Szirányi Tamás:
Biometriai személyazonosítás
[email protected]
Biometria és ami mögötte van
Témák 1. Bevezető összefoglaló
9. Felismerés matematikája
2. Mérések a szenzorok terében
10. Arcfelismerés
3. Ujjlenyomat
11. Írisz + Retina
4. Járás felismerése, azonosítás
12. DNS + Szagminták
5. Háttér szegmentálás videókon
13. Infraképek, fogak, EKG, egyéb
6. Kézmozdulat felismerés
14. Kézírás
7. 3D mozgás/gesztus felismerés
15. Hang, HMM
8. Kéz alakja, gépelés – ZH 1
16. Kapcsolati gráfok – ZH 2
10/24/2016
MTA SZTAKI / DEVA
2
Biometriai kategóriák •Kommunikációs megnyilvánulások: kézmozdulat, gépírás, beszéd, mimika •Mozgásjellemzők:
írás, járás, tánc, rázás •Külső tulajdonságok: kézforma, arc, ujjlenyomat
•Belső tulajdonságok: DNS, szag, retina, írisz, EKG, infra 10/24/2016
MTA SZTAKI / DEVA
3
A változatosság forrása 1. Genetikus variációk: hajlam és lehetőség 2. Fejlődési behatások: genetikus irányokra rátelepedő random szabályozás
3. Kulturális hatások, tanulás 4. Betegségek, terheléses behatások
Etikus biometria jellemző lehet: 1, 2 10/24/2016
MTA SZTAKI / DEVA
4
Problémák, jellemzők
•Azonosításhoz referencia adat kell •Felismerés nagy adatbázison szinte lehetetlen •Sok adat, jellemzők kiszűrése
•Hamisítások felfedése •Téves riasztás – téves elutasítás egyensúlya •Tesztelés valós adatokon
10/24/2016
MTA SZTAKI / DEVA
5
Azonosítás vs. Felismerés Azonosítás megadott i-re:
P(mérés / Kategória i )
Felismerés (Bayes):
maxi
P Ai B
P B Ai P Ai j 1
10/24/2016
P B Aj P Aj
MTA SZTAKI / DEVA
6
Ujjlenyomat azonosítás
[BioMouse™ Plus by American Biometric Company]
Physical Access Control System [BioGate Tower by Bergdata]
[ID Mouse by Siemens]
Ujjlenyomat azonosító rendszerek
Keyboard [G 81-12000 by Cherry]
[TravelMate 740 by Compaq und Acer]
System including fingerprint sensor, smartcard reader and display by DELSY
Arcfelismerés
Face recognition system [TrueFace Engine by Miros] Face recognition system [One-to-One™ by Biometric Access Corporation]
Gráfok előállítása 1. A főbb pontok kiválasztása 2. Az élek berajzolása és a távolságok kiszámítása 3. A pontokhoz a jelek hozzárendelése Gábor transzformációt alkalmazva A megfelelő arc kiválasztása: 1. Meg kell találni a megfelelő arc pozíciót. Ehhez az FBG-t ki kell átlagolni. 2. A pozíció finomítása és méret. Most nem az átlagot, hanem a környezetet vizsgáljuk. 3. A méret finomítása és a arány megtalálása. 4. Helyi torzítás.
Irisz felismerés
System for passive iris recognition by Sensar
System for active iris recognition by IrisScan
Retina felismerés
Retinal recognition system [Icam 2001 by Eyedentify]
Kézgeometria felismerése
Hand geometry reader by Recognition Systems Hand geometry reader for two finger recognition by BioMet Partners
Kézazonosítás •Fix elhelyezkedés
•Tengelyek elhelyezése •Kinyert adatok: • • • •
Ujjak hossza Ujjak vastagsága több ponton. Tenyér szélessége Szögek
•Tulajdonságvektor összeállítás
Dinamikus aláírás ellenőrzés
Electronic pen [LCI-SmartPen]
Hő IR szenzorok •Hő IR szenzorok: • Tárgyakból/emberekből kibocsájtott hőenergiát érzékeli • Előnyei: • Bármilyen fény viszony mellett jó felvétel készíthető, teljesen sötétben is (szórt fény, por és füst sem okoz problémát) • Anatómiai információval is rendelkezik (álcázás ellenére hatásos) • Arckifejezések megváltoztatásának ellenére is működik a felismerés
• Hátrányai: • Környezeti hőmérséklet változása, fizikai állapot (láz, betegségek), érzelmek befolyásolják a működését • A szemüveg átlátszatlansága (opaqueness) miatt a szem körüli információ elvész
Arc hőképe •Delphi Electronics and Safety: infravörös kamera+hő letapogatás, ér struktúrát vizsgálja •Pontiac and Chevrolet autógyártókkal dolgoznak együtt,
azonosítás autókba
Kéz érhálózat 1. Jellemzők kinyerése a képből • erek elágazási pontjai
• vénák vastagsága • elágazási szögek • stb.
template elkészítése 2. Mintázat összehasonlítása (pl. ID kártyán vagy adatbázisban tárolt templattel)
Kéz-erezet alkalmazása •Leginkább a Távol-Keleten terjedt el, főbb gyártók: • • • •
Hitachi Fujitsu Techsphere Identica
•ATM automatákba építve, template a bankkártyán (pl. Bank of Tokyo) •PC autentikáció •beléptető rendszerekben •…
Fogazat
2000
2003
Fog geometria Chen és Jain módszere: - kontúr kiemelés
EKG
Szív mérési eredmények
•Dezoxiribonukleinsav -> élőlények „tervrajza” •Sejtmagban, kromoszómákon feltekeredve
DNS
•23 anyai, 23 apai
•2 spirálformában feltekeredett szálból áll nukleotidokból épül fel •adenin cytosine guanine thymine
•Komplementer szálak
Hol találunk DNS mintát? •Nyál (pohár, rágógumi) •Hajszál, hajhagyma •Köröm
•Fülzsír •Vizelet •Vér (alvadt, folyékony)
•Bőr (használt borotva) •Orrváladék (használt zsebkendő) •Stb…
Biometrikai azonosítás
Summary & Conclusions
By combining two or more individual biometric systems cheaper and reliable security can be obtained.
Bayes-tétel Teljes eseményrendszerre:
P Ai B
P B Ai P Ai j 1
P B Aj P Aj
Speciális esetre:
P AB
P BA P A P B
•Lineárisan szeparálható eset
•Lehető legnagyobb margójú szétválasztás
•Szupport vektorok • Legfontosabb, egymástól legkisebb távra levő pontok
•Cél: w minimalizálása a jó osztályozás mellett •Probléma visszavezetése kvadratikus programozási problémára (w helyett 1/
2 2w )
SVM
Súlyozott kapcsolati gráf: csoportok kialakulása
Images from:
http://www.advancedmcode.org/gltree-matlab-example-knngraph-function.html
Azonosítás
Felismerés
•N belépő •ε hibás elfogadás valószínűsége •1 – ε jogos elutasítás valószínűsége: azonosítás •(1 – ε)N jogos elutasítás N jogosult személyre tesztelve
•1 - (1 – ε)N a valószínűsége, hogy az N+1. jogtalan személy mégis bejut •Ha ε = 1/N, akkor a jogtalan bejutás valószínűsége
1 - (1 – 1/N)N
1 – 1/e = 63% hibás felismerés
Arc alapú emberszámlálás - Visiscan Emberszámlálásra fejlesztették ki kiskereskedelmi üzletek és bevásárló központok számára.
Lehetővé teszi a vásárlási szokások feltérképezését és a hirdetések nézettségének mérését, akár nem és kor szerint szegmentálva. A rendszer jellemzői: •Arcok megkeresése a képen •Arc irányának meghatározása •Frontális / nem frontális arcok •Nem meghatározás •Kor meghatározás •Arcok követése •Arc pályák elemzése
Arc alapú emberszámlálás - Visiscan Felismerés paraméterei Arc megtalálása
Kamera felé néző arcok esetén 99.6% egyéb esetekben 98%
Maximális arc elfordulás
20°
Nem meghatározás
Kamera felé néző arcok esetében 94.9% egyéb esetekben 91%
Kor meghatározás
+/- 12 év
Minimális felbontás
Arc megtalálásához 12 pixel, nem és kor meghatározáshoz 20 pixel
Nem felismerése A férfiak és nők közötti leginkább eltérő régiókkal történik. A leginkább eltérő régiók a férfiak és a nők között a szemöldök, orrnyereg és az orr - száj közötti terület. Az osztályozás során a súlyozott Khí négyzet távolságot alkalmazzák:
A 3 legfontosabb régió ahol S és M két LBP hisztogram és wj a j.-ik régióhoz tartozó súly. Ezt követően a beérkező mintát a legközelebbi, a megfelelő osztályhoz tartozó mintához illesztik.
95.75% eredményességgel használható az LBP operátor a nemek megkülönböztetése során.
ÍRISZ azonosítás
35
WHAT IS IRIS ? It is a thin diaphragm stretching across the anterior portion of the eye and supported by the Lens.
The colored part of the eye is called the iris. It controls light levels inside the eye similar to the aperture on a camera. The round opening in the center of the iris is called the pupil
http://webvision.med.utah.edu/anatomy.html
Írisz - Biometrika 2004. 11. 11.
36
Structure Of Iris LAYERS OF IRIS Posterior epithelium Co-operative muscle
Stromal layer Anterior layer http://webvision.med.utah.edu/anatomy.html Írisz - Biometrika 2004. 11. 11.
37
Előnyök és hátrányok Előnyök •védett, tisztított testrész •külsőleg látható •nagyfokú változatosság (247 szabadsági fok) •hosszútávon is változatlan minta •könnyű döntéshozatal •képfeldolgozás és kódolás ~1 mp •keresési sebesség: 100,000 IC/s
Hátrányok •kis céltárgy – nagy távolság •mozgó céltárgy •domború, nedves felület •rugalmatlan deformáció
Az írisz kód
Daugman Method Eight circular band 512-byte iris code
Multi-channel Gabor filtering Extracted block is 512 x 64 pixels
Írisz - Biometrika 2004. 11. 11.
39
Írisz kód - Daugman
Írisz - Biometrika 2004. 11. 11.
40
Írisz - Biometrika 2004. 11. 11.
41
Genetikus függetlenség – szempár és ikerpár A klónozás nem lehetséges!
Aláírás hitelesítés
AVBPA99 - March 23rd, 1999
43
Acquired signatures Example signature
Prototype
Forgery
AVBPA99 - March 23rd, 1999
44
Dynamical Time Warping x(t)
x(t) after DTW
y(t)
2 examples from s030
y(t) after DTW
Correspondence
AVBPA99 - March 23rd, 1999
45
Lépés
Mozgó objektumok/személyek detektálása Adaptive thresholding foreground segmentation using a sequence from the CAVIAR database: • (a) Original image • (b) Initial block-based map • (c) confidence map of RGB change detection with adaptive threshold • (d) confidence map based on Sobel edge detection • (e) combined confidence map • (f) foreground map before shadow removal.
A járás-jellemzők kinyerése Jellemzők előállítása • horizontális és vertikális vetítések
• • •
Robosztus Egyszerű a számítása Real-time
Gépelés •5 perc tanítási idő szükséges, de használat közben is adaptálódik •Biztonsági szint a mondat hosszától függ •Megbízhatóság: mint az ujjlenyomat, arcfelismerés vagy kézgeometria •Weblogin, API, kipróbálható demó a honlapon
TouchPrint 3800 Features:
•Moisture discriminating optics •No Image stitching required (as there is no missing data)
•Uses rotating optics
Ujjlenyomat - Fingerprint
Biometrics Systems • Types of biometrics: fingerprint, iris recognition, palm print, face recognition, hand geometry, voice recognition, signature, keystroke analysis, DNA pattern, etc.
• Physiological / Behaviour.
Köszönöm a figyelmet!
http://web.eee.sztaki.hu
10/24/2016
MTA SZTAKI / DEVA
53/14
Typical Biometrics System 1. Physical or Behavioural sample
Sample Capture
2. Sample Biometrics Template
Feature Extraction
3. Compare with template stored in database 4. Confirm?
Template Comparison
Matching
Fingerprints •Most of the existing systems uses “minutiae” in a fingerprint image for matching. •Minutiae are the details in the fingerprint ridges, ridge endings and bifurcations.
Bifurcations
Endings
Fingerprint Minutiae
•Fingerprint patterns.
Fingerprint minutiae. Ending Bifurcation Etc.
Enrollment stages Image acquisition : Inked based scanning & Live based scanning
Fingerprint extraction : identifying and specifying small details found in finger images Storing step: recording the result of extraction on the database
Authentication stages Capture Extraction • Preprocessing • Detect minutia
System search for similarities (matching process)
Acceptable score
Potential problem •Possible solution: •Physical condition of Enhancement of the the fingers might image. cause lower quality Adjustment of FAR (False of image. Aceptance Rate) & FRR (False Rejection Rate).
