Vysoká škola báňská Technická univerzita Ostrava ELEKTROMOBILITA I. IDENTIFIKACE UŽIVATELE učební text

Vysoká škola báňská – Technická univerzita Ostrava

ELEKTROMOBILITA I IDENTIFIKACE UŽIVATELE učební text

Pavlína Núdziková Zdeněk Slanina David Vala Petr Drábek

Ostrava 2014

Název: Elektromobilita I (Identifikace uživatele) Autor: Ing. Pavlína Núdziková, Ing. Zdeněk Slanina, Ph.D., Ing. David Vala, Ing. Petr Drábek Vydání: první, 2014 Počet stran: 179 Studijní materiály pro studijní obor Měřicí a řídicí technika, FEI Jazyková korektura: nebyla provedena. Určeno pro projekt: Operační program Vzdělávání pro konkurenceschopnost Název: NETFEI - Rozvoj sítí a partnerství mezi Fakultou elektrotechniky a informatiky VŠBTUO a podnikatelským sektorem a institucemi terciálního vzdělávání Číslo: CZ.1.07/2.4.00/31.0031 Realizace: Vysoká škola báňská – Technická univerzita Ostrava, FEI Projekt je spolufinancován z prostředků ESF a státního rozpočtu ČR © VŠB – Technická univerzita Ostrava ISBN 978-80-248-3531-0

OBSAH 1

IDENTIFIKACE UŽIVATELE A BIOMETRIE ..................................................................... 7 1.1. 1.2. 1.3. 1.4. 1.5. 1.6. 1.7.

2

Využití biometrie v automobilech ............................................................................ 17 2.1. 2.1.1 2.1.2 2.2.

3

Duhovka oka .............................................................................................................. 23 Výhody identifikace pomocí duhovky jsou následující: ................................................ 24 Nalezení duhovky v obraze ......................................................................................... 25 Detekce duhovky........................................................................................................ 26 Houghova transformace ............................................................................................. 27 Daugmanův integro-diferenciální operátor................................................................. 30 Metoda parametrických aktivních kontur ................................................................... 31 Metoda kruhových aktivních kontur ........................................................................... 34 Normalizace duhovky ................................................................................................. 34 Vytvoření kódu rysů duhovky pomocí 2D waveletové demodulace .............................. 36 Porovnání kódu duhovky ............................................................................................ 38 Testování životnosti ................................................................................................... 38

Sítnice oka............................................................................................................... 39 5.1. 5.2. 5.3. 5.4. 5.4.1 5.4.2 5.4.3 5.5. 5.6. 5.7. 5.8.

6

Anatomie oka............................................................................................................. 21

Rozpoznávání pomocí oční duhovky ......................................................................... 23 4.1. 4.2. 4.3. 4.4. 4.4.1 4.4.2 4.4.3 4.4.4 4.5. 4.6. 4.7. 4.8.

5

Biometrické metody v automobilu .............................................................................. 17 Otisk prstu - v automobilu .......................................................................................... 17 Detekce obličeje – v automobilu ................................................................................. 17 Vozidlové systémy na zvýšení aktivní bezpečnosti ....................................................... 19

Biometrie oka.......................................................................................................... 21 3.1.1

4

Historie biometrie ........................................................................................................ 7 Identifikace a verifikace ................................................................................................ 8 Typy biometrické charakteristiky ................................................................................ 10 Provoz biometrického systému ................................................................................... 11 Spolehlivost biometrických metod .............................................................................. 12 Senzitivita a specifita .................................................................................................. 14 Základy biometrického autentizačního procesu ........................................................... 15

Anatomie sítnice ........................................................................................................ 39 Snímání sítnice ........................................................................................................... 39 Historie rozpoznávání pomocí sítnice .......................................................................... 41 Technologie snímání sítnice ........................................................................................ 41 Získání a zpracování obrazu ........................................................................................ 42 Porovnání .................................................................................................................. 43 Reprezentace ............................................................................................................. 44 Testování živosti......................................................................................................... 44 Výhody a nevýhody technologie ................................................................................. 45 Snímače a spolehlivost ............................................................................................... 46 Porovnání charakteristik sítnice a duhovky – Akceptace .............................................. 46

Identifikace pomocí otisku prstů .............................................................................. 47 6.1. 6.2. 6.3.

Historie otisků prstů ................................................................................................... 47 Papilární linie ............................................................................................................. 48 Základní principy daktyloskopie .................................................................................. 52

6.4. 6.4.1 6.4.3 6.5. 6.5.1 6.5.2 6.5.4 6.5.5 6.5.6 6.5.7 6.5.8 6.5.9 6.6. 6.7. 6.7.1 6.7.2 6.8. 6.9. 6.10. 6.10.1 6.10.2 6.10.3 6.11. 6.11.1 6.11.2 6.11.3 6.11.4

7

Identifikace podle geometrie ruky ........................................................................... 70 7.1. 7.2. 7.3. 7.3.1 7.3.2 7.3.3 7.3.4 7.3.6

8

Historie ...................................................................................................................... 70 Princip snímání........................................................................................................... 70 Metody rozpoznávání podle geometrie ruky ............................................................... 72 Metoda založená na přímých měřeních ....................................................................... 72 Metoda založená na zarovnání rukou.......................................................................... 72 Metoda založená na analýze šířky prstů ...................................................................... 73 Metody používající 3D geometrii ................................................................................ 74 Výhody a nevýhody geometrie ruky ............................................................................ 75

Biometrie krevního řečiště ....................................................................................... 76 8.1. 8.2. 8.3. 8.3.1 8.4.

9

Metody zachycení otisku prstu ................................................................................... 53 Získání otisku pomocí inkoustu a papíru...................................................................... 53 Snímání šablonováním ............................................................................................... 54 Typy senzorů pro snímání otisku prstů ........................................................................ 55 Optická technologie ................................................................................................... 55 Optoelektronické biometrické snímače ....................................................................... 56 Tlaková technologie ................................................................................................... 58 Teplotní biometrické snímače ..................................................................................... 58 Ultrazvuková technologie ........................................................................................... 58 Elektroluminiscenční biometrické snímače .................................................................. 59 Radiofrekvenční biometrické snímače ......................................................................... 59 Multispektrální biometrické snímače .......................................................................... 60 Chyby v procesu snímání ............................................................................................ 63 Zpracování a rozpoznávání otisků prstů ...................................................................... 64 Komprimační metody ................................................................................................. 64 Předzpracování .......................................................................................................... 65 Detekce a extrakce markantů ..................................................................................... 66 Detekce bodů singularity ............................................................................................ 67 Metody rozpoznávání otisků prstů .............................................................................. 67 Metoda založená na markantech ................................................................................ 68 Metoda založená na korelaci ...................................................................................... 68 Metody založené na vlastnostech papilárních linií ....................................................... 68 Detekce živosti ........................................................................................................... 68 Detekce potu ............................................................................................................. 68 Spektroskopické vlastnosti ......................................................................................... 68 Ultrazvuková technologie ........................................................................................... 69 Fyzické vlastnosti ....................................................................................................... 69

Základní princip metody žil hřbetu ruky ...................................................................... 76 Technologie žil dlaně .................................................................................................. 78 Technologie žil prstu................................................................................................... 79 Získání obrazu žil prstu ............................................................................................... 79 Vlastnosti žil ruky ....................................................................................................... 81

Biometrie obličeje ................................................................................................... 82 9.1. 9.2. 9.2.1 9.2.2 9.3. 9.3.1

Rozdělení systémů pro identifikaci obličeje ................................................................. 83 Rozpoznávání obličeje na základě 2D snímků .............................................................. 84 Detekce a lokalizace obličeje ...................................................................................... 85 Normalizace detekovaného obličeje ........................................................................... 88 Rozpoznávání obličeje daného jedince ........................................................................ 88 Rozpoznávání pomocí podobnosti obrazových dat ...................................................... 88

9.3.2 9.3.3 9.3.4 9.3.6 9.3.7 9.3.8 9.3.10 9.4. 9.5. 9.6. 9.7.

Rozpoznávání využívající topologické vlastnosti obličeje ............................................. 89 Další metody rozpoznávání ......................................................................................... 89 Rozpoznávání založené na PCA ................................................................................... 89 Rozpoznávání založené na ASM a AAM ....................................................................... 91 Rozpoznávání založené na rozložení odstínů šedi v obraze .......................................... 91 Rozpoznávání založené na geometrických tvarech a identifikačních markentech .......... 92 Metoda optických toků............................................................................................... 97 Rozpoznávání obličeje na základě 3D snímků .............................................................. 97 Rozpoznání obličeje na základě termografie ...............................................................102 Snímací zařízení.........................................................................................................103 Výhody a nevýhody rozpoznávání na základě obličeje ................................................104

10 Biometrie chůze......................................................................................................105 10.1. 10.2. 10.3. 10.4. 10.5. 10.5.1 10.5.2 10.6. 10.7. 10.8. 10.8.1 10.8.2 10.8.3 10.8.4 10.8.5

Historie biometrie chůze ...........................................................................................105 Analýza stop lokomoce ..............................................................................................106 Lékařské výzkumy .....................................................................................................107 Pohyb člověka v kloubech při chůzi ............................................................................108 Princip metody ..........................................................................................................110 Metody založené na zpracování siluety pohybujícího se objektu .................................112 Metody využívající modelování pohybu .....................................................................113 Pořízení obrazu .........................................................................................................114 Předzpracování obrazu ..............................................................................................114 Metody segmentace pro sekvence snímků .................................................................114 Optický tok ...............................................................................................................114 Detekce významných bodů ........................................................................................114 Rozdílové metody .....................................................................................................115 Shlukové metody ......................................................................................................116 Algoritmus rozpoznávání chůze .................................................................................118

11 Identifikace podle charakteristiky hlasu ..................................................................119 11.1. 11.2. 11.3. 11.4. 11.4.1 11.4.2 11.4.3 11.4.4 11.4.5 11.4.6

Vznik řečového signálu ..............................................................................................120 Fonetická a technická terminologie ............................................................................121 Specifické vlastnosti mluvčího ...................................................................................122 Analýza řečového signálu ..........................................................................................122 Normalizace ..............................................................................................................123 Preemfáze .................................................................................................................123 Segmentace ..............................................................................................................124 Výpočet příznaků ......................................................................................................125 Detekce řečové aktivity .............................................................................................131 Klasifikátory ..............................................................................................................132

12 Další biometrické metody .......................................................................................134 12.1. 12.2. 12.3. 12.4. 12.5. 12.5.1 12.5.2 12.6. 12.7. 12.8.

Identifikace pomocí DNA ...........................................................................................134 Identifikace podle dynamiky podpisu .........................................................................135 Identifikace podle psaní dynamiky na klávesnici.........................................................141 Identifikace podle dynamiky pohybu myší .................................................................143 Identifikace podle ucha .............................................................................................143 Anatomie lidského ucha ............................................................................................144 Metody identifikace ..................................................................................................146 Identifikace založena na tvaru nehtového lůžka .........................................................147 Identifikace založena na absorpčním spektru lidské kůže ............................................148 Identifikace založená na pachu osoby ........................................................................148

13 Charakteristika technologií .....................................................................................150 13.1. 13.2. 13.3. 13.4. 13.5. 13.6. 13.7.

Duhovka ...................................................................................................................150 Sítnice .......................................................................................................................150 Geometrie ruky .........................................................................................................150 Technologie žil ruky ...................................................................................................152 Otisk prstu ................................................................................................................152 Rozpoznávání podle obličeje......................................................................................153 Rozpoznávání podle hlasu .........................................................................................153

14 "Nebiometrická" autentizace..................................................................................155 14.1. 14.2. 14.2.1 14.2.2 14.2.3 14.3. 14.3.1 14.3.2 14.3.3 14.3.4 14.3.5 14.3.6 14.3.7 14.3.8 14.4. 14.5. 14.6. 14.7.

Autentizace heslem ...................................................................................................155 Autentizace předmětem ............................................................................................155 Karty s magnetickým pruhem ....................................................................................157 Čipové karty ..............................................................................................................158 USB tokeny ...............................................................................................................159 RFID ..........................................................................................................................160 Využití RFID...............................................................................................................160 Standard RFID technologie ........................................................................................161 Struktura paměti RFID čipu ........................................................................................161 Aktivní a pasivní RFID čipy .........................................................................................162 Rozdělení z hlediska nosné komunikační frekvence ....................................................164 Rozdělení z hlediska použití .......................................................................................166 Komunikace, čtení a zápis ..........................................................................................169 RFID čtečky ...............................................................................................................169 NFC ...........................................................................................................................172 Secure element .........................................................................................................172 Komunikace pomocí NFC ...........................................................................................173 Porovnání autentizačních metod ...............................................................................176

1 IDENTIFIKACE UŽIVATELE A BIOMETRIE Pojem biometrika pochází ze dvou řeckých slov “bios“ a “metron“, kde první pojem znamená “život“ a druhý “měřit“. Kdybychom se drželi doslovného překladu, znělo by to “měření živého“, ale v přeneseném významu, jde o měření a rozpoznávání určitých charakteristik a vlastností člověka.

1.1. Historie biometrie Přestože se v poslední době o biometrii hovoří převážně v souvislosti s počítačovou bezpečností, rozpoznávání pomocí biologických charakteristik, je metoda stará již několik tisíc let. Již v minulosti byly zaznamenávány otisky dlaní v jeskyních, jako jakýsi podpis autora. Tyto otisky jsou staré až dokonce 30 000 let. Lidé jsou schopni se rozeznávat podle fyziologických rysů, nejčastěji se jedná o vzhled tváře, hlas. Ale až s rozvojem počítačové technologie na konci 60. let, se teprve začalo rozpoznávání pomocí biometrie člověka stávat automatizovaným. V dnešní době je nejznámější a také nejpoužívanější metoda založena na otisku prstu. Znalost o existenci papilárních linií na lidské kůži se objevuje u celé řady civilizací. Na území dnešního státu Indiana byly nalezeny kameny s rytými obrazy, tzv. "petroglyfy", znázorňující lidskou ruku s vyznačenými papilárními liniemi. Tyto kameny byly vytvořeny indiánskými kmeny obývající tato území v období několika tisíc let před naším letopočtem. Co je však vedlo k tomu, aby dané obrazy vytvořily, se zatím nepodařilo zjistit.

Obr. 1 - Kámen datovaný do období kolem roku 2000 př.n.l. s naznačenými papilárními liniemi. [10] Také u Asyřanů byly nalezeny pozůstatky otisků prstů. Zde už se však oprávněně domníváme, že sloužily pro stejné účely, jako dnes. Ve zříceninách starověkého asyrského města Ninive byla objevena část slavné Aššurbanipalovy knihovny založené již v 9. století před naším letopočtem. Kde byly nalezeny úlomky hliněných tabulek. Na tabulkách se kromě textu vyskytovaly i otisky prstů. Tyto otisky se pravidelně vyskytovaly vedle jmen autorů, kteří je zde umístili pravděpodobně proto, aby zamezil falzifikaci tabulky. Obdobné užití otisků prstů se prokázalo i na keramice nalezené při archeologických vykopávkách v Egyptě, v Řecku a na území Římského impéria. Cestovatel jménem Joao de Barros, přináší pravděpodobně první doložené zmínky o praktickém využití biometrické metody. Popisuje užití metody ve středověké 7

Číně ve 14. století, která je obdobou dnešního otisku prstu. Líčí zde, jak čínský kupec za pomocí inkoustu a papíru zaznamenává otisky dlaně a chodidla dětí, aby je dokázal vzájemně rozeznat. V některých oblastech Číny se tento zvyk udržel až do dnešní doby. Moderní historie biometrie je datována od roku 1882, kdy antropolog a šéf oddělení identifikace pachatelů pařížské policie Alphonse Bertillion hledal způsob, který by mu umožnil identifikovat již jednou odsouzené zločince. Hlavní důvod identifikace zločince spočíval v tom, aby při jejich opakovaném zadržení neudávali nové falešná jmena a úřady jim byly schopny prokázat opakovanou recidivitu. Bertillion přišel s novou metodou, která spočívala v měření fyzických znaků člověka a byla po něm pojmenována bertilionáž. Tato metoda využívala toho, že některé charakteristické tělesné rysy dané osoby se nemění, i když si daní pachatelé změní jméno, vizáž anebo přiberou na váze. Jedná se například o rysy, jako je velikost lebky nebo délka prstů. Tato metoda se rychle rozšířila a byla používána policisty po celém světě. Po čase se však zjistilo, že někteří lidé mohou mít tyto míry shodné, a tudíž dva jedinci by mohli být považováni za jednoho a toho samého člověka. Z tohoto důvodu se systém Alphonse Bertilliona přestal užívat téměř tak rychle, jak rychle se zavedl. Biometrie samotná však v zapomnění neupadla. Anglický přírodovědec Francis Galton (1822-1911) v květnu roku 1892 publikoval svoji práci, kde položil teoretickovědecké základy daktyloskopie. Daktyloskopie je věda zabývající se otisky prstů. Matematickými metodami vypočítal, že existuje celkem 64 miliardy různých variant uspořádání papilárních linií. Tím bylo vyloučeno, že by existovali na světě dva jedinci se stejným otiskem prstu. Avšak první praktické základy daktyloskopické identifikace položil sir William James Herschel (1833-1917). Jednalo se o anglického guvernéra žijícího v Indii. Zde si všiml, že indičtí obchodníci pro stvrzení kupní smlouvy používají otisk prstu. Většina neuměla číst a psát a tudíž bylo nemožné od nich očekávat podpis. Zároveň začal sbírat otisky prstů pro vlastní zkoumání. Jejich porovnáním zjistil, že jsou jedinečné. Metodu byla navržena k využití i ve věznicích, kde by zamezila záměnám těžkých zločinců za tzv. lehké případy. Jeho návrhy však byly označeny za výplody fantazie a nikdy nebyly akceptovány. Na problematice otisků prstů pracovalo mnoho dalších význačných osobností, mimo jiné Dr. Henry Faulds (1843-1930), Juan Vucetich (1838-1925) a také český přírodovědec Jan Evangelista Purkyně (1787-1869), který jako první popsal jednotlivé typy charakteristických kreseb papilárních linií na koncových článcích prstů a klasifikoval je do devíti různých vzorů. Přes počáteční problémy a odmítání se nakonec technika otisků prstů dočkala uznání a i po nástupu nových technologií, jako je DNA či oční duhovka.

1.2. Identifikace a verifikace Biometrie představuje metody, ve kterých se měří určitá vlastnost jedinců a podle těchto vlastností můžeme tyty jedince s určitou přesností autorizovat nebo identifikovat. Je tedy nutné si na začátku objasnit dva pojmy verifikace a identifikace, jelikož se s nimi budeme dost často setkávat. Verifikace je proces, kdy uživatel nejdříve zadá svojí identitu, například pomocí hesla nebo karty a poté poskytne svoje biometrické údaje, které se porovnají s daty uloženými v databázi. V databázi může být velké množství biometrických předloh, ale záznam je porovnán pouze s tím, jenž je výstupem z ověření identity pomocí čipové karty nebo hesla. Verifikace je tedy porovnání 1:1. 8

Obr. 1 Schéma verifikace. [11] Oproti tomu u identifikace se nepožaduje, aby uživatel zadal nejprve svojí identitu předtím, než bude jeho biometrická informace porovnána. Uživatel tedy zadá jenom svoje biometrické údaje (např. otisk prstu, sken oční duhovky, a další) a ty se porovnají se všemi šablonami v databázi, dokud nedojde k nalezení shody. Výstupem potom bude identita uživatele. Identifikace je označována jako 1:N, jedná se o porovnání jednoho biometrického údaje s velkým množstvím ostatních, to záleží na množství údajů v databázi.

Obr. 2 Schéma identifikace. [11] Z toho plyne, že identifikace bude časově i výpočetně náročnější než prvně zmíněná verifikace a to z důvodu prohledávání celé databáze šablon. Jinými slovy verifikace jen ověřuje, jestli daná osoba, která se přihlásila do systému pomocí hesla či jiného identifikátoru, je skutečně tou osobou, za kterou se vydává. Identifikace je typická pro policejně soudní aplikace, verifikace pak pro bezpečnostně komerční účely. Každé porovnání má dvě oddělené funkce, navzájem duální:  Potvrdit, že oprávněná osoba je opravdu tou, za kterou se vydává.  Dokázat, že neoprávněná osoba není tou, za kterou se vydává. Identifikace člověka bude nutná v případě, pokud potřebujeme něco zabezpečit a tímto způsobem tyto věci ochránit, nepotřebujeme, aby neoprávněná osoba měla 9

k těmto datům, informacím přístup nebo aby měla přístup do budovy, popřípadě mohla ovládat takto zabezpečené zařízení. Existuje i mnoho dalších případů, kde můžeme zabezpečení použít. Ovšem v našem případě nebudeme používat identifikaci člověka pouze k zabezpečení, ale pokud tyto metody identifikace budou použity v automobilu, budeme moci s její pomocí odemknout automobil, nebo uložit jednotlivá nastavení ve vozidle, například nastavení výšky volantu, seřízení zrcátek, nastavení polohy sedačky a další. Výhodou biometrie člověka je ta, že nelze zapomenout ani ztratit, jako je tomu například u hesel nebo čipových karet. Další předností je snadné použití, člověk prokazující svojí identitu musí například jen přiložit prst, dlaň nebo se podívat do kamery. Navíc je velice těžké dalo by se říci, že až skoro nemožné falzifikovat data potřebná pro identifikaci, jako další výhodu bych uvedla její nepřenositelnost na jinou osobu. Použití biometriky má ovšem i nevýhody. Zatímco u klasického digitálního hesla lze striktně říct, zda je platné či nikoli, u biometriky takto jednoznačně nikdy rozhodnout nelze. Vždy zůstane nějaké byť malé procento chybových identifikací. Biometrika není a nikdy ani nebude stoprocentní. A to z toho důvodu, že nikdy nebudeme schopni dodat úplně stejný vzorek, jako je uložený v šabloně. Třeba při biometrii prstu, pokaždé ho položíme ke čtečce pod nepatrně jiným úhlem, pokožka je jinak suchá apod. Tyto faktory ovlivňují její přesnost. Další nevýhodou je ta, že ne každý jedinec je schopen svojí totožnost prokázat pomocí určité biometrické metody. Těžko se bude identifikovat člověk po úraze, který je bezoký pomocí oční duhovky nebo sítnice nebo člověk bezruký se nebude moci identifikovat pomocí otisku prstů a takových příkladů může být spousta. Je sice pravda, že takových jedinců co odpovídají daným příkladům, nebude moc, ale i tak je třeba brát na ně ohled.

1.3. Typy biometrické charakteristiky Biometrie je automatická metoda ověření proklamované identity, která je založená na rozpoznávání jedinečných biologických charakteristik subjektu v našem případě živé osoby. Vychází z přesvědčení, že tyto biologické charakteristiky jsou pro daného živého člověka jedinečné a časově neměnné. Pro identifikační účely se používají anatomické nebo fyziologické charakteristiky. Předpokladem pro využití těchto charakteristik je jejich jedinečnost, stálost, praktická měřitelnost a technologická možnost dalšího zpracování zaměřeného na vyhodnocování porovnáním charakteristik, patřících různým jedincům. Biometrie je využívána k jednoznačnému zjištění tzv. identifikaci daného člověka nebo pro ověření jeho identity tzv. verifikaci. Anatomicko-fyziologické biometrické charakteristiky nebo také označované jako statické, založené na základě vědeckých poznatků. Do této skupiny patří: oční duhovka, oční sítnice, tvář, stavba vnějšího ucha, otisky prstů, dlaní a chodidel, geometrie prstů a ruky, topografie žil zápěstí, lidský tělesný pach, obsah solí v lidském těle, rozměry (tzv. bertillonáž)a váha lidského těla a skladba DNA. Tyto charakteristiky mají tu výhodu, že jsou nejen unikátní pro každého jedince, ale jsou i časově stálé. Behaviorální biometrická identifikace nebo také označována jako dynamická, založená na seriózních poznatcích o lidském hlase, pohybu těla (jeho jednotlivých částech), o znalostech a dovednostech psaní. Rozlišuje se psaní souvislého textu, podpisy a také dynamika psaní (úhozy na klávesnici). Tyto charakteristiky jsou sice pro každého jedince unikátní a mohou být časově nestálé. 10

Důležitá kritéria pro biometrické technologie je možné rozdělit do několika skupin. Jsou důležité jak pro samotnou funkčnost biometrických identifikačních a verifikačních technologií, tak pro jejich nasazení v praxi. Tyto kritéria jsou spojena se základní teorií identifikačních a verifikačních technologií, s ochranou osobních údajů, s ekonomickou, praktickou a společenskou přijatelností. Rozdělení může být následující:  Operační - jedinečnost, neměnnost, měřitelnost, uchovatelnost, spolehlivost, exkluzivita, praktičnost, přijatelnost, uživatelská přívětivost.  Technické - čas zpracování, chybovost, flexibilita, odolnost, efektivnost, výkonnost, standardizace, skladovatelnost, přesnost, jednoduchost, rychlost, nezávislost na vnějším prostředí.  Výrobní - kvalita, podpora, záruky, perspektiva, reference.  Finanční – pořizovací cena, cena instalace, školení, tréning, upgrade, návazné systémy, logistická podpora a provoz, inovace, obsluha.  Metodologická, algoritmická a bezpečnostní – správnost teorie, správnost algoritmů, bezpečnost algoritmů, správné markanty, kódování, databáze, protokoly, distribuované prostředí.

1.4. Provoz biometrického systému Biometrický systém je v podstatě rozpoznávací systém, který získává biometrické údaje od jedince, který se do systému přihlašuje. Z těchto dat extrahuje sadu charakteristických rysů a porovnává tyto charakteristické data s daty uloženými v databázi. Podle výsledků porovnání provede určitou činnost. Na základě tohoto, může být na biometrický systém nahlíženo, jako na pět modulů, zobrazených na obr. 4.

Obr. 4 - Moduly biometrického systému 1. Modul snímače – jedná se o modul, který zajišťuje sejmutí biometrického znaku dle použité metody a předává jej k dalšímu zpracování. 2. Modul posuzování kvality extrakce charakteristického rysu – tento modul nám extrahuje charakteristické rysy daného sejmutého obrazu. Pro identifikaci osoby se totiž nepoužívají všechny snímané informace, ale jen některé jejich významné části. 11

3. Porovnávací modul – dochází zde k porovnání sejmutého obrazu s biometrickou šablonou uloženou v databázi. 4. Rozhodovací modul – provádí se zde závěrečné rozhodnutí, zda-li snímané údaje korespondují (jsou shodné) s daty uloženými v databázi. 5. Modul databáze – jedná se o uložiště biometrických šablon.

1.5. Spolehlivost biometrických metod Při aplikaci jednotlivých biometrických metod je rozhodující jejich spolehlivost. Tento faktor je dominantní pro volbu jejich použití v konkrétní oblasti. Spolehlivost je dána především správnosti rozhodnutí a potvrzení nebo vyloučení shody. Cílem je ztotožnění dané testované osoby s příslušným vzorem nebo vyloučení v případě neshody. Dalšími relativními prvky procesu porovnávání jsou rychlost zpracování vstupních informací, porovnání s daty v databázi, počet jednotlivých verifikací nebo identifikací za konkrétní čas. Rozlišují se dvě základní chyby a to chybné přijetí nebo chybné odmítnutí. Hodnoty pravděpodobností daných chyb se nedají předběžně vypočítat s použitím daných vzorců. Jedná se o statistické hodnoty získané záznamy v dlouhodobém horizontu. Chybné přijetí FAR (False acceptance rate) vyjadřuje pravděpodobnost, s jakou biometrický systém nesprávně identifikuje neoprávněnou osobu jako osobu oprávněnou. Bývá také označována za chybu II. druhu. Pravděpodobnost chybného přijetí je závažným nedostatkem, který může mít nedozírné následky. (1) kde (Number of False Acceptation) - počet chybných přijetí, (Number of Impostor Identification Attemps) - počet pokusů neoprávněných osob o identifikaci, (Number of Impostor Verification Attemps) - počet pokusů neoprávněných osob o verifikaci. Chybné odmítnutí FRR (False rejection rate) vyjadřuje pravděpodobnost, s jakou biometrický systém nesprávně odmítne oprávněnou osobu, jako osobu neoprávněnou. Bývá také označováno za chybu I. druhu a je jedním z bezpečnostních kritérií biometrických systémů. (2) kde (Number of False Rejection) - počet chybných odmítnutí, (Number of Enrolle Identification Attemp) - počet pokusů oprávněných osob o identifikaci, (Number of Enrolle Verification Attemps) - počet pokusů oprávněných osob o verifikaci. Ideální biometrický přístroj pracuje vždy správně, nedochází ke špatnému zamítnutí oprávněného uživatele a ani k přijetí neoprávněného uživatele. Tento přístroj s těmito parametry je v praxi zatím nerealizovatelný. 12

Křivkou ROC můžeme objektivně hodnotit kvalitu biometrických aplikací a také slouží ke vzájemnému porovnání zařízení. Křivka popisuje vzájemný vztah pravděpodobností FRR a FAR.

Obr. 5 - Křivka ROC popisující kvalitu biometrického zařízení. [6] V grafu je zobrazený bod ERR (křížový koeficient), který nám definuje rovnost pravděpodobností FAR a FRR a jeho význam je primárně orientační. Z fyzikálního hlediska nemá tento bod význam. Křivka ROC je typická pro jednotlivé aplikační systémy a realizuje základní charakteristiky přístroje. I při totožnosti vstupních dat s daty v databázi se oba prvky (otisky, šablony) liší na detailní úrovni, rozdíly jsou způsobeny faktory působícími na snímání a zpracování obrazu. Nejedná se tedy nikdy o stoprocentní shodnost. Hodnotíme míru ztotožnění, skóre. Biometrický systém je třeba vyladit tak, aby hodnoty obou chyb byly co nejnižší. Obvykle přitom platí nepřímá úměra, čím vyšší bude FAR, tím nižší bude FRR a naopak. Proto bude nutné najít bod, kdy tyto dva chybové stavy budou v co největší rovnováze. Většina identifikačních terminálů umožňuje nastavení zabezpečení. Je-li zabezpečení vysoké, pak FAR je velice nízká, ale FRR dosahuje vyšších hodnot. Z toho můžeme usoudit, že tyto dva koeficienty FAR a FRR jsou na sobě velmi závislé. Daná zařízení můžeme graficky popsat pomocí histogramu. Ten vyjadřuje závislost četnosti míry ztotožnění osob podrobených verifikaci nebo identifikaci pro dvě skupiny osob, kterým odpovídají dvě křivky rozdělení. Křivka vpravo vyjadřuje skupinu uživatelů, kteří jsou kompetentní pro verifikační proces. Křivka na levé straně vyjadřuje skupinu uživatelů, kteří jsou pro verifikace nekompetentní a snaží se proniknout biometrickou aplikací. Černá úsečka nám zobrazuje rozhodující faktor pro potvrzení shody tzv. práh citlivosti. Systém akceptuje subjekt prokazující se vyšší shodou porovnání, než je stanoven tento práh citlivosti. Neoprávnění uživatelé, kteří překračující tento práh jsou akceptovaní taktéž. Oblast vyznačena v grafu červenou barvou zahrnuje uživatele, kteří jsou oprávnění pro daný systém, ale pro nízkou míru ztotožnění nebyli akceptováni. Naproti tomu oblast vyznačená v grafu zelenou barvou zahrnuje neoprávněné uživatele, kteří byli chybně verifikováni/identifikováni a jsou daným systémem akceptováni. Šedá část pod křivkou vpravo znázorňuje oprávněné uživatele, kteří byli správně a to pozitivně verifikováni/identifikováni. Šedá část pod křivkou vlevo znázorňuje neoprávněné uživatele, kteří byli systémem po verifikaci/identifikaci správně zamítnuti. 13

Obr. 3 Rozložení oprávněných a neoprávněných uživatelů z hlediska nastavení prahové hodnoty. [6]

Obr. 7 Vztah mezi FRR a FAR. [28] Koeficient vyrovnané chyby ERR (křížový koeficient) se nachází někde mezi danými koeficienty. Vyjadřuje, že k nesprávnému přijetí nebo k nesprávnému odmítnutí může dojít se stejnou pravděpodobností. Podle této hodnoty lze alespoň přibližně určit bezpečnost daného biometrického systému, avšak dané dvě předešlé chyby mají mnohem větší vypovídající hodnotu.

1.6. Senzitivita a specifita Termín senzitivita vyjadřuje pravděpodobnost, že osoba s oprávněním k přístupu (je uložena v databázi), bude identifikačním algoritmem vyhodnocena, jako pokus o identifikaci osobou s pozitivním povolením k přístupu. Vyhodnocuje se ze vztahu: (1) kde TPR (True Positive Rate) - pravděpodobnost přijetí oprávněné osoby, TP (True Positive) - počet přístupů s povolením vyhodnocených jako oprávněné, FN (False Negative) - počet přístupů s povolením vyhodnocených jako neoprávněné. 14

Termín specificita vyjadřuje pravděpodobnost, že osoba bez oprávnění k přístupu (není uložena v databázi), bude identifikačním algoritmem vyhodnocena, jako pokus o identifikaci osobou s negativním povolením k přístupu. Vyhodnocuje se ze vztahu: (2) kde TNR (True Negative Rate) - pravděpodobnost odmítnutí neoprávněné osoby, TN (True Negative) - počet přístupů bez povolení vyhodnocených jako neoprávněné, FP (False Positive) - počet přístupů bez povolení vyhodnocených jako oprávněné.

1.7. Základy biometrického autentizačního procesu Sice ne všechna biometrická zařízení pracují na stejném principu, ale i přesto lze vytvořit některá zobecnění a rozčlenit tento proces do několika částí. Získání etalonu – pokud chceme uživatele identifikovat nebo verifikovat je nejprve nutné získat vzorek reprezentativní biometrické charakteristiky, který se označuje jako biometrický etalon. Tento etalon nám umožňuje následné srovnání při identifikaci nebo verifikaci. Tento vzorek se obvykle získává při zápisu uživatele do informačního systému, kdy jsou sejmuté biometrické vzorky několikrát po sobě, obvykle třikrát a více. Z těchto dat se různými metodami, jako je například zprůměrování nebo různou transformací obrazu, vytvoří jediný referenční vzorek a ten poté nazýváme etalon. Tento krok je velice důležitý a jen se správným vzorkem může systém bezchybně a bezproblémově pracovat. Nekvalitní vzorek má za následek časté opakování snímání při identifikaci nebo i odmítnutí uživatele. Uložení etalonu – dalším krokem je uložení etalonu, jedná se o rozsáhlou problematiku a vše záleží na rozsáhlosti daného systému a jaká úroveň zabezpečení je vyžadována. Existuje několik způsobů.  Prvním způsobem je uložení etalonu přímo v biometrickém zařízení. Tento způsob je bezpečný, protože etalony nemůže nikdo zcizit ani pozměnit. Jeho další výhody jsou rychlá reakce při identifikaci, nezávislost na externím datovém spojení. Nevýhodou je kapacita daného zařízení a nemožnost aplikovat tuto metodu na rozsáhlejší komplexy s více zónami autorizace. A je tu také potenciální možnost ztráty etalonů při poškození a tudíž nutnost opakované etapy zápisu. Toto řešení je používáno zejména pro jednodušší systémy.  Druhý způsob řešení spočívá v uložení etalonů ve vzdálené databázi celého informačního systému. Tato metoda je velice vhodná pro rozsáhle komplexy se stovkami uživatelů, ale vyžaduje napojení všech přístupových terminálů na tuto databázi. Nedostatkem zde bude správné zabezpečení databáze před bezpečnostními incidenty.  Třetí způsobem je uložení etanolu v tokenu, čipové kartě nebo i flash paměti. Toto řešení se zdá z hlediska bezpečnosti jako nejvýhodnější. Odpadá zde problém s centrální databázi, kde by byl etalon uložen a tak vystaven nebezpečí změny. Také zde není riziko, že při výpadku 15



informačního systému by byly zablokovány přístupové body. Je zde ovšem jiná nevýhoda a to je finanční nákladnost, protože paměťové médium a kombinace tokenového a biometrického čtecího zařízení jsou nákladnější než správa databáze. Další a poslední možností je různá kombinace předchozích možností. Touto kombinací můžeme eliminovat některé z jejich nedostatků.

Ukládání výsledků – z hlediska bezpečnosti je ukládání výsledků provedených identifikaci nebo verifikaci velice důležité. Hlavně poroto, abychom měli přehled, kdo se kde vyskytl a abychom měli i informace o zamítnutých vstupech. Ukládání výsledků je do určité míry závislé na místu uložení etalonů, což určuje jakousi topologii systému. Evidence použití zařízení se mohou ukládat interně do jednotlivých zařízení, ale potom jsme tedy omezeni velikosti paměťového média a starší záznamy budou následně přepsány záznamy novými. Další možností je ukládat záznamy o přístupech do centrální databáze, toto je samozřejmě podmíněno zapojením biometrického systému do sítě.

16

2 Využití biometrie v automobilech Biometrické systémy jsou využívány v celé řadě průmyslových činností. Do této kategorie spadá i oblast vozidlových systémů. Jedná se o systémy aktivní bezpečnosti, autorizace řidiče a osádky vozidla, komfortní systémy, systémy pro sledování únavových příznaků řidiče či systémy pro sledování odpoutání pozornosti řidiče od řízení. V současné době se biometrické informace v automobilech běžně používají pro detekci osob sedících na sedačkách pro aktivaci airbagů či zjištění zapnutí bezpečnostních pásů. Tyto informace jsou získávány za pomocí senzorů umístěných v sedačce vozidla. Pro rozsáhlejší biometrický systém je nutné do vozidla zakomponovat dvě součásti. Těmi jsou biometrická síť a biometrická databáze. Biometrickou sítí rozumíme získání a zpracování biometrických dat, které jsou získány od řidiče či posádky vozidla. Hlavním cílem bývá určení oprávněnosti k použití vozidla, uvedením vozidla do předdefinovaných nastavení, či nastavení informačních a zábavním systému ve vozidle. Biometrická databáze slouží k zaznamenávání biometrických dat nutných pro porovnání či základní nastavení.

2.1. Biometrické metody v automobilu 2.1.1 Otisk prstu - v automobilu Otisk prstu patří asi k nejpoužívanějším biometrickým prvkům. V současné době jsou tato zařízení v základní výbavě nejen sériově vyráběných vozidel, ale je možné je i dodatečně do vozidla zastavět. Nejčastější aplikace slouží pro nastartování vozidla, pokud po přiložení prstu následuje úspěšné rozpoznání osoby. V roce 2001 započal v automobilce Audi vývoj systému pro přímé nastavení parametrů interiéru vozidla (poloha sedaček, zpětných zrcátek, volantu, spuštění oblíbené stanice radia, klimatizace), kde je biometrické rozpoznání pro přístup do vozidla spojeno s technologií RFID. V současné době je využívána tato technologie například ve vozidle Audi A8, ve kterém je otisk prstu využit i jako zámek schránky na palubní desce.

Obr. 4 Koncept Audi, čtečka otisku prstů. [27] Vozidel vybavených čtečkou otisků pro identifikaci či využívajících čtečku otisků k jiné funkci (nejčastěji zabezpečení), je v současné době celá řada.

2.1.2 Detekce obličeje – v automobilu Tato technologie je v současné době využívána především pro určení pozornosti řidiče. Její hlavní nevýhodou je náročnost na proměnlivé světelné podmínky ve 17

vozidle. V mnoha automobilkách probíhá výzkum automatického rozpoznání řidiče a následné nastavení vozidla dle předem uložených hodnot. Jakými jsou poloha sedaček, zpětných zrcátek či nastavení volantu. Další možností využití je pak nastavení jízdních vlastností vozů, jako je citlivost plynu, řazení či tvrdost tlumení.

Obr. 5 Příklad rozpoznávání obličeje v osobních vozidlech BMW. [27] K dalším možnostem využití této biometrické metody patří sledování řidiče (Driver Monitor System) v rámci pokročilého předkolizního systému (Advanced Pre-Collision System). Pro tento účel je využívána zejména infračervená kamera (systém BMW), zabudovaná ve vrchní části volantu, která je nasměrovaná na obličej řidiče a monitorující pohyb jeho očí. Pokud řidič nesleduje pozemní komunikaci, ale je otočen po určitou dobu a vozidlo detekuje překážku, je řidič upozorněn světelným a zvukovým signálem a lehkými vibracemi brzdového pedálu. Pokud i přesto řidič nesoustředí svůj pohled na překážku, začne vozidlo pomalu brzdit. Poprvé byla tato technologie použita u výrobce vozidel Toyota v roce 2006 a v současnosti je využívána společností Lexus.

2.1.3 Detekce duhovky a sítnice - v automobilu Metody založené na detekci duhovky a sítnice se vyznačují vysokou přesností v rozlišení osob, k němuž přispívá i neměnnost struktury těchto parametrů v průběhu vývoje lidského života. Ovšem mezi nevýhody patří hlavně vyšší pořizovací nároky a vzdálenost, na kterou je schopno zařízení pracovat. Velmi často se používá kombinace sledování biometrických parametrů například sítnice ve vazbě na otisk prstu. U takovýchto systémů je zaručena vyšší procentuální úspěšnost rozpoznání a možnost nahrazení výpadku jednoho čtecího zařízení jiným. Ještě zde zmíníme jeden biometrický parametr založený na detekci pohybu očí. Tento prvek je ve velké míře využíván ke sledování chování řidiče. Ať už se jedná o projevy únavy řidiče či detekci jeho pozornosti. Pro určení pohybu je nutno určit polohy duhovek či zornic, vnějšího a vnitřního očního koutku či polohu hlavy. Jakmile jsou tyto parametry určeny, je možno za využití jednoduchého modelu hlavy určit místo, kam pohled míří. Pokud je navíc známa i poloha hlavy je možné získat velmi přesný geometrický model.

2.1.4 Detekce žil na prstu - v automobilu 18

Firma Hitachi v roce 1997 vyvinula technologii identifikace osob na základě jejich unikátního rozložení žil v prstech. Skener zaznamenává světlo v oblasti blízké infračervenému spektru, které prochází prsty, čímž získá obraz rozložení žil. To má každý člověk, podobně jako otisky prstů, jedinečné a může být tedy tento markant použit pro biometrickou identifikaci. V roce 2007 byl představen volant s integrovanou čtečkou, která byla propojena se systémem ovládajícím nastartování vozidla. Navíc je možné s ohledem na velikost snímače a možnosti jeho integrace do zadní části volantu, naprogramovat tento snímač pro funkci multifunkčního tlačítka. Tím může řidič jednotlivými prsty ovládat předdefinované funkce. To vše probíhá z pohledu řidiče plynule, pohodlně a bez snížení jeho pozornosti

Obr. 6 Model vozidla vybavený autentifikačním systémem na rozpoznávání žil v prstu – Tokyo Motor Show 2007. [27]

2.2. Vozidlové systémy na zvýšení aktivní bezpečnosti Přibližně 90% z celkového množství ročních nehod se připisuje nepozornosti řidiče a až pětina dopravních nehod je připisována jeho únavě. A právě tomu se věnují výrobci vozidel, snaží se vyvinout systémy, které by upozornili řidiče na možné nebezpečí. Tyto systémy jsou navrhovány ve vazbě na další vozidlové systémy a data z vozidlové sběrnice. Za základ slouží úhel natočení volantu, jelikož unavený řidič má problémy s udržením se v jízdním pruhu. Projevy únavy jsou většinou doprovázeny malými korekcemi v řízení vozidla střídané rychlým a výrazným zásahem. Například systém společnosti Volkswagen sleduje kromě úhlu natočení volantu i další proměnné veličiny, jako je ovládání pedálu plynu, příčné zrychlení či aktivaci palubních přepínačů. Pokud řídící jednotka v průběhu jízdy rozpozná chování, na jehož základě lze usuzovat na příznaky únavy, upozorní systém řidiče symbolem kouřícího šálku kávy s doporučením, na displeji multifunkčního ukazatele, aby si řidič udělal přestávku. S tím je spojeno i akustické upozornění. Pokud řidič během dalších 15 minut nezastaví, objeví se opět upozornění a zazní zvukový signál. Systém není aktivní při rychlostech nižších než 65 km/h, dále během jízdy ve městě či na silnicích s členitou topologií. Systém rozpoznávání únavy byl poprvé představen v novém modelu Passat a následně ve voze Tiguan. Automobilka Ford vyvinula systém sledování „bdělosti“. Ten se sestává z malé, dopředu orientované kamery, připojené k palubnímu počítači. Kamera je umístěna na zadní straně vnitřního zpětného zrcátka a sleduje vodorovné dopravní značení po obou stranách vozidla. Počítač během jízdy průběžně vyhodnocuje parametry pozemní komunikace z kamery a predikuje, kde by se mělo vozidlo nacházet vzhledem k vodorovnému dopravnímu značení. Současně s tím určuje skutečnou 19

polohu vozidla. Zaznamená-li výrazný rozdíl v obou hodnotách, vydá upozornění řidiči. Nejprve jde o jemné upozornění v podobě textové zprávy na přístrojovém panelu palubní desky, doprovázené zvukovým znamením. Zpráva zůstane zobrazena po dobu několika sekund. Vykazuje-li chování řidiče i nadále známky únavy, zobrazí se trvalé upozornění, které musí řidič vzít na vědomí stiskem tlačítka OK. Ačkoliv kamera systému sledování bdělosti pracuje s vodorovným značením po obou stranách vozidla, systém je funkční i v případě, že je rozpoznáno vodorovné dopravní značení pouze po jedné straně vozidla. Systém je v současné době ve výbavě vozidel Focus, Mondeo a dále u modelových řad S-MAX a Galaxy. Automobilka Volvo využívá obdobný systém Driver Alert Control (DAC). Systém byl představen již v roce 2007. Driver Alert Control sleduje dynamické parametry pohybu vozidla. Systém sám nesleduje chování řidiče, jež může být u každého individuální, ale vliv únavy či snížení pozornosti na jeho řízení. Je zde využita kamera snímající výhled z vozidla umístěná na čelním skle. Tato kamera snímá polohu vozidla s ohledem na vodorovné dopravní značení a okolní vozidla nacházející se na pozemní komunikaci a využívá je jako referenční body. Tím se také snižuje množství falešných alarmů. Současně systém detekuje vzdálenost mezi vozidlem a vodorovným dopravním značením. DAC zaznamenává všechny tyto informace a na základě vestavěného řídícího algoritmu vyhodnocuje, zda se řidič věnuje řízení či nikoli. Systém je dostupný například ve výbavě vozidel S80,V70 a XC70. Společnost Mercedes-Benz vyvinula srovnatelný systém Attention Assist. Řidič je sledován již od počátku jízdy a to vytvořením individuálního profilu, který je postupně porovnáván s daty získávanými z čidel. Systém je aktivní v rozmezí rychlostí 80 -180 km/h. Sledovanými parametry jsou mimo jiné stáčivá rychlost volantu, příčné a podélné zrychlení, stav sešlápnutí pedálů, použití palubních ovladačů apod. Tyto všechny informace jsou doplněny o sledování vnějších vlivů (boční vítr, nerovnosti na pozemní komunikaci). Získané informace jsou vyhodnoceny a následně porovnány s předcházejícími údaji. Upozornění řidiči je realizováno zvukovým signálem a grafickým zobrazením na palubní desce. Systém je dostupný ve vozidlech třídy E a S.

20

3 Biometrie oka Mezi identifikační techniky rozhodně patří identifikace člověka pomocí oční sítnice, tak pomocí duhovky. Jelikož tyto dvě části lidského oka, jsou pro každého člověka jedinečné. Jedná se o velice spolehlivou metodu. Rozpoznávání podle těchto biometrik je relativně nová metoda. Nejprve seznámím čtenáře s anatomií oka a potom rozeberu každou problematiku identifikace za pomocí oka zvlášť.

3.1.1 Anatomie oka Lidské oko je z biologického hlediska složitý orgán, který nám umožňuje vidění. Asi 80% všech informací z okolí získáváme prostřednictvím zraku, jako elektromagnetické záření, které se transformuje na nervové signály.

Obr. 7 Anatomická struktura oka. [29] Oko je uloženo v obličejové části lebky v očnici. Na přední straně oka je okrouhlá průhledná rohovka, která lomí světlo. Přechází v bílou oční stěnu, bělimu. Rohovka se skládá z pěti nestejně silných vrstev: epitelu, Bowmanovy membrány, stromatu, Descemetské membrány a endotelu. Nejsvrchnější vrstva epitel je takřka dokonale hladká. Proto se na ní mohou krásně zrcadlit předměty, na které oko pohlédne, zvláště výrazně se od ní odráží každý světelný zdroj. Rohovka patří k nejcitlivějším tkáním lidského těla - o tom se jistě už každý z vás měl možnost přesvědčit. I nepatrné poranění je velice bolestivé, stačí jediné zrnko prachu nebo smítko a oko hned zčervená a slzí. Za rohovkou je prostor, který se nazývá přední komora oční a je vyplněna nitrooční tekutinou. Barevná část oka se nazývá duhovka, uprostřed se nachází otvor - zornice, ta se v závislosti na množství dopadajícího světla rozšiřuje nebo zužuje (2-8mm v průměru), a tak propouští více či méně světla. Za duhovkou je umístěná čočka, důležitá pro lom světla a akomodaci. Za čočkou se nachází zadní oční komora, která rovněž obsahuje nitrooční tekutinu. Za zadní komorou se nachází 21

nejobjemnější část oka, rosolovitá hmota sklivec. Sklivec naléhá na sítnici. Sítnice obsahuje velké množství tyčinek a čípků, které umožňují vidění. Místo kde jsou čípky nejhustěji nahromaděny, se nazývá žlutá skvrna. Jedná se o místo nejostřejšího vidění. Z tyčinek a čípků vycházejí nervová vlákna, která se spojují ve zrakový nerv, přibližně uprostřed sítnice. Toto místo se nazývá papila zrakového nervu.

22

4 Rozpoznávání pomocí oční duhovky 4.1. Duhovka oka První zmínky o pokus a realizaci identifikace člověka pomocí lidské duhovky se datují již na rok 1936. Kdy oftalmolog Frank Burch předložil koncept metody pro rozpoznávání jedinců, využívající vzory duhovky. V roce 1985 oftalmologové Leonard Flom a Aran Safir předložili koncept, že žádné dvě oční duhovky nejsou stejné. A v roce 1987 jim byl udělen patent za tuto úvahu. V roce 1994 si John Daugman nechal patentovat první algoritmus pro automatickou identifikaci, podle obrazu oční duhovky a ten je i v současnosti základem pro všechny biometrické systémy pro rozpoznávání pomocí lidské duhovky. První komerční produkty byly k dispozici v roce 1995. Biometrické systémy pro rozpoznávání duhovky jsou relativně nově vyvinuté. Jde však o nejlepší metodu pro ověřování identity, jaká je v dnešní době k dispozici. Jedná se o metodu, která umožňuje spolehlivou identifikaci uživatele na základě jeho jedinečné reakce oční duhovky na vyzařované světlo. Vzhled struktury duhovky je velmi nahodilý s fyzickou strukturou extrémně bohatou na datové vzory, které se liší člověk od člověka a to i dokonce mezi jednovaječnými dvojčaty. Unikátní vzor lidské duhovky je tvořen od 10 měsíců lidského života a zůstává beze změny po celou dobu života. Duhovka obsahuje specifické unikátní identifikační body, které nám umožňují s vysokou přesností stanovit identitu člověka. Duhovka se skládá z náhodně rozmístěných, v čase neměnných barevných struktur, podobných sněžným vločkám. Žádné dvě duhovky oka nejsou stejné. Snímání duhovky probíhá za pomocí standardní video technologie. Velikou výhodou při skenování duhovky na rozdíl od sítnice je ten, že se jedná o bezkontaktní metodu, která je rychlá a nabízí bezkonkurenční přesnost při srovnání s jinou bezpečnostní alternativou ze vzdálenosti 7 až 25 cm.

Obr. 8 Popis oční duhovky [5] Duhovka je tenká kruhová membrána, nachází se uvnitř oka mezi rohovkou a čočkou. Reguluje velikost zornice na základě intenzity světla dopadajícího na oko. Střední průměr duhovky je 12mm a velikost zornice se může měnit od 10% do 80% z průměru duhovky. Duhovka je extrémně viditelný barevný kroužek kolem zornice, její zabarvení odpovídá množství melatoninového pigmentu uvnitř svaloviny. Ačkoliv 23

je zabarvení i struktura duhovky geneticky závislá, její vzorkování není. Každé lidské oko je naprosto unikátní vykazující výrazný vzor. Složitý vzor duhovky může obsahovat mnoho charakteristických znaků jako například klenuté vazy, rýhy hřebeny, krypty, prstence, koróny, pigmentové skvrny a klikaté čáry. Krypty jsou velmi tmavá místa mezi řasnatou a zornicovou oblastí, tam kde je duhovka tenká. Radiální rýhy paprskovitě vybíhají od zornice k okraji duhovky. Pigmentové skvrny jsou náhodné shluky pigmentových buněk nacházející se na povrchu duhovky. Pigmentové záhyby vznikají jako důsledek vystupující spodní vrstvy duhovky okolo zornice. Barva duhovky je dána především hustotou melaninového pigmentu v její přední vrstvě a stromou, přičemž modrá barva duhovky je výsledkem absence pigmentu. Ve skutečnosti se však odhaduje šance, že dvě duhovky budou totožné 1 ku 1078.

4.2. Výhody identifikace pomocí duhovky jsou následující: Na světě existuje jen málo lidí, kteří by tuto technologii nemohli použít. Jelikož většina lidí má alespoň jedno oko. V několika případech dokonce i nevidomí používají úspěšně metodu pro rozpoznání duhovky, jelikož tato technologie je závislá pouze na vzoru duhovky nikoli na lidský pohled. Jako dvourozměrný objekt je její snímání relativně nezávislé na úhlu osvětlení a změny úhlu pohledu znamenají pouze afinní transformace. Dokonce i neafinní deformace vzoru duhovky při změně velikosti čočky je reversibilní a provádí se ve fázi zpracování obrazu duhovky. Charakteristický kruhový tvar duhovky nám umožňuje přesnou a spolehlivou identifikaci tohoto orgánu a vytvoření reprezentace duhovky s konstantní velikostí. Vzor duhovky a struktura vykazuje dlouhodobou stabilitu. Unikátní vzor lidské duhovky je tvořen od 10 měsíců lidského života a zůstává beze změny (kromě traumatu, některé vzácné nemoci nebo může nastat případná změna po speciálních oftalmologických chirurgických zákrocích) po celou dobu života. Takže jakmile je jedinec zapsán, potřeby aktualizace jsou méně časté. U jiných biometrických technologií může docházet ke změnám, jako například ke změně zabarvení hlasu, váhy, účesu, velikosti prstu nebo ruky, pořezání nebo dokonce vliv manuální práce vyvolává potřebu aktualizace zápisu. Ideální pro manipulaci s velkými databázemi. Rozpoznávání duhovky je jediná biometrická autentizační technologie určená pro práci v 1-n nebo vyčerpávajícím vyhledávácím módu. To je ideální pro práci s aplikacemi, které vyžadují správu velkého množství uživatelských skupin, jako jsou například Národní dokumentace, které toto mohou vyžadovat. Velké databáze jsou uloženy bez zhoršení kvality při ověřování přenosnosti. Bezkonkurenční rychlost vyhledávání jednoho vzorku s mnoha dalšími vzorky v databázi je nesrovnatelná s jakoukoli jinou technologií a není omezena velikostí databáze, ale daným hardwarem pro správu serveru. Zatímco ze začátku byla metoda navržena spíše pro identifikaci, tedy porovnání jednoho vzorku uživatele s n-počtem vzorků v databázi, tato metoda pracuje i velice dobře v režimu verifikace, tedy v porovnání referenčního vzorku se vzorkem právě získaným od uživatele, jedná se tedy o porovnání 1:1. Rozpoznávání pomocí duhovky neznamená nic jiného, než pořízení digitálního obrazu vzoru duhovky a vytvořit zašifrovanou šablonu tohoto vzoru. 512 bytová šablona duhovky je šifrována nemůže být přetvořena nebo obnovena pro výrobu 24

nějakého druhu vizuálního obrazu. Proto metoda pro rozpoznávání duhovky poskytuje vysokou úroveň ochrany proti krádeži identity rychle rostoucí kriminality.

4.3. Nalezení duhovky v obraze Proces identifikace uživatele pomocí rozpoznávání duhovky je zobrazen na následujícím obrázku 13. Celý tento proces se dá rozložit do několika kroků.

Obr. 9 Proces identifikace uživatele pomocí rozpoznávání duhovky. [7] 1. Vytvoření obrazu duhovky – Abychom zachytili bohaté detaily vzoru duhovky, obrazový systém by měl poskytovat snímek duhovky o poloměru 70 pixelů. Oční duhovka je snímána monochromatickou CCD kamerou, obrazec duhovky se snímá při infračerveném světle o vlnových délkách 700nm až 900nm, které je neinvazivní pro uživatele. Pod viditelným světlem můžeme na duhovce pozorovat především viditelné vrstvy, odhaluje méně texturní informace než osvětlení infračervené. Neboť melanin viditelné světlo absorbuje. Naopak při infračerveném osvětlení melanin převážně reflektuje a je příjemnější pro uživatele, neboť neoslňuje a nezpůsobuje nepříjemné pocity u osvětlení. Při snímání duhovky nedochází k přímému kontaktu se čtecím zařízením a snímání je prováděno ze vzdálenosti několika centimetrů. Abychom mohli vytvořit obraz, je nejprve nutné lokalizovat na obličeji oko. Při tom se používá infračervené světlo. Jakmile je oko lokalizováno, kamera vytvoří jeho obraz. Doba snímání je 1÷2 sekundy. Obraz oka je následně v kameře digitalizován a přenesen do počítače. Při snímání duhovky se vyžaduje aktivní účast uživatel. Musí se dívat do jednoho bodu a nechat si oko správně nasvítit 2. Zpracování obrazu přijatého z kamery - Základem pro úspěšné vytvoření vzoru duhovky je její lokalizace v obrazu spolu se získáním přesných parametrů popisující její tvar. Je-li detekce provedena nesprávně, může se objevit šum (např. řasy, odrazy, čočka a oční víčka) a způsobovat problémy v obraze. Z obrazu se musí oddělit zornice, která se nachází přibližně ve středu oka, tak i vnější část oka od duhovky. K tomuto účelu se používá algoritmus pro detekci hran v obraze nebo speciální integro-diferenciální operátor. 25

Obr. 10 Bílá kontura znázorňuje lokalizaci duhovky a okraj očního víčka. [9] 3. Zpracování izolovaného obrazu duhovky - Po oddělení obrazu duhovky je takto izolovaný obraz duhovky pomocí algoritmu 2D Gabor wavelets převeden na vektory, které obsahují informaci o orientaci, četnosti a pozici specifických plošek. Takto zakódovaný obraz je převeden do IrisCode a uložen ve formě šablony, která má typicky 512B záznamu. Vzhledem k velikosti předloze, která je relativně malá, je možno dosáhnout srovnání až s 500 000 jiných šablon za sekundu.

Obr. 11 Lokalizování duhovky a její piktografické znázornění. [8] 4. Při verifikaci/identifikaci se porovnává takto upravený obraz uživatele, který se právě přihlásil do systému s referenční šablonou pomocí testu statické nezávislosti, používá se Hammingova vzdálenost. Pokud je pouze méně než jedna třetina dat odlišná, znamená to, že test selhal a vzorky jsou ze stejné duhovky.

4.4. Detekce duhovky Cílem segmentace je lokalizovat oblast duhovky v obraze. To spočívá v nalezení vnitřních hranic mezi zornicí a duhovkou. A nalezení vnějších hranic mezi duhovkou a bělimou. Tyto hranice, i když ne vždy dokonalé kruhy, jsou modelovány ve většině případů, jako dva nesoustředné kruhy. Může však nastat výjimka, ve které jsou hranice aproximovány jako elipsy. Tvary zornice a duhovky jsou většinou detekovány pomocí Houghovy transformace, jako kružnice a tvary víček jako parabolické oblouky. Tyto reprezentace však nejsou dokonalé, vyvíjí se nové a přesnější metody, mezi ně patří např. metoda aktivních tvarů nebo metoda využívající integro-diferenciální operátor. Bylo však vyvinuto mnoho algoritmů pro rozpoznávání duhovky. Některé z nich jsou popsány níže. 26

4.4.1 Houghova transformace Houghova transformace (HT) metoda pro nalezení parametrického popisu objektů v obraze. Tato metoda se používá pro detekci jednoduchých objektů v obraze, jako jsou přímky, kružnice, elipsy atd. neboť u nich známe přesný parametrický popis. Tato lokalizační metoda je podobná metodě, kterou používá Daugman. Jehož metoda je založena na detekci hran pomocí první derivace. Vstupem pro HT je binární obraz předzpracovaný např. hranovým detektorem. Předzpracování hranovým detektorem je velice výhodné, protože snižuje výpočetní náročnost celé operace, ale také i zvyšuje pravděpodobnost nalezení hledané struktury v obraze. Výstupem je parametrický nebo-li Houghův prostor, který obsahuje informace o relativní intenzitě (pravděpodobnosti výskytu) tzv. kandidátů hledané struktury. To kolik daný prostor bude mít rozměrů, se určuje podle počtu neznámých parametrů v rovnici pro výpočet útvaru, který je pomocí HT vyhledáván. Výhodou této metody je robustnost vůči nepravidelnostem či porušení hledané křivky. Nevýhodou této metody však je, že nedokáže identifikovat struktury, které ve vstupním obraze nejsou dost intenzivní. Poté by se po případné hranové detekci, tyto struktury v obraze vůbec nenacházely. Nejjednodušší bude, když Houghova transformace bude nejdříve vysvětlena na detekci přímky a poté na detekci kruhu. Houghvou transformací pro detekci kruhu, můžeme odvodit souřadnice poloměrů a středů pro duhovku a zornici. 

Detekce přímky

Jak bylo uvedeno výše, je nejdříve nutné vyjádřit přímku v parametrickém prostoru. Přímka lze ve dvourozměrném prostoru definovat několika způsoby. Nejznámější je směrnicový tvar rovnice přímky (1) kde k – je směrnice přímky, q – úsek vyťatý přímkou na ose y. Kdyby přímka byla rovnoběžná s osou y, parametr q by nabýval nekonečných hodnot, tak se tento tvar vyjádření přímky v praxi nepoužívá a nahrazuje jej tvar normálový: (2) kde r – je vzdálenost bodu [x, y] od počátku souřadného systému 0, ϕ – velikost orientovaného úhlu mezi normálou a osu x. Nyní je důležité každý pixel na obrázku převést z prostoru souřadnic (x, y) do souřadnic (ϕ, r) a daným bodem povedeme všechny myslitelné přímky. Tím bude vytvořen parametrický prostor.

27

Obr. 16 Originální prostor. [14]

Obr. 17 Parametrický prostor. [14] Vstupními daty jsou pouze souřadnice jednotlivých bodů (pixelů), parametry r a ϕ jsou neznámými. Pokud do rovnice (6) dosadíme souřadnice jednotlivých bodů, pak množina všech možných řešení (r, ϕ) vytvoří v parametrickém prostoru spojitou křivku. Neboť každý bod může být součástí nekonečného počtu přímek, které daným bodem prochází, mající různé parametry r, ϕ. Pokud budeme vykreslovat více bodů, je zřejmé, že v parametrickém prostoru se objeví tolik křivek, kolik budeme mít bodů. Každá křivka v parametrickém prostoru pro jeden bod. Pokud body budou ležet na jedné přímce, tak křivky v parametrickém prostoru se protnou v jednom bodě (r’, ϕ’). Tento bod, kde se křivky protly nese informaci o hledaných parametrech r, ϕ. Po dosazení do rovnice (6) je možné stanovit přesný popis přímky ve vstupním obrazu. 

Detekce kružnice

Obdobný postup využijeme i při detekci kružnic v obraze. Analytické vyjádření kružnice má tvar (1) kde r - poloměr kružnice, a, b - souřadnice středu kružnice. Ve vztahu popisující kružnici, se vyskytují tři neznámé parametry (r, a, b). Z tohoto důvodu bude parametrický prostor trojrozměrný. Podle parametrického vyjádření kružnice lze každý bod na kružnici o poloměru r a se středem v bodě (a, b) popsat vztahem 28

(2) Bude-li se v obraze hledat bod, který leží na kružnici s daným poloměrem r, vypočítá se jeho souřadnice a zjistí se hodnoty parametrů a, b podle vztahu: (3) kde ϕ je interval hodnot od 0 do 2π. Všechny body se stejnými hodnotami parametrů a, b pak budu ležet na kružnici.

Obr. 12 Parametrické vyjádření kružnice. [14] Vstupními daty budou souřadnice pixelů [x, y] ležících na hledané kružnici a neznámými jsou souřadnice středu (a, b) a poloměr r. Pro zjednodušení bude princip plnění Houghova prostoru vysvětlen nejdříve pro pevný poloměr. V tomto případě bude Houghův prostor dvourozměrný. Souřadnice každého bodu binárního obrazu se dosadí do rovnice (9) a následně budou zakresleny kružnice, kde pro určitý úhel ϕ se trefí do středu původní kružnice v originálním prostoru. Tyto kružnice se protnou v jednom bodě, který představuje hledaný střed původní kružnice.

Obr. 13 Kruhová HT z x, y – prostoru (vlevo) do parametrického prostoru (vpravo), pro konstantní poloměr. [30] 29

Tento případ byl uveden pro lepší pochopení, v praxi však nebudeme znát přesný poloměr kružnice ve vstupním obrazu. Za poloměr r se tedy bude dosazovat vhodné rozmezí hodnot. Z toho vyplývá, že parametrický prostor bude třírozměrný. Opět se budou dosazovat souřadnice hodnot binárních bodů ležících na hledané kružnici do rovnice (9) a v parametrickém prostoru se vytvoří množina všech možných řešení (a, b, r), která má tvar kužele. Místo, kde se kužely protnou v jednom bodě (a´, b´, r´), je místo, které hledáme a nese informace o hledaných parametrech (a, b, r), díky nimž je možné dle vztahu (7) stanovit přesný popis kružnice ve vstupním obrazu.

Obr. 14 Parametrický prostor pro jeden vstupní bod. [14]

4.4.2 Daugmanův integro-diferenciální operátor Daugman prezentoval v roce 1993 segmentační metody popsané v [1]. Tyto metody jsou založené na jeho integro-diferenciálním operátoru. Využívá integrodiferenciální operátor pro lokalizaci oblasti kruhové duhovky a zornice, ale také i pro lokalizaci oblouků horních a dolních víček. Duhovka je lokalizována pomocí následujícího operátoru:

|

∮

|

(1)

kde r je hledaný poloměr, * značí konvoluci a je Gaussovská funkce vyhlazení (smooth) dle σ. je hrubý vstupní obrázek nebo-li snímek oka a operátor hledá maximum v rozostřené parciální derivaci obrazu s ohledem na poloměr r a souřadnice středu ( ). Operátor je v podstatě kruhovým detektorem hran a vrátí maximum, pokud sdílí kandidátská kružnice střed zornice a poloměr. Tento operátor projde vstupním obrázkem pixel po pixelu, hledajíc při tom cestu ve tvaru kružnice, kde se nachází ty největší změny intenzity. Operátor je použit opakovaně s postupně se snižujícím faktorem rozmazání σ ve snaze přesnější lokalizace. Dalším krokem je lokalizace horního a dolního víčka. Provádí se obdobným postupem, jakým se lokalizovala duhovka. Část ze vzorce (10), která slouží k detekci kontury, se zamění z kruhové na obloukovou, přičemž parametry se nastaví dle standartních statistických metod odhadu tak, aby optimálně korespondovaly každé hranici očního víčka. 30

4.4.3 Metoda parametrických aktivních kontur Jedná se o pokročilou metodu interaktivní segmentace obrazu. Metoda postupného tvarování kontur až ke hraně objektu v obraze. Stěžejní myšlenkou aktivních kontur je minimalizace energetického funkcionálu, který se skládá z energií získaných ze samotné křivky a obrazu. Aktivní kontura je řízená uzavřená kontura, která lze vnímat jako matematický model pomyslného gumového kruhu. Kruh je pak popsán vnitřními a vnějšími silami. Vnitřní síly kontrolují hladkost průběhu a zabraňuje vznikům ostrých rohů, vnější síly jsou výsledkem počátečního umístění jsou zodpovědné za to, aby přitáhly křivku k lokálním minimům, udávají parametr okolního prostoru, ve kterém se křivka pohybuje. Jednou z nejvýznamnějších vlastností je právě uzavřená křivka, díky níž lze vytvořit obrys objektu, i když po prahování chybí třeba nějaké úseky hran. Kontura musí být definována v blízkosti objektu, který chceme segmentovat. Při špatném počátečním umístění kontura může být přitahována okolními objekty a artefakty v obraze, které segmentovat nechceme. 

Vnitřní síly – nejprve budeme uvažovat takový stav, kdy na kruh nebude působit žádná vnější síla. Kruh bude tedy mít prstencový tvar o určitém poloměru, to je způsobeno rovnováhou vnitřních sil. Pokud bude kruh stlačen nebo roztažen, a poté opět uvolněn, vrátí se zpět do svého původního prstencového tvaru. Jak je uvedeno [40], kruh si lze představit jako v sérii spojené nekonečně malé pružinové elementy. Takový obvod [ ] pak může být označen jako , kde p jsou zmiňované pružinové elementy a p=0 značí počátek obvodu a p=1 značí konec obvodu. V rovnovážném stahu se elementy nepohybují a jsou od sebe rovnoměrně vzdáleny. Až pokud začnou působit vnější síly se v kruhu začne indukovat energie. Pokud kruh bude roztahován, tak se změní jeho délka obvodu podle Hookova zákona, kdy se sleduje vzdálenost mezi jednotlivými elementy. Délka obvodu kruhu je dána první derivací obvodu podle všech elementů, je zároveň úměrná deformační síle, která působí na jednotlivé elementy. Energie, která je potřebná k roztažení kruhu je dána rovnicí: ∫

|

|

(3)

α v tomto případě bude závislá na pružinovém elementu a určuje pevnost působící proti roztažení. Pokud bude uvažována jen energie roztahovací a snaha o zachování minimálního energetického stavu, minimalizuje se vzdálenost mezi jednotlivými elementy. Vzhledem k tomu, že se jedná o uzavřenou křivku, kruh by stáhl do jediného bodu. Pružinové elementy lze, ale i stlačovat a kruh ohýbat. Proti stlačení působí síla, která určuje tuhost pružiny. Ta je dána druhou derivací obvodu křivky 31

přes elementy, to nám určuje křivost křivky. Energie ohybu je pak dána rovnicí: ∫

|

(4)

|

Β značí tuhost proti stlačení jednotlivých pružinových elementů. Pokud bude uvažována jen energie ohýbací minimalizovala by se křivost. Kromě dosahované hladkosti by křivka konvergovala do tvaru přímky, tedy nekonečného poloměru, kdy je křivost rovná nule. Tyto zmíněné energie se uvažují jako vnitřní: (5)



Gumový kruh má jako fyzikální soustava tendenci minimalizovat svoji vnitřní energii. Ohýbací a roztahovací energie působí proti sobě. Pokud kruh bude mít hladkého prstence, při jeho smršťování se bude zmenšovat poloměr a bude růst křivost, naopak budeme-li zmenšovat křivost bude se zvyšovat délka obvodu a tím i energie roztahovací. V klidovém stavu se bude nacházet tehdy, kdy podle rovnice (13) bude součet minimální. Parametry α a β mají v důsledku vliv na konečném tvaru aktivní kontury. To jak se kontura bude chovat v rozích. Můžeme teda správnou změnou hodnot ovlivnit, zda si kontura zachová hladký tvar, nebo bude přesně kopírovat ostré hrany objektu. Vnější síly – tyto síly jsou odvozeny z obrazové funkce. Jejich účel je konturu zdeformovat tak, aby tvořila obrys objektů na snímku. Opět tak děje za cílem minimalizovat energie, celková energie je pak dána vztahem:

∫ (

|

|

|

| )

(6)

Aby bylo možné určit vnější síly, se předpokládá, že objekty na daném snímku jsou charakterizovány svými hranami. Nejsnadněji lze pak sílu v každém místě obrazu určit tak, že je nejprve obraz vyhlazen Gaussovým filtrem, a následně se počítá záporný gradient podle vztahu (15). (7)

Pokud vnější energie je uvažována jako energie potenciální, pomyslný kotouč se zjednodušeně řečeno v čase přesunuje podle směru záporného gradientu, tedy do míst s nižší potenciální energií, toto je zobrazeno na 32

obrázku 21. Jestli se kontura skutečně deformuje pod vlivem gradientu, to je dáno modulem gradientu, ale také tuhostí a mechanickým napětím kruhu.

Obr. 15 Nahoře původní ostrá hrana, uprostřed hrana po aplikaci Gaussova filtru, dole záporný gradient vyhlazené hrany. [41] Externí energie počítána z obrazu je definována jako: (8)

Kdy se jedná o tři energetické funkce, které popisují matematické detaily zkoumaného obrazu.  Eline –zde se využívá obyčejné intenzity v bodě(x,y). K jejímu výpočtu může být použit Gaussův filtr pro rozmazání obrazu. (9)



Kde je Gaussův filtr a je černobílý obraz. Potom v závislosti na zvolené hodnotě se bude kontura přitahovat buď ke světlým, respektive tmavým oblastem obrazu. Eedge – Definujeme tuto funkci vzorem: |

 

|

(10)

Kontura bude přitahována hranami s vysokou hodnotou gradientu. Doporučuje se před výpočtem použít opět některý eliminační filtr (např. Gaussův). Jelikož lokální minimum, tedy největší gradient může být méně výrazný nebo inicializační kontura může být od hrany dále, nebo se může nacházet v oblasti s velkým šumem. Eterm – Detekuje konce hran a ostré hrany. Zkoumáme zakřivení kontury opět v mírně rozmazaném obraze pomocí Gaussova filtru. Pro zjednodušení si definujme rozmazaný obraz

. Nechť 33

a

úhel gradientu hrany. Výpočet je:

je normála gradientu odpovídající směru

(

)

(11)

4.4.4 Metoda kruhových aktivních kontur Ritter navrhl model aktivních kontur pro lokalizaci duhovky v obraze [25]. Model detekuje hranici zornice a okraj duhovky aktivováním a kontrolováním aktivních kontur za pomocí dvou definovaných sil, vnější a vnitřní síly. Vnitřní síly jsou určeny pro rozšíření kontry a udržení ji v kruhovém tvaru. Tento model síly předpokládá, že okraje zornice a duhovky jsou globálně kruhové, spíše než lokálně, aby se minimalizovalo nežádoucí deformace v důsledku zvláštních odlesků, tmavých míst v blízkosti hranic zornice. Model vyhledávání kontur je založen na rovnováze definovaných vnitřních sil s vnějšími silami. Vnější síly jsou získávány z hodnot šedého spektra intenzity obrazu a jsou navrženy tak, aby posouvaly vrcholy dovnitř. Pohyb kontury (obrysu) je založený na skládání vnitřních a vnějších sil přes kontury vrcholů. Každý vrchol je posunut v čase mezi t a (t+1) pomocí vzorce: (1)

kde je vnitřní síla, je vnější síla a je pozice vrcholu i. Vnitřní bod zornice se určí z rozptylu obrazu a poté je vytvořena diskrétní kruhová aktivní kontura (DCAC) s tímto bodem uprostřed. DCAC je poté přesouvána pod vlivem interních a externích sil dokud nedosáhne rovnováhy a zornice je určena (nalezena, lokalizována...).

Obr. 16 Metoda aktivních kontur. [13]

4.5. Normalizace duhovky Při extrakci duhovky z obrazu je zapotřebí nejprve zjistit velikosti a středy kružnic ležících na vnějším a vnitřním okraji duhovky. Duhovky od různých uživatelů, mají 34

různé velikosti. Velikost duhovky však může být různá i pro stejné oko a to z důvodu závislosti na osvětlení, vzdálenosti od kamery a dalších faktorech. Abychom zmenšili vliv těchto faktorů, zvýšili přesnost a mohli duhovky vzájemně porovnávat, je nutné provést normalizaci. Proces normalizace vytvoří oblasti duhovky, které mají stejné konstantní rozměry, tak že dvě fotografie stejné duhovky pořízené za různých podmínek budou mít charakteristické rysy ve stejné prostorové poloze.

Obr. 17 Zobrazení normalizace. [15] Normalizace je proces, kdy se převede kruhový region na obdélníkový s pevnou velikostí. Ze vzniklého obrázku duhovky je následně možné vytvořit její kód. Polární souřadný systém je popsán parametry θ ϵ (0, 2π) a

ϵ (0, 1) a rovnicemi: (1) (2)

Hraniční body zornice (

jsou počítány: (3)

Hraniční body duhovky (

jsou počítány: (4)

Kde SP, Sd jsou souřadnice středu zornice a duhovky. Rp, Rd značí poloměr zornice a duhovky.

Obr. 18 Normalizace. [13] 35

Tato metoda je invariantní vůči velikosti a translaci. Model ovšem nekompenzuje rotační nekonzistenci, která je řešena posunem šablony duhovky ve směru θ ve fázi porovnání, dokud obě šablony nedosáhnou shody. Transformace souřadnic (x,y) na (x’,y’) je provedena následovně: ( )

( )

(5)

( )

kde s je zvětšení, x, y jsou původní souřadnice, x’, y’ jsou transformované souřadnice a R(φ) je matice představující otočení o úhel φ.

4.6. Vytvoření kódu demodulace

rysů

duhovky

pomocí

2D

waveletové

Gaborovy filtry jsou schopny poskytnout optimální reprezentaci signálů ve frekvenční a prostorové oblasti. Z extrahované, rozbalené a normalizované duhovky je potřeba vytvořit její kód (vektor). Na základě tohoto kódu mohou být duhovky porovnávány. Za tímto účelem je v systému využito Gaborova filtru. Jeho vzorec pro filtrování v polárním souřadném systému je následující: (1) kde (r, ) udává pozici v obrazu, (α,β) určují efektivní výšku a délku a ω je frekvence filtru. Demodulace a fázová kvantizace je provedena pomoci vzorce (17). Kódovací proces je tvořen postupným fázovým kvantováním části vzoru duhovky za pomoci identifikace kvadrantu komplexní roviny pro každý výsledný fázor, při promítnutí dané oblasti duhovky na komplexně obohacené 2D Gaborovy wavelety. {

}

(2) {

}∫ ∫

kde I( , φ) je hrubý obrázek duhovky v polárním souřadném systému, který je invariantní vůči velikosti a translaci a který rovněž koriguje rozšiřování zornice. Bit v komplexní rovině g{Re,Im} odpovídající reálné a imaginární části odezev filtru. Jehož reálná a komplexní část je buďto 1 nebo 0 (signum) v závislosti na znaménku 2D integrálu. Symboly α, β značí šířku, respektive výšku obrázku. Jsou to vícerozměrné 2D parametry velikosti waveletu na duhovce v rozpětí od 0,15 mm do 1,2 mm. Symbol ω je waveletová frekvence. Žádoucí vlastnost definice fázového kódu na obrázku 25 je cykličnost neboli Grayův kód: rotací mezi sousedními fázovými kvadranty se mění pouze jediný bit, na rozdíl od binárního kódu, kde se mohou měnit dva bity, což pak některé chyby znevýhodňuje před ostatními. Celkem je pro každou 36

duhovku spočítáno 2048 takových fázových bitů (256 bajtů), nyní se dále vyjadřuje počet zakrytých bitů, což značí, zda je nějaká část duhovky zakryta obočím, včetně zakrytí řasami, zrcadlových odlesků, artefaktů1 kontaktních čoček nebo horších poměrů signálu k šumu a takové oblasti by měly být při demodulaci ignorovány jako artefakty. Kvantování fázové informace reálné a imaginární složky do čtyř úrovní:

∫∫ (3) ∫∫ {

∫∫ (4) ∫∫ { Každá z těchto úrovní je reprezentována dvojicí bitů. Po této operaci vznikne z normalizované textury duhovky bitový vektor.

Obr. 19 Proces demodulace fáze použitý pro kódování vzoru duhovky. [7] Proces demodulace fáze použitý pro kódování vzoru duhovky, je zobrazen na obrázku 25. Části duhovky jsou promítnuty na plochu 2D Gaborových waveletů, což vytváří komplexní koeficienty, jejichž reálná a imaginární část specifikuje souřadnice fázoru v komplexní rovině. Úhel každého fázoru je kvantován do jednoho ze čtyř kvadrantů, čímž získáváme 2 bity fázové informace. Tento proces je opakován pro 37

všechny části duhovky pro různe velikosti waveletů, frekvence a orientace, abychom finálně získali 2048 bitů.

4.7. Porovnání kódu duhovky Porovnání může být prováděno pomocí Hammingovy vzdálenosti mezi oběma 256 bytovými kódy duhovek. Umožňuje nám změřit, kolik bitů se bude shodovat mezi dvěma bitovými vzorky. Hammingova vzdálenost mezi dvěma kódy duhovky A a B je dána jako suma exkluzivních součtů (XOR) mezi jednotlivými bity: ∑

(1)

Kde N=2048 (8 x 256), není-li duhovka zastíněna víčkem. V opačném případě jsou použity pro výpočet Hammingovy vzdálenosti jen platné oblasti. Pokud budou oba vzorky získány ze stejné duhovky, pak se Hammingova vzdálenost bude mezi nimi rovnat nule nebo bude blízká této hodnotě nula (díky vysoké korelaci obou vzorků). K zajištění rotační konzistence je jeden ze vzorů posunut doleva/doprava a vždy je vypočítána odpovídající Hammingova vzdálenost. Nejnižší hodnota Hammingovy vzdálenosti je potom brána jako výsledné skóre porovnání. Uvádím zde příklad porovnání kódu duhovek za použití posunů. šablona 1 11 01 10 00 10 01 HD = 0,667 šablona 2 01 10 00 10 01 11 posun dva bity doleva

šablona 1 01 10 00 10 01 11 HD = 0,000 šablona 2 01 10 00 10 01 11 posun dva bity doprava

šablona 1 01 11 01 10 00 10 HD = 0,333 šablona 2 01 10 00 10 01 11

4.8. Testování životnosti Při testování živosti u duhovky existuje hned několik metod. Nejběžnější metodou je reakce duhovky na změnu osvětlení, kdy se zornice zvětšuje při menším a zmenšuje při intenzivnějším osvětlení. Další způsob testování živosti může být pohyb oka, mrkání podle povelů ze skenovacího zařízení. Měření spektrografických vlastností tkání, tuků a krve. Vzhledem k tomu, že krev velmi dobře reflektuje infračervené záření stejně jako v duhovce barvivo melanin. Tento jev se nazývá koaxiální zadní reflexe sítnice, při fotografování je nazývaný jako „červené oči“, při osvětlení růžové sítnice intenzivním světlem dojde k odrazu světla zpět do kamery.

38

5 Sítnice oka Rozpoznávání pomocí oční sítnice je biometrická metoda, která provádí porovnávání osob na základě snímání a porovnávání vzoru sítnice. Je nutné pro získání obrazu cév oční sítnice použít speciální optickou kameru. Sítnice oka obsahuje rovněž dostatek specifických anatomických bodů, které zajišťují vysokou identifikační schopnost. Snímání biometrického vzorku probíhá světelným paprskem. Bílá sítnice část paprsku pohlcuje a část odráží. Takto je zmapováno řečiště drobných žilek a cévek sítnice, které zůstává během celého života jedince téměř neměnné.

5.1. Anatomie sítnice

Obr. 20 Anatomické zobrazení oka a cév na sítnici. Sítnice je na světlo citlivý povrch zadní strany oka. Vzhledem ke svému vnitřnímu umístění je sítnice chráněna před změnami, které jsou způsobeny vlivem vnějšího prostředí (na rozdíl například od otisků prstů). Díky tomu je vzor cév za oční sítnicí téměř neměnný. Obraz dopadající na sítnici je zaostřen čočkou (v případě krátkozrakosti a dalekozrakosti vzniká zaostřený obraz ještě před nebo již za sítnicí a na sítnici dopadá obraz neostrý), oční duhovka přitom upravuje (svou velikostí) množství světla dopadajícího na sítnici. Sítnice se skládá se z obrovského počtu specializovaných nervových buněk, které se nazývají tyčinky a čípky. Jsou to světločivné buňky. Tyto buňky mají za úkol převádět světelné paprsky na nervové signály. Čípky poskytují barevné vidění. Díky své husté koncentraci umožňují čípky nejostřejší vidění. Tyčinky jsou mnohem citlivější na světlo než čípky, ale poskytují pouze černobílé vidění. Každá tyčinka a čípek je spojen s nervy, jejichž signály vystupují z oka pomocí očního nervu. Oční nerv, společně s artérií sítnice, vystupují z oka v bodě, kde nejsou žádné čípky ani tyčinky – jedná se o tzv. slepý bod na sítnici neboli slepá skvrna. Máme tedy jedinečný znak a přesně definovaný neměnný bod, což je pro identifikaci naprosto dokonalý materiál. Tyčinky a čípky musí být zásobovány krví, a tak je na pozadí oka velice rozvětvené krevní řečiště, které se nazývá choroidální vaskulatura. To je pro každého člověka jedinečné.

5.2. Snímání sítnice 39

Sítnici snímáme za pomocí infračerveného paprsku o nízké intenzitě, tento paprsek světla popisuje kruhovou dráhu sítnice, který prochází skrze zornici. Pro světlo této vlnové délky je však sítnice víceméně průhledná. Snímek sítnice vytváří až teprve odraz sítě cév, který se nachází za sítnicí a tento snímek se používá k rozpoznávání osob. Tato technologie je velice podobná jako oční vyšetření u optometristy. Skener postupně obíhá kolem určité oblasti sítnice a zachycuje kruhový snímek sítnice, na kterém jsou viditelné tmavší cévní struktury než okolní tkáň. Označení „snímek sítnice“ je tedy poněkud nepřesný, jelikož se jedná o snímek cév za sítnicí v choroidu. Mezi hlavní nevýhodu patří subjektivní nepříjemnost pro daného uživatele a velice blízký kontakt se snímacím zařízením, jedná se o vzdálenost 2 až 3 cm oka od snímače. Identifikace také není možná přes brýle a čočky, uživatel si je tedy nejdříve musí sundat a až poté může být snímána sítnice. Pořizovací cena je ovšem velice vysoká, ale zato je tato metoda identifikace velice přesná.

Obr. 21 Snímaná část cév v choroidu. [28] Technologie rozpoznávání sítnice se používá pro měření unikátního uspořádání cév obsažených v sítnici. Pro získání snímku sítnice se používají specializované kamery. K osvětlení sítnice se používá světelný infračervený zdroj o nízké intenzitě. Biometrické systémy pro rozpoznávání sítnice patří mezi nejpřesnější ze všech biometrických technologií a jsou použity na vojenských zařízeních a jiných vysoce rizikových zařízeních. Jsou také poměrně drahé vzhledem k požadovanému hardwaru. Není potřeba bezpečnostních opatření pro zabránění oklamání systému, protože není možné vyrobit „falešnou“ sítnici a sítnice z mrtvých těl se zhorší až moc rychle. Sítnicový skener svítí infračerveným světlem skrz zornici, kruhovou oblast sítnice a zaznamenává odražené kontrastní informace o cévním řečišti. Skenování sítnice je považováno za velice přesnou a dokonale chráněnou biometrickou technologii. Je uznávána jako velmi efektivní řešení pro prostředí s vysokou úrovní bezpečnosti. Jednotlivec musí umístit oko velmi blízko k čočce zařízení sítnicového-skeneru. Dívat se přímo do objektivu a zůstat nehybně a zaměřit se na otáčivé světlo, zatímco malá kamera skenuje sítnici skrz zornici. Každý pohyb může zasahovat do procesu a může vyžadovat restartování. 40

Na obrázku 27 je zobrazena část cév v choroidu, kde šedé křivky značí vzor cév, světlý kruh označuje slepou skvrnu, jedná se o místo, kde nerv vstupuje do sítnice. Černá čárkovaná kružnice značí oblast, která bude snímána, ne však uvnitř celé oblasti, ale jen podél kružnice.

5.3. Historie rozpoznávání pomocí sítnice V roce 1935 oční lékaři Dr. Carleton Simon a Dr. Isodore Goldstein byli první, kdo koncipovaly myšlenku pro identifikaci pomocí sítnice. Během studování očních onemocnění zjistili, že každé oko má svůj vlastní zcela unikátní vzor krevního řečiště. Následně publikovali článek v New York State Journal of Medcine o použití sítnicových snímků pro identifikaci osob právě na základě vzorů cév. Jejich výzkum podpořil i Dr. Paul Tower, který publikoval článek o studiu jednovaječných dvojčat v roce 1955. Předpokládal, že jednovaječná dvojčata by měla mít podobné vzory cév na oční sítnici. Jeho studium identických dvojčat však ukázalo, že právě vzorem cév na oční sítnici se jednovaječná dvojčata značně liší. Společnost Eydentify založena Robertem Hillem v roce 1976, byla první společnost, která využila myšlenku skenování sítnici a začala se vývojem zařízení zabývat. Hill byl elektroinženýr, který přišel na nápad použít sítnicový skener jako způsob identifikace, během doby kdy vypomáhal svému otci, oftalmologovi, detekovat oční vady pomocí fotek. První pokusy při snímání obrazů oční sítnice vycházely konstrukčně z přístrojů očních lékařů. Byly však velice drahé a náročné na obsluhu. Nejprve bylo používáno pro osvětlení sítnice viditelné světlo. Bylo však za potřebí velkého množství světla pro získání dostatečného poměru signálu k šumu, toto velké množství světla, bylo často pro uživatele již nepříjemné. Použití viditelného světla se brzy ukázalo jako nevhodné. Modernější systémy pro osvětlení sítnice využívají světlo v blízké infračervené oblasti. Dané vlnové délky jsou pro lidské oko neviditelné a eliminují tak zdroj nepříjemného viditelného světla. Existují návrhy systémů s využitím laseru, v praxi však žádné takové systémy nebyly implementovány. První fungující prototyp zařízení pro identifikaci osob pomocí snímání obrazu sítnice byl vyroben v roce 1981. Historie rozpoznávání osob podle sítnice je svázaná s firmou EyeDentify. Ta si řadu principů použitých při rozpoznávání nechala patentovat. Ačkoliv některé prvky konstrukce snímacích kamer jsou stále ještě chráněny patentem, patent popisující základní princip snímání sítnice pro rozpoznání osob vypršel v roce 1995. Skenování sítnice bylo využito v několika vládních agenturách, jako je FBI, CIA a NASA. Nicméně v posledních letech se skenování sítnice stává stále populárnější i pro komerční účely. Snímání bylo použito ve věznicích, pro ATM ověřování totožností.

5.4. Technologie snímání sítnice Sítnicový skener pracuje na principu osvětlení sítnice infračerveným zářením o nízké intenzitě, tyto infračervené paprsky vstupují do očí a měří se odraz tohoto světla. Jakmile se člověk podívá do skeneru, nízkoenergetický paprsek světla obkresluje kruhovou cestu sítnice na zadní straně oka. Cévy potom absorbují více 41

infračerveného světla než okolní tkáně a jsou snadno identifikovatelné za pomocí vhodného osvětlení. Z tohoto důvodu je zde různorodost v odrazu, kde skener měří odraz ve 320 bodech podél trasy paprsku a pak rychle přiřazuje hodnotu mezi 0 až 4095. Výsledky jsou potom zpracovány do počítačového kódu (zakódovány), kde je následně tento kód porovnán se vzorky, které byly vloženy do počítačové databáze. Celý funkční princip zařízení pro snímání sítnice se dá rozdělit do tří subprocesů:  Obraz, získání a zpracování signálů - Optický systém a kamera musí být schopny zachytit snímek sítnice v digitální formě, která je vhodná pro další zpracování.  Porovnání – program v daném zařízení musí extrahovat klíčové příznaky z daného aktuálně nasnímaného snímku sítnice a porovnat je se vzory z databáze.  Reprezentace – Každý otisk sítnice musí být reprezentován takovým způsobem, aby bylo možné jeho rychlé porovnání se vzory v databázi a také aby možné jeho uložení do dané databáze.

5.4.1 Získání a zpracování obrazu Mechanická konstrukce optického zařízení je poměrně složitá záležitost. Kamera pro snímání sítnice má stejný úkol jako retinoskop používaný očními lékaři. Retinoskopy jsou poměrně komplikované zařízení a tomu také odpovídá jejich pořizovací cena. Princip je tedy stejný jako u retinoskopu, zdroj světla ozařuje oční sítnici a odražené světlo dopadá do CCD kamery. Světlo vychází z retinoskopu v soustředěném svazku paprsků tak, aby jej oční čočka zaostřila na bod na sítnici. Sítnice odráží část světla zpět k oční čočce, která opět soustřeďuje světelné paprsky. Toto světlo opouští oko pod stejným úhlem, jakým do oka vstupuje, což je proces, který se nazývá retroodraz. Takovým způsobem lze získat snímek povrchu oka asi 10° kolem vizuální osy, jak je zobrazeno na obrázku 28. Zařízení provádělo kruhový snímek sítnice a to především z důvodu odrazu světla od rohovky, kdy by při rastrovém snímání byly body uprostřed nepoužitelné. Světlo odražené od sítnice je snímáno kamerou.

Obr. 22 Funkční princip pro získání snímku sítnice oka. [33] 42

Aby bylo zajištěno, že kruhový snímek sítnice je centrován na kruhové jamce a uživatelova sítnice je po celou dobu snímání pod paprsky snímače, je uživateli ukázán cíl, na který se má zaměřit a po celou dobu snímání musí být zhruba v této stejné poloze. Cílem může být například řada jednoduchých optických sítí v ohniskové vzdálenosti -7, -3, 0, +3 dioptrie. Bez ohledu na to, zda je uživatel krátkozraký nebo dalekozraký, tak pro většinu uživatelů bude alespoň jedna z těchto optických sítí zaostřena. Když oko zaostří na cíl, zařízení se automaticky zarovná do osy vycentrováním rotujícího disku na oční pozadí. Snímání sítnice trvá přibližně 10 – 15 sekund. Po celou dobu snímání nesmí uživatel hýbat s hlavou, musí mít oči široce otevřené a soustředit se na zelený cíl. Snímání probíhá ve vzdálenosti 2-3 cm od kamery. Před snímáním je nutné si sundat brýle. Kontaktní čočky mohou zůstat nasazeny, některé typy čoček však mohou být problematické. Při zpracování snímaného signálu je třeba filtrovat světelný šum z okolního světla a odrazu rohovky. Odrazy zdroje světla přístroje v rohovce jsou jedním z hlavních důvodů pro využití kruhového snímání sítnice (a ne například čtvercového). Odrazy by středové pixely čtvercového obrazu sítnice učinily nepoužitelnými, snad jen s výjimkou využití prstencovitého osvětlení, které však vyžaduje velmi přesné zaostření. Jádrem snímače je A/D převodník doprovázený nízko-šumovým zesilovačem a obvodem pro úpravu kontrastu.

Obr. 23 Snímek cév v choroidu. [28]

5.4.2 Porovnání Při snímání sítnice dochází k různému náklonu hlavy uživatel, než je v původní nasnímané pozici. Žádný uživatel není schopen mít při každém snímání stejný náklon hlavy, i když se jedná třeba i o posun několika milimetrů. Rotační algoritmus (fázový korektor) dokáže data pootočit o několik stupňů. Tento proces je proveden několikrát, dokud nedojde k nevyšší shodě, tedy nejvyšší korelaci. Porovnání získaných vzorků je zajištěno v několika krocích:  Vzorkováním se převede referenční záznam oka do pole se stejným počtem prvků jako získané pole, což zajišťuje zarovnání (překryv vzorků).  Normalizují se obě pole tak, aby měla hodnotu RMS rovnu 1, normalizují se tedy intenzity.  Spočítá se korelace polí za pomoci ekvivalentu Fourierovy korelace v časové doméně. 43

Kvalita srovnání je dána korelační hodnotou, kde je časový posun roven 0. Je v rozsahu <-1, +1>, kde hodnota +1 znamená absolutní shodu a hodnota -1 absolutní neshodu. Skóre, které se pohybuje kolem hodnoty 0,7, může být považováno ještě za shodu.

5.4.3 Reprezentace Reprezentace sítnice je odvozena z kruhového snímku vzorů cév v choroidu za sítnicí, ze kterého nás zajímá pouze prstencovitá oblast – mezikruží. Velikost snímané plochy je vybrána s ohledem na nejhorší možné podmínky snímání (velmi zmenšenou pupilu), ale zároveň je dostačující pro biometrickou identifikaci. Z toho vyplývá, že nebude potřeba získat obraz příliš velké plochy a rozlišení. V každém bodu bereme v úvahu poměr jasu k průměrnému jasu oblasti. Největší kontrast je nejjasnější odraz na nasnímaném kruhu a nejnižší kontrast je nejtmavší odraz na nasnímaném kruhu. Intenzity v časové oblasti mohou nabývat hodnot <8,7>, přičemž se provádí normalizace na toto rozložení- úprava na 4 bity intenzivního rozložení. Existují dvě základní reprezentace sítnice oka:  Původní reprezentace se skládá ze 40 bajtů údajů o kontrastu kódovaných jako reálné a imaginární souřadnice ve frekvenční doméně, které byly získány rychlou Fourierovou transformací.  Druhá reprezentace má 48 bajtů a uvádí údaje o kontrastu v časové doméně. Jedná se vlastně o pole devadesáti šesti čtyřbitových čísel znamenajících kontrast pro všech 96 pozic rovnoměrně rozmístěných na nasnímaném kruhu. Výhodou reprezentace v časové doméně je rychlejší zpracování. Proces registrace spočívá v získání několika snímků sítnice. Pořízené snímky jsou korelovány navzájem, pokud je korelace vyšší než přibližně 0,75–0,8 jsou získaná data považována za dostatečně kvalitní a je možné je použít pro vytvoření referenčního záznamu. Referenční záznam je založen na zprůměrovaných hodnotách z nejlepších snímků.

5.5. Testování živosti O testování živosti u sítnice neexistuje mnoho informací. Už jenom snímání sítnice je poměrně problematický proces, který není lehké napodobit. Pro obelstění snímače, by muselo být vyrobené oko se stejnými vlastnostmi jako oko živé, jedná se o velice komplikovaný až nemožný způsob. Nabízí se zde testování barvy žluté skvrny. Teprve u mrtvého jedince se žlutá skvrna stává žlutou, do té doby je načervenalá. Nebo další možností je testovat živost na základě pohybu oka. Princip je následující. Přístroj je vybaven pozorovací tečkou a několikrát ji náhodně přemístí. V každém přemístění se provede sejmutí sítnice a porovná pozici slepé nebo žluté skvrny. Pokud je po každém vyfocení na jiném místě, jedná se o oko živé. 44

5.6. Výhody a nevýhody technologie 

Výhody:  Nízký výskyt falešně negativních výsledků, avšak je nutné získat dostatečně kvalitní oční sítnice. Uživatelská nepřívětivost a nutnost soustředit se na jeden bod až 15 sekund a strach některých uživatelů, stěžují získání kvalitního snímku a to způsobuje nesprávná odmítnutí některých uživatelů.  Extrémně nízké falešné positivy.  Vysoce spolehlivé, protože žádné dvě osoby nemají stejný vzor sítnice. Také podvést snímač oční sítnice je velice nesnadný úkol, konstrukce umělého oka sebou nese řadu technických problémů, které je potřeba při vytvoření umělé sítnice vyřešit. Umělé oko by muselo emulovat řadu vlastností skutečného oka včetně odrazivosti sítnice. Čočky, která zaostřuje příchozí a odražený svazek paprsků a systém zaměření/zaostření, který umísťuje oko do správné vzdálenosti od snímací kamery a otáčí oko kolem osy.  Rychlý výsledek, identita objektu je v dnešní době rychlých počítačů ověřena velmi rychle (zlomky sekundy). I identifikační režim s databází o velikosti tisíců záznamů pracuje dostatečně rychle.



Nevýhody:  Náchylnost na nemoci, jako je šedý zákal a glaukom.  Metoda není velmi uživatelsky příjemná, i když snímání není vyloženě nepříjemné, ale nutnost přiblížit snímací zařízení k oku anebo oko ke snímacímu zařízení a vydržet nehybně 10 až 15 sekund, z této metody dělá podstatně méně příjemnou, než snímání otisku prstu.  Při snímání je použito infračervené záření o nízké intenzitě, toto záření je zdraví neškodné, ale mezi uživateli panují obavy, že systémy pro snímání oční sítnice ji mohou poškodit.  Subjekt, u kterého probíhá skenování, se musí soustředit na skener, který je od něho vzdálený asi 3 cm a uživatel musí odložit brýle. To může lidem se silným astigmatismem způsobovat problémy při zaměřování teček v kameře a ve fixaci cíle.  Vysoké náklady na vybavení.  Špatné osvětlení může ovlivnit výsledky a je nemožné použít snímače ve venkovním prostředí. To souvisí s malou velikostí čočky a taky s množstvím okolního světla, které ovlivňuje získaný snímek. A protože světlo musí projít čočkou dvakrát (jednou směrem do oka, podruhé směrem ven), způsobí příliš malá čočka uživatele získání nedostatečně silného odrazu, čímž snižuje kontrast snímku. 45

5.7. Snímače a spolehlivost Aby bylo možno sejmout vzorek sítnice, musí se uživatel přiblížit k snímači na velmi malou vzdálenost cca 3 cm. Pak musí zaostřit na přesný bod. Následně je mu sejmut obraz sítnice snímáním pomocí infračerveného paprsku. Z toho obrazu je vytvořena 40 bajtů velká předloha. Tento proces je pro uživatele velice nepříjemný, proto systémy založené na principu snímání oční duhovky jsou instalovány jen v těch nejvíce střežených prostorách. Kromě nepříjemností tohoto procesu musí také uživatel značně spolupracovat. Je známo, že systém od firmy EyeDentify, nebyl nikdy obelstěn útočníkem. Zařízení firmy EyeDentify testovala americká národní laboratoř Sandia s výsledkem FRR pod 1 % a nulovým FAR. Tento test byl však proveden v roce 1991 v samých začátcích testování biometrických systémů. Podle údajů firmy EyeDentify se distribuce výsledků porovnání vzorů sítnice blíží ideální Gaussově distribuci se střední hodnotou 0,144 a standardní odchylkou 0,117. Na této distribuční křivce je při prahové hodnotě 0,7 pravděpodobnost nesprávného přijetí asi 1:1 000 000. Chybovost systémů rozpoznání osob na základě oční sítnice je způsobena především nedostatečnou kvalitou snímku sítnice, což vede k nesprávnému odmítnutí uživatele. Mezi faktory, které snižují kvalitu snímku, patří nesprávná vzdálenost oka od snímače, posunutí oka během snímání, nedostatečná velikost oční čočky, příliš silné okolní světlo a hrany kontaktních čoček nebo brýle. Tabulka 1 Parametry systému pro snímání oční sítnice FRR – pravděpodobnost chybného zamítnutí <0,4% FAR – pravděpodobnost chybného přijetí 0,001% Rychlost verifikace 1,5 až sekundy Míra spolehlivosti vysoká

4

5.8. Porovnání charakteristik sítnice a duhovky – Akceptace 



Duhovka – akceptace u identifikace podle duhovky je na střední úrovni. Jak bylo zmíněno výše, není potřeba interakce s uživatelem. Ten musí pouze stát v určité vzdálenosti před zařízením a dívat se pouze na snímač bez natočení hlavy. Snímání a vyhodnocení obrazu trvá přibližně 2 vteřiny. Sítnice – V případě použití metody pro identifikaci pomocí snímání sítnice je akceptace nízká. A to především z důvodů, že mnoho lidí má z použité této metody strach. Obávají se, že při snímání bude použit laser, který by jim mohl poškodit zrak. I když obavy jsou zcela zbytečné, jelikož tato metoda nepoužívá laser, ale infračervené záření. Procedura získávání obrazu sítnice je mnohem zdlouhavější. Nutná je i přímá interakce uživatele, ten se musí přiblížit na vzdálenost jednotek centimetrů a zaostřit zrak na dané fixační body. 46

6 Identifikace pomocí otisku prstů Tato metoda nazývá daktyloskopie, jedná se o nauku o kožních papilárních liniích na prstech, dlaních a ploskách nohou. Jedná se o jednu z nejznámějších a nejvíce publikovaných biometrických metod. Založena na principu snímání a porovnávání otisku prstu identifikované osoby. Každý člověk má unikátní a jedinečné otisky prstů. Dokonce ani jednovaječné dvojčata nemají stejný vzor otisku. Tento vzor je složen z papilárních linií, které se nacházejí na bříšcích prstů. Základním prvkem, každého otisku prstu jsou papilární linie. Jsou to vyvýšené reliéfy o výšce 0,1 – 0,4 mm a šířce 0,2 – 0,7 mm, které vytvářejí smyčky a spirály. Označují se jako dermatoglyfy, vzájemně se kříží, rozvětvují, spojují, přerušují a tak vytvářejí právě jedinečné charakteristické znaky člověka, tzv. markanty. Tyto markanty, má právě každá osoba jedinečné. Nevyskytují se však pouze na bříšcích prstů u rukou, ale i na celých prstech, dlaních a chodidlech. Avšak markanty na prstech se používají pro identifikaci nejčastěji.

Obr. 24 Otisk prstu. [31]

6.1. Historie otisků prstů Pokud budeme pátrat po počátcích daktyloskopie, musíme si uvědomit, zda se nám jedná o to, kdy si lidé začali uvědomovat, že konečky prstů mají různé papilární linie, anebo okamžikem využití této znalosti pro identifikaci osob. Nejstarší otisky prstů byly nalezeny na babylonských hliněných tabulkách a keramice. Byly také nalezeny v egyptských hrobkách nebo na minojské a čínské keramice staré tisíce let. Archeologové si všimli, že některé otisky prstů, které byly hluboce vytlačeny do hlíny, sloužily jako značka a měli identifikovat výrobce. Ovšem některé otisky se tam jistě dostaly neúmyslně díky nepříliš pečlivým řemeslníkům. Místo podpisů používali bříška prstů otištěné ve hlíně již ve starověkém Babylónu ve druhém tisíciletí před naším letopočtem. Kolem roku 246 před naším letopočtem otisky prstů ve hlíně používat i čínské úřady. Čínský zákoník v letech 618 - 906 nařizoval, aby manžel, který se chtěl rozvést, připojil k dokumentu s důvody rozvodu své otisky prstů. První zmínky o využívání otisků prstů v kriminalistice v Číně pochází již z roku 1107, kdy zde vládla dynastie Sung. V Japonsku se rozmáhá používání otisků prstů k identifikaci ve stejné době jako v Číně. První zmínky pochází z roku 672 a v roce 720 se o daktyloskopii píše v knize Dějiny Japonska "Nihongi". Kromě otisků celé dlaně se v Japonsku používá i tzv. pečeť palce ("bo-han"). Odsouzení zločinci musely otiskem levého palce ztvrdit svůj rozsudek. Důkazy o používání daktyloskopie jsou však známy i z Tibetu, Persie, Egypta nebo Turecka. 47

V Evropě se tato metoda rozvíjí v 17 a 18 století. V roce 1684 anglický rostlinný anatom a fyziolog Nehemiah Grew (1641 - 1712)věnoval se studiu papilárních linií a umístění potních pórů na rukách. Roku 1684 vydává vědeckou práci, která se zabývá strukturami na kůži bříšek prstů a dlaních, čímž pokládá základy daktyloskopii. O rok později v roce 1685 publikují holandský fyziolog Govard Bidloo (1649 - 1713) a italský fyziolog Marcello Malpighi (1628 - 1694) knihy o anatomii, kde jsou právě popisovány vyvýšené struktury na prstech. V roce 1788 Johann Christoph Andreas Mayer publikuje dílo o unikátnosti otisku prstů u každého jedince. Jan Evangelista Purkyně (1787 – 1869) se zabýval papilárními liniemi na posledních článcích prstů pouze z biologického hlediska, nikoli identifikačního. A jako první popsal a klasifikoval obrazce papilárních linií do 9 vzorů, publikoval o tom dílo roku 1823. Poukázal také na důležitý klasifikační znak deltu, který popisuje trojúhelníkové seskupení papilárních linií. Používání otisku prstu jako metody pro identifikaci se začala používat už na konci 19. století, kdy Sir Francis Galton nalezl a definoval některé charakteristické body na prstu, které mohou sloužit k identifikaci člověka. Tyto ,,Galtonovi body“ položily základ vědnímu zkoumání otisku prstu, který byl rozvíjen po celé století. Také spočetl pravděpodobnost shody dvou otisků prstů jako 1 ku 64 miliardám. Henry Faulds publikoval roku 1880 dílo zabývající se použitelností otisků prstů k účelu identifikace osob, přičemž navrhl i metodu pro získání otisků prstů pomocí inkoustu. Od 90. let 19. století se daktyloskopie prosazuje i v kriminalistice. V roce 1901 zavádí daktyloskopickou registraci pachatelů britský Scotland Yard. O rok později byla tato metoda zavedena v USA a ani Praha nezůstává stranou nových trendů a tak je i zde 21. 6. 1903 založena daktyloskopická registrace pachatelů.

Obr. 25 Schématický vývoj a ovlivnění daktyloskopů. [19]

6.2. Papilární linie 48

Otisk prstu je vzor tvořený strukturou papilárních linií. Jsou to unikátní vyvýšeniny povrchové struktury pokožky každého prstu. Výška papilárních linií leží v rozmezí 0,1 – 0,4 mm šířka papilárních linií v rozmezí 0,2 – 0,5 mm. Informace o struktuře těchto útvarů je důmyslně zabudována až v nejhlubších úrovních pokožky, zárodečné vrstvě kůže. Z tohoto důvodu ji tedy nelze snadno odstranit bez použití velmi násilných postupů. Tato informace odolá povrchovému mechanickému poškození i poleptání. Po čase potřebném ke zhojení se tato kresba opět regeneruje, pokud nedojde k nevratnému poškození zárodečné vrstvy kůže.

Obr. 32 Schéma stavby kůže s papilárními liniemi. [19] Obrázek 32 popisuje stavbu kůže, kde 1 – pokožka (epidermis), 2 – škára (curie), a – rohová vrstva, b – zárodečná vrstva, c – póry, d – vývody potních žláz, e- potní žlázy, f – cévy, g – podkožní tuk, h – svalstvo. Neustálým obnovováním odumřelých buněk pokožky novými, diferencujícími se právě ze zárodečné vrstvy, nedochází s věkem ke změně distribuce charakteristických bodů otisku, tzv. markantů. Kůže má dvě základní vrstvy, vrchní pokožku (epidermis), která se bezprostředně stýká se zevnějškem, a pod ní vlastní vazivovou kůži (cutis neboli corium). Mezi epidermis neboli vrchní pokožkou, z hlediska papilárních linií a spodní vazivovou vrstvou (Stratum papilae, corium nebo škáry) se nachází vrstva Stratum Malpighii. Hranice mezi vrstvami není rovná a tvoří hřebínkovité výběžky (papilae) a brázdy, do nichž přesně zapadají epiteliální lišty a čepy pokožky. Papily jsou tím vyšší, čím větší a jemnější pohyblivost vyžaduje určité místo kůže.

49

Obr. 33 Hřebeny a údolí na otisku prstu. [20] Určité uspořádání a směr snopců vláken kůže a podkožního vaziva probíhá tak, aby mohla při pohybech nejlépe vzdorovat tahu a tlaku. Stav a vývin kůže – kožních papil – se vyvíjí již v embryonálním životě. Papilární linie se objevují mezi čtvrtým a pátým měsícem embryonálního stavu. V této době je dán základ nezaměnitelné kresbě obrazců papilárních linií. Pokožka dále jen sílí, rýhy se prohlubuji, linie se zvyšují a rozšiřují vždy s v souladu s vývojem embrya a po narození v přímé souvislosti s růstem člověka. Z povrchu kůže, a tedy i z papilárních linií, neustále odpadávají zrohovatělé buňky, které jsou nahrazovány novými buňkami ze zárodečné vrstvy kůže. Během 75 let života člověka odpadne takovýchto buněk v průměru 20 kg. Papilární linie jsou neustále dotovány novými buňkami a přitom jejich tvar, obrazec a markanty jsou neměnné. Z globálního pohledu vytvářejí papilární linie v otisku prstu vzor, který se nazývá třídou otisku prstu. Třídy se také někdy označují jako singularity. Existují tyto třídy otisků prstů: oblouk, strmý oblouk, spirála (závit, vír), levá smyčka a pravá smyčka. Třídy otisků prstů jsou znázorněny na obrázku 34.

Obr. 34 Základní třídy otisků prstů: a) oblouk, b) strmý oblouk, c) levá smyčka, d) pravá smyčka, e) vír. [20] 50

Třídy smyčka a vír obsahují dva typy singulárních bodů: deltu a jádro . Bod delta je definován jako bod hřebenu v místě rozbíhání (setkávání) papilárních linií z různých směrů. Tento bod se společně s jeho okolím nazývá singularita typu delta. Bod jádro je definován jako bod ležící na vrcholu nejvnitřnějšího zakřiveného hřebenu. Dalším důležitým údajem pro klasifikaci otisku prstu je počet papilárních linií, které protínají pomyslnou čáru mezi jádrem a deltou

Obr. 35 Singulární body delta a jádro. [20]

51

Obr. 36 Přehled základních markantů. Na lokální úrovni se ve struktuře papilárních linií nachází tzv. markanty. Markant je malý detail, který je nějakým způsoben výjimečný ve vztahu ke struktuře papilárních linií, jedná se například o náhlé ukončení papilární linie, nebo o její rozdvojení Základní markanty jsou zobrazeny na obrázku 34. Otisky reprezentované markanty zaberou při ukládání málo místa a detekce markantů je relativně odolná vůči poškození otisku.

6.3. Základní principy daktyloskopie 

Zákon o neměnitelnosti papilárních linií – obrazce tvořené papilárními liniemi zůstávají po celou dobu člověka relativně neměnné. Důkaz ohledně neměnnosti papilárních linií provedli na sobě nezávisle W. J. Herschel a 52





antropolog Walker. Ti s časovými odstupy daktyloskopovali řadu osob a porovnávali změny jednotlivých otisků. Hovoříme zde pouze o relativní neměnnosti dermatoglyfů, jelikož během lidského života od narození přes stárnutí až po jeho smrt dochází v souvislosti s vývinem a stárnutím organismu k jejich částečným změnám. Může pozorovat změny ve velikosti papilárních linií i celých sledovaných ploch pokožky, může docházet k jejich poškození nebo přerušení při různých poškozeních nebo tvorbě vrásek. Skladba a návaznost papilárních linií se však nemění, zůstávají neměnné i relativní vzdálenosti mezi jednotlivými markanty. Papilární linie se tvoří ještě před narozením a zůstávají patrné ještě nějakou dobu po smrti. Zákon o neodstranitelnosti papilárních linií – tento zákon o neodstranitelnosti papilárních linií ověřili dva francouzští kriminalisté Wikovský a Locard, kteří experiment prováděli přímo na sobě. Popálili si konečky prstů vřelou vodou, olejem, rozžhaveným železem nebo poleptali žíravinami. Papilární linie se však vždy po zhojení zranění objevily ve svých původních tvarech bez nejmenší změny. Tím zjistili, že pokud nedojde k odstraněné zárodečné vrstvy kůže, obrazce papilárních linií se vždy obnoví. Pokud dojde ke zničení zárodečné vrstvy, vytvoří se jizevnatá tkáň bez papilárních linií. Zákon o individuálnosti obrazců papilárních linií – na světě neexistují dva lidé se stejnými obrazci papilárních linií. Ital Balthazard počítal v roce 1911 pravděpodobnost shody pro jeden prst a došel k číslu 1:10 60. Pokud budeme uvažovat 20markantů na jednom prstě (může jich však být i více), pak podle Galtonova výpočtu lze nalézt šedesát čtyři miliard variant obrazců. Toto je tak strašně vysoké číslo, že můžeme dospět k závěru, aby existovala reálná možnost výskytu dvou stejných dermatoglyfů. Navíc otisky se liší i u jednovaječných dvojčat, což umožňuje jejich identifikaci i, která s použitím jiných metod např. analýzy DNA doposud není možná.

6.4. Metody zachycení otisku prstu Biometrické systémy sloužící pro rozpoznávání osob na základě otisků prstů, používají pro nasnímání otisku prstu snímače, jedinou výjimkou však jsou daktiloskopické karty, kde stále převládá způsob otištění prstu na papírovou daktyloskopickou kartu, která se později načítá do počítače pomocí skeneru. U snímačů otisků prstů nás budou zajímat některé parametry, jako např. rozlišení, to se pohybuje od 250 dpi do 1000dpi, přičemž nejběžnější je kolem 500 dpi. Snímací plocha, která se obvykle pohybuje 0,7 cm x 0,7 cm pro přístupové systémy a 10 cm x 6 cm pro daktyloskopické systémy, kde se ukládají rolované otisky prstů. Počet bitů pro zakódování barvy, standardem je 8 bitů pro odstíny šedé, ale jsou i senzory, které používají pouze 3 bity. Geometrická přesnost, jedná se o množství zkreslení otisku prstu oproti skutečnosti a kvalita obrazu.

6.4.1 Získání otisku pomocí inkoustu a papíru 53

Jedná se o klasickou metodu, která se používá hlavně ve forenzní sféře, policií při vyšetřování. Anglicky bývá označována jako rolled finger. K této metodě se potřebuje pouze inkoust a papír. Prst bývá po papíře rolován, aby se získal otisk celého prstu s co nejvíce možnými markantami. Rolování probíhá prakticky od nehtu po nehet.

Obr. 26 Otisk prstu pomocí inkoustu a papíru.

6.4.2 Statické snímání Tato metoda je nejběžnější, používá se zde senzorů, které jsou popsány níže. Uživatel přitiskne k senzoru prst a nehýbá s ním. Hlavní výhodou této metody je jednoduché ovládání, stačí přiložit prst k senzoru a nehýbat s ním. Avšak u této metody vzniká i celá řada nevýhod, například pokud uživatel bude přehnanou silou tlačit prst, může rozlomit snímací čočku nebo přiložení prstu a jeho současné pootočení vede k deformaci pokožky a celého otisku, senzor je náchylný na zašpinění a také na něm mohou zůstat latentní otisky.

6.4.3 Snímání šablonováním Uživatel přejíždí prstem po senzoru, který snímá a opětovně skládá obraz pomocí pásů. Toto je zobrazeno na obrázku 38. Cena tohoto typu snímání se odvíjí od velikosti snímače, jelikož se používá křemíkový snímač, cena se rovněž pohybuje v oblasti křemíkových součástek. Cenu však lze redukovat právě velikostí senzoru, tím že snímač bude mít tvar úzkého pruhu. Celková cena pro pořízení otisku prstu je poté výrazně nižší. Mezi výhody šablonovaného snímání patří: snímač zůstává vždy čistý, jelikož každý sejmutý pruh vyčistí senzor, na snímači nezůstávají latentní staré otisky a snímání je rychlé. Nevýhodou je, že obsluha takového zařízení není intuitivní a uživatel se musí naučit určitý postup.

54

Obr. 27 Otisk prstu šablonováním. [11]

6.5. Typy senzorů pro snímání otisku prstů  

Kontaktní (optické, elektronické, optoelektronické, kapacitní, tlakové, teplotní) Bezkontaktní (optické, ultrazvukové)

V případě kontaktních senzorů je technologie založena na fyzikálních metodách a poznatcích v oblastech elektrických vlastností kůže. U bezkontaktních metod se jedná zejména o využití optiky nebo ultrazvuku.

6.5.1 Optická technologie Jejich první použití se definuje do 70. let. Jedná se o relativně jednoduchý optický princip. Zdroj světla (LED) osvítí plochu prstu, který je přiložen na skleněnou plochu senzoru. Hřebeny papilárních linií jsou v kontaktu s povrchem skleněné desky, zatímco údolí mezi liniemi v kontaktu s deskou nejsou. Kamera CCD/CMOS snímá odražený světelný tok. Množství odráženého světla záleží na hloubce papilárních linií a údolí. Papilární linie odrážejí světlo více, údolí méně. Na odraz má vliv i potnětukový výměšek, příp. smíšený se špínou, mezi kůží a sklem. Citlivost CCD prvku je nastavena tak, že CCD prvek neregistruje odraz od údolí. Existují však i bezkontaktní 3D optické senzory, kde prst nemusí být přiložen na plochu, příkladem mohou být snímače společnosti TBS Holding AG. Světelný paprsek umožňuje snímat daktyloskopický otisk na vzdálenost 30 až 50 mm. Tento způsob eliminuje znečištění snímacího senzoru dotyky špinavých prstů a zároveň eliminuje ulpívání papilárních linií na povrchu snímač.

55

Obr. 28 Princip optického snímače. [20]

6.5.2 Optoelektronické biometrické snímače Jsou vhodné především pro algoritmy rozpoznávání založené na markantech. Markanty jsou speciální útvary na otisku prstu, které tvoří papilární linie. Princip činnosti optoelektronického snímače je založen na rozdílném odrazu světla. Snímač zachycuje digitální zobrazení otisku pomocí viditelného světla, na rozhraní plochy hranolu a přiloženého prstu. Obraz otisku se přenese na maticový CCD detektor, je následně digitalizován a dále předán pro zpracování. Pod vrstvou, kde se přikládá prst, se nachází vrstva fosforu, která osvětluje celou plochu prstu. Odražené světlo od povrchu prstu prochází luminoforní vrstvou k CCD maticovému detektoru, a tam se vytvoří obraz otisku, jelikož světlo se odráží z papilárních linií, ale z rýhy nikoliv.  Výhody optoelektronického snímače – odolnost proti statickým výbojům a minimální vliv okolního prostředí, vysoká kvalita.  Nevýhody optoelektronického snímače – znečištění nebo poškození prstu může způsobit špatné sejmutí otisku prstu. Otisk, který se aktuálně vytváří, může při snímání zachytit předchozí stopu otisku. Optoelektronická zařízení jsou větších rozměrů, což je limitujícím faktorem pro implementaci do malých a přenosných zařízení.

56

Obr. 29 Princip Optickoelektronického snímače. [20]

6.5.3 Kapacitní biometrické snímače Senzor je složen z matice malých vodivých plošek, na nichž je napařena vrstva nevodivého oxidu křemičitého. Jemnost těchto vodivých plošek je vyšší než jemnost papilárních linií. Princip činnosti je založený na využití rozdílu kapacity mezi deskou snímače a povrchem prstu. Z toho je zřejmě, že snímač bude představovat jednu desku kapacitoru a druhou desku interpretují jednotlivá místa na povrchu prstu. Pro získání obrazu se prst přikládá na citlivou plochu snímače. Elektrody nebo-li vodivé plošky převádějí kapacitně otisk prstu na digitální obraz, který je dále možné zpracovat. Papilární linie na prstu jsou k senzoru více přilehlé než mezery mezi nimi a tedy mají vyšší kapacitní odpor.  Výhody - malý rozměr, jednoduchý princip funkce, vysoká kvalita.  Nevýhody – krátká doba životnosti snímače, k jeho zničení dochází vlivem statické elektřiny. Snímače je nutné měnit v rozmezí 3 let, nejedná se o cenový problém jako spíše o problém z organizačního hlediska.

Obr. 30 Princip kapacitního snímače. [20]

57

Obr. 31 Přímé kapacitní měření.

6.5.4 Tlaková technologie Senzor založený na tlakové technologii je složený ze tří vrstev, přičemž mezi elektrovodivé vrstvy je vložen nevodivý gel. Přiložením prstu na plochu senzoru dojde ke stisku nevodivého gelu v místě dotyku papilárních linií tak, že se elektrovodivé vrstvy dotknou. Povrch je tvořen elastickým, piezoelektrickým materiálem (piezoelektrickými krystaly), který tlak papilárních linií transformuje do elektrického signálu a tak vytváří obraz daktyloskopického obrazu. Papilární linie vyvolávají na snímané ploše lokální tlakové působení, kdežto v brázdách je tlak nižší. Pro tlakové senzory pro snímání otisků obecně platí, že pracují stejně dobře v suchém a mokrém prostředí. Jejich použití není limitováno vzdušnou vlhkostí jako u některých jiných typů, založených na odlišných fyzikálních principech. Tento typ senzoru není tedy ani citlivý na „vlhké“ nebo „suché“ otisky prstů určitých skupin lidí.

6.5.5 Teplotní biometrické snímače Princip termické technologie je založen na tepelném záření. Tyto senzory obsahují citlivý čip – pyrodetektor. Pyrodetektor snímá teplotní rozdíly mezi papilárními liniemi a prostoru mezi nimi. Papilární linie mají vyšší vyzařování tepla než prohlubně mezi nimi. Abychom získaly obraz otisku prstu, je nutné po snímači přejíždět prstem. Získáme tím obraz otisku ve formě digitálních pásů (frames). Tyto pásy se pak následně skládají do výsledného obrazu otisku.  Nevýhody – nízká kvalita, problémy s algoritmy pro zpracování markantů. Je obtížné vytvořit databázi otisků prstů, jelikož otisky se snímají pouze pohybem prstu, po několika sejmutích může být sejmuta jiná část prstu. Špatná kvalita obrazu otisku dále činí tento snímač nevhodným pro použití v přístupových systémech.

6.5.6 Ultrazvuková technologie Ultrazvukové senzory jsou založeny na podobném principu jako senzory optické. Na povrch kůže s daktyloskopickými liniemi dopadá krátkovlnný svazek, který se odráží od povrchu. Papilární linie a brázdy ovlivňují odražený svazek, který je vyhodnocován. Principem ultrazvukového snímání je vysílání zvukových vln s vysokou frekvencí (řádově MHz) generovaných zdrojem směrem ke snímané ploše a vyhodnocování odražených zvukových vln přijímačem. Vysílaný signál má charakter velice krátkých 58

impulsů (4 až 25 MHz). Na plastickém povrchu prstu dochází k interakci zvukových vln s papilárními liniemi a brázdami. Snímání odražených a deformovaných vln je realizováno rotující hlavou (snímačem) nebo hustou sítí pevných, v rovině umístěných snímacích čidel. Vyhodnocuje se funkční závislost mezi dopadajícími a odraženými zvukovými vlnami. Obraz otisku prstu je trojrozměrný (3D), s vysokým kontrastem. Snímání má vysokou přesnost, jejíž hodnota je 0,1 mm. Ultrazvukové vlny proniknou i pod povrch kůže, tato technologie tedy může lehce odhalit falešné prsty.  Výhody - Ultrazvukové snímání odstraňuje některé nedostatky ostatních metod snímání, zejména optických. Snímané otisky jsou trojrozměrné (3D), s vysokým kontrastem. Výsledný obraz papilárních linií je bez jakéhokoliv zkreslení. Nedochází ke zkreslení znečištěním otisku, nebo nízkou či vysokou vlhkostí povrchu kůže.

Obr. 32 Princip Ultrazvukového snímače. [20]

6.5.7 Elektroluminiscenční biometrické snímače Tyto snímače mají speciální vrstvu, která reaguje na tlak způsobený luminiscenčním efektem. Aby byl systém funkční je důležité světlo – eliminující vrstva, která filtruje světlo z míst, kde na ni tlačí papilární linie. Zpracování otisku je zajištěno pomocí fotodiod a výstup je opět v digitální podobě.  Výhody – zařízení pro otisk prstu je malých rozměrů a je velice dobrý poměr ceny zařízení vzhledem k poskytovanému rozlišení. Tyto zařízení dovedou číst při srovnatelné kvalitě i extrémně suché otisky prstů.  Nevýhody - menší odolnost proti mechanickému poškození, náchylnost proti znečištění prachem a vodou.

6.5.8 Radiofrekvenční biometrické snímače Princip tohoto snímače spočívá v připojení generátoru střídavého signálu na 2 rovnoběžné desky. Z toho je jedna deska plocha snímače a druhá plocha otisku 59

prstu. Jelikož je vlnová délka mnohem větší než délka desek, vyskytuje se pouze složka elektrického pole bez pole magnetického. Jelikož jedna z desek bude náš otisk prstu, tak se tvar tohoto elektrického pole změní a bude kopírovat tvar papilárních linií, tzn. Výběžky a prohlubně otisku prstu. Vodivé prostředí mezi prstem a plochou je docíleno pomocí vodivé plochy kolem každého snímače, z toho důvodu nebudou ani suché prsty pro snímání problém, jelikož se pracuje s živou tkání těsně pod povrchem pokožky. Zvlněním pole, které je způsobené přiloženým otiskem prstu, dopadá na senzory signál s rozdílnou velikostí signálu. Výběžky mají větší signál a tzv. údolí nižší signál. Kapacitní senzory tak měří rozdílnou permitivitu mezi výběžky a údolími.  Výhody – Tato metoda je velice odolná vůči nečistotám, a pokud budou nečistoty v tzv. údolích, nepředstavuje to pro snímání otisku žádný problém.

6.5.9 Multispektrální biometrické snímače Multispektrální zobrazovací technologie je schopna snímat a zpracovat vlastnosti prstu i pod povrchem kůže.

Obr. 33 Multispektrální zobrazovací technologie. [32] Senzor se skládá ze dvou hlavních částí, kterými jsou zdroj světla a zobrazovací systém. Tyto systémy využívají více osvětlovacích soustav o rozdílných vlnových délkách. Světlo projde pod povrch kůže a senzor umožní shromáždit více identifikačních údajů z prstu.

60

Obr. 34 Multispektrální obraz. [32] 

Výhody Extrémní podmínky prostředí - může spolehlivě fungovat za extrémních podmínek okolního prostředí (stříkající a tekoucí voda, vliv okolního světla, apod.). Což u standardně používaných technologií způsobuje velké problémy.

Obr. 35 Extrémní podmínky - porovnání senzorů. [32] Nevýrazné otisky - u některých osob se může stát, že jejich otisky jsou nevýrazné, tj. pokud rozdíly mezi "hřebeny" a "údolími" otisku prstu jsou minimální, nebo jsou zaneseny špínou. Může se tedy stát, že potřebné identifikační údaje z otisku budou neúplné a tudíž nepoužitelné. Multispektrální technologie je schopna tento obraz z otisku dotvořit, a tudíž zabránit odmítnutí identifikace. 61

Obr. 36 Nevýrazné otisky - porovnání senzorů. [32] Slabé stisknutí prstu - při slabém stisknutí dochází u běžných snímačů k odmítnutí identifikace z důvodů malého počtu potřebných údajů. Multispektrální technologie však dokáže dotvořit přesný obraz otisku, což řeší problém s potenciálně zamítnutou identifikací.

Obr. 37 Slabé stisknutí prstu - porovnání senzorů. [32] Detekce proti útoku - tradiční snímače nejsou vždy plně spolehlivé a lze je s určitou pravděpodobností obejít. Existuje mnoho materiálu, ze kterých je možno vytvořit umělý otisk prstu, který bude mít stejný tvar papilárních linií, jako i jiné osoby. Oproti tomu multispektrální technologie založená na spektrální analýze obrazu používá více vlnových délek světla k identifikaci otisku. Ty snímají biometrické údaje i pod povrchem kůže a tím zabraňují neoprávněné osobě s falešným otiskem správné identifikaci pod jiným uživatelským účtem. Technologie tak umožňuje rozpoznat otisk živé či mrtvé osoby a jiných organických a syntetických materiálů. Tato technologie dokáže 62

odhalit i situaci, kdy má identifikovaná osoba na svém otisku prstu nanesenou tenkou vrstvu, na které je otisk cizí osoby. Při přitlačení otisku k senzoru dochází v tomto místě prstu k odkrvení. Toto odkrvení je snímačem, který snímá i údaje pod povrchem otisku, detekováno a lze pak jednoduše určit, jestli jde o skutečný otisk nebo o falsifikát.

Obr. 38 Porovnání spektra skutečného otisku s falšovaným. [32]

6.6. Chyby v procesu snímání Tyto chyby mohou vzniknout při špatné interakci uživatele se snímacím systémem, někdy však i vlivem samotné metody. Většinou tyto chyby dokážeme vhodnými algoritmy potlačit v průběhu procesu předzpracování. Každá taková chyba může způsobit chybnou identifikaci, neb k rozpoznání otisku prstu vůbec nedojde a proces snímání se musí opakovat.  Posunutí – přiložený střed bříška prstu pozičně nekoresponduje se středem snímacího senzoru. Muže tak dojít k posunutí znaků obrazu vůči vzoru o konstantní vzdálenost ∆x, ∆y, nebo ∆xy, v soustavě souřadnic 0xy.  Rotace - v případě snímání otisku prstu přiloženého pod jiným úhlem než originální obraz by došlo při porovnávání k chybě z rotace. Všechny body obrazu jsou pootočeny o konstantní úhel vůči bodům v originále.  Částečné překrytí - prst byl přiložen částečně mimo aktivní zónu snímače. Přicházíme tak o část obrazu, která může nést důležité informace. Pokud je chybějící část obrazu velká, nemusí být použitý identifikační algoritmus ze zbytku obrazu schopen nalézt dostatek charakteristických dat pro porovnání se vzorem.  Nelineární distorze - při snímání obrazu došlo k deformaci povrchu prstu tahovými a tlakovými silami. Papilární linie by se z tohoto důvodu 100% 63





neshodovaly ani v případě dvou obrazů sejmutých za naprosto totožných podmínek. Toto zkreslení je možné eliminovat použitím bezkontaktních snímacích technik. Vliv tlaku na vlastnosti kůže - pokud je prst nedostatečně přiložen, nebo naopak přiložen příliš velkou silou. Takto vznikají místa, kde buď není část otisku zaznamenána, nebo poddajností papilárních linií dojde tlakem ke spojení více čar v jednu. Kůže také může svými okamžitými vlastnostmi být špatně čitelná pro některé typy snímačů (např. příliš suchá kůže bude problematicky snímána kapacitním snímačem). Inkoustový snímek - pokud má být souhrn možných chyb celistvý, musíme zmínit i chyby analogového procesu snímání. Jeho kvalitu ovlivňují podobné vlivy jako u snímání digitálního (tlak, tah, rotace, atd.). Nejběžnější chybou je příliš „suchý“ nebo „mokrý“ snímek v důsledku množství použitého inkoustu. Dochází tak ke dvěma anomáliím (místní přerušení linie, spojení dvou i více paralelně jdoucích linií můstky).

Chyby mohou být samozřejmě i různě zkombinované u různých procesů snímání. Tím vzrůstá i náročnost algoritmu pro potlačení těchto anomálií.

6.7. Zpracování a rozpoznávání otisků prstů Opticky sejmutý daktyloskopický otisk je pro další počítačové zpracování digitalizován. Každý digitalizovaný obraz otisku prstu má nezanedbatelnou binární velikost. Nasnímaný obraz často obsahuje i nežádoucí šum, cílem je tyto rušivé elementy co nejvíce potlačit, usnadnit tak následné zpracování a zvýšit přesnost výstupu.

6.7.1 Komprimační metody Pokud máme sejmutý snímek otisku prstu v digitální podobě, je potřeba ho také uložit adekvátním postupem. V databázích amerického federálního úřadu pro vyšetřování se stalo standardem rozlišení 500 dpi, ale v komerčních aplikacích se pracuje s obrazy i s nižším rozlišením. Pokud bychom ukládali obrazy v příliš vysokém rozlišení, zabíraly by spoustu datového prostoru. Proto je potřeba obraz před samotným uložením do databáze nejdříve zkomprimovat. Komprimace probíhá pomocí komprimačních metod. V praxi se ukázalo, že komprimace otisků do formátu JPEG, který je hojně používán v počítačovém světě pro zpracování obrazové dokumentace, není příliš vhodný. Dochází k nežádoucímu vzniku „umělých hran“ v obraze tzv. „čtvercování“, toto je způsobeno samotným komprimačním algoritmem. Výsledný, komprimovaný obraz je deformován šachovnicovou sítí, na které jsou zcela patrné čtvercové hrany, které se v obraze periodicky opakují. Výsledný obraz pak připomíná moiré efekt.

64

Obr. 39 Výsledný formát JPEG s typickým defektem šachovnicové kresby. [28] Pro komprimaci digitalizovaných daktyloskopických otisků se používá metoda WSQ (Wavelet Scalar Quantization), kvůli svým jedinečným vlastnostem. Metoda WSQ nabízí poměrně vysoký komprimační poměr (1:4 až 1:50) s minimální ztrátou zpracovávaných dat a je standardně používána pro výkonnou vizuální a automatizovanou identifikaci osob založenou na daktyloskopickém přístupu. Metoda WSQ ve srovnání s ostatními komprimačními metodami zaručuje nejen přijatelný komprimační poměr, ale i vysokou rychlost komprimace. Metoda komprese WSQ se skládá z těchto tří samostatných etap:  waveletova transformace,  Kvantifikace,  Standartní bezztrátová komprese. V první etapě je za pomoci diskrétní waveletové transformace (DWT) daktyloskopický obraz dekomponován do množiny frekvenčních pásem. Do každého pásma se ukládají informace se stejnou frekvencí. Ve druhé etapě jsou všechna pásma kvantifikována pomocí hodnot uložených v kvantifikačních tabulkách. V poslední etapě již kvantifikované hodnoty jsou směřovány do Huffmanovy kódovací procedury, ve které dochází ke komprimaci dat. Popsané etapy jsou znázorněny na obrázku 51. Dekomprimační postup je tentýž, jen v opačném pořadí.

Obr. 40 Základní algoritmus komprimační metody WSQ. [28]

6.7.2 Předzpracování Smyslem počítačového předzpracování obrazu otisku prstu je zvýraznit kresbu papilárních linií a odstranit všechny nežádoucí šumy (nekvalitní, nečitelné oblasti, 65

nereálné, falešné markanty, jizvy atd.) tak, aby bylo dále možné efektivně nalézt typické markantní body, identifikující každý daktyloskopický otisk. 1. Segmentace – Pomocí segmentace získaného obrazu jsme schopni oddělit samotný obraz otisku od zarušeného pozadí snímku. Na pozadí se totiž mohou vyskytovat vady způsobené různými nečistotami na prstu, či snímači. Obraz otisku prstu je nejdříve rozčleněn na malé, pravidelné obrazové lokality. U každé papilární linie, procházející touto pomyslnou sítí lokalit, je znázorněn její směr. Filtr je pak následně aplikován na každý obrazový bod (pixel). Této operaci se odborně říká prostorová konvoluce. Filtr zvýrazní všechny obrazové body, které se nacházejí ve směru papilární linie v téže lokalitě a naopak potlačí ty body, které jsou orientovány jiným směrem. Tak je odstraněn nežádoucí šum. Filtr je nazýván adaptivním filtrem, protože se sám přizpůsobuje orientaci papilárních linií v téže lokalitě. 2. Binarizace – Po odstranění šumu jsou v otisku nalezeny papilární linie. Protože papilární linie mají v obraze různé odstíny, jsou nejprve převedeny do jediného barevného odstínu. Této operaci se říká binarizace Metoda, která transformuje originální obraz ve 256 stupních šedi do binárního zobrazení, které má jen dvě hodnoty. Černá barva pro vyvýšené papilární linie a bílá pro mezery mezi nimi. Pomocí binarizace dojde ke zřetelnějšímu rozlišení jednotlivých struktur v obraze, zejména rozpoznání hran a následnou lepší detekci charakteristických bodů 3. Skeletizace – Papilárních linie v základním obraze jsou pro počítačové zpracování příliš silné. Každou papilární linii lze vlastně popsat jako dvě souběžné linie s výplní mezi nimi. Čáry papilárních linií jsou transformovány do tenkých čar o tloušťce jednoho obrazového pixelu. Tímto se odstraní problém duplicity bodů, který vzniká rozvětvováním nebo ukončením „tlustých“ papilárních linií.

6.8. Detekce a extrakce markantů Unikátnost každého otisku prstu je způsobena různým počtem, umístěním a vzájemnými kombinacemi individuálních znaků, markantů. U nalezených markantních bodů je pozornost zaměřena na identifikaci typů markantů, jejich pozici v soustavě souřadnic a směrové orientaci v prostoru určené směrovým vektorem. Tento vektor vychází z vlastností tečny v bodě, kde je lokalizován zkoumaný markant. Na základě nalezených markantů se dále provádí porovnání s jinými otisky v evidenci (počítačové databázi). Vyhledání daktyloskopických markantů probíhá na skeletizované kresbě papilárních linií. Množina použitelných markantů pak tvoří biometrickou šablonu daktyloskopického otisku. Většina SW aplikačních řešení využívá pouze nejjednodušší daktyloskopické markanty, začátek a ukončení papilární linie a jednoduchou bifurkaci (dvojitou vidlici), které mají v otiscích sice vysokou četnost, ale nízkou identifikační hodnotu. Extrakční algoritmy musí vyloučit i všechny falešné markanty. 66

Body markantů se různými způsoby graficky spojují a tím je stanoveno „pořadí“ markantů a vazeb mezi nimi. Šablony se používají pro konečné porovnání a vyhodnocení otisků. Obr. 52 Nalezené markantní body mohou být různým způsobem pospojovány do šablony. [21] Šablona otisku prstu obsahuje 10 až 100 markantních bodů. Pro datové uložení každého markantu je zapotřebí 1 bitu pro typ markantu (v případě, že se používají pouze dva typy markantů), dvakrát po 9 bitech pro jeho souřadnice x, y a 8 bitů pro orientaci (směr) markantu, celkově tedy 27 bitů. Jestliže toto číslo zaokrouhlíme na 4 byty, pak pro uložení šablony o 100 markantech potřebujeme 400 bytů. To však nemusí být obvyklým standardem, protože v praxi se setkáváme i se šablonami o velikosti 1024 bytů.

6.9. Detekce bodů singularity Každý otisk prstu je charakterizován hlavním obrazcem papilárních linií. Tyto obrazce jsou snadno rozpoznatelné již při pohledu na bříško posledního článku prstu, v jehož centru je lokalizován. Základní třídy jsou oblouk, klenutý oblouk, závit, levá smyčka, pravá smyčka, dvojitá smyčka. Tyto obrazce jsou bodem singularity. Jejich vzájemné uspořádání tvoří dva charakteristické znaky: bod delta a jádro (core). V bodě delta dochází ke spojení papilárních linií ze tří různých směrů tvořících trojúhelník. Jádro je charakterizováno v bodě prudkého otočení směru papilární linie o 180° (smyčka) nebo ukončení v uzavřené spirálovité smyčce (závit). Příslušnost do výše uvedených tříd se řídí právě různými kombinacemi a vzájemnou lokalizací těchto bodů na otiscích prstů. Oblouk nemá žádný singulární bod, klenutý oblouk je určen jedním bodem delta a jedním jádrem, stejně tak i pravá a levá smyčka, navzájem se však liší právě různým relativním umístěním. Závit je charakterizován dvěma body delta a jedním jádrem, kde delta body bývají často umístěny souměrně vzhledem k jádru. Nejznámější metodou detekce bodů singularity je tzv. Poincaré index.

Obr. 41 Základní rozdělení typů otisků prstů podle bodů singularity. [21]

6.10. Metody rozpoznávání otisků prstů 

Metody založené na markantech, 67

 

metody založené na korelaci, metody založené na vlastnostech papilárních linií.

6.10.1

Metoda založená na markantech

Jedná se o nejčastěji používanou metodu. Tato metoda bývá označována též jako technika založená na charakteristických rysech, oblastech zájmu. Dochází ke zjištění a následné extrakci množin markantů z obou porovnávaných otisků. Tyto množiny se porovnávají a hledá se většinou určitý počet markantů nalézajících se na stejné pozici. Dále také typy a umístění bodů jádro, delta a tvarování papilárních linií mezi spárovanými body singularity, to vše je využito pro klasifikaci do náležitých tříd.

6.10.2

Metoda založená na korelaci

Označována jako obrazová technika. Obrázky dvou otisků prstů jsou položeny přes sebe a je spočítána korelace mezi odpovídajícími pixely pro různé pozice (různé posunutí a natočení).

6.10.3

Metody založené na vlastnostech papilárních linií

Porovnávají se tvary papilárních linií zahrnující jejich hustotu rozložení. Tato technika bývá také označována jako hybridní. Dochází ke kombinaci vybraných prvků obou předchozích postupů. Neuronové sítě, Gaborova filtrace.

6.11. Detekce živosti Detekce živosti u otisků prstů hraje velice důležitou roli. Jelikož otisky prstů zanecháváme téměř na všem, čeho se dotkneme, není teda složité získat otisk prstu, který nám nepatří. Proto je důležité ověřovat živost, aby se zabránilo zneužití cizího/falešného otisku prstu. Metod pro detekci živosti je mnoho. Některé z metod jsou jednoduché a cenově dostupné, jiné náročnější na realizaci, avšak funkčně spolehlivé.

6.11.1

Detekce potu

Prsty jsou pokryty potními póry, jako většina lidského těla. To obsahuje na ploše jednoho čtverečního palce okolo 600 potních žláz, ty vylučují pot (zředěný roztok chloridu sodného). Pokud je detekována aktivita potních pórů je detekována i živost prstu. Prst je přitisknut na plochu snímače a ponechán zde po dobu cca 5 sekund. Z potních pórů v papilárních liniích dojde k výronu kapiček potu, tím dojde ke změně papilárních linií na tmavší.

6.11.2

Spektroskopické vlastnosti

68

Princip je založen na multispektrálních vlastnostech lidské kůže. Při osvětlení povrchu lidského prstu světelnými zdroji o různých vlnových délkách (navíc polarizovaným světlem), dojde k částečnému pohlcení a odražení různých vlnových délek. Měří se odražené světlo, které je ovlivněno strukturálními a chemickými vlastnostmi vzorku (daného prstu), kůže každého člověka reaguje mírně odlišně. Používají se různé vlnové délky, protože pronikají do různé hloubky vzorků a jsou různě odráženy a rozptylovány.

6.11.3

Ultrazvuková technologie

Ultrazvukové metody používají vysílač a přijímač. Vysílač vysílá akustický signál proti otisku prstu a přijímač detekuje odražený signál, který je ovlivněn interakcí s otiskem. Hřebeny a údolí mají různý akustický odpor a proto jsou různě odráženy nebo lomeny i signály v kontaktní oblasti. Využívá se zde i vlastnosti, že akustické vlnění není pouze odráženo a lomeno, ale může být také rozptylováno a transformováno do jiného druhu vlnění. Díky tomuto principu lze odhalit nalepený falzifikát otisku prstu, jelikož odražené vlny neodpovídají svou charakteristikou odraženým vlnám ze živé tkáně.

6.11.4

Fyzické vlastnosti

Patří mezi nejjednodušší metody ověření živosti. Jsou založeny na různých jevech spojených s kůží prstu, které jsme schopni měřit.  Teplota,  teplý a studený podnět,  změny při přítlaku,  elektrické vlastnosti kůže,  bioimpedance,  srdeční aktivita – puls,  oxidace krve.

69

7 Identifikace podle geometrie ruky Člověk je schopen rozpoznat identitu druhého jedince na základě tvaru jeho ruky. Proto se začala také používat geometrie ruky pro identifikaci člověka. Tato metoda je založena na identifikaci podle geometrie ruky, na rozdílnosti rozměrů prstů, dlaně a velikosti nehtových lůžek. Zařízení měří fyzikální charakteristiky ruky a prstů z hlediska třídimensionální perspektivy. V počátcích vývoje byla tato metoda založena jen na měření délek prstů. Následně se měření zdokonalilo i na snímání délky a šířky dlaně i prstů a bočního profilu ruky.

7.1. Historie První zařízení pro měření geometrie ruky bylo vyvinuto panem Robertem p. Millerem v Stafordském výzkumném institutu. V roce 1971 pan Robert P. Miller obdržel patent na zařízení, které umožňovalo měření délky jednotlivých prstů ruky, jednalo se tedy o tzv. jednorozměrnou geometrii. Zařízení bylo mechanické a nazývalo se Identimat. Identimat byl určen pro kontrolu přístupu do investiční společnosti Shearson Hamill na Wall Street, později v objektech společnosti Western Electric. Druhá vývojvá řada byla již „dvourozměrně orientována“. Měřila se nejen délka, ale i šířka všech prstů na jedné ruce. Moderní opto-elektronické komponenty, spojené s odpovídajícím softwarem, dnes umožňují 3D měření. Oproti předchozí generaci přibývá ještě rozměr výšky. V roce 1988 pan Sidlausks získal patent na zařízení, které již bylo elektronické.

7.2. Princip snímání Kombinace délky, šířky a tloušťky, měřené na všech pěti prstech jedné ruky, jejich tvar (obrys, kontura) a tedy rozměry jsou jedinečné. Identifikační charakteristiky ruky se od dospělosti nemění. Případné změny jsou způsobovány buď změnou tloušťky prstů a dlaně jako takové, nebo některými nemocemi, popřípadě úrazy. Snímání probíhá CCD kamerou s malým rozlišením od 100 do 200 dpi. Na tuto kameru nejsou kladeny specifické nároky, může snímat ve stupních šedi, protože barevná informace nic nového nepřináší. Skener snímá pouze siluetu dlaně s prsty, nikoliv však otisky prstů či dlaně. Většina systémů vlastní světelný zdroj ať už ve viditelném nebo blízkém infračerveném spektru. Většina systémů snímá siluetu ruky shora – hřbet ruky nebo zespodu – dlaň ruky. První optické kamery používaly přímou optickou cestu pro snímání geometrie ruky kamerou. Vzdálenost mezi snímací kamerou a základovou deskou byla v průměru 28 cm. Pro redukci této vzdálenosti se u modernějších skenerů používá soustava zrcadel, která kromě snížení rozměrů umožňuje třírozměrné snímání. Hovoříme pak o nepřímé optické cestě, která snižuje velikost skeneru o polovinu.

70

Obr. 42 Princip snímání geometrie ruky. [28] Při snímání se používá podložka reflektující dopadající světlo pod rukou, to má za následek značné zvýšení kontrastu mezi rukou a podložkou, čímž se usnadní proces separace ruky od pozadí. Pokud je snímána i boční silueta ruky je reflexní podložka umístěna i na boční stěnu. Z výsledného snímku se kontroluje délka, šířka a tloušťka jednotlivých prstů a dlaně. Získaný snímek se poté redukuje na 9-ti nebo 20-ti bytovou předlohu. Tato předloha je velmi paměťově nenáročná. Díky tomuto faktu a vlastnostem biometrické metody geometrie ruky je možné v jediném zařízení uchovávat desítky tisíc referenčních šablon.

Obr. 43 Uchycení ruky uživatele do snímače. [28] 71

Jak je vidět na obrázku 55, ve snímačích často bývají uchyceny distanční kolíky, které napomáhají správnému přiložení ruky ke čtecímu zařízení. Distanční kolíky jsou umístěny tak, aby co nejméně narušovaly siluetu ruky a zároveň co nejméně zasahovaly do cesty při vkládání ruky. To zajišťuje větší spolehlivost, aby nedocházelo k odmítnutí oprávněných osob. Proces pořizování referenční nebo-li vzorové šablony je v anglické terminologii označován výrazem „enrollment“ (zápis). Tato referenční šablona vznikne aritmetickým průměrem trojího snímání. Kvalita pořízení referenční šablony záleží na několika faktorech. Výška snímací desky skeneru určuje relativní pozici těla a ruky a ovlivňuje pozici ruky na skeneru a snímaný geometrický tvar ruky. V praxi musí být referenční šablona snímána tak, aby podmínky pří snímání charakteristik byly identické s podmínkami reálného provozu. Jestliže referenční šablona bude pořizována například v sedě, tak pokaždé když se bude uživatel přihlašovat do systému, měl by uživatel opět sedět.

7.3. Metody rozpoznávání podle geometrie ruky Základních metod je hned několik, patří sem například metoda založená na přímých měřeních, zarovnání rukou nebo analýze šířky prstů a metody založené na 3D geometrii.

7.3.1 Metoda založená na přímých měřeních Metoda je založena na přímém měření významných rozměrů na snímku ruky. Proces se stává z několika významných kroků. 1. Pokud na podložce budou umístěny distanční kolíky, je potřeba je z nasnímaného obrazu odstranit. Jejich hlavní význam je v tom, že zamezují v jisté míře uživateli chybně umístit ruku (není poté potřeba korekce orientace celé ruky, jejího posunutí, orientace prstů a podobně). Jejich barva se volí co nejvíce kontrastní s barvou lidské ruky a podložky, což nám usnadňuje jejich odstranění. 2. Ve většině zařízení je použito standardních vlastností ruky jako příznaků. Mezi tyto příznaky patří délka prstů, šířka prstů v různých místech, šířka dlaně a další. Jednotlivé délky slouží jako příznaky a z nich je přímo vytvořená šablona. 3. V procesu porovnávání referenční šablony se šablonou právě sejmutou skenerem se porovnávají vzdálenosti předem takto určených bodů (velikosti úseček). Jejich počet a umístění záleží na konkrétním biometrickém zařízení daného výrobce. Vyhodnocuje se pak skóre porovnání těchto identifikačních markantů.

7.3.2 Metoda založená na zarovnání rukou Její princip spočívá v tom, že se pokoušíme natočit ruce do předem definované polohy a poté měříme, jak se od sebe liší vzor a právě nasnímaný snímek. Její postup je následující: 72

1. Odstranění distančních kolíků – k jejich odstranění se používá maska, která obsahuje známé pozice všech pěti kolíků, a tyto kolíky jsou nahrazeny barvou pozadí. 2. Extrakce kontury – pro extrakci tvaru ruky se používá adaptivní prahování (binarizace). 3. Extrakce a zarovnání prstů – nejprve jsou extrahovány pozice a směry prstů, které se překrývají se šablonou, s níž je daný snímek porovnáván. 4. Výpočet párových vzdáleností – každé zarovnání z předchozího kroku produkuje množinu shody bodů. Dochází k výpočtu průměrné vzdálenosti mezi si odpovídajícími body (MAE – Mean Aligment Error). 5. Proces verifikace – pokud bude MAE < T, potom se jedná o shodné ruce, kde T je treshold (práh).

7.3.3 Metoda založená na analýze šířky prstů U této metody se využívá šířek jednotlivých prstů lidské ruky. 1. Nejprve je celý obrázek binarizován a tím se nám oddělí ruka od pozadí. Po binarizaci nám mohou v oblasti ruky vzniknout trhliny, které mohou být způsobené například přítomností prstenu. Trhliny jsou zceleny použitím morfologického operátoru dilatace. 2. Poté je nalezena hlavní osa ruky, která se vypočítává pomocí vlastních vktorů matice setrvačnosti. Osa, která je potom kolmá na hlavní osu, a která obsahuje nejdelší segment ruky, rozděluje ruku na oblast s prsty a oblast obsahující zbytek ruky. 3. Provádí se analýza okraje prstu. Binární tvar ruky je vyhlazen pomocí morfologického otevření, a algoritmus začíná v bodě, kde dochází k protnutí hlavní osy se spodní vedlejší osou. Od tohoto počátečního bodu je sledován okraj ruky a lokální maxima a minima vzdáleností jsou označena jako špičky prstů a údolí mezi prsty. 4. Dochází k segmentaci na jednotlivé prsty, na základě nalezených špiček prstů a údolí mezi nimi. 5. Každý bod na okraji prstu je promítnut na osu prstu, a jsou spočítány všechny vzdáleností bodů od osy a je vytvořen histogram délek. 6. Histogram délek je potom přepočítán na 100 úrovní a je normalizován počtem promítnutých bodů na prstu. Výsledkem je pravděpodobnostní rozložení těchto délek. Rozložení je vyhlazeno Gaussovým filtrem.

73

Obr. 44 a) původní snímek ruky b) binarizovaný snímek ruky s jedním neuceleným prstem c)hlavní komponenta ruky se zaceleným prstem a osami ruky d) ruka bez oblast zápěstí a detekovanými špičkami a údolími prstů e) segmentovné prsty a hlavní osy prstů f) vzdálenosti prstu k jeho ose. [33]

7.3.4 Metody používající 3D geometrii V poslední době se objevily první články, které pro rozpoznání člověka pomocí lidské ruky využívají 3D geometrii ruky. Extrakce rysů je použita pro celý povrch ruky reprezentovaný vhodnou množinou parametrů popisující geometrii ruky. Pro získání trojrozměrného povrchu ruky se buď používá strukturované světlo a běžná CCD/CMOS kamera. Pro lepší rozlišení jednotlivých linií promítané struktury se používá barevné strukturované světlo. Nebo pro získání trojrozměrného povrchu se využívá infračervené světlo. Z deformace linií promítnutých na ruku a z principů triangulace, jsou odhadnuty polohy bodů v prostoru. Přesnost rekonstrukce povrchu je řádově v jednotkách milimetrů. Po zrekonstruování jsou extrahovány příznaky (povrchy jednotlivých prstů). Nejprve se lokalizují a zjišťuje se jejich orientace v prostoru, poté je možné určit i šířky a průměrné zakřivené prstu v různých segmentech. Takto získané údaje slouží jako příznaky a pro vytvoření šablony, která opisuje geometrii ruky. Vektory příznaků jsou pak porovnány, nejčastěji výpočtem jejich vzdáleností (např. Euklidova vzdálenost). Získáme výsledné skóre porovnání a to je pak normalizované vhodnou normalizační funkcí. Metoda pro geometrii ruky neposkytuje mnoho informací a nelze ji proto nasadit pro účely identifikační. Používá se zejména jako prostředek pro rychlou verifikaci.

7.3.5 Skenery geometrie dvou prstů

74

V praxi se můžeme setkat i se skenery, které nesnímají geometrii celé ruky (tedy dlaně s pěti prsty), ale pouze prsty dva – ukazováček a prostředníček. Toto podstatně urychluje proces verifikace, ale na úkor snížení jednoznačnosti identifikace osoby, jelikož se snižují geometrické charakteristiky na údaje, které se vztahují k jediným dvěma prstům. Tyto zařízení jsou určeny teda k velmi rychlé verifikaci osob s nižšími nároky na bezpečnost. Fyzické rozměry zařízení jsou menší než u klasických skenerů celé dlaně. Pořizování referenční šablony trvá do jedné minuty, proces verifikace je kratší než jedna sekunda. Biometrická šablona má velikost kolem 20 bytů. Reálná průchodnost je pak deset osob za minutu. Zařízení nerozlišuje praváky nebo leváky a tak obě skupiny mohou se zařízením volně pracovat.

7.3.6 Výhody a nevýhody geometrie ruky 

Výhody

Tato metoda je pro uživatele velice rychlá a jednoduchá. Už během několika málo pokusů se uživatel naučí správně klást ruku na snímací plochu, která je vyznačena stabilizačními kolíčky. S touto metodou však mohou mít problém osoby staršího věku a to z důvodu třesoucích se rukou nebo také osoby nemocné artritidou, postihující prsty horní končetiny. Používá lehce nalezitelné rysy, je robustní vůči vlivům prostředí. Další výhodou je velice malá velikost referenční šablony. Tato velikost může být buď to 9 bytů nebo 20 bytů. Tato velikost 9 bytů patří k nejmenším u biometrických metod. Verifikace osob, založená na geometrii ruky se v devadesátých letech dvacátého století, se stala obecně druhou nejrozšířenější verifikační metodou. Od technologie geometrie ruky, založené na optickém snímání, byla odvozena podobná biometrická technologie, která určuje identifikační/verifikační závěry na základě topologie (rozmístění) žil a cév krevního řečiště na hřbetě ruky. 

Nevýhody

Přesnost biometrické metody, založené na geometrii ruky, je poměrně nízká. Je však vyšší, než behaviorální biometrické metody, jako jsou rozpoznávání hlasu nebo podpisu. Tuto metodu nelze používat pro identifikaci uživatelů, ale pouze pro verifikaci. Pomocí biometrické šablony nejsme schopni jednoznačně identifikovat osobu, která ji patří. Tato její nevýhoda se v jistém smyslu slova stává i její výhodou. Nedochází k narušování osobních (identifikačních) údajů a metoda poskytuje dostatek soukromí pro kontrolované osoby. Metoda může být náchylná na vytvořené třírozměrné padělky (napodobeniny) tvaru dlaně a prstů oprávněné osoby. Skener geometrie ruky, stejně jako jakákoliv jiná biometrická technologie, je citlivý na poranění nebo fyzické změny snímané charakteristiky. Podobně lidé, trpící Parkinsonovou nemocí, pro kterou je typický třes rukou, nemohou využívat tuto metodu, protože nedokáží položit správně ruku mezi polohovací kolíčky.

75

8 Biometrie krevního řečiště Rychlý rozvoj a neustále klesající cena u technologií snímacích CCD kamer vede k využití i v novějších biometrických metodách. Do těchto metod patří i rozpoznávání osob pomocí obrazu cév ruky. U biometrie ruky můžeme zkoumat cévní systém. Jedná se o méně známou technologii. Tvar krevního řečiště je při skenování celé ruky měřen buď na hřbetu, nebo dlani ruky. V případě skenování pouze prstu se prst svou spodní stranou přikládá na připravené místo na skeneru, kde je zajištěno, aby převážná většina posledního článku prstu jakoby "visela ve vzduchu".

8.1. Základní princip metody žil hřbetu ruky Povrch hřbetu lidské ruky je protkán sítí cév. Pod souhrnným pojmem cévy rozumíme tepny, přinášející okysličenou krev od srdce a plic a žíly, které vracejí krev od jednotlivých tělních orgánů zpět k okysličení. Toto rozležení krevního řečiště (tvar, velikost, orientace) je specifické pro každou osobu. Obraz krevního řečiště tvořeného cévy je unikátní a dostatečně stabilní v průběhu života osob. Rozmístění cévních kanálů je formováno již v prenatálním období. Obraz krevního řečiště se liší pro pravou i levou ruku a liší se i u dvojčat. Rozlišovací schopnost je vyšší než u geometrie ruky (v literatuře lze nalézt systém až s 18 tisíci uživateli, u geometrie ruky se jedná řádově o stovky uživatelů). Žíly ruky lze použít jak pro verifikaci, tak i pro identifikaci. Na rozdíl od geometrie ruky se nesnímají ani nevyhodnocují vzdálenosti charakteristických bodů, ale pořizuje se celkový plošný obraz rozložení všech cév v blízkosti povrchu hřbetu ruky. Zařízení, do kterého uživatel vloží ruku, obsahuje zdroj infračerveného světla a černobílou CCD kameru. Po nasvícení ruky CCD kamera může pořídit snímky. Infračervené snímkování je citlivé na vyzařované teplo, krev v lidském těle roznáší tepelnou energii a na snímku je možné rozeznat objekty s různou teplotou. Kyslík v lidském těle je roznášen krví, ve které se váže hemaglobin a vytváří tzv. oxyhemaglobin. Oxyhemaglobin postupuje povrchem cévních kanálů a okysličuje okolní tkáně. Fyzikální vlastnosti oxyhemaglobinu napomáhají vykreslování obrazu krevního řečiště. Odkysličený hemoglobin v žilách -4

pohlcuje světlo o vlnové délce přibližně 7,6x10 mm, což je hodnota blízká infračervenému světlu. Hloubka absorpce IR záření živou tkání je přibližně 3 mm, tzn. že termální IR záření proniká do hřbetu ruky jen povrchově a v nasnímaném obrazu je pak nejvíce rozeznatelné právě celé cévní řečiště. Cévy kontrastně vystupují a tím se

vytváří síť tmavých čar a ty určují tvar krevního řečiště. Snímek je pořízen v barevné hloubce 256 odstínu šedi. V dalším kroku se snímek převede na černobílý obraz a vzor krevního řečiště se upravuje až do stavu, kdy jsou žíly nejtenčí možné. Toto je ekvivalentní ztenčováním linií až na velikost jednoho pixelu uvedených pro identifikaci pomocí otisku prstu. V daném obrazu se pak dají určit jednotlivé charakteristické znaky a pomocí vhodných algoritmů převést do binární podoby. Řešení musí brát na zřetel různou vzdálenost žilek od povrchu kůže a zároveň se musí umět vypořádat s proměnlivým průměrem žil, jež se pod vlivem teploty roztahují nebo zužují.

76

Obr. 45 Průběh algoritmizace snímku. 

Segmentace obrazu - Účelem tohoto primárního kroku je rozdělit nasnímaný obraz na část ruky, tj. požadované části, a pozadí obrazu.

Obr. 46 Segmentace ruky od pozadí. [22] 

Vyhlazení a redukce šumu - Pro redukci šumu a vyhlazení obrazu () se používá např. filtr Gaussovské rozmazání (nezachovává hrany) nebo nelineární rozptýlení (zachovává hrany). Tento krok slouží k vyhlazení obrazu cévního řečiště a k potlačení případného vlivu tvaru hřbetu ruky.

Obr. 47 Segmentace ruky od pozadí. [22] 

Lokální prahování - Úkolem tohoto kroku je oddělit vzor žilní struktury od zbytku obrazu. Metody pro toto oddělení lze rozdělit do 4 skupin: segmentace prahováním, segmentace pomocí hran, segmentace pomocí oblastí a segmentace porovnáním. Výpočetně nenáročná a rychlá je první z uvedených metod. Používá se technika lokálního prahování, tj. výpočet průměrné hodnoty z okolních pixelů a použití této průměrné hodnoty jako hodnoty prahu.

77

Obr. 48 Lokální prahování obrazu. [22] 

Postprocessing - Posledním krokem je postprocessing, kde se již po finálních úpravách na obrázku vyskytuje pouze struktura žil hřbetu ruky ve stavu, který lze již označit jako šablonu.

Obr. 49 Postprocessing. [22] Nasnímaný obraz je chápán vektorově. Uživatel pak není nijak nucen v procesu snímání umisťovat ruku do stále téže polohy, tak jak to je známé v metodě geometrie ruky prostřednictvím stabilizačních kolíčků. Obraz krevního řečiště je prostorově orientován až v samotném procesu zpracování obrazu, jehož cílem je nalezení šablony a konečná verifikace uživatele. Při předzpracování, vyhledávání a porovnávání identifikačních/verifikačních charakteristik se používají poznatky z neuronových sítí, fuzzy logiky, genetických algoritmů a vektorových strojů. Důležitým faktorem pro bezpečnou identifikaci nebo verifikaci osoby je testování, zda pověřený objekt je živý. Tepelné vyzařování v určitém logickém rozsahu pak může sloužit právě jako důkaz.

8.2. Technologie žil dlaně Tato technologie pro získání snímku žil dlaně lidské ruky, je velice podobná technologii pro rozpoznávání pomocí žil hřbetu ruky. Nasnímány jsou však žíly dlaně, a tím vzniká i rozdíl samotné konstrukce zařízení a zpracování dat. Ukázka takového scanneru je zobrazen na obrázku 62, scanner funguje na stejném principu jako u technologie rozpoznávání žil hřbetu ruky:  NIR (Near-InfraRed) osvětlení  Hemoglobin v žilách ~ černá barva 78

Obr. 50 Technologie žil dlaně ruky.[33] Jedná se opět o bezkontaktní a dobře akceptovatelnou metodu. U této metody nehraje roli osvětlení, pozice ruky a ani výška ruky. Chybové míry se pohybují u FRR přibližně 1% a u FAR přibližně 0,5%.

8.3. Technologie žil prstu Žíly prstů jsou jedinečné pro každého jedince, jsou uloženy pod povrchem pokožky a proto je celkem složité získat jejich vzor pro případné oklamání senzoru. Hlavní výhodou oproti snímání žil dlaně a hřbetu ruky je ta, že zařízení pro snímání žil prstu je mnohem menší a dá se případně použít například v kombinaci se senzorem otisků prstů.

8.3.1 Získání obrazu žil prstu Známe dvě metody, které pomocí NIR osvětlení a CCD kamery nasnímají žíly v prstu.  Reflexní metoda, založená na odrazu světla. Kamera a světelný zdroj jsou umístěny na stejné straně prstu. Obraz vzoru žil je reprezentován nepatrnými rozdíly intenzity odraženého světla. Žíly absorbují světlo, tím dosáhneme toho, že oblasti žil jsou tmavší než jejich okolí. Výhoda této metody spočívá v tom, že zařízení je menší a pro uživatele příjemnější, který nemusí vkládat prst dovnitř zařízení. Nevýhodou je velmi složitá extrakce žil, jelikož obraz je velmi málo kontrastní.

79

Obr. 51 Reflexní metoda. [33]

Obr. 52 Snímek žil při použití metody s odrazivým světlem. [33] 

Transmisivní metoda, metoda založená na prosvícení prstů a útlumu paprsku uvnitř prstu. Prst je vložen mezi zdroj světla a kameru. U této metody je získaný obraz velmi kontrastní, protože obraz postupuje z druhé strany prstu a není zde efekt rušivé odrazivosti kůže. Roli zde ovšem hraje tloušťka lidského prstu. Nevýhodou je, že zařízení je větší a uživatel musí vsunout prst mezi zdroj světla a senzor, což snižuje jeho komfort.

Obr. 53 Transmisivní metoda. [33] 80

Obr. 54 Snímek žil při použití metody s prostupujícím světlem. [33]

8.3.2 Zpracování obrazu žil prstu Zpracování je podobné, jako tomu bylo u metod pro získání žil dlaně a hřbetu ruky. Zahrnuje:  Normalizace obrazu – upraví obraz do takové podoby, aby střední hodnota a rozptyl jeho intenzity byly v určité normě.  Extrakce žil (příznaků) – Z normalizovaného obrazu extrahuje žilní řečiště.  Porovnávání – dochází k porovnání extrahovaných příznaků se šablonou uloženou v databázi.

8.4. Vlastnosti žil ruky Tento systém je velice dobře akceptovaný uživateli, nedochází k žádnému kontaktu se snímacím zařízením. To je velice výhodné z hlediska s hygienických podmínek. Na provedení verifikace nemají vliv prsteny, onemocnění kůže nebo revma, jako tomu je u geometrie ruky. Žíly zůstávají po celý život neměnné, není třeba pravidelně registrovat novou šablonu. Další výhodou této metody je její rozlišovací schopnost, která je mnohem větší než u geometrie ruky. Snímání je kratší než 0,5 sekundy a vytvoření množiny rysů z obrázku cca 1 sekunda. Hodnoty FAR = 104 %, FRR = 10-1 %.

81

9 Biometrie obličeje Obličej patří k nejznámějším biometrickým rysům. Obličej používáme intuitivně každý den, bez toho aniž bychom si uvědomovali, že se jedná o biometrické rozpoznávání. Identifikace osob pomocí rozpoznávání lidských tváří je nejstarší metodou. Lidé již po tisíciletí intuitivně rozpoznávají své blízké, přátelé, rodinu, kolegy, sousedy … Lidský mozek automaticky porovnává obrazy tváře, které má uložené ve své paměti s předlouhou, jež vnímá a vidí před sebou. Tento proces, identifikace známe osoby, zpracovaný na základě obrazové informace obličeje, mozku zabere zlomek vteřiny. Rozpoznávání druhé osoby na základě lidské tváře je pro člověka nejpřirozenější a nejpoužívanější způsob identifikace. Tuto „operaci“ provádíme rutinně během dne s velmi vysokou spolehlivostí. Je proto pochopitelné, že snaha o automatické rozpoznávání podle charakteristik lidské tváře má v biometrii jedno z nejvýznamnějších postavení. Vzhled lidské tváře pro identifikační účely, začal být důsledně vědecky zkoumán teprve až ve 20. a 21. Století. Primárním parametrem je strojové vyhledávání a rozpoznávání lidské tváře. Metoda umožňuje bezkontaktní snímání i na poměrně velkou vzdálenost.

Obr. 55 Biometrie obličeje. [4] Extrakce charakteristik a rozpoznávání lidské tváře se může lišit v závislosti od typu aplikace, od požadavků, které jsou na ni kladeny. Může se jednat, jak o klasické verifikační úlohy, u kterých se ověřuje identita dané soby. Tak o identifikaci, kdy v počítačové databázi hledáme osobu, jejíž tvář byla zaznamenána na sledované scéně. Takovýmto způsobem může oprávněná osoba dostat signál z monitorovaného prostoru, že se zde objevila určitá zájmová osoba. V dalších aplikacích nám systém umožňuje najít všechny osoby, které jsou v určité míře podobné hledanému vzoru, jedná se zejména o aplikace bezpečnostního charakteru.

82

Obr. 56 Různé podoby stejné tváře, jen jinak zpracované nebo vnímané. [28]

9.1. Rozdělení systémů pro identifikaci obličeje Systémy pro identifikaci založené na rozpoznávání obličeje můžeme rozdělit na systémy statické a dynamické nebo systémy řízené a neřízené.  Systémy statické a řízené – U těchto systémů dochází k vědomé identifikaci osoby. Identifikaci je zde prováděná kamerou, která snímá jedince z čelního úhlu. Výsledný obraz má dané rozlišení, dané pozadí, nasvícení a podobně. Tyto systémy jsou na náročnost vybavení a implementaci méně náročné.  Systémy dynamické a neřízené – U těchto systémů dochází k nevědomé identifikaci osoby. Úkolem těchto systému je zachytit a identifikovat jedince například v davu. Tyto systémy jsou využívány jako bezpečnostní systémy např. na letištích, v bankách a podobně. Systémy lze rozdělit z hlediska spektra.  Černobílí obrazy,  barevné obrazy,  infračervené obrazy,  jakákoliv jejich kombinace. Systémy lze také rozdělit na základě povahy snímaných dat.  Rozpoznávání na základě 2D snímků,  rozpoznávání na základě 3D snímků,  rozpoznávání na základě termosnímků. 83

Systémy lze rozdělit na základě způsobu snímání obrazu.  Rozlišujeme čelní pohledy,  pohledy z boku,  obecné pohledy,  a jejich kombinace. Rozdělení z hlediska použitých výpočetních nástrojů (algoritmů) při zpracování.  Rozlišujeme technologie založené na znalostních pravidlech,  pravidlech statického rozhodování,  neuronových sítích,  genetických algoritmech,  a další.

Obr. 57 Různé pohledy na strojové zpracování lidské tváře. [28]

9.2. Rozpoznávání obličeje na základě 2D snímků 84

Rozpoznávání obličeje na základě 2D snímků je jednou z nejrozšířenějších metod. A to především proto, že je velmi snadné 2D snímky získat. Postup rozpoznávání je většinou následující:  Detekce obličeje na snímku.  Normalizace nalezeného obličeje (kompenzace různého osvětlení, pozice, natočení, velikosti…).  Extrakce příznaků = transformace nalezených dat za účelem lepší rozpoznatelnosti (filtrace, statická analýza…).  Vyhodnocení podobnosti se šablonou nebo-li sadou šablon.

9.2.1 Detekce a lokalizace obličeje V prvním kroku je nutné lokalizovat obličej na daném snímku. Obličeje jsou nasnímány za různých podmínek (osvětlení, liší se v barvě, pozici, rozměrech, orientaci, výrazu obličeje…). Tento problém se řeší několika způsoby způsoby:  Detekce obličeje na základě expertních znalostí – U této detekce se využívá známých vlastností, které jsou charakteristické právě pro lidský obličej. Tato metoda předpokládá, že všechny lidské obličeje mají společné některé charakteristiky. Může to být barva kůže, pozice, barva očí, úst a další. Její postu je následující: 1. Kompenzace osvětlení. 2. Detekce tónu kůže (existuje celá řada metod pro detekci tónu kůže, její spolehlivost však klesá, pokud pracujeme s obrázky z různých etnických skupin). 3. Detekce rysů obličeje (oči, ústa a ohraničení obličeje). 4. Hranice obličeje (výpočet založen na samotné velikosti obličeje a orientacích gradientu). 

Detekce obličeje na základě strojového určení – U této metody se využívá obecných algoritmů strojového učení. Ty se trénují pomocí velkého množství snímků, na kterých je manuálně vyznačena oblast obličeje. Tyto snímky pak slouží jako vstupní data pro zvolenou učící se metodu (např. neuronová síť, kaskáda klasifikátorů, pravděpodobnostní usuzování). Takto je pak natrénován model, který je pak schopen samostatně rozpoznat lidský obličej. Jádrem celého detektoru je klasifikační algoritmus, který je schopen o daném výřezu snímku říct, zda obsahuje, nebo neobsahuje lidský obličej. Detektor pak tomuto klasifikátoru postupně předkládá různé výřezy originálního obrazu a poznačí si ta místa, která byla označena pozitivně. Tento algoritmus tedy nevyhledává aktivně obličeje, ale vždy prochází celý obraz. Průchodů bývá dokonce více za použití různě velkých (a někdy i různě rotovaných) výřezů. Jeden nejrozšířenější algoritmus z této kategorie je metoda ADABOOST. Klasifikátor kombinuje vhodným způsobem mnoho velmi jednoduchých 85

slabých (nedostatečně spolehlivých) klasifikátorů do jednoho silného. Postup je následující: 1. Nastav váhy trénovacích dat na výchozí hodnotu. 2. Z množiny slabých klasifikátorů vybere ten, který dosahuje nejlepších výsledků na trénovacích datech (v závislosti na vahách). 3. Vypočítejte koeficient pro tento klasifikátor na základě úspěšnosti. 4. Uprav váhy trénovacích dat tak, že váha roste pro data, která jsou špatně klasifikována a naopak. 5. Pokračuj krokem 2, dokud není výsledek klasifikátoru dostatečně přesný. Jako slabé klasifikátory jsou obvykle použity takzvané Haarovy příznaky. Kritériem pro ukončení trénování může být dosažení požadované celkové spolehlivosti.  Metody založené na rozložení odstínu šedi v obraze – U tváří jednotlivých osob existují velké rozdíly mezi jejich vzhledy, ale i přesto lze určit obecná pravidla o distribuci odstínů šedé barvy v obraze za normálních světelných podmínek. Například oblast očí bude vždy tmavší než třeba oblast čela. Tato metoda je dosti efektivní a v praxi je hojně používána. Asi nejznámější metodou z této skupiny je metoda mozaiky, výhodou této metody je její dostatečná efektivnost i v případě, že je oblast obličeje na snímku malá nebo nevýrazná. U této metody se vychází z přirozeného rozpoznávání tváří lidským mozkem. Princip metody je následující. 1. Zpracovávaná oblast je rozdělena do obrazových bloků ve čtvercové síti 4x4. V těchto blocích budou ležet oči, ústa, nos, líce a podobně. 2. Jestliže se ve zpracovávaném obraze bude nacházet lidská tvář, pak právě v obrazových blocích nalezneme identifikující markanty (oči, ústa, líce, nos…), které vyhovují pravidlům distribuce odstínů šedé barvy. 3. Postupně se vybírají jednotlivé obrazové bloky a zkoumá se, zda se v nich nalézají hledané markanty. 4. Bloky, které hledané markanty nemají, se vyřazují z dalšího zpracování. 5. Obrazové bloky, které zůstaly, se znovu dělí do sítě ještě detailnějších obrazových bloků, v rozlišení 8x8. 6. Pomocí metody detekce hran definitivně určujeme pozici identifikujících markantů – očí, úst, nosu apod. Tato metoda má několik variací, jejichž cílem je ještě vyšší efektivita zpracování obrazu. Například se zpracovávaná oblast dělí do čtvercové sítě 3x3 místo původních 4x4. Celkový zpracovávaný obraz je ovlivňován celkovými světelnými podmínkami, a to tak, že některé oblasti tváře leží ve stínu a jiné jsou přímo osvětleny, dochází k lokálnímu zpracování jednotlivých oblastí pomocí tzv. adaptivního přizpůsobování. V každém obrazovém bloku jsou využívána vlastní pravidla zpracování. Zpracování touto metodou je pomalé a kombinuje se s dalšími metodami, aby výsledná kvalita byla co nejvyšší a zároveň doba zpracování co nejnižší. 86



Metody založené na rozpoznávání obličejových rysů – Obrys nebo-li kontura je další důležitou charakteristikou tváře. Jestliže dokážeme korektně a přesně definovat obrys tváře, pak další detekce tváře je podstatně jednodušší. Často si nemůžeme být jisti, že jsme korektně detekovali hrany tváře, jelikož současné algoritmy na detekci hran mají své omezení. Přesto lze obrysy obličeje využít v kombinaci s dalšími přístupy. Detekce kontur lze využít k nalezení jednotlivých objektů v tváři – oči, nos, ústa apod., jež jsou vstupními charakteristikami pro další metody, používané v procesu identifikace nebo verifikace tváře. Obrysy, kontury, hrany objektů lze obecně nalézt pomocí tzv. prahování, detekce hran, segmentace narůstáním oblastí, segmentace srovnáním se vzorem apod.



Metody založené na informaci o barvách – I když barva kůže obličeje bývá u každého lidského jedince odlišná, můžeme definovat určité zásady, které odlišují obličej od barevně diferenciovaného prostředí. Rozložení barev v obličeji u lidí téže rasy je si velice podobné a lze nalézt typické oblasti s určitou barvou. Pro oblast očních důlků je například typická barva stínů, zatímco nos je jinak barevně výrazný a ohraničený stíny apod. Pomocí barev tedy lze efektivně detekovat tvář na scéně. Pokud bude lidská tvář dobře osvětlena, lze barvy rozeznávat pomocí poměrně jednoduchých algoritmů. Problémy však nastávají při velice jasném nebo temném osvětlení nebo při různých úhlech dopadajícího světla na tvář. Za těchto podmínek je velice obtížné rozlišit různé barvy a to i tehdy, kdy se barvy lidských tváří od sebe výrazně liší (přísluší různým rasám).



Metody založené na informaci o pohybu na scéně – Pro detekci a lokalizaci tváří na scéně lze využít i časovou sekvenci snímků. V praxi se můžeme setkat s pojmem metoda optických toků (optic flow), která je hojně využívána nejenom pro lokalizaci tváře, ale i pro její rozpoznávání. Detekce objektů na základě pohybu se používá již od 60. let 20 století a celou dobu se zdokonaluje. Problémy detekce tváří založené na pohybu vznikají zejména tehdy, jestliže je na scéně více osob, které se navíc pohybují různými směry, různými rychlostmi a navíc se tváře mohou vzájemně překrývat nebo být překrývány (zakrývány) jinými objekty (sloupy, stromy atd.)



Metody založené na symetrii – Lidská tvář je do jisté míry symetrická. A právě tohoto se využívá u této metody. V tomto případě bude detekce znamenat nalezení symetrického obrazce, který odpovídá charakteristikám lidské tváře.

Ani jeden z uvedených způsobů nefunguje vždy úplně spolehlivě. Proto lze využívat jejich kombinaci, kdy se například algoritmem strojového učení naleznou kandidáti, kteří mají charakteristiku podobnou obličeji. Tito kandidáti se potom sekvenčně projdou a jsou buď potvrzeni, nebo zamítnuti znalostním algoritmem. 87

Vzájemná kombinace metod odstraňuje nedostatky jednotlivých přístupů, které se projevují v nedostatečné nebo falešné detekci.

9.2.2 Normalizace detekovaného obličeje Po detekci většinou přichází na řadu normalizace. Jejím úkolem je vhodně předzpracovat výřezy, které obsahují obličej, aby se tím zvýšila spolehlivost porovnávání. Její typickým úkolem je snížení vnitrotřídní a zvýšení mezitřídní variability. Všechny normalizované obrazy různých tváří pak mají stejnou velikost, prostorovou orientaci a stupně šedi, bude je tedy možné vzájemně porovnávat, i když byly původně sejmuty z různé vzdálenosti, pod různými úhly a za zcela jiných světelných podmínek. Typy normalizace:  Změna měřítka - všechny výřezy nejsou vzorkován do stejných rozměrů.  Extrakce obličeje od pozadí - oblast pozadí bývá nahrazená jednotnou barvou (černou).  Zarovnání význačných bodů – v obličeji jsou detekovány pozice oči, úst a nosu a poté je obrázek transformován takovým způsobem, aby všechny tyto body byly zobrazeny d předem určených (šablonových) pozic.  Jasová kompenzace – snímky jsou obvykle převedeny do plného jasového rozsahu (ekvalizace), některé algoritmy se snaží i o kompenzaci osvětlení.  Další typy normalizací – může jednat o normalizaci výrazu v obličeji (například detekce tvaru úst a jejich transformace do neutrální podoby). Nebo se mohou některé algoritmy snažit o potlačení účesu, vousů nebo brýlí a podobně.

9.3. Rozpoznávání obličeje daného jedince Další důležitým krokem v rozpoznávání obličeje je samotné zodpovězení otázky, kdo se nachází na snímku. K tomuto řešení vede celá řada postupů. Pár jich je popsáno níže.

9.3.1 Rozpoznávání pomocí podobnosti obrazových dat Spadají zde postupy obecně použitelné pro podobnost dvou obrazů. Jedná se o naivní přímé porovnávání obrazových dat, bod po bodu. Nebo statické metody jako jsou PCA (Principal Component Analysis), LDA (Linear Discriminant Anallysis), nebo metody založené na strojovém učení, jako jsou například neuronové sítě, SVM (Support Vector Machines). Tyto metody se používají na data, které bývají většinou vhodně předzpracována (normalizována), aby se dosáhlo lepších výsledků. Tyto metody obvykle pracují s jednorozměrným vektorem příznaků délky n (Feature Vector). Ten bývá zkonstruován převzorkováním vstupního obrazu obličeje na určitou pevnou velikost (w x h bodů) a poskládáním jednotlivých řádků do výsledného vektoru za sebe. Vznikne tím n-dimenzionální prostor R, ve kterém je každý obličej tvořen jedním bodem. Toto je znázorněno na obrázku 70. Úkolem 88

zmíněných metod je separovat body reprezentující stejnou osobu od bodů reprezentovat ostatní osoby.

Obr. 58 Příklad reprezentace obrázku v prostoru obličejů. [33]

9.3.2 Rozpoznávání využívající topologické vlastnosti obličeje U těchto metod bývá prvním krokem topologické porozumění rozpoznávanému obličeji. To probíhá tak, že algoritmus nejdříve zjistí údaje, jako jsou pozice očí, nosu, obočí, úst, obrys hlavy a může zjistit i některé další údaje (výraz v obličeji, přítomnost dalších externích předmětů a další). Podle takto zjištěných hodnot probíhá výpočet podobnosti. Patří zde metody AAM (Active Appereance Model), EBGM (Elastic Bunch Graph Matching). Normalizace není u těchto metod použita v takové vysoké míře, jako u metod předchozích. Jelikož samotný algoritmus do značné míry už normalizaci obsahuje, jedná se především o změnu měřítka a zarovnání význačných bodů.

9.3.3 Další metody rozpoznávání Do této metody spadají algoritmy, které nelze jednoznačně zařadit do předchozích skupin. Může to být například metoda proměnného 3D modelu obličeje (3D Morphable Model).

9.3.4 Rozpoznávání založené na PCA Princip metody PCA (Principal Component Analysis) spočívá v transformaci prostoru obličeje do prostoru nového, jeho vytvoření je závislé na rozložení vstupních dat. Osy tohoto prostoru jsou seřazeny podle velikosti variace dat v těchto osách. Toto nám umožňuje zanedbat některé nejméně relevantní dimenze s co nejmenší ztrátou informace. Princip metody je znázorněn na obrázku 71.

89

Obr. 59 Princip metody PCA. Podprostor vzniká na celkovém rozložení dat. Vlevo rozložení, kdy PCA bude fungovat výborně. Vpravo je příklad nevhodného rozložení. [33] Metoda využívá učení bez učitele. Výsledný prostor obličejů vzniká bez uvedení znalostí, do jaké třídy který vstupní vektor patří. To znamená, že ve fázi učení nemusí vědět, kdo je na jednotlivých snímcích. V literatuře tato metoda bývá velice často označována jako eigenfaces. Postup metody PCA je následující: 1. Mějme n-dimenzionální prostor a v něm sadu k-bodů (i-tý bod bude charakterizován vektorem xi délky n). 2. Centrování bodů (ci): Spočítej střední hodnotu všech bodů m x a odečti od každého bodu: ci = xi – mx. 3. Spočítej za všech bodů ci kovariační matici C. 4. Urči vlastní hodnoty a vlastní vektor kovariační matice C. 5. Seřaď vlastní hodnoty (a odpovídající vlastní vektory) vzestupně. 6. Vyber prvních a vlastních vektorů a generuj množinu dat v nové reprezentaci. Při testování bude nový bod v dané projekci (po odečtení střední hodnoty m x) porovnán s body z trénovací sady za použití měřítka podobnosti. Výsledkem je nejbližší bod z trénovací sady, ten se bude nejvíce podobat testovanému bodu.

9.3.5 Rozpoznávání založení na LDA Princip metody LDA (Linear Discriminant Analysis) je podobný jako u metody PCA. Opět je zde snaha o zredukování prostoru obličejů pro hledání vzorů. Zásadní rozdíl oproti metody PCA je ve vytvoření tohoto prostoru. Bude se zde jednat o učení s učitelem, a u každého snímku tedy musí být uvedeno, kdo na něm je zobrazen. Metoda se snaží nový prostor vytvořit tak, aby co nejlépe separoval body reprezentující stejnou osobu od bodů ostatních osob. Princip metody je znázorněn na obrázku 72. U tohoto postupu hrozí možnost přílišné adaptace nebo-li přeučení na osoby, které se účastnily učení. Pokud se u systému, který používá tuto metodu 90

objeví nová osoba (která se neúčastnila učení) není možné předvídat, zda její obraz bude od ostatních dostatečně separován. V literatuře tato metoda bývá velice často označována jako Fisherfaces.

Obr. 60 Princip metody LDA. Podprostor vzniká v závislosti na příslušnosti dat ke třídám. [33]

9.3.6 Rozpoznávání založené na ASM a AAM Předchozí metody fungovaly pro libovolné rozpoznávání vzorů, bude u nich tedy jedno, jestli na vstupu bude obra lidského obličeje, nebo čehokoliv jiného. Oproti tomu metody ASM (Active Shape Model) a AAM (Active Appearance Model) se diametrálně liší v tom, že tyto metody se nejprve snaží interpretovat obraz jako obličej (nalézt v obraze očí, ústa, nos…), a až potom hledají podobnost. Metody fungují na principu aktivní šablony. Šablona je složena z několika desítek (obvykle dvou až tří desítek) bodů, které si v různých obličejích vzájemně významově odpovídají, například koutek oka, ušní lalůček... Ve fázi předzpracování je nutné na každém snímku z trénovací sady ručně určit pozici všech bodů šablony. Z této trénovací sady si model šablony zapamatuje vzájemnou polohu bodů a případně texturní informace v polohách vymezených jednotlivými body. Na novém neznámém snímku se šablona přiloží na snímek a iterativně se mu přizpůsobí. ASM u této metody se šablona skládá pouze z bodů a hran mezi nimi. Hrany se pak snaží iterativně namapovat na hranový obraz zkoumaného snímku. Informace o textuře se extrahují až po konvergenci šablony, textura je pak deformována v závislosti na výsledném tvaru šablony. AAM u této metody se šablona skládá nejen z bodů hran, ale i z informace o textuře uvnitř šablony. Tvar šablony a texturní informace jsou potom v procesu iterování šablony používány společně, proto tato metoda obvykle dosahuje lepších výsledků. Při samotném rozpoznávání identity jedince je možné buď porovnávat referenční a extrahovanou šablonu, nebo je možné obě tyto šablony promítnout do snímku a porovnávat je některou z výše zmíněných metod.

9.3.7 Rozpoznávání založené na rozložení odstínů šedi v obraze 91

Metoda mozaiky založená na rozložení odstínu šedi v obraze tváře, která byla popsána výše, je kromě lokalizace využívána i k rozpoznávání konkrétní tváře. Princip je následující. Obraz neznámé tváře je opět rozložen do jednotlivých geometrických bloků (segmentů) mozaiky a stejná operace bude provedena i s obrazovým záznamem známé tváře uložené v databázi. Poté dochází k porovnání segmentů u obrazu známé a neznámé tváře. Zkoumá se bezprostřední, popř. i vzdálenější okolí právě porovnávané dvojice segmentů. K porovnání je použit nrozměrných vektorů. Nakonec se rozhoduje, zda obrazy tváře patří stejné osobě. Takto se porovnávají postupně všechny referenční obrazy v databázi s neznámou tváří, až do té doby dokud nedojde ke shodě mezi porovnávanými záznamy. Jinými slovy až do chvíle, než je osoba identifikována nebo verifikována. Tato metoda je výpočetně náročná, jelikož dochází k porovnání segmentů neznámého obrazu se segmenty velkého počtu tváří známých osob uložených v databázi. Každý segment se porovnává s každým segmentem a při tom se navíc zkoumá okolí těchto segmentů. Rychlost závisí tedy i na počtu uložených referenčních tváří v databázi.

9.3.8 Rozpoznávání založené na identifikačních markentech

geometrických

tvarech

a

Identifikační markanty jsou oči, nos, ústa a brada, ty vytvářejí konkrétní podobu tváře každého lidského jednice a slouží pro klasifikaci tváří. Metoda vychází z definování geometrických, vizuálních charakteristik, určených člověkem. Jedná se o dílčí charakteristiky určené vzdálenostmi a úhly mezi identifikačními body – markanty. 12 základními antropometrickými body jsou:  Vnitřní koutky oka (body 4,5),  vnější koutky oka (body 6,7),  vnější horizontální body rtů (body 1,2),  bod přechodu nosu v čelo (bod 8),  bod spodní hrany nosu- špičky(bod 3),  body zvané tragus – body na chrupavce ucha, chrání vnější zvukovod (body 9,10),  body cauda helicis – body přechodu ušního lalůčku do tváře (body 11, 12).

Metody založené na antropometrickém přístupu mají v praxi automatizovaného zpracování následující problémy:  Automatická detekce antropometrických identifikačních bodů není vždy spolehlivá, body jsou mezi sebou velice odlišné a těžko se automatizovaně vyhledávají z obrazu nízké kvality, nízkého stupně rozlišení, různých, špatných světelných podmínek nebo úhlů osvětlení apod.  Počet měřitelných identifikačních bodů – markantů je malý a pro počítačové zpracování ne vždy nedostatečný. Osoba může být na scéně zachycena pod různými úhly a ne proto všechny body jsou vždy viditelné nebo definovatelné. 92



Lze těžko vyjádřit spolehlivost, antropometrických charakteristik.

přesnost

měření

všech

těchto

Obr. 61 Obličej s vyznačenými 12 základními antropologickými markanty. [28] Při použití této metody se její autoři většinou zaměřují na charakteristiky očí, nosu, úst a brady. Oblast uší není vždy využitelná a to z důvodů určité polohy hlavy, kdy tyto body nemusí být viditelné a často bývají u žen nebo mladších mužů zakryty porostem vlasů.

93

Obr. 62 Fyzický model tváře pomocí pružin. Různé vzdálenosti a deformace markantů definují tváře různých osob. [28]

9.3.9 Metoda neuronových sítí Umělé neuronové sítě (artificial neural network - AAN) jsou inspirovány procesem lidského mozku, jsou schopny se učit a analyzovat rozsáhlé a komplexní množiny dat, které mnohem lineárnější algoritmy jen těžko zvládnou. Neuronová síť napodobuje lidský mozek v získávání znalostí v procesu učení a získané znalosti jsou uloženy ve spojení mezi jednotlivými neurony.

Obr. 63 Jednoduchý Perceptron. [42] První umělou metodu neuronových sítí zvanou Perceptron vymyslel v roce 1958 psycholog Frank Rosenblatt. Smyslem její existence mělo být modelování postupu, při kterém lidský mozek zpracovává vizuální data a učí se rozeznávat objekty. 94

Obr. 64 Základní schéma neuronové sítě. [28] Neuronová síť vytváří spojení mezi mnoha různými procesními prvky, z nichž každý je analogický se samostatným neuronem v biologickém mozku. Každý neuron obdrží mnoho vstupních signálů a na základě vyvažovacího sytému, jež zohledňuje váhy jednotlivých akcí, produkuje jednotlivý výstupní signál, který je většinou zasílán jako vstup jinému neuronu. Neurony jsou propojeny a organizovány do různých vrstev. Vstupní vrstva dostává vstupní údaje, výstupní vrstva vytváří finální výstup. Mezi tyto dvě vrstvy je obvykle vložena jedna nebo více skrytých vrstev. Tato struktura neumožňuje předvídat ani znát přesný tok dat. Učení neuronových sítí: 1. Umělé neuronové sítě typicky začínají s náhodnými váhami pro všechny své neurony. „Nevědí“ nic a musí být školeny na řešení konkrétního problému. 2. Existují dvě meto školení samoorganizující se AAN (je vystavována velkému množství dat a směřuje k odhalení zákonitostí a souvislostí v těchto datech) a zpětně šířící ANN (během školicího období učitel vyhodnocuje, zda je výstup ANN správný. Pokud je správný, neuronové váhy, které tento výstup vytvářejí, jsou posíleny, pokud je výstup nesprávný, zodpovědné váhy jsou oslabeny). Umělé neuronové sítě se ukázaly užitečnými v rozmanitých aplikacích skutečného světa, jež pracují s komplexními, avšak často neúplnými daty. Metody neuronových sítí pro rozpoznávání lidských tváří lze rozdělit do dvou základních kategorií: 1. Identifikační charakteristiky (markanty) jsou rozpoznány nejrůznějšími metodami a neuronové sítě jsou použity pro klasifikaci tváří. 2. Neuronové sítě slouží pro určování jednotlivých identifikačních charakteristik, ale i pro závěrečné rozpoznání.

95

Obr. 65 Princip jednoduché neuronové sítě pro detekci tváře. [28] Na obrázku 77 je zobrazen princip detekce tváře pomocí jednoduché neuronové sítě. Podprostor je zde rozbit na n-stejnoměrných obrazců, které se vyhodnocují jednoduchou neuronovou sítí. Povšimněte si velkého množství vazeb mezi neurony různých vrstev. Na obrázku 78 je zobrazen princip detekce tváře pomocí komplexnější metody neuronových sítí. Plocha vybraného podprostoru je zde třikrát rozdělena, a to pokaždé jiným způsobem. V prvním případě na čtvrtiny, ve druhém na šestnáctiny a v posledním na pět stejných, horizontálních pásem. Každá oblast je ve všech třech případech segmentace zprůměrována a slouží jako vstupní hodnota do neuronové sítě. Počet vazeb mezi neurony různých vrstev se podstatně snížil. Druhá metoda má výhodu urychlení samotného vyhodnocení a různě veliké segmenty mohou efektivně pomoci nalézt různé identifikační markanty. U velkých čtvercových segmentů se detekují oči a nos, podlouhlé horizontální segmenty se lépe hodí pro detekci úst a obočí.

96

Obr. 66 Princip komplexnější neuronové sítě pro detekci tváře. [28]

9.3.10

Metoda optických toků

Budeme mít sekvenci snímků pohybu hlavy se jedné a téže osoby. Pokud budeme pozorně analyzovat dvojici snímků, jdoucí časově po sobě, zjistíme, že dochází k dynamickým změnám (ke změně světelné intenzity mezi odpovídajícími si body na obou snímcích a zároveň dochází k prostorovému pohybu těchto bodů, jež lze vyjádřit vektorově ). Každý bode má svůj směr pohybu a za určitou časovou jednotku urazí určitou dráhu. Navíc odpovídající si body mají i svou rychlost. Obraz bude podléhat texturálním změnám (změnám intenzity) a strukturálním změnám (změny prostorové). Mezi dvěma snímky lze pak definovat rozdíly, vyjádřené pomocí optického toku (optic flow) a ty využívat pro rozpoznávání pohybu a rovněž pro rozpoznávání tváře. Optický tok tak určuje charakter i výraz tváře. Metoda optického toku může být využívána i lokálně. Jedná se např. o sledování pohybů rtů při pronášení slov, vět.

Obr. 67 Vpravo je zobrazen výsledný optický tok snímku dvou rozdílných osob. [28]

9.4. Rozpoznávání obličeje na základě 3D snímků Zastánci 3D přístupu tvrdí, že třírozměrný prostor obsahuje více informací a odpovídá běžné realitě vnímání okolního světa. Při porovnání obličeje na základě 2D metody, dochází ke ztrátě informace. Proto se mnoho 2D metod pokouší tento 97

nedostatek odstranit simulováním předpokládaného tvaru lidského obličeje. Nicméně rozpoznávání osob na základě prostorového modelu lidského obličeje přináší mnohem větší možnosti.

9.4.1 Snímání 3D obličeje Pro 3D snímání musí být využit mnohem složitější snímací zařízení než při 2D snímání, kde nám stačil pouze obyčejný fotoaparát nebo kamera. Snímací zařízení pro použití u 3D snímaní obvykle funguje na bázi 2,5D skeneru. 2,5D sken není v podstatě nic jiného než 2D obraz, který má pro každý bod uloženou informaci o jeho hloubce. Tímto způsobem jsou reprezentována data, ale tyto data nemohou být považována za 3D model. Jelikož tímto způsobem nemohou být reprezentovány body, které leží na stejných souřadnicích, ale v jiné hloubce, například místo koule zaznamenáme vždy jen polokouli.

Obr. 68 Rekonstrukce 3D modelu z 2,5D skenů. [33] Většina zařízení, které tvoří 2,5D sken k tomu využívají strukturované viditelné nebo infračervené světlo. Promítnutím jistého vzoru na 3D povrch a jeho snímání pod jiným úhlem vede k dostatečné tvorbě 2,5D skenu. Pokud budou některá místa při snímání v zákrytu, tak sken bude obsahovat díry. Většinou bývá pořízeno více skenů z různých míst a ty se poté skládají do plného 3D modelu, jak je znázorněno na obrázku 80. V praxi se však většinou využívá snímání pouze z jednoho místa a předpokládá se, že získaní informace budou pro rozpoznávání dostatečné. Nasnímaná data lze poté reprezentovat mnoha způsoby:  Mrak bodů,  polygonální síť,  hloubková mapa.

98

Obr. 69 Ukázka reprezentace 3D modelů, mrak bodů, polygonální síť a hloubková mapa. [33]

9.4.2 Možnosti rozpoznávání 3D obličeje Při použití 3D snímače nemusíme nutně rozpoznávat lidské obličeje pomocí porovnávání 3D modelů. Existuje více možností při porovnávání referenční šablony uložené v databázi s aktuálně dotazovanými daty.  3D šablona x 2D dotaz – U této možnosti je 2D snímek porovnáván s 3D šablonou. Výhodou u této možnosti je, že stačí na všech pracovních stanovištích pouze 2D technologie, to nám zajišťuje mnohem menší náklady na zařízení. Ale pouze při registraci osob do databáze, je potřeba využít 3D technologie a k tomu nám stačí, pouze jedno zařízení.  2D šablona x 3D dotaz – Princip porovnání je stejný jako v předchozím případě, ale nevýhodou je, že na všech pracovištích musí být k dispozici 3D technologie. U této varianty se zvyšují náklady, ale i bezpečnost, jelikož 3D snímače není tak snadné oklamat.  3D šablona x 3D dotaz – Porovnávají se zde navzájem 3D modely, které sebou nesou nejvíce informací a můžeme zde předpokládat nejlepší výsledky.

9.4.3 Normalizace 3D modelu Stejně jako u 2D snímků, tak ani zde nemůžeme očekávat, že dva snímky stejné osoby budou naprosto totožné. Proto je nutné získaný obraz normalizovat. Normalizace zde probíhá přes detekci klíčových bodů, jimiž jsou koutky očí a špička nosu. Po detekci těchto bodů lze model transformovat do výchozí polohy, ve které lze předpokládat vysokou míru korelace mezi dvěma modely stejného obličeje.  Detekce nosu – nejjednodušší metoda je za využití předpokladu, že nos je nejvystouplejší částí směrem ke kameře. Pro kompenzace hlavy je model rotován kolem os x a y, a jako nos je potom zvolen bod, který má souřadnice z v průměru nejnižší, jedná se tedy o nejméně vzdálený bod. 99



Hrubé zarovnání – pracuje se vzájemnou korespondencí tří bodů v rovině. Jedna trojice bodů P= (P1, P2, P3) je neměnná, pro druhou trojici bodů A= (A1, A2, A3) hledáme transformaci T, po jejímž provedení dostaneme novou trojici bodů A’= T*A tak, aby celková odchylka bodů P i od A’i pro i = {1, 2, 3} byla co nejmenší. Transformace T se skládá z rotace, posunutí a změny měřítka, a její parametry lze vypočítat analyticky.

Obr. 70 Hrubé zarovnání 3D modelu obličeje. [33]

9.4.4 Hledání podobnosti Opět ani v této oblasti neexistuje jedna univerzální a nejlepší metoda. Metody se od sebe liší v rychlosti složitosti a přesnosti. Uvedeny zde jsou jen základní metody pro hledání podobnosti.  Podobnost 3D modelů – používá algoritmus ICP (Iterative Closest Point), který najde jemné zarovnání testovacího snímku a šablony a výsledná podobnost se pak určí na základě rozdílů tvarů zarovnaných 3D reprezentací (polygonálních sítí). ICP algoritmus nejprve vybere kontrolní body (podmnožina bodů testovaného snímku). Poté iterativně transformuje testovací snímek, proto aby všechny kontrolní body měly minimální vzdálenost od povrchu šablony. Tyto kontrolní body jsou vybírány v oblastech, kde dochází k malé změně u různých výrazů obličeje, ale tak, aby pokryly co možná největší plochu obličeje, ukázka na obrázku 83.

100

Obr. 71 Výběr málo tvárných bodů pro algoritmus ICP. [33] Postup algoritmu ICP: 1. Vyber kontrolní body v jedné množině. 2. Najdi nejbližší body v množině druhé (korespondence). 3. Vypočti optimální transformaci mezi oběma množinami na základě aktuální korespondence. 4. Transformuj body, opakuj algoritmus od kroku 2 až do konvergence. 

Podobnost založená na tvaru a vzhledu – v nejlepším případě tato metoda pracuje s komplexním 3D modelem, který obsahuje i texturní informace, uložené v šabloně a 2,5D skenem aktuálního testovaného snímku. Metoda je založena na hledání transformace původního modelu tak, aby co nejlépe odpovídal testovanému snímku (stejně jako u předchozí metody ICP) a zároveň pro tento model hledá takovou projekci, včetně osvětlení, aby se vizuálně shodovala s aktuálním snímkem (syntéza vzhledu), zobrazeno na obrázku 84.

101

Obr. 72 Porovnání založené na vzhledu, a) 2,5D testovaný snímek, b) 3D model po provedení normalizace, c-f) syntetizované obrázky z b) s posunutím v horizontálních a vertikálních směrech, g-j) syntetizované obrázky se změnami osvětlení. [33]



Porovnání povrchů (ICP) nám nabídne M nejlepších kandidátů testovaného snímku a syntéza vzhledu je pak provedena pouze na těchto M modelech. Výsledná podobnost je kombinací tvarové a vzhledové podobnosti. Podobnost hloubkových map – tato metoda pracuje pouze s hloubkovou mapou získanou z určitého výřezu normalizovaného 3D obličeje. Jedná se o jednu z nejdůležitějších metod pro porovnání 3D obličejů. Hloubkovou mapu můžeme chápat již jako 2D obraz a využít techniky používané v této oblasti (PCA, LDA). Vhodnější je použít filtrovanou podobu hloubkové mapy než její originál. Může být využito například Sobelova operátoru.

9.5. Rozpoznání obličeje na základě termografie Zatím jsme se zabývali metodami pro rozpoznávání obličeje ve viditelném spektru světla. Se zvyšováním vlnové délky světla se mění i informace, kterou jsme schopni snímat. U této metody se budeme zabývat pořizováním termosnímků obličejů, jedná se o snímky pořízené v infračerveném záření dlouhých vlnových délek. Rozpoznávání je založeno na základě tepelného vyzařování ve tváři uživatele. Pomocí termografie se zaznamená teplo vyzářené žilním systémem a okolními tkáněmi. Snímek je pak pořízen infračerveným optickým snímačem. Tato metoda 102

vyžaduje určitou spolupráci identifikující osoby. Metoda využívá infračervené spektrum, není závislá na kvalitě vnějšího osvětlení, při němž je tvář zpracovávána.

Obr. 73 Termografický snímek. [5] Povrch tváře je protkán hustou sítí krevního řečiště, tvořeného cévami, žílami a kapilárami, které krví roznášejí kyslík po celém povrchu obličeje. Krev má mnohem vyšší teplotu než bezprostřední okolí krevního řečiště. Snímání obrazu tváře je pak založeno na rozložení tepla v obličeji, a vyzařování tepla do okolí. Teplota povrchu tváře se pak měří pomocí infračerveného spektra. Speciální kamery termovize dokáží rozlišovat teplotu s přesností 0,01°C a tak snímají detailní obraz krevního řečiště, charakterizující svými specifickými tvary konkrétní tvář. V infračerveném pásmu jsou teplejší oblasti zobrazované světlejšími barvami. Záznamem jsou obrázky termomap obličeje. Verifikačně-identifikační úlohy jsou založeny na porovnávání tvarů obrazců v infračerveném spektru, různá teplota slouží pouze pro vykreslení těchto obrazců. Obraz krevního řečiště v tváři má podobné identifikačněverifikační vlastnosti jako např. obraz krevního řečiště na hřbetu ruky. Výhodou infračervených kamer je ten, že dávají stejný obraz jak při plném denním osvětlení, tak i v temnu. Druhou velkou výhodou této technologie je obtížnost vytvoření falzifikátu. Útočník by musel vytvořit zařízení, které vyzařuje různou teplotu na různých místech v závisosti na napodobovaném obličeji. Tato technologie má samozřejmě i nevýhody a ta nejvýznamnější je proměnlivost teplotní charakteristiky jedince v závislosti na vykonávané aktivitě, teplotě okolí, nebo dokonce i na emocích. Během jediné sekundy je snímáno až 30 obrazů tváře. K detekci a rozpoznávání tváří v infračerveném pásmu se používá zejména metoda PCA (Principal Component Analysis), která pracuje s celou tváří jako se šablonou. Vzhledem k tomu, že využití termosnímků sebou přináší řadu výhod, ale i nevýhod Proto se nabízí nepoužívat tuto technologii samostatně, ale v kombinaci s běžnými snímky. Tato kombinace přináší mnohem lepší výsledky než použití obou technologií samostatně.

9.6. Snímací zařízení Při pořizování termosnímků je nutné používat speciální zařízení, takzvané termokamery. Její rozšíření není tak běžné, jako je tomu u klasické kamery, což se bude odrážet i na její cenové dostupnosti. Při jejím snímání je potřeba dodržet následující parametry:  Emisní koeficient kůže e=0,98,  konstantní vzdálenost (správné zaostření), 103

 

relativní vlhkost okolí, teplota okolí.

9.7. Výhody a nevýhody rozpoznávání na základě obličeje 

Výhody

Cenová dostupnost u metody, která využívá pouze běžné dvourozměrné snímky obličejů (fotografie), pak je potřebný k pořízení snímku obyčejný fotoaparát. Snímání může zcela probíhat bez vědomí snímané osoby, což rozšiřuje možnosti nasazení této metody do naprosto nových oblastí. Další výhodou biometrické metody pro rozpoznávání obličeje je snímání i na velkou vzdálenost. 

Nevýhody

Náklady na snímací zařízení mohou růst v závislosti na použité metodě (požadavek na konstantní osvětlení, použití stereovize, 3D snímací zařízení, termokamery a další). Větší výpočetní náročnost u 3D metod pracujících se 3D modely. Identifikace osoby na základě její tváře má ve srovnání s metodou otisků prstů nebo oční duhovky nižší identifikační jednoznačnost. Tabulka 2 Parametry systémů geometrie obličeje. FRR – pravděpodobnost chybného zamítnutí 1% FAR – pravděpodobnost chybného přijetí 0,1% Rychlost verifikace 3 sekundy Míra spolehlivosti Střední

104

10 Biometrie chůze Bipedální lokomoce neboli dynamika chůze, je další z mnoha možností, jak identifikovat člověka. Pojem lokomoce znamená pohyb z jednoho místa na druhý. Ve vztahu k člověku je lokomoce definována jako pohyb člověka v gravitačním poli vlastní silou (bez pomoci jakýchkoliv technických prostředků) pomocí končetin nebo jiných anatomických částí lidského těla. Pohyb člověka je jedinečný a svým způsobem neměnný v relativně širokém časovém období. K další lokomoci člověka kromě bipedální lokomoce (běh, chůze) patří lezení, skákání, plavání či let (volný pád). Pomocí biometrické identifikace v současné době je využívaná pouze chůze či běh. Rozpoznávání člověka na základě jeho chůze je jednou z nově vznikajících oblastí biometrických aplikací. Výhodou této metody je bezkontaktnost ve srovnání s většinou ostatních biometrických metod a také tato metoda není nepříjemná pro samotného člověka. Určitou nevýhodou této technologie je nižší rozlišovací schopnost mezi uživateli. Velký podíl na rozvoji této metody má i rozvoj záznamové a snímací techniky. Rozlišovacím znakem jedinců je různý dynamický stereotyp celého pohybu těla. Do biometrie chůze jsou vkládány velké naděje, zejména v souvislosti s fyzickou bezpečností a s potenciálním využitím již nasazených technických prostředků pro bezpečnostní účely. Nabízí se totiž použít již instalovaných průmyslových kamer, monitorovacích systémů rozšířené o automatizované vyhodnocování lidské identity (i zpětné) založené na metodách rozpoznávání tváře a chůze (samostatně i zvlášť). Uplatnění této metody v dnešní době je především ve forezní sféře. Kriminalistika zkoumá jakékoliv stopy zanechané pohybem (lokomocí) člověka. Svéráznost lokomoce je podmíněná celou řadou anatomických a psychofyziologických vlastností člověka, jeho tělesnou výškou, hmotností, zdravotním stavem, anatomickými odchylkami od normy (zakřivení páteře, ploché nohy, různou délka končetin, stupněm volnosti v kyčelním kloubu apod.), některými profesionálními zvláštnosti a sportovními návyky. Funkční a dynamické návyky lokomoce jsou poměrně stereotypní, ale na druhou stranu jsou variabilní v rámci určitých druhů přemístění, např. rychlá nebo pomalá chůze, běh, apod. Chůze jdoucího člověka může procházet prudkými změnami pod vlivem vnějších faktorů – nesení těžkého břemene, nerovné cesty (strmé klesání nebo stoupání) a vnitřních příčin (bolest, únava, stres atd.). Taktéž technické a fyzikální podmínky snímání ovlivňují celkový obraz chůze – různé úhly, ze kterých kamery snímají scénu, ovlivňují výsledné vnímání pohybu, které je pak odlišné od standardních podmínek, dává zcela jiné identifikační charakteristiky chůze. Prostředí pro snímání chůze z pohledu aplikací pro rozpoznávání osoby dle její chůze není zatím, ale nikterak standardizováno – kamery jsou v různém počtu, scénu snímají z různých úhlů a vzdáleností, ve velmi stižených světelných podmínkách. Biometrická chůze patří k nejsložitějším oblastem.

10.1. Historie biometrie chůze Konkrétní aplikační možnosti biomechaniky v kriminalisticko bezpečností teorii a praxi jsou v české literatuře poprvé uvedeny v roce 1977. Právě jednu z těchto možností představuje biomechanická analýza bipedální lokomoce člověka. 105

Úvahy Porady a Karase dále teoreticky rozvíjí, precizuje a zaměřuje zejména na problémy klasifikace stop, důležité geometrické, kinematické a dynamické markanty a zejména biomechanický obsah stop při bipedální lokomoci. Novák [24] uvádí metody biomechanického výzkumu, mj. i kinematické vyšetřování zejména sportovních pohybu (kinematografická metoda rovinná a prostorová) se všemi potřebnými údaji k její aplikaci. Se stejným zaměřením na biomechaniku tělesných cvičení uvádí s odstupem 20 let Karas, Otáhal, Sušanka [23] metody a základní prostředky experimentální biomechaniky pro vyšetřování pohybu z hlediska kinematické geometrie a kinematiky a metody a prostředky kinematografie, zejména vysoce rychlostní kinematografie, vyhodnocovací techniky a praktické využití.

Obr. 74 Nomogram ilustrující závislost délky kroku na frekvenci chůze a rychlosti chůze. [28] Základy pro experimentální rozpoznávání lidské chůze položil Johansson v experimentu s bodovými světly (point-light display – PLD). Jeho experiment prokázal možnost identifikovat typ pohybu osoby pozorováním dvou-rozměrových pohybových charakteristik světelných zdrojů připevněných k lidskému tělu. Když byly světelné body pozorovány v statickém režimu, připomínaly hvězdy nebo vánoční stromeček. Jakmile se ale daly do pohybu, zobrazovaly pohyb osoby. Později bylo prokázáno, že pomocí bodových světel lze určit různé druhy pohybu osoby. Skákání nebo tanec byly lehce rozpoznatelné, stejně tak ale i komplexnější pohyby charakterizující druh chůze nebo dokonce identitu člověka. To dále v roce 2001 vedlo k závěru, že dynamika lidské chůze je pro každou osobu unikátní a může být použita pro biometrické účely.

10.2. Analýza stop lokomoce Stopy lokomoce mohou být zkoumány různým způsobem a s různým cílem. Většina prací, v nichž byla prováděná analýza stop lokomoce člověka z geometrického a kinematického hlediska, se vyznačuje deskriptivním přístupem, obvykle s úzkým zaměřením. Analyzují se tyto aspekty:  Stanovení rychlosti lokomoce. 106





Grafické vyjádření rychlosti lokomoce (stochastický charakter rychlosti lokomoce, poznatky k frekvenci chůze, dále délka kroku a časové uspořádání kroku, bipedální lokomoce člověka: pohybový projev, opěrná a lokomoční funkce nohou). Sledování lokomočních pohybů (kombinovaná kinematicko-dynamografická analýza).

10.3. Lékařské výzkumy Biomechanická literatura uvádí připomínky týkající se identity chůze: “ Daná osoba bude vykonávat vzor chůze obrázek 87 charakteristickým způsobem a docela opakovatelně. Tento vzor je dostatečně jednoznačný a je možné podle něj rozpoznat osobu, která může být i ve větší vzdálenosti.“ Cílem lékařského výzkumu v oblasti chůze bylo a stále je určit jednotlivé prvky chůze za účelem ošetřit patologicky abnormální pacienty. Systém sběru dat používá požadované, definované markanty ve spojení se sledovaným subjektem. Tento přístup je typický pro většinu systémů sběru dat pro medicínské účely, ale nikterak se nehodí pro identifikační úlohy. Murray považuje chůzi jako obraz celkového cyklu chůze – tedy chůzi je možné chápat jako periodický signál.

Obr. 75 Časový vztah mezi jednotlivými fázemi cyklu chůze dle Murraye. [28] Cyklus chůze je definován jako časový interval mezi odpovídajícími si okamžiky, kdy se pata stejné nohy při po sobě následujících krocích dotkne pevného podkladu podloží. Každá noha se pohybuje ve dvou od sebe oddělených časových periodách – ve fázi stoje (chodidlo je v kontaktu s podkladem) a ve fázi švihu (chodidlo se již nedotýká podkladu, ale švihem směřuje k následujícímu kroku vpřed. Cyklus začíná v okamžiku, kdy pata nohy se poprvé dotkne podkladu a tento okamžik znamená začátek fáze stoje. Po kontaktu paty s podkladem se chodidlo následně celé dotýká podkladu a v tuto chvíli je na něj přenesena celá váha těla. Druhá noha je mezitím ve vzduchu a švihem směřuje vpřed, aby se vzápětí opět dotkla patou podkladu. Autor 107

definuje odděleně délky kroku z pravé nohy na levou a opačně, délku kroku pravé (levé) nohy a celkovou dobu cyklu chůze pravé nohy. Krok je pohyb mezi odpovídajícími si kontakty pat obou nohou s podkladem; kompletní cyklus chůze se skládá ze dvou kroků. Stojová fáze tvoří 60–62 % z celkového cyklu fáze, fáze švihová 40–38 % při normálním tempu chůze. Čím jdeme rychleji, tím se podíl švihové fáze zvětšuje. Průměrný dospělý jedinec při normální chůzi udělá 113 kroků za minutu při průměrné délce kroku 70,1 cm. Murray navrhuje, že pokud bychom v úvahu brali a měřili všechny prvky chůze, pak chůzi jako takou bychom mohli považovat za jedinečnou. V jeho práci se vyskytuje ale dvacet rozdílných prvků chůze, z nichž některé je možné měřit jen z pohledu svislé osy lidského těla, tj. pohledem shora. Murray zároveň objevil skutečnost, že rotace pánve a hrudníku je vysoce variabilní mezi různými pozorovanými subjekty. Změnu v chůzi mohou způsobit tyto proměnné faktory, jako je obuv, zatížení člověka, ale také i druh oblečení, těsné oblečení může ovlivnit chůzi, zatímco volné oblečení ovlivní spíše vnímání chůze z videa, ale i použití alkoholu ovlivní výsledek chůze.

10.4. Pohyb člověka v kloubech při chůzi Chůze je rytmický pohyb vykonávaný dolními končetinami a provázaná souhyby všech částí těla. Při každém kroku nastává jeden okamžik, kdy obě nohy spočívají na zemi – tzv. dvojí opora. Mezi okamžiky dvojí opory spočívá tělo na jedné končetině a druhá přitom kmitá dopředu. Lidská chůze je sice vrozená, ale každý jedinec se v průběhu svého vývoje učí chodit sám a tím si vytváří osobní charakter chůze související s držením těla.

Obr. 76 Zobrazení lidské chůze. [25] Rozlišují se různé druhy chůze: vpřed, vzad, stranou, chůze po schodech, v terénu, při výstupu a vstupu (např. do dopravních prostředků), při překračování překážek a mnoho dalších. Pro rozpoznávání člověka je důležité pozorovat určité pohyby při chůzi. Například tyto momenty:  Rytmus, pravidelnost chůze - při poruše rytmu, může docházet k tomu, že zdravá noha dělá rychlejší krok než postižená.  Délka kroku - Délka končetiny, bolesti, rozsah kloubní pohyblivosti, svalová síla apod. mohou být příčinou nesouměrné délky kroku. 108

      

Osové postavení dolní končetiny - vliv na zatěžování nosných kloubů. Postavení nohy a její odvíjení od podložky - první dotyk podložky je patou, dále se přenáší váha přes zevní okraj nohy na špičku. Pohyb těžiště - švihovou fází druhé nohy se posune těžiště těla vpřed a tím i váha těla. Souhyby horních končetin, hlavy a trupu – při pohybu paží dochází i k mírné rotaci trupu. Při chůzi se střídá levá paže s pravou. Svalová aktivita - snížením svalové síly se výrazně projeví charakter chůze (omezený pohyb v kloubech, kontraktury – zkrácení svalů). Stabilita při chůzi – jedná se o schopnost udržovat rovnováhu, přizpůsobovat se změnám terénu, rychlosti chůze a překonávání překážek. Používání pomůcek – jako například berle, hůl dlaha, ortéza, protéza a další.

Při rozpoznávání pohybu chůze je dobré znát i úhly maximálních ohybů kloubů.  Kloub kyčelní – kulovitý kloub, ve kterém dochází k flexi, extenzi, addukci a abdukci, cirkumdukaci a rotaci.

Obr. 77 Rozsahy pohybu kyčelního kloubu. [26]

109





Obr. 78 Pohyb kyčelního kloubu. [26] Kloub kolenní – složený kloub, největší a nejsložitější v lidském těle. Flexe je v rozmezí od 0°- 140° a při extenzi u mužů do 10°a u žen do 15°.

Obr. 79 Flexe kolenního kloubu. [25] Kloub hlezenní – flexe hlezenního kloubu je do 50°a extenze do 15°až 20°.

Obr. 80 Ohyb hlezenního kloubu. [25]

10.5. Princip metody Historicky prvním zkoumaným způsobem identifikace bylo podle měnícího se těžiště, respektive sledování a následné vyhodnocování jeho trajektorie při chůzi. Dále byl doplňován dalšími složkami chůze (ohyb v kolenech, kyčlích, kotnících, rotace hrudníku a pánve a další) a tak se výsledná křivka neustále zjemňovala. Dalšími sledovanými body jinými vědci bylo temeno hlavy či střed ucha. 110

Bipedální chůze odlišuje člověka od ostatních stvoření. Chůze je výsledkem mnohaletého evolučního vývoje a umožňuje člověku chodit zpříma, zdvihnout hlavu, pohybovat se po náročném terénu. Fyzikálním důsledkem anatomické konstrukce našeho těla je skutečnost, že člověk nedokáže udržet své těžiště při pohybu v přímé linii. Pohyb těžiště lidského těla má charakter vlnící se křivky. Tato skutečnost má však rozhodující význam pro to, abychom určili, jak chodíme.

Obr. 81 Zjednodušený pohled na pohyb těžiště lidského těla. Trajektorie křivky je zobrazena vpravo, šipky označují maxima a minima. [28] Výsledkem vyhodnocování trajektorie těžiště, je skutečnost, že v průměru 55 % váhy lidského těla střídavě namáhá každou nohu při chůzi, a těžiště se při chůzi pohybuje nahoru a dolů, ze strany na stranu v sinusoidálních vlnách s amplitudou kolem 5–6 cm. Protože těžiště lidského těla není přímo viditelné, mnoho autorů pro identifikační úlohy používala sledování pohybu temene hlavy, středu ucha apod. Průběh grafu pro pohyb těžiště těla a např. středu hlavy bude podobný, nikoliv však shodný. Pohyb hlavy vykazuje oproti těžišti těla větší amplitudy. Toto sledování jednoho bodu nám však nepřináší dostatek informací, proto se zkoumá pohyb jednotlivých částí pohybového aparátu, zejména kloubů. Při pohybu kloubů měříme měnící se úhel mezi určitou částí končetiny a kloubem směrem dolů od předozadní osy procházející sledovaným kloubem. Toto metoda se nazývá sagitální kinematika.

Obr. 82 Měření úhlů pohybu kolene a kyčle v sagitálním směru. 111

Měření úhlu probíhá po dobu jednoho cyklu chůze, tento úhel je znázorňován do grafů, podobných ukázkám na obrázku 95. Tímto způsobem můžeme změřit hned několik parametrů chůze najednou u každého jedince. Popsaná metoda byla primárně navržena pro medicínské účely, ale postupem času našla uplatnění i v biometrickém vyhodnocování lidské chůze.

Obr. 83 Ukázky měření sagitálních úhlů pro kyčel, koleno a kotník. Prostřední je průměrná hodnota, horní a dolní křivky jsou standardní maximální a minimální odchylky od průměru. [28] V současnosti se metody používané k identifikaci chůze dělí do dvou základních směrů a to podle používaných analytických metod:  Metody založené na zpracování siluety pohybujícího se objektu - silueta osoby, rozpoznané podle chůze, je vyčleněna z pozadí a ta se sleduje a vyhodnocuje.  Metody využívající modelování (rozpoznávání) pohybu - sledují a vyhodnocují dynamiku pohybu. Konkrétně pohybu horní části těla nebo nohou a zohledňují délky a úhly při chůzi.

10.5.1 Metody založené na zpracování siluety pohybujícího se objektu

112

Tato metoda vyčleňuje z pozadí scény siluetu pohybujícího se objektu, a na ní sleduje, vyhodnocuje siluetu (např. různým průměrováním) nebo její pohyb. Jedna z metod je i analýza délky kontury siluety, která se převádí do grafu a následně před dalším zpracováním se normalizuje.

Obr. 84 Délky kontur čtyř osob. [28]

10.5.2

Metody využívající modelování pohybu

Metody založené na modelování vycházejí z analýzy pohybu horní části těla (torsa) nebo nohou. Tato metoda se zaměřuje na dynamiku pohybu, nikoliv na jeho tvar (siluetu) na rozdíl od metod pracujících se siluetou pohybujícího se objektu. Pozornost je věnována tělesným rozměrům – délkám a úhlům při chůzi. Využívají se zde tři základní modely: drátěný, cylindrický a oválný. Přístup založený na modelování byl historicky používán pro extrakci a následné sledování pohybu, a to nejenom pro identifikační účely. Na volbě správného zvolení modelu záleží rekognifikační efektivnost. Nejpoužívanější model byl a dodnes je drátěný model a to nejen pro svou jednoduchost, ale možnost využití i v 3D modelování. U drátěného modelu jeho jednotlivé části začínají a končí v kloubech. U tohoto modelu se může lišit různý počet jeho částí. Nejmenší počet je šest částí (hlava, torzo těla, dvě paže a dvě nohy).

Obr. 85 Základní modely lidského těla pro analýzu pohybu (drátěný, cylindrický, oválný). [28] 113

10.6. Pořízení obrazu Fáze pořízení obrazu s dostatečnými informačními hodnotami závisí:  Na výběru vhodného snímacího zařízení,  určení geometrických parametrů snímání,  parametry expozice kamery a trvání snímání.

10.7. Předzpracování obrazu Předzpracováním obrazu se obvykle rozumí filtrace šumu, výřez důležité části v obraze, geometrické transformace v případě různých geometrických zkreslení, ale i bodové a jasové transformace. V případě obrazového záznamu chůze osob za definovaných a do jisté míry i zvolených podmínek (osvětlení, přizpůsobení pozadí scény apod.) je potřeba odstranit pouze případný šum. Při snímání pohybujícího se objektu se mohou v obraze vyskytovat jasově temnější místa, kde rozdíl mezi objektem a pozadím bude velmi malý. Naopak tomu bude v jasnějších místech, kde rozdíl mezi objektem a pozadím bude velký. Pro oba případy rozpoznávání objektů v obraze budeme potřebovat odlišnou optimální velikost prahu.

10.8. Metody segmentace pro sekvence snímků Segmentace slouží k nalezení objektů v obraze – pro oddělení objektů od pozadí. U pohybujícího se objektu musí být nalezeny jeho hranice nebo nějaké vztažné body rozmístěné na těle objektu, které by přesně označovaly souřadnice umístění v prostoru snímání kamery. Existují algoritmy s různou rychlostí výpočtu a výsledným výstupním obrazem. Mezi nejznámější patří:  Optický tok  Detekce významných bodů  Rozdílové metody  Shlukové metody

10.8.1

Optický tok

Optický tok zachycuje všechny významné změny v obraze za čas dt. Je založena na hledání stejných jasových hodnot v jistém okolí výskytu pohybu objektu ve dvou po sobě jdoucích obrazech. Po správném nalezení souvisejících bodů pak každému ve výsledném obrazu odpovídá dvojrozměrný vektor rychlosti, vypovídající o směru a velikosti rychlosti pohybu v daném místě obrazu.

10.8.2

Detekce významných bodů

Metoda se používá, když časové intervaly mezi snímky nelze považovat za velmi malé vzhledem k časovým konstantám určujícím pohyb v obrazu. Postu metody se skládá ze dvou kroků. 114

 

Prvním krokem je nalezení významných bodů v obraze, kdy se jedná například o hraniční body, jasově odlišné plochy a podobně. Druhým krokem je nalezení korespondence těchto bodů mezi jednotlivými obrazy.

Ve všech obrazech posloupnosti (sekvence) je třeba nalézt taková místa, která jsou nějakým způsobem významná, tj. jsou co nejméně podobná svému okolí, představují vrcholy či hranice objektů. K tomuto účelu se používají hranové detektory nebo Moravcův operátor, ten určuje významnost bodu na základě co největší odlišnosti malé části obrazu od jejího okolí. Je definován takto: ∑

∑ |

|

(12)

Tato rovnice popisuje výpočet specifické hodnoty Moravcova operátoru pro každý pixel v obrazu tak, že pomocí čtvercového okna předem zadané velikosti NxN (v případě rovnice 4. velikosti okna 3x3) vypočítáme součet rozdílů jasů sousedních pixelů s prostředním pixelem. Náročnost výpočtu se tedy bude kvadraticky zvětšovat z velikostí okna a velikostí obrazu. Je taky zjevné, že Moravcův operátor není invariantní vůči rotaci a je velmi náchylný na šum. Tyto nedostatky do určité míry odstraňuje Harris/Plesseyův operátor, který k nalezení významných bodů využívá algoritmus založený na výpočtu gradientu. Operátor je sice invariantní vůči natočení, ale bohužel je taky velmi citlivý na šum a je výpočetně velmi náročný kvůli výpočtu konvoluce s Gaussovským oknem, kterou potřebuje pro nalezení významných bodů v obrazu. Poté se určuje korespondence těchto bodů mezi jednotlivými snímky a určení pohybu objektu. To se provádí postupným srovnáváním dvojic všech nalezených bodů ve dvou po sobě nalezených snímcích a určováním nejpravděpodobnější věrohodnosti korespondence. Metoda je velice náročná na výpočet, jelikož se musí přepočítávat hodnoty okolí každého bodu ve snímku, jsou pomalé a nepoužitelné v real-time operacích.

10.8.3

Rozdílové metody

Tato metoda je jednodušší a rychlejší. Detekce pohybu se provádí výpočtem rozdílů mezi obrazy. Při snímání nepohybující se kamerou dynamického pohybu snímáme obrazy f1(x, y), f2(x, y) atd. Rozdílový obraz je v binární obraz, kde hodnota logická 0 představuje sobě odpovídající místa dvou obrazů, v nichž nedošlo ke změně (změna není větší než stanovený práh ε) jasu mezi okamžiky snímání. Pokud rozdíl jasu bude větší než stanovený práh ε, dáme na příslušnou pozici snímku hodnotu logická 1. Tímto lze detekovat pohyb objektu jasově odlišného od pozadí. Výsledný binární obraz lze definovat: { |

| 115

(13)

Rozdílová metoda může být:  Jednosměrná – výsledný binární snímek je tvořen pouze kladnými změnami jasových hodnot oproti následujícímu snímku.  Obousměrná - výsledný binární snímek je tvořen zápornými i kladnými body v absolutní hodnotě rozdílu dvou po sobě následujících snímků. Rozdílové snímky jsou sice jednoduché na výpočet a získáme z nich informaci o pohybu, ale mají i několik vad. Jednou z nich může být i situace, když jednobarevný objekt se pomalu pohybuje v určitém směru. Rozdílový snímek pak zachytí jenom malý objem přední a zadní části objektu. Tyto velmi malé části, můžeme velmi mylně označit za šum prostředí, a v obrázku nám nevznikne žádný pohyb.

10.8.4

Shlukové metody

Hlavním úkolem těchto metod je rozdělení objektů, které jsou si něčím podobné, do několika skupin. V těchto skupinách jsou obsaženy objekty, které jsou si mezi sebou podobné a jsou odlišné od objektů v jiných skupinách. Těmito objekty mohou to být body v obraze s odlišnými barvami a různou vzdáleností od bodů se stejnou barvou, a skupiny jsou shluky těchto bodů odlišující se právě barvou, popřípadě jasem pixelu nebo vzdálenosti od pixelu stejné barvy. Cílem těchto metod je tedy odlišit body s podobnými vlastnostmi od bodů od nich se lišících pomocí kritéria, které zajistí optimální oddělení těchto bodů do shluků s hlediska potřeb uživatele (v našem případě je třeba odlišit pohybující se objekt od pozadí). Použitím následujících metod docílíme rozdělení obrazu do několika shluků, které vyjadřují podobné jasové hodnoty v barevných odstínech obrazu nebo podobné jasové hodnoty v šedotónovém obrazu a vzdálenost mezi těmito body. Těmito shluky odliším jednotlivé objekty ve snímané scéně. 1. Metoda k-means - Jedná se o klasickou iterační metodu pro klasifikaci vstupních bodů do předem určeného počtu k shluků. Jako první definuje k středy, každý shluk musí obsahovat jeden střed. Tyto středy by měly být logicky rozmístěny na odlišných místech co nejdál od sebe, protože různé rozmístění počátečních středů zapříčiní různé výsledky. Poté přiřadíme každý bod ze vstupních dat do středu, ke kterému je nejblíže. Pokud máme rozděleny všechny body do shluků, musíme přepočítat těžiště všech středů. Pro některé body se změní nejbližší střed, a tak musíme tyto body přeřadit do shluků, kde mají nejbližší střed. Tento algoritmus se pak opakuje až do té doby, kdy se už souřadnice středů nepohybují. V konečném důsledku se tato metoda snaží minimalizovat cílovou funkci : ∑ ∑‖

‖

Kde ‖ ‖ je vzdálenost mezi vstupními body počet vstupních bodů a k je počet středů. 116

(14)

a středy

, n je

Algoritmus je velmi citlivý na náhodné rozmístění počátečních středů shluků. Tento problém může být vyřešen vícenásobným spuštěním algoritmu. Nejlepší možné rozpoznání všech shluků v obrazu a přiřazení k nim bodů však závisí na několika aspektech, z nichž nejdůležitější jsou: o Inicializace počátečního rozmístění středů – na tomto nastavení závisí konečný počet iteračních kroků a tedy i čas výpočtu. o Nastavení počtu shluků – Většinou je nastaven uživatelem, ale může být nastaven i automaticky, například po zjištění všech maxim v histogramu. o Na použité metrice pro měření vzdáleností bodů od středů.

Obr. 86 Princip metody k-mens. [34] 2. Metoda mean shift – jedná se o neparametrickou shlukovou metodu, která nepotřebuje počáteční znalost o počtu shluků. Metoda je založena na odhadu hustoty jádra. Máme n bodů dat xi, i=1,…, n, d-rozměrného prostoru Rd, pak vícerozměrný odhad hustoty jádra s jádrem K(x) a poloměrem okna h je :

117

∑

(

(15)

)

pro radiálně symetrickou funkci jádra (kernelu) můžeme zvolit profil: (16)

‖ ‖

Kde je normalizační konstanta, která zaručuje konvergenci funkce K(x) do 1. Po dosazení rovnice (25) do (24) a vypočítání gradientu funkce : ∑

(‖ ∑ ‖ )] [ ∑

[∑ (‖

‖ ) (‖ (‖

‖ )

(17) ]

‖ )

kde g(s) = -k’(s). První termín v rovnici je proporcionální k odhadu hustoty v ‖ ‖ a druhý termín: x počítaná s jádrem ∑ ∑

(‖ (‖

‖ )

(18)

‖ )

je mean shift vektor, který vždy míří směrem k maximálnímu růstu hustoty. Postup při algoritmu obsahuje tyto výpočty: o Výpočet mean shuft vektoru , o Přepočet okna Tyto dva výpočty se provádějí až do doby konvergence a zajištění, že gradient funkce hustoty je nulový. Bod, ve kterém se výpočet zastavil, je pak lokální maximum hustoty shluku bodů Postup výpočtu pro praktické použití pomocí algoritmu mean shift a rozdělení bodů v obrazu na shluky: o Pro každý bod se použije algoritmus mean shift a zapamatujeme si lokální maximum, ve kterém skončil. o Shlukujeme vzorky, které skončily ve stejných lokálních maximech s určitou tolerancí.

10.8.5

Algoritmus rozpoznávání chůze

Ze získaných videosignálů se musí nejprve definovat hraniční boxy pro postavu člověka. Poté je provedena extrakce siluety postavy dle hraničních boxů. Rozlišení hraničních boxů je změněno na 128x88 pixelů, aby provedení korelace nebylo tolik výpočetně náročné. 118

11 Identifikace podle charakteristiky hlasu Technologie se zakládá na odlišnostech vokálního traktu jednotlivých uživatelů. To aby byl hlasový otisk dostatečně odlišný způsobuje tvar a rezonance ústní dutiny, hlasivek, jazyka a zubů. Z tohoto pohledu by se dalo říci, že se jedná o čistě biometrický znak. Je však, ale třeba si uvědomit, že náš hlas utváříme i sami a záměrně. Existují osoby, kteří dokáží imitovat dobře hlasy jiné. Hlas je navíc závislý na našich emocích, zdravotním stavu a jiných okolnostech. Rozpoznávání řeči je možné rozdělit na několik oblastí :  Rozpoznávání řeči (rozpoznávání jejího obsahu) – Věnuje se extrakci významu (obsahu) řeči. Cílem tohoto rozpoznávání je vytvořit aplikaci, která bude schopna rozpoznat řeč, analyzovat jej a poté porozumět i jejímu obsahu. Toto rozpoznávání lze dále rozdělit do několika podskupin: o Rozpoznávání plynulé řeči (rozeznání hlásek, slov, vět). o Rozpoznávání s porozuměním významu (nejen rozeznání toho, co bylo řečeno, ale i významu vyřčených slov z kontextu - sémantiky). 

Rozpoznávání mluvčího (verifikace a identifikace) – Verifikace spočívá v ověření totožnosti mluvčího na základě vyřčeného textu. Prvním krokem pro verifikaci hlasu je pořízení jeho záznamu. Ten můžeme pořídit klasickým mikrofonem nebo i třeba mobilním telefonem. Pro identifikaci existují dva druhy systémů: o Textově závislé – požadují, aby byla vyřčena předem dohodnutá fráze. Tento způsob je mnohem jednodušší na realizaci, ale jistým způsobem je i méně pohodlný pro všechny zainteresované. o Textově nezávislé jakýkoliv mluvený text, což je mnohem náročnější na realizaci. Text obsahuje více akustických informací než jednoduché slovo. Délka zpracovaného vzorku ovšem hraje velmi důležitou roli, více informací poskytuje vyšší kvalitu srovnávacího procesu. Dalším krokem je předzpracování, které je velice složité a využívá se zde několika filtrů. Po předzpracování dochází k extrakci důležitých rysů. Takovéto informace popisují jedinečné vlastnosti vokálního traktu a tvoří biometrický vzorek. Takovému vzorku se říká „otisk hlasu“. Ten již může být porovnáván s databází, nebo do ní uložen jako etalon. Oproti tomu identifikace má identifikovat jedince na základě promluvy, tento úkol je velice nesnadný, neboť v mnoha případech se sám jedinec snaží změnit hlas a není ochoten spolupracovat, proto aby nemohl být identifikován. Toto se d použít například při telefonickém vydírání, museli bychom mít databázi hlasových vzorků všech jedinců, pak by nebyl problém zjistit, kdo je oním vyděračem. Tento jedinec by se však určitě pokoušel změnit svůj hlas, aby se co nejméně podobal normálu, a právě v takovýchto případech by bylo potřeba z hlasu získat takové parametry (příznaky), které člověk nemůže ovlivnit. 119



Speciální rozpoznávání – U této metody se zjišťují v hlase příznaky stavu jedince. Stavem je myšlen jeho fyzický, ale i psychický stav. Z hlasu je možné poznat hladinu alkoholu v krvi, při určitém množství promile alkoholu v krvi dochází ke změnám hlasu, které nelze vůlí ovlivnit. Lze rozpoznat i psychický stav jako je stres, jistým způsobem i nálada jedince, nebo fyzický stav jako je únava, opilost a další.

11.1. Vznik řečového signálu Lidská řeč je zvukový signál, který lze vyjádřit časovým průběhem akustického tlaku, průběh lze interpretovat jako signál s určitými specifickými vlastnostmi. Grafické znázornění signálu je na obrázku 99 znázorňuje se jako závislost amplitudy elektrického signálu produkovaného snímacím zařízením na čase.

Obr. 87Příklad průběhu závislosti amplitudy signálu na čase (slovo "Emanuel"). [28] Řeč vzniká tak, že vzduch, který je pod tlakem vytlačován z plic, způsobuje vibraci hlasivek a produkuje signál s určitou základní frekvencí a s vyššími harmonickými frekvencemi. Tento vzniklý signál prochází hlasovým traktem. Hlasový trakt se skládá z dutiny nosní, hrdelní a ústní. Dutiny působí jako rezonátory a podle velikosti jejich průřezu ovlivňují procházející signál. Člověk je schopen modifikovat charakter výsledného signálu. Výsledkem celého procesu je zvuk. Při určité modifikaci hlasového traktu vznikají fonémy a ty v určitém sledu tvoří plynulou řeč. Foném je nejmenší součást zvukové stránky řeči, která ještě má rozlišovací funkci v systému konkrétního jazyka. Záměna fonému má schopnost změnit význam slova (např. lis – les – los). Foném tedy není každá hláska (ve smyslu konkrétního zvuku), nýbrž jen ta, která je schopna význam odlišit (tzv. distinkce). Fonémy se dělí na:  Znělé fonémy – zachovávají harmoničnost signálu produkovaného hlasivkami. Jejich energie bývá soustředěna do několika frekvenčních pásem. Rezonanční frekvence jednotlivých dutin se nazývají formanty. Formantů je několik a ke každému z nich se dá přiřadit určitá dutina hlasového traktu, která se nejvíce podílí na jeho vzniku.

120

Obr. 88 Frekvenční spektrum samohlásky "a" a vyznačení formantů. [33] 

Neznělé fonémy – jejich frekvenční charakteristika je vyrovnaná a nevykazuje žádné soustředění do frekvenčních pásem, mají povahu šumu. Vznikají dynamickou změnou polohy jazyka, rtů a zubů. Změna jejich polohy ovlivňuje průřezy jednotlivých dutin a polohu překážek zvukovému signálu, což mění i charakter výsledného signálu.

11.2. Fonetická a technická terminologie  

  

Amplituda – velikost rozkmitu hlasivek, síla tónu. Udává se v decibelech[dB] Formanty - tóny vznikající rezonancí (zesílením určitých harmonických tónů dle tvaru a velikosti rezonátoru, tedy vokálního traktu) v nadhrtanových dutinách. Frekvence - udává počet hlasivkových kmitů za vteřinu, výška tónu. Udává se v Hertzích [Hz]. Harmonické tóny - celé násobky kmitočtu základního hlasivkového tónu, vznikají v nadhrtanových dutinách. Kepstrum – Je definováno jako zpětná Fourierova transformace z logaritmovaného modulu spektra signálu. {

|

{

}|}

(19)

Koeficienty c(n) s nízkým indexem n charakterizují formantovou strukturu úseku řeči (pomalé změny ve spektru), zatímco koeficienty s vyšším indexem n charakterizují buzení (rychlé změny ve spektru).  Lineární predikce - metoda vychází ze zjednodušeného modelu hlasového ústrojí. 121

Obr. 89 Model vytvoření znělého úseku řeči. [28]



Generátor pulsů modeluje kmitání hlasivek při vytváření znělého úseku řeči, filtr H(z) modeluje hlasový trakt. Koeficient G je zesílení, a proto je buzení U(z) uvažováno přímo na vstupu lineárního filtru H(z). Spektrum zvuku – je to soubor složek, z nichž je skládá složený zvuk. Spektrum periodického zvuku je diskrétní, a je možné v něm izolovat jednotlivé složky, které jsou v daném časovém okamžiku t charakterizovány frekvencí a amplitudou vlny.

11.3. Specifické vlastnosti mluvčího Řečový signál nese v podstatě dva druhy informace o identitě mluvčího.  Fyziologické vlastnosti – Jak už bylo zmíněno výše, anatomické uspořádání hlasového ústrojí má vliv na vytváření řečového signálu. Fyziologické charakteristiky jsou například rozměry nosní, ústní a hltanové dutiny nebo délky hlasových chord. Tyto charakteristiky ovlivňují způsob vytváření fonémů. Systémy rozpoznání mluvčího nepřímo zachytí některé z těchto fyziologických vlastností charakterizujících mluvčího. 

Behaviorální rysy - Vzhledem k typu osobnosti a vlivu rodičů, vytvářejí mluvčí fonémy různým tempem, prozódií a koartikulací. Vzhledem ke vzdělání, socioekonomickému stavu a prostředí mluvčí používají různé slovníky, gramatické konstrukce a dikci. Všechny tyto vysokoúrovňové rysy jsou samozřejmě specifické danému mluvčímu. Rozpaky, doplňující zvuky a výstřednost také pomáhají při rozpoznání mluvčího.

11.4. Analýza řečového signálu Analýza hlasu poskytuje prostředky pro rozpoznávání hlasu či mluvčího. K analýze se používají známé matematické metody pro zpracování a analýzu jednorozměrných signálů, kterým řečový signál taky je. Základem pro rozpoznání řečových vzorů je rozsáhlá databáze nahrávek, která bývá vhodně rozdělena podle hledaných tříd. Bývá pravidlem, že větší část databáze je využita pro trénování, menší pak k testování klasifikátoru. Hlasový signál je akustický signál, který musí být převeden z domény akustického tlaku na elektrický signál, který je dále vzorkován a ukládán do počítače nebo jiného digitálního zařízení. Druhým krokem bývá předzpracování zvukové nahrávky, jako je normalizace, preemfáze a segmentace zvukového signálu. Jejím cílem je upravit původní zvukový signál do podoby vhodné pro další zpracování. Dalším a nejdůležitějším krokem je výpočet příznaků. Může se jednat o příznaky v časové, 122

spektrální a kepstrální oblasti, nebo o příznaky transkripční. Snahou je vypočítat co nejvíce příznaků, které dokážou nejlépe oddělit dané třídy. Vypočtené příznaky pak tvoří tzv. „vektor příznaků“, jehož délka určuje počet dimenzí, mezi kterými bude klasifikátor hledat odpovídající třídu. Posledním krokem je najít ke vstupní nahrávce odpovídající třídu. Vstupem klasifikátoru je vektor příznaků a výstupem informace, která reprezentuje danou třídu. Pro klasifikaci lze použit například SVM, LDA, NN, HMM nebo GMM. Výsledkem verifikace je vždy jednoduchá odpověď, ale výsledkem identifikace může být, kromě jednoduché odpovědi i seznam kandidátů nebo celé pole porovnání s pravděpodobnostmi toho, že žadatel žádající o identifikaci je určitým žadatelem z databáze. Identifikace tedy bude mnohem náročnější. Na rozdíl od například otisků prstů neexistuje u rozpoznávání podle hlasu standardizovaný postup, a to právě proto, že z hlasu je možné vyextrahovat velké množství různých informací a je jen na nás, které použijeme.

11.4.1

Normalizace

Normalizací zajistíme, že úroveň zvukového signálu s(n) pro všechny nahrávky v databázi bude mít stejný rozsah hodnot. Je nutná, pokud při výpočtech, které souvisí s energií nebo výkonem signálu. V signálu s(n) se najde maximální absolutní hodnota, kterou se pak každý vzorek vydělí. Pro absolutní úroveň každého signálového vzorku pak bude platit s (n) ≤1. |

11.4.2

|

(20)

Preemfáze

Statisticky zjištěné dlouhodobé spektrum řečového signálu ukazuje, že střední část spektra klesá se sklonem 6 dB/oktávu. Větší část celkové energie řečového signálu leží pod hranicí 300Hz kmitočtového pásma, ale užitečné informace v signálu se nachází v pásmu nad 300Hz. Pokud navíc vezmeme v úvahu, že kvantizační šum vykazuje rovnoměrné spektrum, tak tento šum bude mít mnohem větší negativní vliv na energeticky slabší, ale důležitější vyšší složky spektra řečového signálu. Preemfáze je předzpracování za pomoci digitální horní propusti, která zlepšuje oblast vyšších frekvencí a u znělých fonémů snižuje vliv základního tónu řeči a tím i výraznost prvních formantů, to vede k tomu, že lépe rozpoznáme mluvčího. (21)

Kde s(n) je digitalizovaný řečový signál, sP(n) výsledný signál po filtraci a λ je koeficient preemfáze, který leží obvykle v intervalu λ ϵ ⟨ . Většinou se však koeficient preemfáze volí λ=0,97. Preemfáze je tedy filtrace signálu s(n), ze které vznikne signál po preemfázi sp(n). Někdy se používá název preakcent řečového signálu. 123

11.4.3

Segmentace

Hlasový signál produkovaný různými mluvčími se liší způsobem, jímž byl vyřčen (hlasovou intonací, délkou vyslovených hlásek…). Tyto rozdíly se však objevují i u jediného mluvčího, proto většinou není možné pracovat s řečovým signálem jako celkem. Celý signál se rozdělí na tzv. segmenty, které mají délku N vzorků, jejichž celkový počet lze vypočítat jako: (

(22)

)

Kde funkce int (x) vrací celou část parametru x. jednotlivé segmenty jsou označeny indexy j=1,2,…,J. Délka segmentu musí být na jedné straně dostatečně malá pro aproximaci naměřených parametrů konstantními hodnotami a na druhé straně dostatečně velká, aby byly požadované parametry bezchybně změřeny. Oba protichůdné požadavky jsou vcelku splněny pro úseky řeči dlouhé 10 až 25 ms, což souvisí se změnami nastavení lidského hlasového ústrojí. Je vhodné zvolit i určitou úroveň překrývání segmentů, aby nezanikly některé krátké a nevýrazné hlásky, to by pak mohlo vést k chybnému rozpoznání. Celkový počet segmentů je pak dán: (

(23)

)

Kde U je definované překrytí. Tím se dosáhne většího vyhlazení časového průběhu za cenu větší výpočtové náročnosti.  Násobení oknem - Pokud vynásobíme signál oknem, zvolíme délku okna, která je shodná s délkou segmentu. (24)

Kde sw(n) je výsledná hodnota vzorku signálu po vynásobení původní hodnoty vzorku s(n) s hodnotou vzorku okna w(n). Existuje mnoho různých oken, které se dají při zpracování signálů použít. Zde budou zmíněny pouze dva základní typy: o Pravoúhlé okno – proces segmentace je v podstatě násobení pravoúhlým oknem. Tento efekt je nežádoucí, a proto je vhodné použít některé okno jiného typu. 〈

{

〉 (25)

Kde N je počet vzorku segmentu signálu. o Hammingovo okno – jedná se o nejpoužívanější okno. 124

{

(

〈

) 〈

〉

〉 (26)

Kde N je počet vzorku segmentu signálu.

Obr. 90 Násobení řečového signálu oknem a vliv na signál v časové oblasti. [33] Na obrázku 102 je znázorněn vliv obou oken na řečový signál v časové oblasti. Kde průběh A znázorňuje průběh původního signálu s(n), obrázky B znázorňují vlevo pravoúhlé okno a vpravo Hammingovo okno. A na obrázku C vlevo je vliv pravoúhlého okna na původní signál v časové oblasti a vpravo vliv Hammingova okna na původní signál v časové oblasti.

11.4.4

Výpočet příznaků

Výběr vhodných příznaků je klíčový za účelem rozpoznání určitých parametrů z řeči například identita mluvčího, určení pohlaví, emocí… Mezi elementární příznaky patří střední energie signálu a počet průchodu nulou. Jsou snadno vypočitatelné a jsou dobrým základem pro další analýzu a metody.  Energie signálu – Energie diskrétního řečového signálu s (n)na jednom segmentu délky N vzorků je dána vztahem: 125

∑

Takto se počítá energie celého signálu s (n), tato energie se nazývá dlouhodobá energie. Celý signál lze rozdělit na j částí s délkou N vzorků, definujeme vztah pro výpočet segmentu, tato energie se nazývá krátkodobá: ∑

(27)

Kde sj (n) je j-tý segment celého signálu s(n) a j=1,2,…,j. Energie signálu udává kolik energie je v signálu soustředěno. Její hodnota se hodí třeba pro rozpoznávání samohlásek, neboť jsou energeticky velice bohaté a to dává dobrou šanci na jejich odlišení od ostatních hlásek.  Počet průchodů nulou – udává počet kolikrát je v daném segmentu protnuta časová osa průběhem signálu. Tato hodnota lze vyjádřit vzorcem: ∑|

(

)

(

)|

(28)

Přičemž funkci sign(x(n)) definujeme jako: (

)

{

(29)

Z průběhu průchodu nulou je možné určit šum, vykazuje nejvíce průchodu nulou. Samohlásky a sykavky mají v porovnání s ostatními fonémy vysokou hodnotu počtu průchodu nulou.  Lineární predikční koeficienty (LPC) – Odhaduje z řečového signálu parametry modelu vytváření hlasu. Princip této metody spočívá v předpovědi n-tého vzorku řečového signálu pomocí lineární kombinace určitého počtu předcházejících váhových vzorků téhož signálu podle vztahu: ∑

(30)

Kde am jsou predikční LPC koeficienty, M značí řád prediktoru nebol-li počet koeficientů, spred je výsledný signál a s(n) je původní signál. Pokud budou dobře nastaveny koeficienty am, je hodnota předpovězeného signálu lineární kombinací předchozích hodnot. Pokud máme určeny koeficienty LPC, jsou jimi jednoznačně stanoveny charakteristiky periodického signálu. Pokud máme vypočítány LPC koeficienty, tak pomocí nich můžeme vypočítat i tzv. frekvenční LPC spektrum. To se od klasického spektra liší kvalitně 126

vyhlazeným průběhem. Dlouhodobá varianta tohoto průběhu (dlouhodobý průměr tohoto spektra) velmi dobře charakterizuje daného mluvčího a lze toto spektrum použít i při rozpoznávání mluvčích. Problém nastává s tzv. “dlouhodobostí“, kdy je potřeba zaznamenat příliš velké množství řeči, aby bylo možné spektrum prohlásit za „dlouhodobé“. Na obrázku 103 jsou znázorněny rozdíly mezi frekvenčním spektrem samohlásky „a“ a vyhlazeným průběhem LPC spektra samohlásky „a“. V LPC spektru jsou patrné formanty, které je možné spatřit i ve frekvenčním spektru, ale nelze je algoritmicky snadno nalézt. V LPC spektru je možno je snadno nalézt například pomocí metody pro hledání maxim a minim.

Obr. 91 Porovnání frekvenčního a LPC spektra samohlásky "a". [33] 

Lineární predikční kepstrální koeficienty (LPCC) – Kepstrální koeficienty popisují přenosovou funkci hlasového traktu. Výhodou této metody oproti LPC je menší korelace koeficientů. Přepočtem LPC koeficientů a(k) lze získat LPCC koeficienty c (n): (√ ) ∑

(31) (32)

Kde G je zesílení syntetizačního filtru, a(0)=1, a(n)=0 pro n>M. Z takzvaného kepstra signálu lze zjistit, zda jde o znělý či neznělý segment, neboť u znělých fonémů obsahuje kepstrum výraznou špičku, kterou je možné reprezentovat jako základní frekvenci hlasu. Naproti tomu u neznělých úseků jsou první hodnoty koeficientů kepstra maximální, neboť na jeho počátku jsou kumulovány vyšší frekvence. Z kepstrálních koeficientů a jejich dynamického průběhu lze zjistit, jaké slovo bylo vyřčeno a podle nastavení systému lze určit i mluvčího.  Mel – frekvenční kepstrální koeficienty (MFCC) – Jsou navrženy tak, aby respektovaly nelineární vnímání zvuku lidským uchem, to nereaguje na všechny frekvence stejně. V oblasti vyšších frekvencí se projevuje výrazná 127

nelinearita v reakci na tóny určité frekvence. Toto chování je možné popsat přibližně lineárně v oblasti nižších frekvencí přibližně do 1000Hz a u vyšších frekvencí pak logaritmicky. K tomuto využívají banku trojúhelníkových pásmových filtrů s lineárním rozložením frekvencí v tzv. melovské frekvenční škále, jež je reprezentována vztahem: (

)

(33)

Kde f[Hz] je frekvence v lineární škále a fmel[mel] odpovídá frekvenci v melovské škále má jednotku [mel]. Takto lze transformovat signál z frekvenční oblasti do oblasti s tzv. „melovou“ stupnicí. Platí že 1000mel = 1000Hz. Postup výpočtu koeficientů je následující. Na vstup systému jsou přivedeny vzorky řečových signálů s(k). Je provedena preemfáze signálu (kompenzace poklesu spektrálních složek řečového signálu na vyšších frekvencích). Poté je aplikovano nejčastěji Hammingovo okno na segmenty signálu obvykle délky 10- 30 ms. Počet vzorků signáluv segmentu se volí jako mocnina 2 z důvodu použití rychlé Fourierovy transformace(FFT). Pomocí algoritmu FFT je signál převeden z časové do frekvenční oblasti a je |. Klíčová část celého vypočítáno jeho modulové (amplitudové) spektrum | procesu zpracování je melovská filtrace. Výpočetní algoritmus této filtrace je realizován bankou trojúhelníkových pásmových filtrů s rovnoměrným rozložením středních frekvencí podél melovské frekvenční osy.

Obr. 92 Banka trojúhelníkových filtrů a) v melovské škále b) v lineární škále. [44] Odezvy filtru v melovské škále lze určit vztahem: ∑ |

|

(34)

Kde i je pořadí filtru, bi střední frekvence daného filtru, M počet filtrů v bance, f jsou vybírány ze souboru frekvencí využívaných při výpočtu FFT a u(f,i) je vyjádření trojúhelníkového filtru, který lze popsat pomocí vztahu 128

(35) {

Průchod signálu filtrem znamená, že hodnoty spektra (každý koeficient FFT) jsou vynásobeny ziskem filtru a sečteny pro jednotlivé filtry. Poté následuje výpočet logaritmu výstupů ym(i) jednotlivých filtrů, to nám vhodně omezí dynamiku signálu. Posledním krokem je provedení diskrétní kosinovy transformace (DCT): ∑

(

)

(36)

Kde M* je počet pásem melovského pásmového filtru a M je počet MFCC koeficientů.  Percepční lineární prediktivní analýza (PLP) – je efektivní prostředek pro popis spektrálních vlastností řečového signálu. Pro transformaci výkonového spektra řečového signálu do odpovídajícího sluchového spektra kombinuje tato metoda tři složky z psychofyziky slyšení: kritické pásmo spektrální citlivosti, křivky stejné hlasitosti a vztah vyjadřující závislost mezi intenzitou zvuku a jeho vnímanou hlasitostí. 

Základní tón řeči (FO) – Toto je velice používán příznak pro kódování řeči a rozpoznání mluvčího. Měření periody základního tónu znesnadňuje přítomnost formantové struktury ve frekvenčním spektru řeči. Základní tón řeči můžeme určit v časové oblasti například pomocí autokorelační funkce ACF, která se aplikuje na různě upravený řečový signál. Délka základního tónu je pak určena vzdálenosti mezi špičkami v autokorelační funkci.



Formantové frekvence (FX) - První tři formantové frekvence nesou důležitou informaci o charakteru samohlásek a znělých souhlásek. Informace o formantech bývá nejprokazatelněji obsažena ve spektrální obálce analyzovaného úseku řeči. Tuto spektrální obálku můžeme získat pomocí koeficientů LPC, kde můžeme z vrcholů v průběhu vyčíst formantové frekvence a jejich šířky pásma. Je možné z nich získat informace, jako je pohlaví a věk mluvčího



Modulační energie na 4 Hz (ME) – Tento příznak se používá ve spektrální oblasti k rozlišení řeč/hudba. Princip metody spočívá v tom, že řeč má modulační špičku v okolí kmitočtu 4Hz slabikové změny. Modulační energie využívá při výpočtu všech výstupů melovské banky filtrů, spektrální energie v 129

sousedních bankách jsou vysoce korelované, což účinnost modulační energie oslabuje. Postu metody je následující: 1. Nejdříve se vypočte výkonové spektrum n segmentů X[n,k] za pomocí diskrétní Fourierovy transformace (DFT), které následně znásobíme s melovskou bankou filtrů. Tím získáme sady výstupních koeficientů banky v závislosti na n-tém segmentu. 2. Pro trajektorii koeficientů přes všechny segmenty následně vypočteme modulační spektrum banky FMS [n, k, q], pomocí druhé diskrétní Fourierovy transformace. 3. Nakonec filtrujeme FIR pásmovým filtrem s centrálním kmitočtem 4Hz. [

∑

]

|

∑

[

]|

[

]

(37)

Kde ME[n,q] je modulační energie na 4Hz, q značí hodnotu ME pro daný segment n, M je počet kanálů banky filtrů, P je velikost druhé DFT a E[n] energie n-tého segmentu.  Mel–kepstrální modulační energie na 4Hz (MCME) – Je rovněž příznakem, který odděluje řeč/hudbu, ale v kepstrální oblasti. A tímto kompenzuje nevýhody spektrální metody ME. Postup výpočtů je podobný jako metody ME, rozdíl je pouze v použití kepstrálních koeficientů. 1. Nejdříve se vypočte výkonové spektrum n segmentů X[n,k] za pomocí diskrétní Fourierovy transformace (DFT), které následně znásobíme s melovskou bankou filtrů, ale tentokrát v kepstrální oblasti. Tím získáme sady výstupních MFCC koeficientů banky v závislosti na n-tém segmentu. 2. Pro trajektorii koeficientů přes všechny segmenty následně vypočteme melkepstrální modulační spektrum banky MCMS [n,l,q], pomocí druhé diskrétní Fourierovy transformace. 3. Nakonec filtrujeme FIR pásmovým filtrem s centrálním kmitočtem 4Hz. [

]

∑ ∑

|

[

]|

[

]

(38)

Kde MCME[n,q] je mel-kepstrální modulační energie na 4Hz, q značí hodnotu MCME pro daný segment n, L je počet MFCC koeficientů, P je velikost druhé DFT a E[n] energie n-tého segmentu.  Příznaky závislé na mluvčím – je zde potřeba využít takové příznaky, které berou v potaz individuální vlastnosti hlasu každého mluvčího. Patří, jsem například: o Banka filtrů závislá na mluvčím o Koeficienty závislé na mluvčím 130

11.4.5

Detekce řečové aktivity

Co nejpřesnější detekce řečové aktivity je velice důležitá pro správnou analýzu řečového signálu. Jedná se tedy o ta místa v záznamu, kde se nachází skutečný záznam řeči. Při špatné detekci může dojít k chybné analýze výsledky mohou být nepřesné. K nalezení začátku a konce slova existují různé metody. Popsány zde budou dvě z nich:  Metoda sledování obálky – jedná se o nejjednodušší, ale i nejméně kvalitní metodu pro detekci řeči. Metoda porovnává obálku řečového signálu s adaptivním prahem, který se stanovuje jako průměrná hodnota obálky hluku pozadí. Hluk je šum, který je vydáván prostředím, když zrovna mluvčí nemluví. Adaptivní práh S lze vypočítat podle vztahu: [



∑

∑

(39)

]

Kde Nšum je délka signálu šumu, sšum je šumový signál, Nsig je délka řečového signálu a ssig je řečový signál. Pro výpočet hodnoty prahu budeme tedy potřebovat dva signály (šumový signál a řečový signál). Toto je velký zápor metody. Kladem je jednoduchost metod y a možnost použití analogových přístrojů. Metoda rozdílnosti příznaků – tato metoda je schopna detekovat řečovou aktivitu, ale i přechody mezi jednotlivými fonémy uvnitř slova. Princip metody spočívá ve sledování relativních změn autokorelačních koeficientů R(0) a absolutní změny autokorelačních koeficientů vyššího řádu R(k), pro k=1,2,…,K, kde K je maximální sledovaný řád. Postup tohoto algoritmu je následující: 1. Určení průběhu křivky B(j) spočívá v průběhu určení funkce, podle vztahu: |

|

∑|

|

(40)

Kde R(j,s) je autokorelační funkce řádu s segmentu j=1,2,…,J, kde J je celkový počet segmentů. l1 je počet kroků (segmentů) časového posunu vpřed, l2 je počet kroků časového posunu vzad, k=1,2,…,K je řád autokorelace, kde K je maximální řád korelace a b je reálná konstanta udávající míru vlivu členů vztahu. l1 a l2 ovlivňují citlivost metody, při velkém časovém rozdílu mohou zaniknout některé krátké fonetické úseky a nebo některé pomalé změny mezi sousedními úseky nemusí vůbec zaznamenat. 2. Vyhlazení průběhu křivky B(j):

131

[

]

(41)

3. Určení lokálních maxim a minim ve vyhlazeném průběhu B‘(j): {

}

(42)

Každé z nalezených maxim může tvořit hranici fonémů (a tím i slov). Minima slouží pro rozhodování, která maxima jsou natolik výrazná, aby mohly být hranicí mezí fonémy. Pro rozhodování která maxima jsou výrazná slouží funkce: ( (

)

) (

(

)

)

(43)

Vyloučení nevýrazných maxim se provádí podle vztahu: (44)

Pokud jsou splněny obě podmínky, pak maximum na pozici j max(i) není hranicí mezi fonémy. Tato metoda selhává pokud se na začátku nebo na konci slova vyskytuje tzv. frikativ (hláska, která se svým charakterem podobá šumu).

11.4.6

Klasifikátory



Neuronové sítě – byly blíže popsány v kapitole devět, biometrie obličeje. V oblasti rozpoznání řeči se pro klasifikaci využívají neuronové sítě o 3 vrstvách. Počet neuronů v první vrstvě odpovídá rozměru klasifikovaných příznaků P, pro druhou (skrytou) vrstvu se volí počet neuronů (3 ∙ C), kde C značí počet tříd a poslední vrstva obsahuje C neuronů. Architektura neuronové sítě je tedy Px3CxC . Výstupem neuronové sítě bude vektor hodnot, kde nejvyšší hodnota bude ležet na indexu, který odpovídá dané třídě. Do prvního kroku metody patří natrénování neuronové sítě, k tomuto účelu slouží část databáze, ze které se pro tento účel vytvoří trénovací a cílová matice. Trénovací matice bude mít rozměr Tr[P,N], kde N je počet příznaků a cílová matice Ta[C,N] obsahuje výstupy neuronové sítě pro vektory vstupních příznaků v trénovací matici.



Metoda k nejbližších sousedů kNN – Metoda vyhledává k nejbližších sousedů v příznakovém prostoru. Najde se taková vzdálenost od vstupních příznaků, aby v okolí byl přesný počet k sousedů. Poté nejvyšší počet 132

sousedů, který bude patřit do určité jedné třídy, určuje hledanou třídu. Okolí je určeno „Euklidovskou vzdáleností“, kde r značí dimenzi prostoru:

(45)

√∑



Gausovy smíšené modely (GMM) – Jedná se o nejpoužívanější klasifikátor v oblasti rozpoznávání řeči. Jednotlivé třídy jsou v příznakové oblasti statisticky modelovány jednou nebo více gaussovými funkcemi rozložení pravděpodobnosti.

√

∑

(

∑

)

(46)

Rovnice 60 ukazuje jednu d-rozměrnou Gaussovou funkci, kde μ značí střední hodnotu, (x-μ) vektor středních hodnot a ∑ kovariační matici. ∑

(47)

Kde N(x) je smíšený model, který vzniká lineární kombinací více Gaussovských funkcí rozložení pravděpodobnosti, αi značí váhu a M počet Gaussovských funkcí. Ověřování hlasu je velmi významnou metodou mezi ostatními biometrikami z důvodu její sociální přijatelnosti. Rychlost, snadné použití v praxi a nízká cena jsou dalšími výhodami těchto systémů. Nevýhodou této metody je malá spolehlivost, a to právě proto, že hlas je náchylný ke změnám (jako jsou např. nemoc, okolní šum, jinými zkreslujícími vlivy).

133

12 Další biometrické metody Obecně můžeme říci, že existuje ještě spousta dalších znaků, podle kterých je možné provádět identifikaci člověka. Některé další metody jsou popsány níže.

12.1. Identifikace pomocí DNA Mezi biometrickými metodami si stále významnější místo získává identifikace jedince prostřednictvím analýzy jeho deoxyribonukleové kyseliny (DNA). Metoda je relativně nová a její kořeny sahají do poloviny 80. let minulého století. Nepracuje se zde s měřitelnými morfologickými nebo fyziologickými znaky člověka, ale nosič genetické informace – molekula DNA. Abychom získlali vzorek potřebujeme jakoukoliv buňku s jádrem. Tou může být například jedna bílá krvinky, která obsahuje buď krev anebo sliny. Nebo kořínek vlasů (samotný vlas nemá buňky s jádrem). K použití jsou vhodné i některé buňky bez jader, a to buňky z kostí nebo zubů.

Obr. 93 Dvoušroubovice molekuly DNA. [46] Možnost použití analýzy DNA pro identifikaci osob byla poprvé popsána v roce 1985 anglickým genetikem Alecem Jeffreysem, který učinil svůj objev de facto náhodou. Alec Jeffreys se zabýval úplně jinou oblastí molekulární genetiky, studiem genu pro myoglibin u tuleňů. Tento gen obsahuje dlouhou repetitivní sekvenci a Jeffreys se rozhodl pomocí specifické sondy vyhledat stejnou sekvenci v lidské DNA. Rozštěpil DNA izolovanou z krve laboranta, za pomocí štěpících enzymů (restriktáz) a rozdělil vzniklé fragmenty elektroforézou na gelu. Poté nechal hybridizovat sondu, aby identifikoval fragment, ve kterém se nachází hledaná repetitivní sekvence. Objevilo se však něco, s čím nepočítal – nikoli jeden, ale hned několik fragmentů různé délky reagovalo se sondou pozitivně. Jeffreys opakoval pokus s vlastní DNA a byl překvapen ještě víc – opět se sondou reagovalo více fragmentů, ale byly to fragmenty jiné délky než v DNA laboranta. Postupně takto analyzoval DNA řady lidí a nikdy nebyl výsledný hybridizační vzor stejný – Alec Jeffreys objevil náhodně způsob, jak zobrazit jedinečnost DNA každého člověka. První využití této metody v kriminalistice bylo, když se na Jeffreyse obrátil vyšetřovatel, který vyšetřoval vraždy a znásilnění dvou dívek v Anglii. V obou případech byla zajištěna stopa spermatu a právě Jeffreys prokázal, že patří jednomu muži. Vyšetřvatel poté přistoupil k masovému testování mužů ve věku 16-34 let žijcích v okolí. Bylo analyzováno DNA 134

více než 4000 osob, až se nalezl skutečný pachatel. Případ vešel do historie, jelikož jako první byla použita metoda identifikace pomocí analýzy DNA, bylo první masové testování. Metoda identifikace podle DNA je využívána pouze k identifikaci osob v kriminalistice. DNA sebou nese i informace o náchylnosti k dědičným chorobám a tyto informace by pak mohly být zneužívány nežádoucími osobami nebo komerčními či zdravotními pojišťovnami, proto se u této metody neuvažuje i o rozšíření do komerční sféry.  DNA – Kód DNA si lze představit jako lineární nerozvětvený řetězec, tvořený střídáním čtyř možných prvků (nukleotidů) A, C, G a T, toto je velice zjednodušeně řečeno. Nukleotidy získaly své označení z názvů chemických sloučenin (bazí), kterými jsou tvořeny, adenin, cytosin, guanin a tymin. Chemické vazby mezi molekulami navíc zajišťují jednosměrnost kódu, tzn. že kód nelze číst pozpátku. Ty úseky DNA, které nesou informaci o stavbě příslušného organismu označujeme jako kódující, nebo-li geny. Podstatně větší část DNA informaci o stavbě příslušného organismu nenese proto se označuje jako nekódující. Metoda je sice extrémně spolehlivá, ale náročná na provedení a velice drahá. Provádí se v řadě dnů až týdnů. Získání DNA otisku se skládá přibližně z pěti kroků. Během nichž se ze vzorku tkáně vypreparuje nejprve celá spirála DNA, která je následně štěpena na enzym EcoR1 a posléze jsou fragmenty DNA prosévány, až se získá řetězec využitelné velikosti. Získané fragmenty jsou přeneseny na nylonovou membránu a po přidání radioaktivních nebo obarvených genových sond je získán rentgenový snímek – otisk DNA. Otisk má podobný vzhled jako čárový kód a proto je snadné jej převést do elektronické podoby.

12.2. Identifikace podle dynamiky podpisu Analýza ručně psaného písma je další behaviorální biometrickou metodou. Podpis osoby svým způsobem graficky reprezentuje identitu dané osoby. Svůj podpis často přikládáme jako souhlas s obsahem určitého dokumentu, formuláře atd. podpis je chápan jako vyjádření našeho souhlasu s patřičným dokumentem. V dobách, kdy lidé neuměli psát byl místo podpisu využíván otisk prstu. Grafologie je vědní obor, který se zabývá projekcí osobnosti a dalších psychických funkcí v ručně psaném písmě, tato vědní disciplína prokázala unikátnost podpisu. Byla vyvinuta v 19. století, ačkoli podpis se jako identifikační charakteristika využívá již několik set let. Problematika srovnávání písma je stará okolo 2000 let. Pí je ovšem mnohem starší, prvním předchůdcem písma byly piktogramy. Jeden obraz u piktogramů vyznačoval většinou jednu celou větu. Tito předchůdci písma se objevili někdy v době 4-5 tisíc let před naším letopočtem. Dalším stupněm při vývoji písma jsou ideogramy. Jedná se o smluvné znaky, kde každá znak vyjadřoval buď jedno slovo nebo podstatnou jeho část. Postupně se vyvíjelo k slabikovému a hláskovému písmu. Toto písmo se na některých územích udrželo až do současné doby a to například v Číně, Japonsku nebo na Korejském poloostrově. Souběžně s rozvojem egyptského písma hieroglifického v Mezopotámií došlo k rozvoji písma klínového. Okolo roku 1000 před naším letopočtem došlo k vytvoření Fénické abecedy. Každá 135

hláska zde je již vyjádřena jedním znakem a toto písmo se rozšířilo do celého tehdy známého světa. Z tohoto písma vychází i abeceda v antickém Řecku a tato se stala základem k pozdějšímu rozvoji písma latinského, které se s různými obměnami používá dodnes. A právě na základě řecké abecedy vzniklo i slovanské písmo Cyrilice, název má po svém tvůrci Cyrilovi. Jejím předchůdcem byla hlaholice Konstantina a Cyrila. Ze slovanských abeced se vyvinula dnes známá azbuka. Ta je rozšířena hlavně na území Ruska a ve státech bývalého Sovětského svazu, Bulharsku a v Srbsku. Na počátku 19. Století nastal prudký rozvoj písma kurzivního, a toto písmo je současně vyučováno ve školách jako písmo psací. S analýzou podpisu se setkáváme historicky mnohem dříve, než se zkoumáním samotného písma. Jelikož podpis je svazován s hmotnými i nehmotnými transakcemi, potvrzením autorství nebo našim souhlasem s určitými skutečnostmi, existují snahy o jeho napodobení nebo falzifikaci. Při porovnání podpisu s referenčním originálem se například můžeme setkat při platbě kartou, kdy prodavači kontrolují náš podpis se vzorovým originálem a snaží se najít odpověď na otázku, zda je skutečný a odpovídá nebo neodpovídá dané osobě. Porovnávání je ovšem v takovémto případě subjektivní. Vývoj technologií jde stále kupředu a různá zařízení jsou schopna rozpoznat naše ručně psané písmo a převádět jej do znakové podoby. Technologie jsou navíc schopné vyhodnocovat nejen výsledný statický obraz, ale i kompletní proces vytváření – psaní podpisu. Bude se tedy jednat o dynamické verifikace podpisu, které vyhodnocují v reálném čase rychlost psaní podpisu, tlak hrotu pera na podložku ve všech směrech v jednotlivých fázích rukopisu, rychlost jednotlivých obloučků, zvednutí pera od podložky. Vyhodnocuje se i směr a posloupnost psaní některých prvků, jako je škrtání, zdůrazňování určitých partií, psaní teček atd. Některé osoby píší např. háčky, čárky a tečky až na závěr, jiné zase průběžně. Někdo podtrhává nebo škrtá zleva doprava, jiný naopak. Toto je výhoda metody, jelikož případný útočník není schopen analyzovat z podpisu jeho dynamické vlastnosti, a je těžké systém obelstít. K identifikaci je nutné speciální podložky a pera, které jsou schopny požadované informace zaznamenávat. Tato metoda je vysoce akceptovatelná, jelikož lidé jsou zvyklí na podpis k ověření identity, jak tomu bývá při uzavírání smluv či transakcí. Pro uživatele je tato metoda přirozená a důvěryhodná. Problém při použití této biometriky mohou mít lidé jejichž dynamika podpisu se vždy výrazně liší. Pokud budeme mít dva absolutně stejné podpisy (jejich grafické podoby) jsou dnes chápány spíše jako možný výsledek podvrhu či falzifikace, než ideální shoda mezi podpisem a jeho originálním vzorem. Žádný člověk se totiž dvakrát nepodepíše absolutně stejně.

136

Obr. 94 Speciální pero a podložka firmy Interlink. [5] Individualizace písma - Písmo je výsledkem velmi složitých psychologických a fyziologických procesů, které postupně formují jeho individuální charakter. Invidualizací je myšleno jeho odchýlení od vyučované školní normy a také jeho jedinečnost v porovnání s ostatními jedinci. Charakter rukopisu určuje technický i grafický návyk. Vlastní formování stereotypu psaní je založeno na vytváření dočasných spojů v šedé kůře mozkové, tj. podmíněných reflexů. Vliv na individualizaci písma mají i anatomické vlivy jako např. stavba kostí, pohyblivost kloubů, vývoj svalstva, ostrost zraku apod. K vnějším vlivům patří např.: poloha pisatele, podmínky při psaní a prostředí. I tyto vlivy přispívají k odklonu od školních norem a tím i k individualizaci písma. Verifikace podle rozpoznávání písma podpisu osoby je jedna z nejpraktičtějších metod pro ověřování lidské identity. Jelikož podpis nemůže být ztracen, odcizen ani zapomenut. Jeho výhodou je přirozenost při používání v běžném životě, při každodenních operacích. Biomechanický proce podpisu je následující. Primární vzruch vzniká v centrálním nervovém systému – v lidském mozku s předem definovanou intenzitou a trváním. Nervový systém pak aktivuje příslušné svaly v definovaném pořadí. Pohyb pera po papíře, což je výsledek stahování a uvolňování svalů, zanechává stopu hrotu psacího nástroje. Existují dva základní typy pro rozpoznávání osob pomocí podpisu:  Off-line systémy – U tohoto systému se verifikovaná osoba podepisuje na běžný papír. Poté je až její podpis digitalizován skenerem nebo kamerou. Následně se určuje shodnost podpisu s referenčním vzorem uloženým v databázi. Tyto systémy se nazývají statické systémy. V dnešní době automatizovaného zpracování nejsou tyto systémy pro verifikaci osoby podle jejího podpisu příliš vhodné. Důvodem je princip metody porovnávání dvou statických obrazů podpisu, který je navíc v dnešní době náchylný k falzifikátům. Systémy mají své opodstatnění především ve forenzní praxi.

137

Obr. 95 Statické charakteristiky podpisu. [28] 1. Předzpracování – Zde se používají standartní algoritmy jako je vyhlazování, zjednodušování, skeletizace, segmentace a normalizace a další. Prahování - Každý pixel obrazu v celém svém spektru šedivosti je porovnáván s definovaným prahem. Podle toho zda daný práh převyšuje či nikoliv je mu přiřazena hodnota 0 nebo 1. Obraz je po prahování přeměněn do binárního obrazu. Vyhlazování a normalizace – Toto se používá k odstranění nevýznamných oblastí jako je šum v obraze. Poté se zpravidla používá i normalizace, obraz je převeden do určitého relativního měřítka. Zjednodušování – Používá se ke zjednodušování obrazové scény podpisu. Po zjednodušení šířka tahu hrotu psacího nástroje podél celé trajektorie podpisu je změněna na jediný pixel, takže vznikne jen základní kostra (skelet) podpisu. 2. Extrakce biometrických charakteristik – Charakteristiky u off-line systémů mohou být dvojího typu: Textově závislé – Zcela závisí na tom co uživatelé napíši. Většina těchto charakteristik má geometrické a topologické rysy. Textově nezávislé – Nezáleží na tom co lidi píší, jaký je obsah písemného sdělení. K extrakci těchto charakteristik se využívá texturové analýzy, transformačních metod a histogramů. Různé metody a přístupy statické analýzy písma využívají nejrůznější uzavřené smyčky a speciální body, jako jsou hraniční nebo křižující se body na křivce podpisu nebo využívají různé plochy, které vznikají jako oblasti ohraničené uzavřenou křivkou podpisu, např. horní a spodní uzavřené plochy. Společná kombinace obou charakteristik u off-line systému pro ověření osoby na základě podpisu zajišťuje vyšší rozlišovací schopnost. 3. Vyhodnocování – Jsou založeny na vyhodnocování vektorů charakteristik. Nejrozšířenější algoritmy využívají neuronové sítě a 138



statistické přístupy. Statistické přístupy jsou založeny na klasifikátoru nejbližšího souseda, K- klasifikátoru nejbližšího souseda, na lineárním a prahovém klasifikátoru. On-line systémy – Oproti předchozímu systému jsou charakteristiky právě psaného podpisu získávány v reálném čase pomocí specializovaného tabletu, nebo speciálně upraveného pera či jiným speciálním snímacím hardwarem. Všechna tyto zařízení zachycují nejen statické, ale hlavně i dynamické charakteristiky podpisu v průběhu jeho samotného vzniku. K dynamickým vlastnostem patří rychlost psaní, tlak pera v jednotlivých bodech trajektorie, pořadí psaní jednotlivých částí podpisu a další. Tyto online systémy se někdy nazývají dynamické systémy pro ověřování osoby podle podpisu. Charakteristiky u této metody můžeme rozdělit do dvou tříd a to na statické a dynamické. Tyto charakteristiky jsou obvykle extrahovány v průběhu celého procesu podpisování se. Jsou to např. průměrná rychlost psaní, maximální rychlost psaní, měření vlastností zakřivení tahů, poměr dlouhých a krátkých tahů, různé délky segmentů podpisu atd. Dynamické charakteristiky jsou vyjádřeny pomocí časové funkce, kde je podpis charakterizován v každém časovém okamžiku jeho vzniku. 1. Předzpracování a extrakce charakteristik - Charakteristiky u on-line systémů mohou být v podstatě dvojího typu: Statistické charakteristiky – na ně se rovněž můžeme dívat jako na parametry, které jsou obvykle vyjádřeny jako vektor charakteristik P=(p1,p2,…pm)T. Kde m je rozměr vektoru P, udává počet parametrů. Takovými charakteristiky mohou být například průměrná rychlost psaní, maximální rychlost psaní, měření vlastností zakřivení tahů, poměr dlouhých a krátkých tahů, různé délky segmentů podpisu atd. Tyto charakteristiky se obvykle extrahují v průběhu celého procesu podepisování. Dynamické charakteristiky – Jsou vyjádřeny časovou funkcí, která charakterizuje podpis v každém časovém okamžiku jeho vzniku. Časová funkce popisuje pozice hrotu pera pomocí souřadnic x(t) a y(t), také rychlost v(t), zrychlení a(t), tlak hrotu pera na podložku p(t) a samozřejmě další.

139

Obr. 96 Základná atributy dynamického podpisu: tlak hrotu pera na horním obrázku, jeho rychlost uprostřed a zrychlení dole. [28] Při předzpracování záleží hlavně na tom jaké charakteristiky chceme využít pro další zpracování. Pokud se rozhodneme pro statistické charakteristiky tak předzpracován bude poměrně jednoduché a primárně zaměřeno na redukci šumu, detekci mezer (přerušení linií tahu hrotu psacího nástroje na dvourozměrné psací ploše) a normalizaci. 2. Verifikace – Uživatel před samotnou verifikací musí nejdříve vložit do systému své ID číslo. Systém extrahuje množinu referenčních charakteristik, jež jsou linkovány se vstupním identifikačním číslem, z referenční databáze. Tyto referenční charakteristiky byly do databáze vloženy v procesu vzorového podpisu. Poté se uživatel podepíše na speciální vstupní zařízení, může se jednat o tablet, elektronické pero… Aplikace získává trajektorii a další vlastnosti podpisu a ukládá ji jako vzorek. Následně počítá míru ztotožnění s refenčními a právě nasnímanými charakteristikami a porovnává je s předdefinovaným prahem citlivosti. Podle toho rozhodne, zda daná osoba bude akceptována či odmítnuta. 3. Práh citlivosti – Správné určení prahu citlivosti hraje významnou roli, neboť určuje jak celkovou výkonnost, tak i spolehlivost aplikace. Pokud bude práh citlivosti příliš nízký. Poroste pravděpodobnost chybného přijetí FAR, ale pravděpodobnost nesprávného odmítnutí bude klesat a naopak. V obecných aplikacích se často setkáváme s doporučením stejného nastavení prahu citlivosti pro FAR i FRR. Ale pokud bude kladen velký důraz na bezpečnost aplikace, je akceptace neoprávněného uživatele nepřijatelná a tomu odpovídá i specifické nastavení prahu citlivosti. Dokonce ve specifických aplikacích může být práh citlivosti nastaven individuálně pro každého uživatele. 140

Proces verifikace osoby na základě jeho podpisu se skládá ze dvou základních kroků:  Z prvního kroku učení – v tomto kroku systém používá extrahované charakteristiky z jednoho nebo více pokusných vzorků, proto aby vytvořil referenční databázi podpisu. Potom bude každé podpisující se osobě přiděleno její vlastní identifikační číslo ID. Jedná se o unikátní identifikační klíč pro podpisující se osobu a je právě spojeno s databázi se vzorem jejího referenčního podpisu.  A z druhého kroku testování (vlastní verifikace podpisu) – V tomto kroku se bude podpisující osoba přihlašovat pod svým ID číslem a bude se podepisovat na speciální vstupní zařízení. Podle zadaného ID verifikační systém vyhledá v databázi referenční podpis (šablonu) a porovná ji s charakteristikami podpisu sejmutého ze vstupního zařízení. Výsledkem celého procesu bude zda daná osoba byla verifikována (ověřena) či nikoliv.

Obr. 97 Biometrický podpis. [47]

12.3. Identifikace podle psaní dynamiky na klávesnici Jedná se o další behaviorální charakteristiku. Základem systému je měření doby stisku klávesy a času mezi jednotlivými stisky. Šablona psaného vzoru by měla být pro každého jedince jednoznačná, protože každý z nás má jiné neurofyziologické faktory, které rytmus psaní ovlivňují. Tato identifikace nebyla objevena až s příchodem počítačů. První zmínky této metody můžeme nalézt již za druhé světové války, kdy experti porovnávali dynamiku psaní morseovky od jednotlivých agentů s referenčním vzorkem. Armáda tuto metodu nazývala „Fist of the Sender“. Při analýze vzorů psaní nás nezajímá ani tak obsah psané zprávy, ale způsob jakým byla zpráva napsána a tomuto podřizujeme i výběr sledovaných rysů. Nejčastěji se sledují tyto rysy: 141



Časové prodlevy mezi úspěšnými stisky kláves, jedná se o čas, který uběhne mezi uvolněním staré klávesy a stiskem nové klávesy. Za povšimnutí stojí fakt, že měření rozdílu časů uvolnění jedné klávesy a stisknutí následující může vést k záporným hodnotám. Tomu odpovídá například používání dobře známých klávesových zkratek „ALT+F4“, „CTRL+C“ a jim podobných, kdy uživatel stiskne další klávesu ještě před uvolněním předcházející.



Délka trvání každého stisku (jak dlouho je každá klávesa stisknuta).



Poloha prstu na klávese.



Tlak aplikovaný na klávesu – Každý uživatel, během psaní nepůsobí na všechny klávesy stejnou silou. Záleží především na tom, kde se daná klávesa nachází a kterým prstem je klávesa stisknuta. Pro tento typ měření samozřejmě nepostačuje obyčejná klávesnice, ale musí se použít speciální varianta klávesnice měřící sílu stlačení.



Celková rychlost psaní – Do určité míry má každý uživatel odlišnou rychlost psaní na klávesnici, proto se zkoumá celkové množství stisknutých kláves za určitou dobu.



Frekvence chyb – Každý uživatel, přidá do textu časem překlep, který zpravuje stiskem klávesy backspace. A právě sledování stisku této klávesy poskytuje nástroj pro výpočet celkové frekvence chyb, přitom se předpokládá, že bude použit dostatečně dlouhý text. Například kombinace login-heslo pro tento účel není postačující nejen kvůli své krátkosti, ale také proto, že uživatelé mají přihlašovací sekvenci dobře zažitou a nedopouštějí se chyb.



Styl psaní velkých písmen – V tomto případě se sleduje, zda uživatel při psaní velkých písmen nejprve uvolní klávesy shift nebo klávesu s daným znakem.

Při záznamu dynamických vlastností úhozu hraje roli i samotné psané slovo, protože ergonomie klávesnice neumožňuje stejné napsání slova „Martin“ a např. „987654“. Proto je dynamika stisku kláves závislá i na psaném textu. Existují dvě možné verifikace při identifikaci pomocí dynamiky stisku kláves:  Statická verifikace – U statické verifikaci jsou stisky kláves analyzovány pouze ve specifických časových okamžicích, například při přihlašování do systému. Umožňují mnohem robustnější verifikaci, než pouze samotným heslem. Avšak neposkytují průběžnou bezpečnost, Neumí identifikovat záměnu uživatelů po přihlášení k počítači.  Průběžná verifikace – Oproti tomu u průběžné verifikace, se monitoruje celkové chování uživatele během jeho práce s počítačem. Její nevýhoda 142

ovšem spočívá v tom, že musí neustále běžet vyhodnocovací proces, což se nepříznivě projevuje na zatížení počítače. Princip metody od firmy Biopassword inc., která si nechala patentovat technologii Biopassword je následující. Uživatel zadává referenční vzorek, čím je delší, tím lépe. Minimálně se však jedná o text, kde se osmkrát opakuje osm znaků. Tento text je pak potřeba napsat minimálně patnáctkrát. Vidíme tedy, že pro uživatele je tento způsob zavádění poněkud zdlouhavý a nepříjemný. Tento software je následně schopen, při přihlašování uživatele ke stanici, identifikovat člověka a případně mu zamítnout přístup. Tato technologie není příliš hardwarově náročná, jelikož vstupním zařízením může být jakákoliv klávesnice. Z toho vyplývá, že srdcem biometrické systému je softwarová aplikace. Dvě po sobě psaná písmena se nazývají digraf, tři po sobě napsaná písmena pak trigraf. Délka trvání u trigrafu se určuje časem od stisku první klávesy až po uvolnění poslední třetí klávesy. U digrafů je to čas mezi první a druhou klávesou. Budeme mít například text „america“, který pomocí trigrafů rozložíme: ame=277ms, mer=255ms, eri=297ms, ric=326ms, ica=235ms Ve vektoru se tyto hodnoty budou ukládat ve vzestupném pořadí: ica=235ms, mer=255ms, ame=277ms, eri=297ms, ric=326ms Stupeň „nepořádku“ je pak sumou absolutních změn v pozici mezi dvěma uspořádanými poli. Mezi výhody této metody patří její akceptovatelnost, neinvazivnost, možné průběžné monitorování uživatele a detekce případného náhlého proniknutí do systému neautorizovaným uživatelem, Umožňuje tvorbu silného hesla, které se skládá z běžného textového hesla a dynamického vzorku zaznamenaného při jeho psaní. Nevýhodou této metody je vysoká míra FRR díky změně tylu psaní. Metoda je citlivá na změnu klávesnice.

12.4. Identifikace podle dynamiky pohybu myší Stejně jako předchozí i tato behaviorální charakteristika je uživatelsky veřejností akceptovatelná. Princip metody je jednoduchý, identifikující osoba musí za pomoci myši nakreslit nějaký předem určený vzor, který již byl předem uložen do databáze ve formě etalonu. Software z takto nakresleného vzoru extrahuje důležité rysy, jako jsou pozice, rychlost tahu, úhly a zaoblení, jež následně porovnává s referenčním vzorkem v databázi. Tato technologie je zatím stále ve vývoji.

12.5. Identifikace podle ucha V zemích Indočíny byla v dávných dobách délka ušního lalůčku považována za znak moudrosti. Proto na všech sochách ztvárňujících podobu Budhy můžeme pozorovat neobvykle dlouhé ušní lalůčky. Aristoteles považoval délku ušních lalůčku za znak dobré paměti. Prvním vědcem, který navrhl exaktní metodu měření vnějšího tvaru ucha, byl Schwalbe. Jako první poukázal na závislosti tvaru lidského ucha na jednotlivých lidských rasách. Tvar, rozměry a umístění uší používal jako jeden z identifikačních znaků při antropometrických měřeních francouzský kriminalista Alphonse Bertillon. Z českých vědců využití tvaru ucha pro identifikaci zkoumal 143

pražský ušní lékař R. Imhofer. Identifikace osob na základě morfologických charakteristik lidského ucha ve spojitosti s místem trestného činu popsali důstojníci Söderman a O’Connell. Ti definovali význačné části ucha. Doporučili používat tyto identifikační markanty: tvar ušní mušle, kozlíku a protikozlíku. Trube-Becker z Düsseldorfu poukazuje na skutečnost, že neexistují dvě absolutně identické uši, ale pouze uši podobné. Ani uši od jedné osoby nejsou identické, mezi pravým a levým uchem existují rozdíly. Toto platí i pro uši jednovaječných dvojčat. Otisky ucha je možné snímat podobně jako otisky daktyloskopické a uchovávat je pro další zpracování.

12.5.1

Anatomie lidského ucha

Ucho je sluchový orgán a skládá se ze tří základních částí, vnější ucho, střední ucho a vnitřní ucho. Vnější ucho je složeno z boltce, zvukovodu a bubínku. Boltec je tvořen chrupavkou, pouze lalůček chrupavčitou kostru nemá. Střední ucho je systém vzduchem vyplněných dutin, vystlaných sliznicí. Začíná bubínkem, na nějž jsou napojeny tři sluchové kůstky (kladívko, kovadlinka a třmínek). Ty přenáší zvuk od bubínku do vnitřního ucha. Vnitřní ucho leží v kostěném labyrintu kosti skalní.

Obr. 98 Anatomie ucha. [35] V kriminalistické praxi se využívá jen vnějšího ucha. Ušní boltec se vytváří poměrně brzy během vývoje lidského plodu. Jeho podoba zůstává stejná po celou dobu od narození až do smrti. Během růstu dochází ke změnám velikosti, ale relativní vzdálenosti mezi jednotlivými markantami a tvar částí ušního boltce zůstává stále stejný.

144

Obr. 99 Základní anatomické charakteristiky vnějšího ucha v názvosloví latinském a českém v tabulce 3.[28] Tabulka 3 Základní anatomické charakteristiky vnějšího ucha v názvosloví latinském, českém. Číslo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Názvosloví latinské crus helicis helix tuberculum auriculae sulcus helicotragicus tuberculum anterior tragus

Názvosloví české rameno závitu vnější kožní val boltce, závit Darwinův ušní hrbolek závitovo-kozlíkovitá rýha přední hrbolek kozlík – vyvýšenina na boltci, z níž rostou chloupky (tragipili) incisura intertragica rýha mezi tragem a antitragem, mezikozlíkový zářez antitragus protikozlík, vyvýšenina na boltci proti tragu cavum conchae dutina mušle anthelix část ušního boltce, ležícího proti jeho zevnímu valu, protizávit crus inferior anthelicis dolní rameno crus superior anthelicis horní rameno lobulus auriculae lalůček boltce, ušní lalůček fossa triangularis trojúhelníková jamka scapha člunek, člunkovitá rýha mezi helixem a anthelixem cymba conchae člunek mušle meatus acusticus vchod do zvukovodu externus

Rozlišujeme čtyři základní tvary ušního boltce: tvar oválný, kulatý, obdélníkovitý a trojúhelníkovitý.

145

Obr. 100Základní tvary vnějšího ucha. A - oválný, B - kulatý, C - obdélníkovitý, D Trojúhelníkovitý. [28] Pro identifikaci nejvýznamnějšími součástmi vnějšího ucha jsou:  helix (lišta vroubící boltec),  antihelix (val souběžný s lištou),  tragus (chrupavčitá vyvýšenina na přední hranici ušního boltce),  antitragus (výrazný hrbolek na dolním konci antihelixu),  tzv. Darwinův hrbolek (vyvýšenina na zadním okraji helixu, která však nemusí být vždy patrná),  ušní lalůček. Četnost a rozměry jednotlivých markant ve vztahu k tvaru a rozměrům ušního boltce vytváří originální tvar dobře využitelný k individuální identifikaci jedince.

12.5.2

Metody identifikace

Tato identifikace je založena na individuálním tvaru a morfometrické stavbě ušního boltce každého jedince. Existuje několik typů identifikace:  Dle morfometrických vztahů – v tomto případě je předmětem zkoumání geometrie ušního boltce a to ve 2D nebo 3D formě. Ucho je ze vzdálenosti 0,5 – 1 metru snímáno optickým snímacím zařízením. Zkoumanými daty jsou v tomto případě rozměry, tvary, položení významných bodů či křivky. Ty jsou vyhodnoceny příslušným algoritmem a porovnány s databází. U této metody je velkou nevýhodou množství chyb vznikajících překrytím části ušního boltce vlasy nebo pokrývkou hlavy.

146

Obr. 101 Geometrické charakteristiky ucha. [5] 



Dle otisku struktur ušního boltce – je velmi podobná technologii na rozpoznávání otisků prstů, ale protože není uživatelsky přívětivá využívá se jen ve forenzní oblasti. Dle termogramu – v termografickém snímku se zkoumá rozložení tělesné teploty. Lze použít u plně nebo částečně zakrytých ušních boltců. Využívá snímání obrazu ucha v infračerveném pásmu.

Obr. 102 Termografický snímek ucha. [5] 

Dle ozvěny vracené kanálkem – tuto techniku navrhl roku 2003 A. Brown, čtecí zařízení je v tomto případě jakousi obdobou telefonního sluchátka, za kterého se při identifikaci ozývá posloupnost různých klapavých zvuků. Následně se analyzují ozvěny vrácené uchem. Jsou to tzv. otoakustické emise. Dle mínění vynálezce metody by tato metoda mohla nalézt uplatnění například v ochraně mobilních telefonů před zneužitím a odcizením.

12.6. Identifikace založena na tvaru nehtového lůžka Pokud se podíváme zblízka na lidský nehet můžeme spatřit, že jeho povrch není zcela rovný. Při svém růstu nehet kopíruje tvar lůžka, které se nachází pod ním a získává tím svůj jedinečný vlnitý tvar. Testováním se prokázalo, že člověk má každý nehet jinak zvlněný a to samé platí i ve srovnání s dalšími osobami. Mezi nehtem a lůžkem pod ním se nachází přírodní polymer kreatin, jenž dokáže měnit orientaci polarizovaného světla. Pokud se tedy osvítí pod správným úhlem lze pakl analyzovat 147

fázové změny paprsku po odrazu. Reprezentativní vzorek lůžka nehtu připomíná čárový kód. Nevýhodou této metody je nemožnost sejmout nehtové lůžko na ruce s umělými nehty.

Obr. 103 Identifikace podle nehtu. [36]

12.7. Identifikace založena na absorpčním spektru lidské kůže Jedna z nejnovějších a nejméně prozkoumaných charakteristik využívá toho, že lidská kůže je nejen odlišná na pohled, ale také svou vnitřní strukturou. Vrstvy kůže mají odlišnou tloušťku, ale i rozhraní mezi nimi se odlišně vlní a také tvar a hustota buněk uvnitř těchto vrstev je rozdílná. Kolagenové a pružná vlákna se u každého člověka liší, i kapilární lůžka jsou odlišná ve své hustotě a rozmístění, dále se liší velikost a hustota buněk uvnitř pleťových vrstev.

Obr. 104 Princip metody skin spektroskopu se senzorem zn. Lumidigm.[36] Snímání probíhá pomocí zařízení, které je složeno z několika LED diod o různých vlnových délkách (od viditelného až k blízkému infračervenému světlu), ty ozařují kůži a analyzuje se rozptýlený odraz, který je zachycený fotodiodami. Každá vlnová délka světla se láme a odráží v jiné vrstvě pokožky a od jiných struktur kůže. Poměr diod na snímači může být například 32 ku 5. Tato technologie je do jisté míry podobná ultrazvukovému snímání otisku prstu.

12.8. Identifikace založená na pachu osoby 148

Pro civilní použití se tato technika jeví stále jako okrajová, ale své využití nachází již řadu let v policejní praxi, kde se využívá pachových stop jako nepřímých důkazů. Lidský pach může být při dostatečně přesném měření poměrně spolehlivým identifikačním znakem. Lidský pach obsahuje kolem třiceti sloučenin, jejichž intenzita či absence vytváří u každého jedince svůj jedinečný profil. V dnešní době neexistují dostatečně přesné senzory, které by bylo schopné porovnávat více než jednu pachovou stopu zároveň. Další problém u této metody nastává při změně pachových stop v různých emocionálních či hormonálních výkyvech. Pro reálné nasazení této metody do praxe je zatím jen otázkou budoucnosti.

149

13 Charakteristika technologií 13.1. Duhovka 



Akceptace uživateli – Akceptace uživateli u této metody je na střední úrovni. Uživatel musí jen stát před zařízením v určité vzdálenosti a dívat se směrem na snímač. Doba sejmutí a vyhodnocení obrazu je asi dvě vteřiny. Spolehlivost – Jedná se o poměrně spolehlivou identifikační metodu. I když může docházet k získávání nedostatečných informací vlivem okolního osvětlení, přivřených víček apod.

13.2. Sítnice 



Akceptace uživateli – U této metody je akceptace uživateli velice nízká. A to hlavně z důvodů strachu, uživatelé jsou přesvědčeni, že se zde používá laser a ten jim poškodí zrak. Další nevýhodou je zdlouhavá procedura zisku obrazu sítnice. U snímání sítnice je také nutná přímá interakce uživatele. Spolehlivost – Spolehlivost je vysoká. Tato metoda je náchylná na některé podmínky, které musí být při snímání dodrženy. Jako je například dodržení správné vzdálenosti mezi snímačem a okem.

13.3. Geometrie ruky 



Akceptace – Tyto zařízení pro rozpoznávání geometrie ruky jsou velice rozšířená. Za celou dobu jejich používání nebylo zjištěno, že by uživatelé měli k těmto technologiím negativní vztah. Je středně až dobře akceptovaný uživateli. Spolehlivost – Každá metoda pro rozpoznávání osob pomocí geometrie ruky vykazuje různou míru spolehlivosti. Úspěšnost metod je znázorněna ROC křivkami.

Obr. 105 ROC křivka spolehlivosti pro metodu založenou na přímých měřeních. [33] 150

Na obrázku 117 je znázorněna ROC křivka, která vyjadřuje spolehlivost na metodě založené na přímém měření. Testování bylo provedeno na databázi 50 uživatelů s 360 snímky pro vyhodnocení.

Obr. 106 ROC křivka spolehlivosti pro metodu založenou na metodě zarovnání rukou. [33] Na obrázku 118 je znázorněna ROC křivka, která vyjadřuje spolehlivost na metodě založené na zarovnání rukou. Testování bylo provedeno na databázi 53 uživatelů s 353 snímky pro vyhodnocení.

Obr. 107 DET křivka spolehlivosti pro metodu založenou na rozpoznávání člověka pomocí analýzy šířky prstů. [33] 151

Na obrázku 119 je znázorněna DET křivka, která vyjadřuje spolehlivost na rozpoznávání člověka pomocí analýzy šířky prstů. Výsledky zde jsou pro pravou i levou ruku. Testování bylo provedeno na 642 snímcích.

Obr. 108 ROC křivka spolehlivosti pro metodu založenou na rozpoznávání člověka podle 3D geometrie ruky. Je znázorněno 5 křivek odpovídající různému počtu M snímaných obrázků. [33] Na obrázku 120 je znázorněna ROC křivka, která vyjadřuje spolehlivost na rozpoznávání člověka podle 3D geometrie ruky. Testování bylo provedeno na 73 dobrovolnících. Při porovnávání šablony a aktuálně snímaného obrázku se bral v potaz jeden či více snímků. V případě použití více snímku bylo provedeno zprůměrování jednotlivých skóre.

13.4. Technologie žil ruky  

Akceptace – Akceptace u této metody je vzhledem k nízkým nárokům na uživatele vysoká (udává se 99,8%). Spolehlivost – Technologie založená na žilách ruky (resp. prstů) poskytuje vysokou přesnost FAR= 10-4%, FRR= 10-1%, technologie žil dlaně ruky je FAR= 1%, FRR= 0,5%, spolehlivost senzorů pro žíly prstu se pohybu FAR< 10-4%, FRR~ 10-2%, přesné hodnoty jsou vždy závislé no konkrétní implementaci algoritmů a realizaci daného zařízení.

13.5. Otisk prstu 

Akceptace uživateli – Vzhledem k masivnímu rozšíření této technologie do běžného života, nebývá s akceptací uživateli velký problém. S touto metodou 152



se dnes můžeme setkat skoro všude, jsou implementovány do notebooků, mobilních telefonů do různých docházkových či přístupových systémů. Nicméně část obyvatel má obavu ze zneužití otisků prstů anebo si negativně spojuje otisky prstů s kriminální policií a vyšetřováním. Mnoho systému pro detekci otisků má zabudovanou detekci živosti, která odhaluje falešné či mrtvé prsty. Bezpečnost této technologie je na vysoké úrovni. Spolehlivost – Technologie snímání otisků prstů na biometrickém trhu zastupuje největší část. Mají vysokou biometrickou entropii (jsou vhodné na rozpoznávání velkého počtu obyvatel). Pravděpodobnost shody dvou otisků prstů se pohybuje řádově v rozmezí 10-7 až 10-80.

13.6. Rozpoznávání podle obličeje 



Akceptace – Řadí se mezi nejlépe akceptované biometriky, snímání je bezkontaktní, uživatel nemusí mít obavy z žádných vedlejších účinků. Ukládaná data neobsahují žádné informace, který by uživatel chtěl udržovat v tajnosti. Spolehlivost – Většina vědeckých prací dosahuje téměř 100% výsledků, problém však je, že jsou vyhodnoceny na jedné sadě snímků, často nasnímané v ideálních podmínkách laboratoří. V praxi úspěšnost klesá: o Stejný den, stejné osvětlení: FAR=2%, FRR=0,4% o Stejný den, různé osvětlení: FAR=2%, FRR=9% o Různé dny (>1rok): FAR=2%, FRR=11% (43%)

13.7. Rozpoznávání podle hlasu 



Akceptace – Systémy založené na rozpoznávání hlasu mají velice vysokou akceptaci, a to především proto, že hlas patří mezi naprosto běžné prostředky identifikace mezi lidmi, a právě to předurčuje lidský hlas k tomu, aby byl jednou z nejlépe přijímaných biometrických technologií. Spolehlivost – Oproti tomu spolehlivost u této metody patří mezi ty nejnižší vůbec. Toto je způsobeno povahou řečového signálu. Člověk je schopen vlastní vůli ovlivnit svůj hlas a mnohdy může být hlas ovlivněn i nemocí nebo psychickým či fyzickým stavem. Za těchto okolností člověk mnohdy ani není schopen poznat mluvčího podle jeho hlasu, například po telefonu. Spolehlivost těchto systémů je tedy značně nestabilní. Základní hodnota EER je zhruba 3%. Tabulka 4 Výčet základních biometrik s některými vlastnostmi.[5] Biometrika

Otisk prstu Geometrie ruky Rozpoznávání obličeje

Přesnost Cena Proměnlivost Uživatelská Celkem V čase nepříjemnost ●●● ●●○ ●●● ●○○ ●○○ ●●○ ●●○ ●●○ ●●○ ●●○ ●●○ ●●○ ●●○ ●●○ ●○○

153

Oční duhovka ●●● Oční sítnice ●●● Lůžko nehtu ●●● DNA ●●● Ověřování hlasu ●○○ Dynamika podpisu ●○○ Dynamika stisku kláves ●●○ Hodnota Nízká ●○○

●●● ●○○ ●●● ●●○ ●●○ ●●○ ●●● ●○○ ●●● ●○○ ●●○ ●○○ ●○○ ●○○ Střední ●●○

154

●○○ ●●● ●●○ ●●● ●○○ ●○○ ●○○ Vysoká●●●

●●● ●●○ ●●○ ●●○ ●●○ ●●○ ●●○

14 "Nebiometrická" autentizace Pojem autentizace pochází z německého slova Authentisierung. Obecně slouží k ověření uživatelovy proklamované identity a následnému řízení přístupu k některé z jeho poskytovaných služeb, dat. Hlavním úkolem autentizace tedy bude zamezení přístupu nepověřených osob, k chráněným službám a datům.

14.1. Autentizace heslem Nejpoužívanější metodou zabezpečení pro přístup do systému je stále použití hesla. Velký vliv na to má použití v osobních počítačích, kdy toto heslo používáme v počítačových sítích, u emailových účtů, k přístupu do elektronického bankovnictví, u SIM karet mobilních telefonů a u platebních karet a dalších. Bezpečnost je v tomto případě zajištěna tím, že jen určitý počet uživatelů, v nejlepším případě pouze jeden, si pamatuje určitou posloupnost znaků o určité délce, která mu umožní přístup do chráněné oblasti. Nevýhodou hesel je relativně malý stupeň zabezpečení, možnost dekódování speciálními programy nebo zapomenutí hesla. Mezi výhody patří nízká cena pořízení a snadná realizace. Bezpečnost hesla lze však zvýšit vhodnou kombinací malých a velkých písmen nebo speciálních znaků, dostatečnou délkou, neobvyklými slovy nebo frázemi a nepoužívat hesla, která nějak souvisí s osobou vlastníka, jako je jméno, datum narození… Heslo by mělo být měněno v pravidelných časových intervalech, nemělo by být nikde zaznamenáváno a nemělo by se používat k více zabezpečením. Charakter správného hesla:  Obsahuje malá i velká písmena, číslice, speciální znaky dostupné na klávesnici,  má dostatečnou délku, minimálně 6 či 8 znaků,  nejedná se o obvyklé slovo či frázi,  nelze heslo odvodit ze znalostí osoby vlastníka,  je pravidelně obměňováno (přibližně co 2 měsíce),  je distribuováno zabezpečeným způsobem,  není nikde poznamenáno.

14.2. Autentizace předmětem U tohoto zabezpečení je potřeba speciálního předmětu – tokenu, který je u přístupu vždy vyžadován. Token je elektronický klíč, který lze využít v mnoha aplikacích. Jedná se o jedinečný předmět, který je možná co nejhůře kopírovatelný a je vybavený autentizační informací, kterou se ověřuje identita daného uživatele. Jeho výhodou a zároveň i nevýhodou je přenositelnost, proto by měl být používán zároveň i s jiným zabezpečím jako je heslo nebo biometrický vzorek uživatele. Podle potřeb tokeny mohou nést šifrovací klíč, elektronický podpis nebo například biometrické údaje. Takové tokeny bývají většinou vybaveny USB konektorem pro připojení. Některé tokeny se připojují bezdrátově a to například pomocí RFID nebo Bluetooth a generované klíče se odesílají přímo do klientského systému. Typy tokenů: 155

   

Tokeny pouze s pamětí (magnetické, elektronické nebo optické karty) jedná se o obdobu mechanického klíče. Tokeny s heslem, vyžadují zadání hesla zároveň s jeho použitím. Mohou to být například platební karty. Logické tokeny – zpracovávají jednoduché podněty, například vydej klíč/cyklickou sekvenci klíčů. Inteligentní token (smart card) - mohou mít vlastní vstupní zařízení pro komunikaci s uživatelem, mohou umět šifrovat a generovat náhodná čísla.

Dále lze tokeny rozdělit podle uložiště. Jako uložiště označujeme předměty, kde je autentizační informace pouze uložena a k samotné autentizaci dochází na jiném zařízení. Uložiště se dělí na dvě třídy:  S nechráněnými daty – z tohoto uložiště lze informaci vyčíst bez jakéhokoliv omezení, za použití vhodného čtecího zařízení.  S chráněnými daty – U tohoto uložiště se nachází vyšší stupeň ochrany, kde jsou autentizační informace chráněny jednoduchou kryptografickou šifrou (je nutná znalost dešifrovacího klíče) nebo k jejich vyčtení bude potřeba znát heslo popřípadě klíč. o s přístupovou ochranou o s kryptografickou ochranou Každý token v sobě obsahuje informaci, která je skrytá a využívá se k ověření identity. S touto informací může být nakládáno několika způsoby:  Statické heslo – Token obsahuje heslo, které je fyzicky skryto a při každé autentizaci se přenáší. U tohoto typu je malá odolnost vůči opakovatelným útokům.  Synchronní dynamické heslo – Za pomocí časovače jsou procházeny kombinace kódů, které jsou vygenerované šifrovacím algoritmem. Časovač tokenu a autentizačního serveru musí být synchronizovány. Tyto časově synchronizovaná hesla jsou jednorázová hesla, měnící se v pravidelném časovém intervalu, například jednou za minutu. Aby vše správně fungovalo, musí být synchronizace mezi uživatelským tokenem a autentizačním serverem. Hlavní problém u těchto tokenů nastává. Že mohou v průběhu doby přestat synchronizovat.  Asynchronní heslo - Bez použití časovače je generováno jednorázové heslo podle šifrovacího algoritmu nebo podle Vernamovy šifry. Generuje se série jednorázových hesel z tajného sdíleného klíče. Každé heslo je unikátní a neuhodnutelné, i přesto že jsou předchozí hesla známá.  Challenge-response (výzva – odpověď) – U tohoto typu je použit veřejný klíč, podle kterého se prokazuje vlastnictví privátního klíče bez jeho vyzrazení. Veřejným klíčem je zašifrována výzva autentizačního serveru. Token prokazuje vlastníka tak, že privátním klíčem dešifruje výzvu. 156

Ty nejjednodušší tokeny není potřeba připojovat k zařízení, jsou opatřena LCD displejem, ze kterého uživatel opíše zobrazené číslo do přihlašovacího formuláře. Nepřipojitelné tokeny patří k nejpoužívanějším bezpečnostním tokenům, obvykle jsou použity v kombinaci s heslem. Existují i složitější tokeny, které se k zařízení připojují například přes USB, 3,5mm jack nebo bezdrátově přes Bluetooth, RFID nebo WIFi. Tento typ automaticky po připojení přenáší data nutná k autorizaci, není potřeba, aby uživatel data zadával ručně. Nejpouží vanější připojitelné tokeny jsou čipové karty, USB tokeny.

14.2.1

Karty s magnetickým pruhem

Jedná se o tokeny s pamětí. Čtečka magnetických identifikačních karet načte informaci z magnetického záznamu na kartě, převede ji na elektrický signál a předá k dalšímu zpracování. Čtečka nevyhodnocuje oprávnění vstupu to je práce případného přípojného terminálu, přístupové jednotky nebo počítače a podobně. Základem magnetických karet je klasický magnetický pásek. Proužek magnetických karet funguje na principu magnetického záznamu, který je používán například u magnetofonových kazet či počítačových disket. V proužku je obsaženo množství magnetických částic kovového základu, který je schopný uchovávat údaj. Po zmagnetizování se na jeho povrchu vytvoří spousta malých permanentních magnetů. Pokud bychom chtěli zaznamenat na kartu data, budeme potřebovat dosti silnou magnetickou indukci, která bude působit na jeden z permanentních magnetů. Je důležité působit přesně jen na jedno místo, aby nedocházelo k ovlivňování samotného procesu záznamu a znehodnocení dat, která nechceme, aby se přepsala. Magnetický proužek má dvě nebo tři datové stopy pro záznam identifikačních údajů. První stopa obsahuje numerické nebo alfanumerické znaky o velikosti 79 Bajtů. Druhá stopa obsahuje pouze numerické znaky o velikosti 40 Bajtů a poslední třetí vrstva obsahuje opět pouze numerické znaky o velikosti 107 Bajtů. Životnost karty je velmi vysoká, a spolehlivost uložených dat také. Výhodou a zároveň nevýhodou karty je, že je na ní možné ukládat záznam, ale taky je možné je j i přepsat. Výhodu to má v tom, že karta je dynamická a starší záznamy je možné přepsat a nevýhodou to je, pokud je karta vystavena silnému magnetickému poli by se data mohla poškodit. Rovněž kopírovatelnost karet je velmi snadná, navíc při každém průchodu či příjezdu musíte vytáhnout kartu a přejet jim přes snímač.

Obr. 109 Magnetický proužek. [37] Magnetické karty jsou velmi levné, ale podléhají i opotřebení, které je způsobeno několika vlivy:  Mechanické poškození – může vznikat protahováním snímače, 157

 

14.2.2

Nošením karty v kapse nebo obalu, Přítomností magnetických polí.

Čipové karty

Čipových karet existuje spousta druhů, které jsou poměrně malé a přenosné. Tyto karty bývají často vyrobeny z PVC (polyvinylchloridu), ABS (akrylonitrilbutadienstyrenu) nebo polykarbonátu. Velikost karet je dána normou ISO – 7810 typ ID – 1 s rozměry 85,60 x 59,38 x 0,76 mm. Integrovaný obvod slouží pro příjem, zpracování dat a vrací požadované informace. Karty s pod standardem ISO jako IIC označují (Integrated Circuit Card). Obsahují integrovaný obvod s procesorem a chráněným paměťovým prostorem, kam se ukládá soukromý klíč s certifikátem. To je pak zalisováno v kartě a s vnějším okolím mohou komunikovat třemi způsoby:  Dotykově – využívá se zde kontaktních plošek, které jsou umístěné na kartě. Je zde nutné vložit kartu do čtecího zařízení, dojde k fyzickému propojení kontaktů karty se čtecím zařízením.

Obr. 110 Rozložení pinů čipové karty. [39]





Každý z kontaktů má svůj specifický význam. C1 =VCC (vstupní napájení), C2= RST (reset signálů), C3=CLK (poskytuje hodinový signál kartě), C5= GND (zem), C6=VPP (programovací napětí), C7= I/O (sériový vstup a výstup), C4 a C8 = jsou volné pro budoucí použití. Nevýhodou zde je opotřebení kontaktů, ale pomocí těchto karet je bezpečnější komunikace, proto se tento typ karet využívá při peněžních transakcích. Bezdotykově – nevyužívají ke své činnosti kontaktu se čtecím zařízením, stačí, aby se nacházely jen v jeho blízkosti. Aby mohly takto komunikovat, musí obsahovat i vestavěné antény, které tuto bezkontaktní komunikaci zprostředkovávají. Bezkontaktní karty lze rozpoznat mnoha způsoby, a to buď podle tvaru kontaktních plošek (jsou obdélníkové), nebo podle kružnice, která kopíruje obvod čipové karty. Používá se k rychlé manipulaci, například při vchodu do budovy, v hromadné dopravě … Hybridně – jsou kombinací obou předchozích typů. Karta slouží k provádění hned několika službám zároveň. Příkladem jejich použití může být jak 158

k placení, využívá se dotykový způsob komunikace, tak třeba při umožnění vstupu do budovy. Čipových karet existuje mnoho druhů, ale dají se rozdělit na paměťové a mikroprocesorové. Dále pak na kontaktní a bezkontaktní. Bezkontaktní karty komunikují na principu elektromagnetických vln a těmto kartám se taky říká radiofrekvenční. Tyto karty není potřeba zasouvat do čtečky. Vstupní jednotka vysílá pulsy až do vzdálenosti 30cm a pokud se v této oblasti bude nacházet čipová karta, příjme vlastní anténou energii z vyslaných pulsů a tu využije k nabití svého kapacitoru. Ten má dostatečnou energii k aktivaci a následné odpovědi zpět snímači. Výhodou paměťových karet je jejich dostupnost, jsou levné a nabízí bezpečnostní funkce související s ochranou přístupu k uloženým informacím. Tyto karty se používají hlavně jako bezpečné médium, nabízejí kryptografické funkce. Jejich nevýhodou je však to, že se se dají zkopírovat. U bezkontaktního systému transpondéry mohou být jakéhokoliv provedení, třeba jako přívěsek na klíče. Výhodou je, že jsou neopotřebovatelné.

Obr. 111 Princip radiofrekvenční technologie automatické identifikace.[28] Oproti tomu mikroprocesorové karty jsou aktivní karty s procesorem a s operačním systémem nabízející potřebné kryptografické, souborové a další funkce. Kvalitní mikroprocesorové karty mohou obsahovat například hardwarový kryptografický koprocesor urychlující náročně matematické operace, Kvalitní hardwarové generátory náhodných čísel a nejrůznější bezpečnostní obvody.

14.2.3

USB tokeny

Vzhledem připomínají USB flash disk, ale jejich architektura je podobná jako u čipových karet. USB token může sloužit jako uložiště soukromých klíčů, certifikátů a jiných tajných informací. Před zneužitím cizí osobou jsou chráněny pinem. Úkolem USB tokenu je zajistit, aby data na něm uložena nebily zkopírovány nebo jinak zneužity. Proto se při podepisování například emailové zprávy posílají podepisovaná data do tokenu, kde se zašifrují tajným klíčem. Velikost paměti USB tokenů se nejčastěji pohybuje okolo 8kB, 16kB, 32kB a někdy i 64kB. Pro komunikace se využívá USB portu, který je použit skoro ve všech počítačích a nepotřebuje, tak jako čipové karty speciální čtečky. Tokeny jsou chráněny i proti mechanické manipulaci, nelze se napojit na obvody tokenu. Chránění bývá nejčastěji zalepením obvodů, zalitím epoxidem, ty dražší se po mechanickém otevření skořápky rozpadnou. Úkolem skořápky je také chránit či před mechanickým poškozením, lidským potem, vylitím tekutin a dalšími vnějšími vlivy. 159

Obr. 112 USB token.

14.3. RFID V současné době je čím dál více k indentifikaci využívána technologie RFID, neboli Radio Frequency Identification. Trh nabízí RFID čipy a čtečky pro identifikaci objektů na různou vzdálenost. Informace u RFID technologie, především identifikační číslo EPC (Electronic Product Code) jsou elektronicky ukládány do čipu neboli tagu.

14.3.1

Využití RFID

Každý z nás se denně setkává s technologii s RFID, mnohdy s vědomím o její přítomnosti, ale mnohdy i s nevědomím. RFID princip je v současné době jednou z nejrozšířenějších metod identifikace, pomocí této technologie fungují imobilizéry aut, identifikace zboží v obchodě, ale například i identifikace osob v obchodních řetězcích pomocí zákaznických karet. Oblastí, kde je možné použít RFID je mnoho. Tato metoda je vhodná především pro identifikaci, sledování, evidence, zajištění přítomnosti a vyhledání konkrétního předmětu, osoby, obecně nějakého objektu. RFID technologie je dnes implementována do evidence a logistiky zboží v obchodech a detekce zcizení nezaplaceného zboží. Další významnou oblastí je v dopravním sektoru, kde je RFID identifikace využívána sledování vozidel, jejich pohybů a tras, evidence mýtného, evidence zavazadel. RFID je také hojně využíváno při průmyslové výrobě výrobku, který prochází dílčími procesy. Výrobku je na vhodné místo instalován RFID čip, na kterém jsou v počátku zaznamenány informace o výrobku, jaké by měl mít specifické vlastnosti a jak výrobek postupně vstupuje do jednotlivých procesů, jsou na RFID čip zaznamenávány všechny činnosti prováděné na výrobku, z těchto údajů můžeme později zjistit případné chyby nebo a uspíšit průběh celého výrobního procesu. Další uplatnění RFID je patrné v prodeji surovin s omezenou dobou spotřeby, jako je například potravina. Pomocí čipu a napojením na centrální databázi můžeme jednoduše zjistit spotřební dobu, případně cenu suroviny, šarži výrobku. Významně se tím zlehčuje práce skladníkům, kdy je možné zjistit přesnou polohu suroviny s nejnižší dobou spotřeby. Další výhodou zboží označeného RFID čipem je zabezpečení předmětů právě proti krádežím. Obvykle se RFID čipy umisťují na zboží, které má vyšší hodnotu, v některých případech se na zboží se přidává i vyšší počet tagů, viditelných či neviditelných. Po zaplacení se tyto tagy odstraní a některé se pouze „deaktivují“. To neznamená, že se znehodnotí tag, pouze se vymažou údaje, ale jejich identifikační kód je stále čitelný. 160

14.3.2

Standard RFID technologie

Pro korektní funkci RFID komunikace je třeba definovat a stanovit normy. Určení frekvencí a výkonových úrovní pro Evropu řídí nezisková organizace ETSI - Evropský institut pro normalizaci v telekomunikacích (European Telecommunications Standards Institute) se sídlící v Sophia Antipolis ve Francii. Standard komunikačních protokolů mezi RFID čtecím zařízení a tagem vytvářejí organizace ISO (International Organization for Standardization) a EPCglobal. ISO - je světovou federální normalizační organizací se sídlem v Ženevě, jako příklad norem je např. norma ISO 11784, která specifikuje strukturu pro identifikací zvířat, ISO 11785 specifikuje parametry přenosových protokolů mezi čipem a čtečkou. EPCglobal - je nezisková organizace zabývající se technickou standardizací v oblasti využití RFID. EPCglobal definovala standardy EPC Class 0 (GEN1) a EPC Class 1 Ver. 2 (GEN2). EPCglobal je konsorcium různých společností zabývajících se RFID, mezi nejznámější patří Hewlett-Packard a Motorola. V České republice je zástupcem EPCglobal společnost EAN ČR. Ty definují rozměry a tvar tagů, technická řešení, strukturu dat, komunikaci na radiovém rozhraní, testování či předepisují konkrétní možné aplikace. EPCglobal je částí GS1, která spravuje UCC-EAN systém standardizovaných čárkových kódů.

14.3.3

Struktura paměti RFID čipu

Pamět RFID čipu se sestává z několika bloků, v závislosti na typu RFID a určení, avšak maximálně se paměť může skládat ze 4 bank (bloků paměti). První blok je rezervovaný pro přístupová hesla, další blok nese jedinečný kód EPC, následujícími bloky jsou TID kód a USER – uživatelská paměť, jak je patrné z obrázku 125.

Obr. 1135 USB token 

Blok RESERVED:

- minimální velikost tohoto bloku je 64 bitů. V této paměti je uložen přístupový klíč ACCESS PASSWORD pro přečtení dalších informací, které paměť čipu RFID. Bitová hloubka tohoto klíče je 32 bitů a z výroby je nastavena na 0. V případě, že není znám, tento klíč, není možné přistoupit ke čtení dalších informací 161

Další důležitou informací, kterou tento blok obsahuje, je klíč pro deaktivaci RFID tagu KILL PASSWORD. Bitová hloubka tohoto klíče je 32 bitů a z výroby je nastavena na 0. 

BLOK EPC:

- obsahuje 16 bitové CRC, PC kód a EPC kód. CRC kontrolní součet je daný polynomem:

Kontrolní součet je počítaný jak z PC, tak z EPC. PC neboli Protocol Control deklaruje délku EPC kódu. EPC je elektronický kód produktu. EPC je určené pro jednoznačnou identifikaci produktů v logistickém řetězci. EPC je 96bitové unikátní číslo. Toto číslo se centrálně přiděluje výrobcům v jednotlivých řadách. Díky EPC je možné identifikovat kategorii zboží a výrobce. 96 bitů je dostatečná velikost paměti, pojme 268 milionů výrobců, produkující každý 16 miliónů druhů výrobků (tříd) a v každé třídě 68 miliard sériových čísel. Z důvodů příliš naddimenzovaného počtu mohou čipy používat EPC o délce 64 bitů, což sníží jejich cenu, naproti tomu, v budoucnu je zde i výhled pro přechod na 128 bitů pro případ, že by číselné řady přestaly stačit. Struktura EPC kódu - sériové číslo uložené v tagu : 8 bit - hlavička, EPC číslo verze 28 bitů - informace o firmě, 268 milionů firem 24 bitů - třída výrobku, 16 miliónů tříd 36 bitů - unikátní číslo produktu, 68 miliard čísel 

Blok TID:

- obsahuje informace o samotném tagu. Celková délka TID je 32bitů. Je složeno z identifikace třídy tagu AC (Allocation Class), délka je 8 bitů. Následující informací je MDID (Mask-Designer ID), což určuje spolu s TMN(Tag Model Number) jedinečné sériové číslo tagu z hlediska hardwaru. 

Block USER:

- Tento blok obsahuje uživatelskou paměť, její velikosti je dána výrobcem. Její velikosti může být například 2kB, ale také ji tag nemusí obsahovat vůbec. 

Dělení RFID:

RFID čipů je na trhu široká škála, pro přehlednost je třeba je rozdělit z různých hledisek: Aktivní a pasivní RFID čipy Rozdělení z hlediska nosné komunikační frekvence Rozdělení z hlediska použití

14.3.4

Aktivní a pasivní RFID čipy 162

Tagy se dělí na pasivní a aktivní. Pasivní tag se skládá z čipu a antény(Obrázek 126). Anténa má dvě funkce, první nabíjecí prvek kondenzátoru v čipu a druhá původní funkce – vysílání dat. Princip je takový, že kondenzátor čipu se přes anténu pomocí nabíjecích pulzů, které čtečka vysílá, nejdříve nabije a poté čip vyšle svoje EPC popřípadě další informace, komunikační protokol tohoto charakteru se nazývá ITF (Interrogator Talk First).

Obrázek 126 Pasivní RFID tag Chyba! Nenalezen zdroj odkazů. Aktivní tag se liší od pasivního tím, že má vlastní zdroj energie a vysílá údaje do okolí (TTF tag talks first). Vysílání probíhá cyklicky v určitých intervalech nebo na základě nějakého vstupního signálu (například tlačítka). Nevýhodou těchto aktivních čipů je menší odolnost vůči příliš vysokým nebo nízkým teplotám z důvodu, že zdroj energie většinou tvoří baterie. Aktivní tag má obvykle větší rozměry, jak je partné z Obrázek . Výhodou oproti pasivním čipů je obvykle vysoká vysílací vzdálenost, která samozřejmě závisí na HW návrhu aktivního RFID čipu. Dosah se pohybuje ve vzdálenostech desítek metrů.

Obrázek 127 Příklad aktivního RFID tagu Chyba! Nenalezen zdroj odkazů. Z obrázků je patrné, že rozměr i hmotnost pasivního RFID čipu je menší, než aktivního. Aktivní RFID se v současné době neuživají v takové míře jako pasivní jednak z hlediska použití a jednak z hlediska ceny. Z důvodu odlišení základních funkcí RFID čipů a zařízení byly stanoveny normy, které každé RFID zařízení zařazují do určité třídy (class), pomocí které lze určit, o jaký typ se jedná. Class 0: - patří zde pasivní RFID tagy, umožňují pouze čtení, Electronic Product Code je programován ve výrobě a jeho bitová hloubka je 64 nebo 96bit, dále slouží 163

pouze pro čtení. Mají pouze jednu funkci – předat svoje EPC . Nevyžadují klíč při komunikaci, nelze je deaktivovat. Class 1: - patří zde pasivní RFID tagy, umožňují čtení i zápis, obsahují svoje EPC a TID, dále mají integrovanou uživatelskou paměť, velikost uživatelské paměti je definována výrobcem. Tyto tagy disponují funkci „Kill“, čili je možné je deaktivovat pomocí klíče (Kill password). Přístup k uživatelským datům je řešen pomocí přístupového klíče (Access password). Class 2: - patří zde pasivní RFID tagy, které mají stejné vlastnosti jako tagy specifikované třídou Class 1, ale nad rámec těchto funkcí mají nějakou další funkci, například rozšířenou uživatelskou paměť, rozšířené TID, pomocí kterého lze identifikovat výrobce tagu. Další rozšiřující funkce doposud nebyly definovány Class 3: - tato třída zahrnuje tagy na pomezí pasivních a aktivních tagů, tzv. semi – pasivní tagy. Jsou to pasivní tagy dle specifikace Class 2, avšak opatřeny podpůrným zdrojem energie, které většinou tvoří „knoflíková baterie nebo akumulátor“. Tyto tagy komunikují stále protokolem ITF . Další odlišností oproti Class 2 je integrovaný obvod, který měří intenzitu nabíjecích pulzů od čtečky. V případě, že intenzita pulzů je dostatečná, RFID čip využívá přijímanou energii, v opačném případě je využíván interní akumulátor nebo baterie. Class 4: - zde patří všechny aktivní RFID tagy. Tyto čipy, jak již bylo výše zmíněno, jsou vybaveny vlastním zdrojem energie, který je tvořen akumulátorem nebo baterii, a nevyužívají přijatou energii zvenčí k napájení vlastních obvodů. Tagy spadající do třídy Class 4, komunikují protokolem TTF, čili iniciátorem komunikace je samotný RFID tag, což umožňuje realizaci různých síťových topologii, například Peer - To Peer a Broadcast. Peer – To – Peer je způsob komunikace, kdy spolu komunikují dva jednotliví klienti, v tomto případě RFID tag s jiným RFID tagem. Broadcast je způsob komunikace, kdy zpráva vysílaná adresátem je určena pro všechna zařízení v téže síti. Class 5: - tato třída specifikuje vlastnosti a způsob komunikace všech čtecích zařízení „čteček“.

14.3.5

Rozdělení z hlediska nosné komunikační frekvence

Nosná frekvence ovlivňuje několik vlastností. Přenosová rychlost – čím vyšší nosná frekvence, tím vyšší přenosová rychlost Průnik překážkami – čím nižší nosná frekvence, tím vyšší pronikavost překážkami jako je například kapalina, kov. Čtecí dosah – čím vyšší nosná frekvence, tím vyšší dosah. Zde je kladen důraz na stanovení maximálního vysílacího výkonu, neboť signál nižší frekvence má větší vliv na organismy než signál vyšší frekvence stejného výkonu. Přehled komunikačních frekvenčních pásem: Low Frequency (LF): Frekvenční pásmo: 125 – 135kHz Kov a kapalina nemají vliv na přenos 164

Vlivem nízké nosné frekvence je nízká přenosová rychlost Vysoké náklady na výrobu Komunikace pro tuto frekvenci nezahrnuje antikolizní mechanismy Dosah do 0,2m Užití v oblasti řízení přístupu, zaměstnaneckých karet, imobilizérů apod. Electronic Article Surveillance (EAS): Frekvenční pásma: 3,155 – 3,400MHz a 7,400 – 8,800MHz Kapalina nemá vliv na přenos, horší prostupnost kovem Dosah se pohybuje od 0,1m do 0,5m Užití pro zamezení odcizení zboží z obchodu High Frequency (HF): Frekvenční pásmo: 13,56MHz Signál hůře prochází kapalinou, neprostupnost kovem Střední přenosová rychlost Nízké náklady na výrobu Dosah do 1m Užití v oblasti přístupu osob, logistiky, dopravy zavazadel, knihovních systémech apod. Ultra High Frequency (UHF): Frekvenční pásmo: 860 – 956MHz Signál je absorbován kovem i kapalinou Vysoká přenosová rychlost Nejnižší náklady na výrobu Komunikace zahrnuje antikolizní mechanismy Díky vysoké přenosové rychlosti a antikolizním mechanismům lze číst a zapisovat desítky i stovky čipů současně Dosah se pohybuje od 0,1m do 10m Užití v dopravě (mýtné systémy), Sledování kontejnerů, palet V některých státech jsou přidělena frekvenční pásma pro UHF tagy: Region 1: 865 - 870 MHz Evropa a Afrika Region 2: 865 - 865 MHz Indie Region 3: 902 - 928 MHz Severní a Jižní Amerika Region 4: 917 - 922 MHz Čína Region 5: 918 - 926 MHz Austrálie Microwave (MW): Frekvenční pásma: 2,45GHz a 5,8GHz Signál je zcela pohlcován kapalinou Nejvyšší přenosová rychlost Vysoké náklady na výrobu Komunikace zahrnuje antikolizní mechanismy, avšak je možnost vzniku kolize z důvodu přítomnosti bezdrátových sítí WiFi a BlueTooth na stejné nosné frekvenci. Dosah do 20m 165

Při realizaci RFID sítě není nutné nejen správně zvolit nosnou frekvenci vysílače (u pasivních tagů čtečky a u aktivních samotného tagu), ale také zajisti, že maximální výkon vysílače nepřekročí danou mez, která je pro konkrétní frekvenční pásmo uvedena v Tabulka 5. Tabulka 5 Přehled kategorií frekvenčních pásem Chyba! Nenalezen zdroj odkazů. Maximální Frekvenční pásmo Oblast povolený výkon 125 kHz – 135 kHz (LF) Celosvětově 72 dBμA/m 3.155 - 3.400 MHz Celosvětově 13,5 dBμA/m Electronic Article Surveillance (EAS) 7,400 - 8,800 MHz Celosvětově 9 dBµA/m Electronic Article Surveillance (EAS) 13,56 MHz (HF) Celosvětově 60 dBµA/m 865 MHz – 870 MHz (UHF) Evropa 2 W ERP 902 MHz – 928 MHz (UHF) Severni a Jižní Amerika 4 W EIRP 917 MHz – 922 MHz (UHF) Čína 2 W EIRP 918 MHz – 926 MHz (UHF) Austrálie 1 W EIRP 865 MHz – 867 MHz (UHF) Indie 4 W EIRP celosvětově, venkovní 2.400 - 2.483 GHz (MW) prostory 0,5 W EIRP 2.446 - 2.454 GHz (MW) celosvětově, uvnitř budov 4 W EIRP 5.725 - 5.875 GHz (MW) Evropa 0,5 W EIRP 5.725 - 5.875 GHz (MW) Severní Amerika 4 W EIRP



ERP vs. EIRP

Některé úřady uvádějí hodnotu maximálního vyzářeného výkonu pro frekvence UHF a MW v jednotkách ERP (Effective radiated power), jiné úřady v jednotkách EIRP (Effective isotropically radiated power). V zásadě je hodnota výkonu uvedená v ERP nižší, než hodnota stejného výkonu uvedená v EIRP, zhruba 1 W ERP = 1,7 W EIRP. Rozdíl je způsobený typem použité teoretické antény. U metody ERP se předpokládá směrová anténa, zatímco u metody EIRP ideálně všesměrová anténa. Chyba! enalezen zdroj odkazů.

14.3.6

Rozdělení z hlediska použití

Dle konkrétní aplikace je vždy nutné zvolit správný typ RFID čipu z hlediska principu použití, dosahu, nesených dat a jejich velikosti, ceny výrobku vůči ceně RFID čipu, chráněného přístupu, možnosti deaktivovat čip a topologie sítě nebo čtecího systému, ve kterém se bude čip používat. 1) Výrobní průmysl 2) Potravinářský průmysl 3) Zamezení zcizení zboží 166

4) Logistika 5) Monitorování zaměstnanců 6) Monitorování lidí a zvířat 7) Přístup k účtům 8) Přístup do objektů 9) Evidence majetku 10) Platba mýtného na dálnicích 11) Lékařství – kontrola předmětů 12) Zjištění konfigurace komplementárních výrobků 13) Imobilizér v automobilu



Výrobní průmysl

- v případě, že výrobek prochází několika výrobními procesy, nabízí se řešení řízení a monitorování výroby pomocí RFID technologie. Je nutné si uvědomit, že mnohdy bude čip podléhat nízkým, či vysokým teplotám proto je bezpečnější použít pasivní RFID čip, neboť aktivní čipy jsou při nízkých nebo naopak vysokých teplotách nestabilní vlivem integrované baterie nebo akumulátoru. Dalším hlediskem je, zdali je pro výrobce přívětivější pracovat s databází, která obsahuje všechny informace o výrobku a RFID čip slouží pouze jako identifikátor. Výrobek pak postupuje výrobními procesy, kde na každém stanovišti jsou načtena data o výrobku z externí databáze. V této variantě je možné použít RFID čip třídy Class 0, neboť do RFID čipu není nutné zapisovat a slouží pouze ke čtení. Toto řešení však má úskalí v podobě situace, kdyby databáze s daty o výrobku nebyla dostupná a to by mělo důsledek zpomalení nebo zastavení výroby. Z tohoto důvodu je vhodnější zvolit RFID z třídy Class 1 nebo Class 2, neboť RFID čip obsahuje uživatelskou paměť, do které se mohou nahrát jak data o výrobku před započetím výroby, tak během samotné výroby, které mohou specifikovat závady a další důležité informace. V tomto případě je možné řešit řízení výroby autonomně i při výpadku externí databáze. 

Potravinářský průmysl

- v této oblasti je technologie využívaná převážně z důvodu skladování a zjištění data spotřeby. Optimální typy pro toto užití jsou RFID čipy z třídy Class 0 nebo Class 1. RFID čip je umístěn přímo na výrobku nebo na zabalené paletě s více výrobky. Pomocí RFID čipů je vyčítán počet výrobků a datum spotřeby. Pomocí tohoto systému lze jednoduše a efektivně zlepšit zásobování ať už u samotného výrobce, dovozce potravin nebo u velkospotřebitelů jako jsou supermarkety apod. 

Zamezení zcizení zboží

- použití v obchodech, prodávané produkty jsou před vyskladněním do obchodu opatřeny jedním nebo víc RFID čipy. V případě zajištění zboží více RFID čipy se většinou používají čipy s různými komunikačními pásmy. Specifikace RFID je různá dle ceny a tvaru zboží. 

Logistika 167

- použití je obdobné jako v oblasti průmyslu. Na počátku expedice se na balík nebo paletu umístí RFID čip a ten je v průběhu dopravování monitorován na každém překladišti, s tím, že je třeba brát v potaz, že signál musí proniknout překážkami, z těchto důvodu je optimálním řešením RFID čipy třídy Class 1 nebo Class 2 v komunikačním pásmu LF. 

Monitorování zaměstnanců

- v dnešní době chce každý zaměstnavatel monitorovat své zaměstnance. Monitorování pomocí RFID technologie se nabízí hned dva způsoby – aktivní a pasivní. Pasivní monitorovaní se provádí pomocí RFID karet při vstupu do firmy a při odchodu z firmy. Každému zaměstnanci je přidělena karta s RFID čipem. Zaměstnanec pak při příchodu do firmy přiloží kartu na čtečku a do databáze se zapíše čas příchodu, stejně tak provede před odchodem z firmy. Tato metoda však není efektivní v ohledu na přítomnost zaměstnance na svém pracovišti. Z tohoto důvodu je vhodnější aktivní monitorování zaměstnance, kdy zaměstnanec je vybaven aktivním RFID čipem. V závodu je rozmístěna síť čteček a zaměstnanec, resp. přidělený RFID čip, je monitorován, kde se zrovna nachází, což přináší zaměstnavateli větší přehled například o tom, kolik času zaměstnanec stráví na obědě, kantýnách nebo na jiných pracovištích. 

Monitorování lidí a zvířat

- z hlediska rozměru a váhy RFID čipu je monitorování pomocí této technologie vhodné i pro zvířata. Používají se aktivní i pasivní RFID čipy. Mnozí lidé si však neuvědomují, že se dobrovolně nechají monitorovat například obchodními řetězci. Princip je takový, že zákazník dostane zákaznickou kartu, pomocí které řetězec je schopen monitorovat, kdy byl zákazník v obchodě naposledy, lokace, u kterého zboží se zákazník zdrží a které naopak rychle projde a další důležité údaje pro marketing obchodu. 

Přístup k účtům

- dnešní firemní karty, karty stravování apod. obsahují RFID čip, pomocí kterého jednoduše přistoupit na svůj účet a objednat si stravu, zaplatit v kantýně nebo zapůjčit si knihu. 

Přístup do objektů

- v přístupu do objektu pomocí RFID karty je třeba zajistit zamezení přístupu ke klíčovým datum. Proto je vhodný typ RFID čipu právě z třídy class 1 nebo class 2, kde k přístupu datům je vyžadován přístupový klíč. 

Evidence majetku

- v případě, že je nutné vést inventáře například ve státních zařízeních, jako jsou nemocnice nebo školská zařízení, je optimálním řešením opatřit inventární předměty RFID čipy. Pak jsou v místnostech, kde je požadovaná inventarizace nebo evidence majetku, u vchodu umístěna čtecí brána a veškerý materiál označený RFID čipy je jednoduše evidovaný. 

Platba mýtného na dálnicích 168

- každé vozidlo s povinností platit mýtné musí být vybaveno elektronickým zařízením, které není přenosné na jiná vozidla. Mýtné je dle délky trasy, třídy komunikace, dne v týdnu, počtu náprav vozidla a emisní třídě odečítáno při průjezdu mýtnou bránou. 

Lékařství – kontrola předmětů

- v historii se prokázalo, že i chirurgové a zdravotnický personál jsou pouze lidé, důkazem tohoto byl nespočet operací, kdy v operovaném místě pacienta byly zanechány předměty jako například tampón, nebo nějaký nástroj. Proto se v nadcházející době významně rozšiřuje RFID technologie v lékařství. Princip je takový, že každý předmět, který může přijít do styku s pacientem, je opatřen RFID čipem a před uzavřením operovaného místa je pomocí RFID čtečky kontrolována nepřítomnost jakéhokoliv předmětu v pacientovi. 

Zjištění konfigurace komplementárních výrobků

- využívá se tehdy, kdy nějaké zařízení je složeno z několika dalších zařízení nebo částí, které se mohou lišit, nebo jsou navzájem vyměnitelné s jiným. Takovými typickými zařízením je například PC nebo automobil. U počítače je při kompletací firmou označen každý element RFID čipem, pak při následné úpravě hardwaru nebo v případě potřeby technik pouze přijde s čtečkou a bez jakéhokoliv bližšího zkoumání má bezprostřední informace o hardwarové konfiguraci PC. Vždy se pro tyto účely používají pasivní RFID z důvodu vysoké teploty v PC. 

Imobilizér v automobilu

- používá se jak aktivní tak pasivní RFID čipy. Pomocí aktivních RFID se ovládá jak samotné zabezpečení vozu, tak přístup do vozidla, pomocí pasivních RFID pouze zabezpečení zapalování nebo motoru.

14.3.7

Komunikace, čtení a zápis

RFID čipy a čtečky komunikují dvěma základními protokoly, nazývají se ITF (Interrogator Talk First) a TTF (Tag Talk First). 

ITF (Interrogator Talk First)

- komunikace, která se využívá u pasivních RFID čipů. Čtečka inicializuje komunikaci a tag na její žádost odpovídá. Pro komunikaci s každým tagem je pak nutné provést novou inicializaci, z toho plyne, že v případě, že je třeba detekovat více tagů zároveň nebo po sobě, vždy je posláno dvakrát více zpráv, než je počet tagů k identifikaci. 

TTF (Tag Talk First)

- zde jsou dvě varianty komunikace, které tento komunikační protokol podporuje. Broadcast: čtečka vyšle příkaz do okolí a jednotlivé tagy, které jsou v okolí, přijmou tuto zprávu a postupně odpovídají. Peer – To – Peer (P2P): Tag vysílá stále a vyčkává na příchozí zprávu od čtečky.

14.3.8

RFID čtečky 169

Zařízení určené pro komunikaci s RFID tagy. Čtečka může mít jednu i více antén, které vysílají radiové vlny a přijímají signály vyslané tagem. Čtečky se od sebe mohou velice lišit na základě jejich parametrů a způsobu funkce, např. existují čtečky nazývané: Dumb reader - čtečky, které mají pouze funkce čtení tagů a získaná data předávají k vyhodnocení a zpracování přes nějaké komunikační rozhraní (Ethernet, USB, RS485)dalšímu zařízení, například PC, server. Intelligent reader – je termín přidělovaný čtečkám, které dokáží nad načtenými daty z tagů aplikovat filtr a vyfiltrovaná data dále serveru přes nějaké komunikační rozhraní. Agile reader - multifunkční čtečka, která dokáže vysílat a operovat na různých frekvenčních pásmech. Zastává funkci více čteček v případě, že monitorované objekty jsou vybaveny více typy RFID čipů, z čehož je patrná i vyšší cena takovéto čtečky. -Čtečky se používají k mnoha účelům a dle těchto účelu je třeba přizpůsobit vhodné technické řešení dle konkrétní aplikace. Proto se čtečky vyskytují v různé podobě: Mobilní terminály - jedná se o přenosná čtecí zařízení, která mají svůj vlastní operační systém, jsou přizpůsobené pro použití v průmyslovém prostředí, vybaveny obrazovkou a odolné proti pádu a vodě. Přenosná zařízení - většinou je realizováno kapesním PDA nebo jinou výpočetní a komunikační jednotkou s přídavnou RFID čtečkou, která se zapojí do příslušného portu (Většinou komunikační rozhraní USB), takové řešení je mnohem levnější než mobilní terminál, ale není vhodné pro průmyslové použití. Brána - jedná se bránu, která se skládá ze systému čteček a jejich antén nebo pouze jedné čtečky s více kanály a příslušným počtem antén. Tyto brány je možné zabudovat do dveří. Většinou se používají v průmyslových aplikacích, obchodech apod. Stacionární čtečky - se používají tam, kde se neočekává manipulace čtečky člověkem a jsou pevně připevněny na konkrétním místě. Typickým příkladem jsou např. čtečky na otevírání dveří. 

Middleware

Čtečku jako zařízení nečiní pouze hardware, ale i systém spuštěný na hardwaru čtečky, tzv. Midleware. V některých případech nemusí běžet přímo na čtečce, ale na externím zařízení, například PC nebo PDA. Obecně by je to software, který propojuje informační nebo řídící systém, ve kterém je identifikace nasazena, s RFID hardwarem. Je potřebný pro systém, aby bylo možné pracovat s hardwarem. Midleware umožňuje přenos informací mezi čtečkami, ale také mezi RFID sítěmi a informačním nebo řídicím systémem. 170

RFID Middleware může mít dle možností hardwaru pět hlavních funkcí: Sběr dat - V RFID sítích middleware ukládá, sbírá data, které nasbírala různá čtecí zařízení. Funguje i zároveň jako vyrovnávací paměť mezi nezpracovanými daty z čtecích zařízení a mezi daty, zvenčí, čili z informačního systému. Bez této funkce by se mohl zahltit daty hlavní nadřazený informační systém. Filtrování dat – z přijatých dat Middleware aplikuje různé filtry dle nastavení. Autonomní řízení procesu - Middleware je možné využít ke spouštění událostí založených na předdefinovaných výrobních pravidlech. Midleware obstarává funkci nadřízeného řídícího systému, proces je pak vykonáván nezávisle. Směrování dat – zjednodušuje propojení RFID sítě s informačním systémem a určuje, kam budou data posílána dle charakteru dat. Správa čtecích zařízení – Middleware analyzuje stav a kooperaci připojených čtecích zařízení. Větší sítě mohou obsahovat nespočet různých druhů čtecích zařízení, které je potřeba ovládat, kde se nelze obejít bez automatické diagnostiky a správy. Další z výhod Middlewaru v tomto ohledu je možnost spravovat RFID síť pomocí vzdáleného přístupu. 

Kolize čteček

Hlavní problém vzniká v okamžiku, kdy je v těsné blízkosti více čteček. V tomto případě pak vzniká situace, kdy signál jedné čtečky je rušen signálem druhé čtečky, tímto vznikne kolize čtečky. Východiskem je aplikováním technologie TDMA (time division multiple access). Tento princip funguje tak, že každá čtečka přistupuje k rádiovému spektru v jiný časový úsek. Tímto je vyřešeno vzájemné rušení, nicméně toto opět přináší další problém, kdy další čtečka v následujícím časovém okamžiku by mohla opětovně přečíst RFID čip a znovu jej zanést do systému. Proto se systémy konfigurují tak, aby další čtečka nenačetla tag podruhé. Tento problém může být řešen již mezi jednotlivými čtečkami, které jsou propojeny například komunikačním rozhraním ethernet nebo až přímo v serveru. Dalším řešením může být podpora režimu DRM (dense reader mode) nejčastější využití tohoto módu je pro rozsáhlé instalace, kde je nutné mít RFID čtečky umístěné blízko u sebe a dochází k překrývání jejich signálu a pro současné čtení velkého množství RFID tagů. V této situaci je pak nutné při tomto režimu přeladit čtečku na jiný kanál v určitém frekvenčním pásmu. 

Rušení čtečky

- v závislosti na umístění čtečky, je možné, že čtečka může být rušena jinými zařízeními zvenčí v takové míře, že není schopna pracovat. Tento problém lze do jisté míry řešit kovovým stíněním, v kterém je umístěna čtečka a objekty procházejí tímto stíněním také například na dopravníku. 

Rychlost čtení

171

-rychlost čtení a možnost zapsat závisí na třídě (Class), do které čtené tagy spadají. Rychlost je udávána v sumě přečtených tagů za jednu sekundu. Zápi Class 0: tagy určené pouze pro čtení, EPC programováno ve výrobě, čtení 1000tagů/sec Class 0++: tagy, které umožňují čtení i zápis, programováno kdykoliv, čtení 1000tagů/sec Class 1: tagy, do kterých lze zapsat jednou/zápis mnohokrát, programováno při použití, čtení 200tagů/sec Gen 2: tagy určené pro čtení a zápis, programováno kdykoliv, čtení 1600tagů/sec

14.4. NFC NFC (Near Field Communication) a RFID technologie spolu úzce souvisí. Použité standardy jsou vzhledem ke zpětné kompatibilitě téměř totožné, stejně jako rychlost přenosu dat. Rozdílnost technologií se liší ve vzdálenosti komunikace mezi jednotlivými Zařízeními, avšak i přesto je velký rozdíl, kam se každá z těchto technologií ubírá a jaké je tedy použití v praxi. NFC se díky použitelnosti v mobilních zařízeních a platebních kartách stalo hlavně využitelné u bezkontaktních plateb. Krátká vzdálenost, na kterou zařízení komunikují, je v tomto případě velkou výhodou z pohledu zabezpečení. Aby bylo možné platit pomocí technologie NFC je zapotřebí buď platební karta podporující technologii NFC (Dnes již běžně k dostání u bank poskytující účty v ČR) nebo mobilní telefon s hardwarem podporující technologii NFC. V případě, že uživatel chce používat mobilní telefon, další podmínkou je platební aplikace a tzv. secure element. Teprve po splnění těchto tří podmínek je možné provádět bezkontaktní platby, ale pouze u obchodníků, kteří tuto technologii podporují. Jednodušším řešením je již zmiňovaná bezkontaktní platební karta, ale vzhledem ke skutečnosti, že mobilním telefonem dnes disponuje každý, se předpokládá, že se pomalu bude od platebních karet upouštět.

14.5. Secure element Aby bylo možné mobilní telefon s NFC technologií používat k podobným operacím, je důležité, aby měl podporu tzv. „secure element“. Secure element je nezávislé úložiště dat, které je spolu s aplikací spojnicí mezi NFC čipem a operačním systémem telefonu. Data vkládaná do této chráněné autonomní oblasti paměti jsou velmi citlivá a lehce zneužitelná. Z těchto důvodů musí být data šifrována a v neposlední řadě je použito zabezpečení pomocí hesla. Na základě těchto ochraných mechanizmů je míra zneužití bez vědomí majitele velmi nízká. Data uložená na Secure element úložišti mohou mít různý charakter - můžou to být informace například o platební kartě, ID kartě (použití pro docházkový systém v práci nebo v knihovně), věrnostní kartě nebo časové jízdence pro MHD. Kapacita secure elementu se pohybuje v násobcích stovek kilobajtů. Pokud tedy uživatel používá 172

mnoho ID karet, je možné, že kapacitu paměti vyčerpá. Mobilní telefon může podle disponovat třemi různými druhy secure elementu: SIM karta – Mobilní operátoři v dnešní době vydávají speciální druh SIM karty, na které je integrován secure element. Tato SIM karta je označena UICC (Universal Integrated Circuit Card). Řešení secure elementu na SIM kartě operátora bude zřejmě nejužívanějším typem. Výhodou je řízení secure elementu, které bude v režii operátora. Integrovaný secure element jako součást mobilního telefonu – další možností je přidaný hardware v mobilním telefonu, který je jeho součástí a obsahuje secure element. Zde záleží na výrobci HW mobilních telefonů, zda tento prvek přidají při výrobě do svých přístrojů. Externí secure element – tento typ secure elementu je lehce oddělitelný od mobilního telefonu například v podobě MicroSD karty.

14.6. Komunikace pomocí NFC NFC zařízení komunikují dvěma základními komunikačními protokoly, nazývají se NDEF (NFC Data Exchange Format) a LLCP (Logical Link Control Protocol). V těchto protokolech je definována struktura protokolu, zabezpečení, kontrola přenosu a šifrování dat. 

NDEF protokol

NDEF (NFC Data Exchange Format) protokol definuje strukturu, pravidla, typy a velikost aplikačních dat, jakým způsobem jsou při výměně informací mezi dvěma NFC zařízeními zapouzdřeny zprávy. Při komunikaci je požadován na nižších vrstvách spolehlivý a bezpečný transportní protokol. Výsledkem je efektivní a jednoduchý formát zprávy zajišťující tyto podmínky: 1) Zapouzdření různých typů dat, kterými mohou být jakékoliv soubory, šifrovaná data, XML data, obrazová data atd. 2) Zapouzdření dat o neurčité velikosti. Tato funkce je aplikována při dynamickém generování obsahu o větších velikostech, který jsou následně segmentován do více bloků. 3) Sloučení různých typů dat, které mají společnou logickou souvislost, ať už z hlediska přenosu (např. pokud jsou zasílaná v rámci jednoho paketu, nebo z hlediska segmentace), do jedné zprávy. Slučování nevelkých bloků informací do jedné zprávy by nijak nemělo měnit míru složitosti. Zápis nebo čtení jednoho záznamu z NFC uložiště se může skládat z jednoho nebo více komunikačních rámců, graficky je struktura popsána v Tabulka 2. Identifikace každého NDEF záznamu je označena jeho typem (PAYLOAD TYPE), délkou (PAYLOAD LENGTH) a tzv. volitelným identifikátorem (PAYLOAD IDENTIFICATION). Tyto identifikátory se dělí takto: 173

1) PAYLOAD LENGTH (délka dat) – délka užitečných dat, která jsou zapouzdřená v relevantním NDEF záznamu. Tento objem dat je definován polem PAYLOAD LENGTH o velikosti jednoho bytu pro záznamy krátké a velikostí 4 bytů pro záznamy běžné délky. Krátké datové rámce se indikují SR (Short Record) bit, který je nastaven na hodnotu 1. 2) PAYLOAD TYPE (typ dat) - je identifikátor dat, která jsou přenášena v tomto NDEF záznamu. Nastavení konkrétního typu přenášených dat se provede v poli TNF (Type Name Format). Tento typ určuje, zda jsou data známým formátem NFC (TNF =1), typ označující médium (RFC 2046 TNF =2) absolutním formátem URI (RFC 3986 TNF=3) nebo formátem typu MIME. 3) PAYLOAD IDENTIFICATION (identifikace dat) - je identifikátorem, který má označení „volitelný“. Pomocí tohoto identifikátoru jednotlivé aplikace rozpoznávají data v NDEF záznamu. Na základě toho je možné pomocí URI (Uniform Resource Identifier) vzájemně mezi sebou linkovat data. Nevýhodou tohoto identifikátoru je jeho nepřítomnost v NDEF, a proto je potřeba doplnit jej do aplikace ze strany uživatele. Jak již bylo zmíněno při specifikaci tohoto protokolu, NDEF umožňuje zasílání jednotlivých kusů záznamů o neznámé velikosti, jedná se o tzv. Record chunks. Odesílatel tedy zasílá průběžně se doplňující zprávu, která se teprve generuje do finální podoby. Toto se děje v rámci jedné zprávy.. Každá NDEF zpráva, která je generována bez ohledu na vnitřní obsah (jestli je složena z několika či jen jedné části) musí obsahovat počátek, střed (byť by byl nulový) a konec záznamu. Protože se jedná o celek realizovaný jako NDEF záznam, jsou dle pro tyto jednotlivé části záznamu definována tato pravidla: 1) Počátek NDEF záznamu je označován CF (Chunk Flag). Polem „TYPE“ je označen typ celého úseku a to bez ohledu na to, zda je jeho délka nulová či nikoliv. Identifikaci kusu dat obstarává ID pole, což je vlastně identifikátor rámce. 2) Prostřední část NDEF záznamu má již přednastavený CF příkaz indikující stejný typ obsahu dat a také stejný identifikátor jako počátek NDEF záznamu. Stejně tak jako pro všechny části záznamu, i pole PAYLOAD_LENGTH určuje objem bloku dat. V prostředním bloku musí pole TYPE_LENGTH a IL nabývat nulových hodnot. 3) Koncový záznam NDEF obsahuje prázdný příkaz CF. Tento příkaz označuje poslední blok dat mající stejný typ s počátečním blokem dat. 4) Ostatní pole, jako jsou TYPE_LENGTH, IL a PAYLOAD_LENGTH, nabývají stejných hodnot jako v prostřední části záznamu. Rozdělení užitečných dat je podmíněno jen na jednu NDEF zprávu. Právě proto střední a počáteční kus záznamu nemůže obsahovat část zvanou ME (Message End). Tabulka 6 Struktura NDEF rámceChyba! Nenalezen zdroj odkazů. 7 6 5 4 3 2 1 0 MB ME CF SR IL TNF TYPE LENGTH PAYLOAD LENGTH 3 PAYLOAD LENGTH 2 174

PAYLOAD LENGTH 1 PAYLOAD LENGTH 0 ID LENGTH TYPE ID PAYLOAD



LCCP protokol

LLCP (Logical Link Control Protocol) disponuje procesními prostředky k převodu vrstvy informací mezi dvěma NFC zařízeními. Mezi hlavní funkce a vlastnosti poskytované LLPC protokolem podle patří: 1) Aktivace komunikace jednotlivých zařízení, které vytvoří spojení v závislosti na detekci kompatibility. Následně řídící zařízení dohlíží na připojení ke vzdálenému zařízení a nakonec spojení deaktivuje na základě požadavku. 2) Umožňuje asynchronní režim mezi koncovými body v obou uživatelských zařízeních. 3) LLCP je schopen pojmout několik protokolů vyšší úrovně ve stejnou dobu. 4) LLCP není určen pro přenos dat, jako jsou zvuk nebo video. Nejsou zde dány žádné záruky přenosu s ohledem na časovou posloupnost, protože data se posílají bez synchronizace. 

Zabezpečení NFC komunikace proti útoku

Jak bylo výše zmíněno, NFC komunikace se používá k platebním operacím, což přímo vybízí k dešifrování komunikace a změně dat nebo zjištění přístupových údajů, proto je nutné přenos informací dostatečně zabezpečit. Prvním krokem k zajištění vyšší bezpečnosti je úmyslné snížení vzdálenosti, při které jsou NFC zařízení ještě schopna komunikovat. A však tento způsob zabezpečení se ukázal jako nedostačující. V roce 2006 se o tuto ukázku postarali Ernst Haselsteiner a Klemens Breitful. Jejich popis útoků a ukázky prokázaly zranitelnost technologie NFC. Útok Man-in-the-middle (člověk uprostřed) k získání specifického klíče byl úspěšný. Proti této technice není obrany v ISO standardu, a proto bylo nutné zavést kryptografické protokoly vyšších vrstev. Jedním z těchto protokolů je např. SSL k vytvoření zabezpečeného kanálu. Je důležité, aby zabezpečení komunikace bylo zajištěno všemi zařízeními, která spolu komunikují. Ochrana dat probíhá již ze strany výrobců, kdy aktivních zařízení používají ochranu v podobě silné kryptografie a autentizacích protokolů. Dalším zabezpečení se realizuje ze strany operačních systémů, které používají antiviry a hesla. Další důležitou dodatečnou ochranou je kódování, v současné době se používají tyto typy kódování:

175

1) Od čtečky nebo aktivního zařízení k tagu nebo emulaci tagu je použita ASK modulace se 100% hloubkou a Millerovým kódováním. Pro opačný směr komunikace je použita modulace OOK a použito je kódování Manchester. 2) Od čtečky nebo aktivního zařízení k tagu nebo emulaci tagu je použita ASK modulace s 10% hloubkou a NRZ-L kódováním. Pro opačný směr komunikace je použita modulace BPSK a použito je také kódování NRZ-L. Přehled dosavadních typů útoků: 1) Změna dat - Tento druh útoku spočívá ve změně jednotlivých bitů za pomocí RFID rušičky. 2) Přepojovaný útok – Narušující zařízení se z hlediska komunikační sítě tváří jako čipová karta a požadavky z aktivního zařízení (čtečky), přeposílá k oběti útoku a naopak. Výsledkem je získání, dat jako jsou například přístupové hesla apod. 3) Zneužití Secure elementu při jeho ztrátě nebo odcizení – V případě, že není Secure element u mobilního telefonu opatřen heslem, je možné jej při ztrátě mobilního telefonu zneužít nálezcem. 4) Záznam komunikace - Jedná se o záznam komunikace buď aktivního nebo pasivního NFC zařízení. U pasivního zařízení je odposlech obtížnější, neboť negeneruje magnetické pulzy. 5) Neukončené spojení – Pokud spolu komunikují dvě NFC zařízení, tak po přenesení dat je automaticky ukončeno spojení. Tohoto může využít útočník, tím, že přímo naváže další komunikaci, čili převezme komunikaci a nabourává se do zařízení.

14.7. Porovnání autentizačních metod Hesla jsou použity pro nejnižší stupeň zabezpečení, jelikož jsou snadno přenositelné a lehce se jich lze zmocnit. Pro vyšší stupeň zabezpečení se používají tokeny, jsou ale opět přenositelné a lze se jich snadno zmocnit. Pro relativně vysoký stupeň zabezpečení se používá kombinace hesla a tokenu. Tato kombinace je celkem odolná při ztrátě nebo odcizení tokenu, pokud nedošlo k vyzrazení nebo prolomení hesla. Toto zabezpečení je opět přenositelné. Pro nejvyšší stupeň zabezpečení se používá biometrických znaků osoby, jejich hlavní výhodou je nepřenositelnost, nelze je ztratit ani předat. Pro verifikační účely se biometrické znaky kombinují s hesly nebo tokeny. Rozdělení metod autentizace: • Znalost – uživatel se prokazuje znalostí, kterou by měl znát pouze on, heslo, PIN… • Vlastnictví – k autentizaci dochází pouze při vlastnictví nějakého předmětu – tokenu, například čipová karta USB token… • Biometrika – měří biometrické vlastnosti uživatele – otisk prstů, geometrie ruky, oční sítnice nebo duhovka, tvar obličeje… Pojem dvoufaktorová autentizace se rozumí použití těchto dvou různých metod (faktorů). Může to být například token + heslo. Třífaktorová autentizace je potom využití tokenu, znalosti a biometriky vše dohromady. Pokud vše shrneme, můžeme říci, že veškeré metody zabezpečení je možné podrobit útokům. Je ale možné tyto hrozby snížit kombinacemi jednotlivých autentizačních metod. Použití biometrické specifické vlastnosti člověka v 176

automatických systémech řízení a kontroly vstupů však představuje v současnosti nezastupitelný prostředek pro dosažená nejvyššího stupně zabezpečení objektu.

Další zdroje [1] Daugman,j. High confidence visual recognition of persons bz a test of statistical indenpendence. Proceedings of the IEEE Transactions on Pattern Analysis and Machine Intelligence 15(11): 1148-1161,1993. [2] http://www.irisid.com/irisrecognitiontechnology [3] http://www.biometricke-ctecky.cz/biometriky [4] http://www.silhanek.net/bakalarskaprace.pdf [5] http://minsky.ic.cz/veci/identifikace_cloveka_pomoci_biometrickych_udaju.pdf [6]https://dspace.vutbr.cz/bitstream/handle/11012/2112/roman_kubica_BP.pdf?seque nce=1 [7]http://www.vutbr.cz/www_base/zav_prace_soubor_verejne.php?file_id=9617 [8]http://www.biometrics.gov/Documents/irisrec.pdf [9]http://www.cl.cam.ac.uk/~jgd1000/irisrecog.pdf [10]http://www.fi.muni.cz/usr/jkucera/pv109/2003/xvach_biometriky.htm [11]http://dspace.k.utb.cz/bitstream/handle/10563/8060/kov%C3%A1%C4%8D_2009 _dp.pdf?sequence=1 [12]https://dspace.vutbr.cz/bitstream/handle/11012/12148/bakalarska_prace_98559. pdf?sequence=2 [13]https://dip.felk.cvut.cz/browse/pdfcache/jaskope1_2013dipl.pdf [14]https://www.vutbr.cz/studium/zaverecne-prace?zp_id=51790 [15]http://www.scribd.com/doc/54914528/1/Daugman-s-Integro-differential-Operator [16]https://dspace.vutbr.cz/bitstream/handle/11012/15139/DP%20%20Identifikace%2 0osob%20pomoc%C3%AD%20biped%C3%A1ln%C3%AD%20lokomoce%20%20Krzyzanek.pdf?sequence=1 [17]http://news.bbc.co.uk/2/shared/spl/hi/guides/456900/456993/html/nn4page1.stm [18]http://www.lesnicka-skola.cz/gallery/clanky3501/daktyloskopie.pdf [19]http://dspace.k.utb.cz/bitstream/handle/10563/11329/hrub%C3%A1_2010_bp.pdf sequence=1 [20]https://dspace.vutbr.cz/bitstream/handle/11012/3847/Diplomov%C3%A1%20pr% C3%A1ce.pdf?sequence=1 [21]https://dspace.vutbr.cz/bitstream/handle/11012/14315/BP_Biometrie%20otisku% 20prstu.pdf?sequence=1 [22]http://www.biometricke-systemy.cz/snimky/snimek2.html [23] Karas, V., Otáhal, S., Sušanka, P.: „Biomechanika tělesných cvičení“, Praha: 1990. [24] Novák, A.: „Biomechanika tělesných cvičení“, Základy obecné biomechaniky. Praha:SPN, 1970. [25] N. J. Rittcr and J. R. Cooper. "Locating the Iris: A First Step to Registration and Identifica¬tion." Proceedings of the 9th lASTliD International Conference on Signal and Image Process¬ing, IASTED, pp. 507-512, August 2003. [26] http://ftk.upol.cz/fileadmin/user_upload/FTKkatedry/biomechanika/APBMF_Kycelni_kloub.pdf 177

[27]http://www.vavyskov.cz/sites/default/files/attachments/node823/sbornik_konference_odv_2011.pdf [28] Rak, R., Matyáš, V., Ř9ha, Z., a kolektiv, “Biometrie a identita člověka ve forenzních a komerčních aplikacích“,Grada [29] http://cs.wikipedia.org/wiki/Lidsk%C3%A9_oko [30] http://www.ejournal.aessangli.in/ASEEJournals/EC131.pdf [31] http://en.wikipedia.org/wiki/Fingerprint [32] http://www.comfis.cz/biometrie?print [33]Drahanský, M., Orság, F., a kolektiv, “Biometrie“, Brno 2011, 1.vydání, ISBN 97880-254-8979-6 [34]http://www.elearn.vsb.cz/archivcd/FEI/ZBS/Mohylova_Zpracovani%20biosignalu. pdf [35]ttp://cs.wikipedia.org/wiki/Ucho [36]http://www.biometrickypodpis.cz/PDF/biometricke_metody.pdf [37] http://www.elektrorevue.cz/clanky/02054/index.html#2 [38] http://cs.wikipedia.org/wiki/Bezpe%C4%8Dnostn%C3%AD_token [39] https://dspace.vutbr.cz/bitstream/handle/11012/5096/xsevci43.pdf?sequence=1&isAll owed=y [40] TOENNIES, Klaus D. Advanced Biomedical Image Analysis: Methods and Algorithms. Magdeburg: Springer, 2012. 2012. ISBN 978-1447127505. [41]https://dspace.vsb.cz/bitstream/handle/10084/98657/TOM683_FEI_N2649_3901 T009_2013.pdf?sequence=1 [42]http://cs.wikipedia.org/wiki/Perceptron [43]http://books.google.cz/books?id=8P9nwH8eLAsC&pg=PA76&lpg=PA76&dq=RIT TER,+N.+J.;+COOPER,+J.+R.+Locating+the+iris:+A+first+step+to+registration+and +identi+cation.&source=bl&ots=2bGCtJdvtw&sig=EpIJtfhUh4sSH5RFOiXhJOchMi8& hl=cs&sa=X&ei=GYOEUvSYEcqAtAbEy4HABA&ved=0CDcQ6AEwAQ#v=onepage& q=active&f=false [44]https://dspace.vutbr.cz/bitstream/handle/11012/27336/bp_kopriva_tomas_13654 2.pdf?sequence=2 [45]https://dspace.vutbr.cz/xmlui/bitstream/handle/11012/4721/Jan%20Ma%C5%A1e k-Diplomov%C3%A1%20pr%C3%A1ce.pdf?sequence=1 [46]http://www.astrochem.org/sci/Nucleobases.php [47]http://www.signosoft.com/biometrickepodpisy.php [48]https://dspace.vsb.cz/bitstream/handle/10084/98688/HUD143_FEI_N2647_2612 T025_2013.pdf?sequence=1 [1] HUNT, Daniel; PUGLIA, Albert; PUGLIA, Mike. RFID-A GUIDE TO RADIO FREQUENCY IDENTIFICATION. New Jersey : John Wiley & Sons, Inc., 2007. 201 s. ISBN 978-0-470-10764-5. [2] Systém GS1, [online]. [cit. 2014-05-12] ]. Dostupné z: http://www.gs1.org/gsmp/kc/epcglobal/uhfc1g2/uhfc1g2_1_1_0-standard20071017.pdf [3] ZANDL, Patrick. RFID. Budoucnost. Realita (1.) [online]. 28. 7. 2004 [cit. 201405-12]. Dostupné z WWW:< http://www.lupa.cz/clanky/rfid-budoucnost-realita-1 [4] ZANDL, Patrick. RFID. Budoucnost. Realita (2.) [online]. 29. 7. 2004 [cit. 201405-012]. Dostupné z WWW: http://www.lupa.cz/clanky/rfid-budoucnost-realita-2/ 178

[5] [cit. 2014-05-15]. Dostupné z: http://news.softpedia.com/news/RFID-betweenspying-and-utility-868.shtml [6] [cit. 2014-05-15]. Dostupné z: http://www.newsteo.com/en/studies/productions-examples.php [7] Frekvence RFID, standardy a normy. . [online]. 15.5.2014 [cit. 2014-05-15]. Dostupné z: http://www.codeware.cz/rfid-standardy-frekvence-vlastnosti.html [8] 15.5.2014 [cit. 2014-05-15]. Dostupné z: http://cs.wikipedia.org/wiki/NDEF [9] NFC FORUM. NFC Forum [online]. 2010. [cit. 2014-05-18]. Dostupné z: http://www.nfc-forum.org/home/ [10] NFC Data Exchange Format. Wikipedia[online]. 2013. [cit. 2014-05-16]. Dostupné z: http://cs.wikipedia.org/wiki/NDEF [11] 15.5.2014 [cit. 2014-05-15]. Dostupné z: http://nfcpy.readthedocs.org/en/latest/topics/ndef.html

179