З. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование

Это исследование не получало внешнего финансирования.

Заявление институционального наблюдательного совета

Не применимо.

Заявление об информированном согласии

Информированное согласие было получено от всех субъектов, участвовавших в исследовании.

Заявление о доступности данных

Данные доступны по запросу.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Chen, M .; Tang, Y .; Zou, X .; Хуанг, К .; Li, L .; He, Y. Высокоточная многокамерная реконструкция, улучшенная адаптивным алгоритмом коррекции облака точек.Опт. Lasers Eng. 2019 , 122, 170–183. [Google Scholar] [CrossRef]
2. Tang, Y .; Li, L .; Wang, C .; Chen, M .; Feng, W .; Zou, X .; Хуанг, К. Обнаружение в реальном времени деформации и деформации поверхности в стальных трубчатых колоннах из переработанного заполнителя, заполненных бетоном, с помощью четырехкамерного зрения. Робот. Comput. -Integr. Manuf. 2019 , 59, 36–46. [Google Scholar] [CrossRef]
3. Перспективы рынка биометрических технологий: 2022. 2021. Доступно в Интернете: https: //www.alliedmarketresearch.com / biometric-technology-market (по состоянию на 17 августа 2021 г.).
4. Bowyer, K.W .; Hollingsworth, K .; Флинн, П.Дж. Понимание изображений для биометрии радужной оболочки: обзор. Comput. Vis. Image Underst. 2008 , 110, 281–307. [Google Scholar] [CrossRef]
5. Прогноз рынка биометрии на 44 млрд долларов к 2026 году, отраслевой обзор направлен на цифровую идентификацию. 2021. Доступно на сайте: https://www.biometricupdate.com/202107/biometrics-market-forecast-for-44b-by-2026-industry-survey-sees-digital-identity-focus (доступ 17 августа 2021 г.).
6. Бесконтактная биометрия, по оценкам, принесет в этом году более 9 миллиардов долларов. 2021. Доступно на сайте: https://www.biometricupdate.com/202106/contactless-biometrics-estimated-to-bring-in-over-9b-this-year (по состоянию на 17 августа 2021 г.).
7. Влияние COVID-19 на рынок биометрических систем. 2021. Доступно на сайте: https://www.marketsandmarkets.com/Market-Reports/next-generation-biometric-technologies-market-697.html (по состоянию на 17 августа 2021 г.).
8. Сравнение пяти распространенных биометрических методов.2021. Доступно на сайте: https://www.recogtech.com/en/knowledge-base/5-common-biometric-techniques-compared (по состоянию на 17 августа 2021 г.).
9. Сравнение методов измерения пяти основных биометрических параметров (лицо, отпечаток пальца, радужная оболочка глаза, ладонь и голос). 2021. Доступно на сайте: https://www.bayometric.com/biometrics-face-finger-iris-palm-voice (доступ 17 августа 2021 г.).
10. Даугман, J.G. Визуальное распознавание людей с высокой степенью достоверности с помощью теста на статистическую независимость. IEEE Trans. Pattern Anal. Мах. Intell. 1993 , 15, 1148–1161. [Google Scholar] [CrossRef]
11. Daugman, J.G. Биометрическая система идентификации личности на основе анализа радужной оболочки глаза. Патент США 5291560A, 1 марта 1994 г. [Google Scholar]
12. Daugman, J.G. Введение в распознавание радужной оболочки глаза. Кембриджский университет: Факультет компьютерных наук и технологий. Доступно в Интернете: https://www.cl.cam.ac.uk/~jgd1000/iris_recognition.html (по состоянию на 12 июня 2021 г.).
13. Wildes, R.P. Распознавание Ириса: новая биометрическая технология.Proc. IEEE 1997 , 85, 1348–1363. [Google Scholar] [CrossRef]
14. Quinn, G .; Grother, P .; Табасси, Э. Стандартные форматы хранения радужной оболочки. В Справочнике по распознаванию радужной оболочки глаза; Burge, M.J., Bowyer, K.W., Eds .; Springer: Лондон, Великобритания, 2013 г .; С. 55–66. [Google Scholar] [CrossRef]
15. Оценка фотобиологической безопасности светодиодов; Лаборатории андеррайтеров: Оук-Брук, Иллинойс, США, 2012 г .; Доступно в Интернете: https://code-authorities.ul.com/wp-content/uploads/sites/40/2015/02/UL_WP_Final_Assessing-the-Photobiological-Safety-of-LEDs_v3_HR.pdf (доступ 13 сентября 2021 г.).
16. IrisID, iCAM7. 2021. Доступно в Интернете: https://www.irisid.com/productssolutions/hardwareproducts/icam7-series (по состоянию на 20 августа 2021 г.).
17. Granding, IR7pro. 2021. Доступно в Интернете: https://www.grandingteco.com/top-suppliers-biometric-scanner-iris-recognition-access-control-and-time-attendance-system-ir7-pro-granding-product (доступ 20 Август 2021 г.).
18. Iritech. MO2121. 2021. Доступно в Интернете: https://www.iritech.com/products/hardware/irishield%E2%84%A2-series (по состоянию на 20 августа 2021 г.).
19. Томас.TA-EF-45. 2021. Доступно в Интернете: https://www.kmthomas.ca/biometric-/950-iris-recognition-reader.html (по состоянию на 20 августа 2021 г.).
20. Монако, М.К. Анализ цветового пространства для распознавания радужки. Магистерская работа, Университет Западной Вирджинии, Моргантаун, Западная Вирджиния, США, 2007. [Google Scholar] [CrossRef]
21. Burge, M.J .; Монако, М. Мультиспектральное слияние ирисовой диафрагмы и согласование между спектрами. В Справочнике по распознаванию радужной оболочки глаза; Burge, M.J., Bowyer, K.W., Eds .; Springer: Лондон, Великобритания, 2013 г .; стр.171–182. [Google Scholar] [CrossRef]
22. Proença, H. Распознавание радужной оболочки: О сегментации ухудшенных изображений, полученных в видимом диапазоне длин волн. IEEE Trans. Pattern Anal. Мах. Intell. 2010 , 32, 1502–1516. [Google Scholar] [CrossRef] [PubMed]
23. Matey, J.R .; Народицкий, О .; Hanna, K .; Kolczynski, R .; LoIacono, D.J .; Mangru, S .; Тинкер, М .; Zappia, T.M .; Чжао, W.Y. Радужная оболочка в движении: получение изображений для распознавания радужной оболочки глаза в менее ограниченных условиях. Proc.IEEE 2006 , 94, 1936–1947. [Google Scholar] [CrossRef]
24. Ackerman, D.A. Оптика систем визуализации радужной оболочки. В Справочнике по распознаванию радужной оболочки глаза; Burge, M.J., Bowyer, K.W., Eds .; Springer: Лондон, Великобритания, 2013 г .; С. 367–393. [Google Scholar] [CrossRef]
25. Yoon, S .; Bae, K .; Park, K.R .; Kim, J. Система захвата изображения диафрагмы на основе панорамирования, наклона и масштабирования для неограниченных пользовательских сред на расстоянии. На Международной конференции по биометрии; Springer: Берлин / Гейдельберг, Германия, 2007 г .; стр.653–662. [Google Scholar]
26. Dong, W .; Солнце, З .; Tan, T .; Цю, X. Самонастраивающаяся система получения изображения радужной оболочки. In Proceeding SPIE 6944, Биометрическая технология для идентификации человека V; Международное общество оптики и фотоники: Вашингтон, округ Колумбия, США, 2008 г .; п. 694406. [Google Scholar] [CrossRef]
27. He, X .; Ян, Дж .; Chen, G .; Ши П. Дизайн захвата радужной оболочки с бесконтактной обратной связью. IEEE Trans. Instrum. Измер. 2008 , 57, 1369–1375. [Google Scholar] [CrossRef]
28. Hu, Y.; Si, X. Система получения изображений и обнаружения радужной оболочки глаза в реальном времени с использованием сверточной нейронной сети. ResearchSquare 2021 . препринт. [Google Scholar] [CrossRef]
29. Schmid, N.A .; Zuo, J .; Nicolo, F .; Метрики качества Wechsler, H. Iris для адаптивной аутентификации. В Справочнике по распознаванию радужной оболочки глаза; Burge, M.J., Bowyer, K.W., Eds .; Springer: Лондон, Великобритания, 2013 г .; С. 67–84. [Google Scholar] [CrossRef]
30. Вайдеман Д. Автоматическое определение фокуса. In Proceedings of the IEEE 1993 National Aerospace and Electronics Conference-NAECON 1993, Dayton, OH, USA, 24-28 мая 1993 г ​​.; Том 2, стр.996–1002. [Google Scholar] [CrossRef]
31. Kuo, C.J .; Чиу, C. Улучшенные алгоритмы поиска автофокуса для модуля распознавания изображений CMOS. J. Inf. Sci. Англ. 2011 , 27, 1377–1393. [Google Scholar]
32. Cao, D .; Gao, Y .; Ли, Х. Функции оценки автофокусировки в системе цифрового изображения. В материалах 3-й Международной конференции по продвинутой компьютерной теории и инженерии 2010 г., Чэнду, Китай, 20–22 августа 2010 г .; Том 5. С. 331–334. [Google Scholar] [CrossRef]
33. He, Y.; Cui, J .; Tan, T .; Ван Ю. Основные методы и методы визуализации радужной оболочки в фокусе. В материалах 18-й Международной конференции по распознаванию образов, Гонконг, Китай, 20–26 августа 2006 г .; С. 557–561. [Google Scholar] [CrossRef]
34. Kang, B.J .; Парк, К. Восстановление изображений в реальном времени для систем распознавания радужной оболочки глаза. IEEE Trans. Syst. Человек Киберн. B 2007 , 37, 1555–1566. [Google Scholar] [CrossRef] [PubMed]
35. Yousefi, S .; Rahman, M .; Kehtarnavaz, N .; Гамадиа, М.Новая функция резкости автофокуса для цифровых камер и камер смартфонов. В материалах Международной конференции по бытовой электронике IEEE 2011 г., Лас-Вегас, Невада, США, 9–12 января 2011 г .; С. 475–476. [Google Scholar] [CrossRef]
36. Yang, B .; Ван, Дж. Ирис исследование метода оценки качества изображения на основе градационных характеристик. В материалах Международной конференции IEEE 2016 г. по обработке сигналов и изображений, Пекин, Китай, 13–15 августа 2016 г .; С. 108–112. [Google Scholar] [CrossRef]
37. Lien, C.; Ян, Ф .; Chen, P .; Фанг, Ю. Эффективная архитектура СБИС для демозаики, ориентированной на границу. IEEE Trans. Circuits Syst. Video Technol. 2018 , 28, 2038–2047. [Google Scholar] [CrossRef]
38. Bayer, B.E. Цветной массив изображений. Патент США 3971065, 20 июля 1976 г. [Google Scholar]
39. Gunturk, B.K .; Altunbasak, Y .; Мерсеро, Р. Интерполяция цветовой плоскости с использованием чередующихся проекций. IEEE Trans. Процесс изображения. 2002 , 11, 997–1013. [Google Scholar] [CrossRef] [PubMed]
40. Kimmel, R.Демозаика: восстановление изображения по образцам цветных ПЗС-матриц. IEEE Trans. Процесс изображения. 1999 , 8, 1221–1228. [Google Scholar] [CrossRef] [PubMed]
41. Lukac, R .; Plataniotis, K.N .; Hatzinakos, D .; Алексич, М. Новый рентабельный подход к демозаизации. IEEE Trans. Расход. Электрон. 2004 , 50, 256–261. [Google Scholar] [CrossRef]
42. Bailey, D .; Randhawa, S .; Ли, Дж. С. Дж. Продвинутая демозаика Байера на ПЛИС. В трудах Международной конференции по программируемым технологиям (FPT) 2015 г., Квинстаун, Новая Зеландия, 7–9 декабря 2015 г .; стр.216–220. [Google Scholar] [CrossRef]
43. Hagara, M .; Стоянович, Р .; Багала, Т .; Кубинец, П .; Ондрачек, О. Форматы изображений в градациях серого для обнаружения границ и для реализации на ПЛИС. Микропроцесс. Микросист. 2020 , 75, 103056. [Google Scholar] [CrossRef]
44. Кадик М. Перцепционная оценка преобразования цветного изображения в оттенки серого. Comput. График. Форум 2008 , 27, 1745–1754. [Google Scholar] [CrossRef]
45. Gooch, A.A .; Olsen, S.C .; Tumblin, J .; Гуч, Б.Color2Gray: Удаление цвета с сохранением заметности. ACM Trans. График. 2005 , 24, 634–639. [Google Scholar] [CrossRef]
46. Модуль камеры KLT-M6MPA-OV56040 V3.4 NIR. Kai Lap Technologies. 2021. Доступно в Интернете: http://www.kailaptech.com/Product.aspx?id=2014&l1=712 (по состоянию на 13 сентября 2021 г.).
47. Спецификация семейства SAM E70 / S70 / V70 / V71. Технология микрочипов. 2020. Доступно в Интернете: https://www.microchip.com/en-us/product/ATSAMS70J19#document-table (по состоянию на 13 сентября 2021 г.).
48. Лист данных ПЛИС 7-й серии: Обзор. Xilinx. 2020. Доступно в Интернете: https://www.xilinx.com/content/dam/xilinx/support/documentation/data_sheets/ds180_7Series_Overview.pdf (по состоянию на 13 сентября 2021 г.).
49. 2048K × 8bit High Speeed Cmos Sram. Lyontek. 2014. Доступно в Интернете: http://www.lyontek.com.tw/pdf/hs/LY61L20498A-1.0.pdf (доступ 13 сентября 2021 г.).
50. PLCC-4 Трехцветный черный поверхностный светодиод, ASMB-MTB0-0A3A2. Avago Technologies. 2015. Доступно в Интернете: https: // docs.broadcom.com/doc/AV02-4186EN (по состоянию на 13 сентября 2021 г.).
51. Высокоскоростные инфракрасные излучающие диоды 940 нм, VSMB2020X01. Вишай. 2011. Доступно в Интернете: https://www.vishay.com/docs/81930/vsmb2000.pdf (по состоянию на 13 сентября 2021 г.).
52. Кремниевый PIN-фотодиод, VEMD2520X01. Вишай. Ред. 1.2, номер документа: 83294. 2011. Доступно в Интернете: https://www.vishay.com/docs/83294/vemd2500.pdf (по состоянию на 13 сентября 2021 г.).
53. FT232R Usb Uart Ic. FTDI. 2020. Доступно на сайте: https: // ftdichip.com / wp-content / uploads / 2020/08 / DS_FT232R.pdf (доступ 13 сентября 2021 г.).
54. Matlab. Математические работы. 2021. Доступно в Интернете: https://uk.mathworks.com/products/matlab.html (доступ 2 июня 2021 г.).
55. ИДК-1108R-45SVA1E. Advantech. 2012. Доступно в Интернете: https://www.advantech.com/products/60f5fbd2-6b02-490c-98bc-88cd13279638/idk-1108/mod_d36e2e00-0217-4c24-ae52-9366a1d62d2f (доступ 13 сентября 2021 г.).
56. DS90C385A. Инструменты Техаса. 2013. Доступно в Интернете: https: // www.ti.com/lit/ds/symlink/ds90c385a.pdf?ts=1631464072720&ref_url=https%253A%252F%252Fwww.google.com%252F (по состоянию на 13 сентября 2021 г.).
57. Etsy, Глазки для кукол. Доступно в Интернете: https://www.etsy.com/listing/871244018/eyes-for-dolls-23-colors-11-sizes-good?ga_order=most_relevant&ga_search_type=all&ga_view_type=gallery&ga_search_query=toy+eyes&ref=sr_gallery-2-8 = 1 & col = 1 (по состоянию на 24 августа 2021 г.).
58. Westin, S.H. Таблица ISO 12233. Корнельский университет.Доступно в Интернете: https://www.graphics.cornell.edu/~westin/misc/res-chart.html (доступ 17 июня 2021 г.).
59. Европейский стандарт EN-62471: 2008; CENELEC: Брюссель, Бельгия, 2008.
60. Устройство с сенсорным экраном для измерения мощности и энергии, Maestro, P / N 201235B. Gentec. Доступно в Интернете: https://www.gentec-eo.com/products/maestro (по состоянию на 19 июня 2021 г.).
61. Фотодиодный детектор для измерения мощности лазера до 300 мВт, Ph200-SI-HA-OD1-D0, P / N 202683. Gentec. Доступно в Интернете: https: // www.gentec-eo.com/products/ph200-si-ha-od1-d0 (по состоянию на 19 июня 2021 г.).

Рисунок 1.
Разнообразие и точность биометрических систем: (а) текстура радужной оболочки — высокое разнообразие и точность; (б) рисунок отпечатка пальца — среднее разнообразие и точность; (в) изображение лица — низкое разнообразие и точность.

Рисунок 1.
Разнообразие и точность биометрических систем: (а) текстура радужной оболочки — высокое разнообразие и точность; (б) рисунок отпечатка пальца — среднее разнообразие и точность; (в) изображение лица — низкое разнообразие и точность.

Рисунок 2.
Основные принципы системы распознавания радужной оболочки глаза.

Рисунок 2.
Основные принципы системы распознавания радужной оболочки глаза.

Рисунок 3.
Примеры существующих устройств контроля доступа на основе распознавания радужной оболочки глаза, предназначенных для приложений умного города: ( a ) IRISID-iCAM7; ( b ) GRANDING-IR7pro; ( c ) IRITECH-MO2121; ( д ) THOMAS-TA-EF-45; ( e ) предлагаемый концептуальный дизайн.

Рисунок 3.
Примеры существующих устройств контроля доступа на основе распознавания радужной оболочки глаза, предназначенных для приложений умного города: ( a ) IRISID-iCAM7; ( b ) GRANDING-IR7pro; ( c ) IRITECH-MO2121; ( д ) THOMAS-TA-EF-45; ( e ) предлагаемый концептуальный дизайн.

Рисунок 4.
Шаблон матрицы цветных фильтров Байера (CFA), широко используемый в цветных CMOS-датчиках [38].

Рисунок 4.
Шаблон матрицы цветных фильтров Байера (CFA), широко используемый в цветных CMOS-датчиках [38].

Рисунок 5.
Блок обработки изображений в реальном времени на ПЛИС.

Рисунок 5.
Блок обработки изображений в реальном времени на ПЛИС.

Рисунок 6.
Пиксели, участвующие в обработке изображений FPGA в реальном времени: ( a ) билинейная интерполяция зеленого цвета по краям; ( b ) расчет значения резкости изображения по красным и синим пикселям.

Рисунок 6.
Пиксели, участвующие в обработке изображений FPGA в реальном времени: ( a ) билинейная интерполяция зеленого цвета по краям; ( b ) расчет значения резкости изображения по красным и синим пикселям.

Рисунок 7.
Функциональная блок-схема разработанного устройства получения изображения глаза.

Рисунок 7.
Функциональная блок-схема разработанного устройства получения изображения глаза.

Рисунок 8.
Электроника получения изображения: ( a ) модуль камеры, установленный на печатной плате MCU; ( b ) Печатная плата ИК-расстояния / RGB-подсветки, установленная на печатной плате MCU; ( c ) красный светодиод RGB включен; ( d ) зеленый светодиод RGB включен; ( e ) горит синий светодиод RGB.

Рисунок 8.
Электроника получения изображения: ( a ) модуль камеры, установленный на печатной плате MCU; ( b ) Печатная плата ИК-расстояния / RGB-подсветки, установленная на печатной плате MCU; ( c ) красный светодиод RGB включен; ( d ) зеленый светодиод RGB включен; ( e ) горит синий светодиод RGB.

Рисунок 9.
Экспериментальная установка для получения изображения глаза: ( a ) разработан прототип электроники под игрушечный глаз; ( b ) игрушечный глазок наклеен на верхнюю доску.

Рисунок 9.
Экспериментальная установка для получения изображения глаза: ( a ) разработан прототип электроники под игрушечный глаз; ( b ) игрушечный глазок наклеен на верхнюю доску.

Рисунок 10.
Таблица ISO-12233 для оценки резкости изображения [58].

Рисунок 10.
Таблица ISO-12233 для оценки резкости изображения [58].

Рисунок 11.
Измеренные характеристики напряжение / расстояние подсистемы измерения расстояния.

Рисунок 11.
Измеренные характеристики напряжение / расстояние подсистемы измерения расстояния.

Рисунок 12.
Измеренная резкость изображения как функция расстояния до объекта.

Рисунок 12.
Измеренная резкость изображения как функция расстояния до объекта.

Рисунок 13.
Измеренная резкость изображения как функция положения объектива на 3 фиксированных расстояниях от объекта: 70 мм, 100 мм и 130 мм.

Рисунок 13.
Измеренная резкость изображения как функция положения объектива на 3 фиксированных расстояниях от объекта: 70 мм, 100 мм и 130 мм.

Рисунок 14.
Получены 8-битные полутоновые изображения искусственного глаза на расстоянии 100 мм, при положении фокуса линзы 590 цифр и при различных условиях освещения: ( a ) без освещения (активна только схема измерения расстояния в инфракрасном диапазоне), резкость изображения = 136 000; ( b ) низкий уровень освещенности RGB, резкость изображения = 195000; ( c ) высокий уровень освещенности RGB, резкость изображения = 229000.

Рисунок 14.
Получены 8-битные полутоновые изображения искусственного глаза на расстоянии 100 мм, при положении фокуса линзы 590 цифр и при различных условиях освещения: ( a ) без освещения (активна только схема измерения расстояния в инфракрасном диапазоне), резкость изображения = 136 000; ( b ) низкий уровень освещенности RGB, резкость изображения = 195000; ( c ) высокий уровень освещенности RGB, резкость изображения = 229000.

Таблица 1.
Типовые технические характеристики продуктов из приложений контроля доступа умного города на основе распознавания радужной оболочки глаза.

Таблица 1.
Типовые технические характеристики продуктов из приложений контроля доступа умного города на основе распознавания радужной оболочки глаза.

Таблица 2.
Расчет общей опасности синего цвета сетчатки глаза для одного светодиода RGB.

Таблица 2.
Расчет общей опасности синего цвета сетчатки глаза для одного светодиода RGB.

1 × Красный

−

Таблица 3.
Опасное инфракрасное излучение для глаза от одного ИК-светодиода.

Таблица 3.
Опасное инфракрасное излучение для глаза от одного ИК-светодиода.

© 2021 Авторы. Лицензиат MDPI, Базель, Швейцария. Эта статья представляет собой статью в открытом доступе, распространяемую в соответствии с условиями лицензии Creative Commons Attribution (CC BY) (https: // creativecommons.org / licenses / by / 4.0 /).

Помощь предотвратила экономические трудности во время пандемии

Во время прошлогоднего грандиозного экономического коллапса работодатели потеряли 22,4 миллиона рабочих мест в марте и апреле, что стало самым резким спадом с момента начала рекордного экономического роста в 1940-х годах. Еженедельные заявки на пособие по безработице превысили 6 миллионов за одну неделю в апреле, что является самым высоким показателем за всю историю.С тех пор экономика восстановила три четверти этих потерянных рабочих мест, но в США по-прежнему на 5,3 миллиона рабочих мест меньше, чем до пандемии.

Средние доходы упали в прошлом году

Шок зарегистрирован основным показателем экономического здоровья среднего класса.

Средний — или средний уровень — доход домохозяйства снизился на 2,9 процента до 67 521 доллар США в 2020 году. Медиана представляет собой разделительную черту: половина американских домохозяйств имеет более низкий доход, а другая половина — выше.Это было первое статистически значимое снижение этого показателя почти за десятилетие.

В 2020 году средний доход для домов, в которых глава семьи находился в возрасте от 55 до 64 лет, составил 74 270 долларов США, что на 3,1 процента меньше, чем 76 631 доллар США в предыдущем году. Средний доход людей в возрасте 65 лет и старше составил 46 360 долларов, что на 3,3 процента ниже, чем 47 949 долларов в 2019 году.

В результате этой эрозии количество людей, получающих заработок, сократилось примерно на 3 миллиона, а количество работающих круглый год, работающих полный рабочий день, сократилось примерно на 13.7 миллионов.

Под этими верхними строчками была история о имущих и неимущих.

Люди, которые сохраняли стабильную круглогодичную работу, увидели рост экономического благосостояния, а их средний заработок увеличился на 6,9 процента с поправкой на инфляцию. Люди, находящиеся на нижних ступенях рынка труда, работающие неполный рабочий день или пытающиеся удержаться на плаву в гиг-экономике, потеряли позиции, поскольку средний заработок работников в целом снизился на 1,2 процента.

Уровень охвата медицинским обслуживанием остается стабильным

Несмотря на широко распространенные опасения, что пандемия сделает миллионы американцев незастрахованными, в 2020 году медицинское страхование сохранилось, как выяснило Бюро переписи населения.Более 91 процента американцев имели страховку; 28 миллионов не были застрахованы.

Но Ларри Левитт из беспартийного Фонда семьи Кайзер сказал, что цифры выявили некоторые вопиющие исключения. Например, 38 процентов взрослых бедняков трудоспособного возраста в дюжине штатов, которые не расширили программу Medicaid, не имели страховки.

«Было бы трудно найти группу, которая больше борется за доступ к доступному медицинскому обслуживанию», — сказал Левитт.

Конгресс принял в прошлом году пять двухпартийных законопроектов по борьбе с COVID-19 на общую сумму около 3 долларов.5 трлн и подписан тогдашним президентом Дональдом Трампом. В этом году Конгресс продвинул американский план спасения президента Джо Байдена стоимостью почти 1,9 триллиона долларов. Его эффекты не отражаются в отчетах Бюро переписи населения.

Хотя некоторая часть федеральной помощи в прошлом году была отложена по причинам, включая споры по поводу затрат и проблемы с распределением, в целом она оградила семьи от экономической катастрофы, которая усугубила кризис общественного здравоохранения. Некоторые были исключены, например, люди, не имеющие официального разрешения на въезд в страну.

Исторически, отчеты Бюро переписи населения документально подтвердили, что государственная помощь была намного более эффективной в предотвращении бедности в прошлом году, чем десятилетием ранее, после Великой рецессии 2008-2009 годов. Даже после учета государственных программ дополнительный показатель бедности вырос в 2010 году, тогда как в 2020 году он резко упал. Это отражает то, насколько больше финансовых соков было предоставлено Конгрессом и администрацией Трампа в 2020 году по сравнению с пакетом президента Барака Обамы примерно на 900 миллиардов долларов. в 2009.

«Это имеет отношение к текущим дебатам по поводу плана Байдена в области социальной инфраструктуры», — сказал аналитик государственной политики Роберт Гринштейн из аналитического центра Brookings Institution.

«Людям, которые цинично полагают, что ничто из того, что правительство не делает эффективно, особенно в борьбе с бедностью, будет труднее поддерживать это мнение», — сказал Гринштейн, основавший Центр по бюджетным и политическим приоритетам, некоммерческую организацию, защищающую имени малообеспеченных людей.