Сочинение на тему Обработка биометрических сигналов

Давайте сначала рассмотрим свойства векторов биометрических признаков, которые обеспечат хорошую точность, то есть низкий FRR и низкий FAR. Часто полезно думать о биометрической изменчивости с точки зрения связи: любые два биометрических измерения могут рассматриваться как вход и выход канала связи. Если измерения сделаны одним и тем же пользователем, они, как правило, будут очень похожи, и в канале будет мало «шума». Напротив, если измерения приходят от разных пользователей, они, как правило, будут сильно отличаться, и шум канала будет большим. «Хороший» алгоритм извлечения признаков должен обеспечивать такой тип изменчивости среди биометрических образцов – сильная зависимость между пользователями и слабая зависимость между пользователями. Простой случай – это двоичные объекты, где связь между векторами объектов может быть смоделирована как канал двоичного переворачивания («двоично-симметричный»). Это изображено на рисунке 2, где вероятность перехода между битами признаков одного и того же пользователя мала (0

На практике ситуация более сложная: статистические различия между биометрическими измерениями зависят от пользователя, то есть некоторые пользователи по своей природе предоставляют более сильно коррелированные измерения, чем другие. Кроме того, в зависимости от алгоритма выделения признаков, некоторые элементы вектора признаков могут оставаться более стабильными при нескольких измерениях, чем другие. Статистические отклонения обычно оцениваются на этапе зачисления путем отбора нескольких образцов от зачисляемого человека. Это позволяет разработчику системы устанавливать (возможно, специфичные для пользователя) параметры, например, пороги принятия, чтобы приспособить типичное изменение между регистрацией и биометрической характеристикой зонда. Извлечение биометрических признаков является богатой областью исследований, и было предложено несколько алгоритмов для извлечения различимой информации из отпечатков пальцев, радужной оболочки, лиц, речи и более экзотических биометрических методов, таких как походка и ЭКГ.

Поведенческие характеристики намного менее стабильны, чем физические, из-за их плохой устойчивости к стрессу пользователя или проблемам со здоровьем. Процесс аутентификации представляет собой сравнение между предварительно зарегистрированным эталонным изображением или шаблоном (репрезентативные данные, извлеченные из необработанного изображения, построенного на этапе регистрации) и вновь захваченным изображением-кандидатом или шаблоном. В зависимости от корреляции между этими двумя образцами алгоритм определит, будет ли заявитель принят или отклонен. Этот статистический процесс приводит к уровню ложного принятия (FAR, то есть вероятности принять неавторизованного пользователя) и уровню ложного отклонения (FRR, то есть вероятности отклонения авторизованного пользователя).

Распознавание отпечатков пальцев

Мы можем обратиться к читателю за полным обзором распознавания отпечатков пальцев. Распознавание отпечатков пальцев основано на визуализации кончиков пальцев. Структура гребней и впадин отпечатка пальца записывается в виде изображения или цифрового шаблона (упрощенный формат данных, основанный на мелочах большую часть времени) для дальнейшего сравнения с другими изображениями или шаблонами для аутентификации или проверки, см. Рисунок 3. Изображения Кончики пальцев фиксируются с помощью специальных датчиков отпечатков пальцев. Среди всех биометрических методов идентификация на основе отпечатков пальцев является старейшим методом, который успешно применяется во многих приложениях на протяжении более ста лет, а в последнее время он стал автоматизированным благодаря достижениям в вычислительных возможностях. Идентификация по отпечаткам пальцев популярна из-за присущей им легкости в получении, многочисленных источников (десять пальцев), доступных для сбора, и их установленного использования и коллекций правоохранительными органами и иммиграционными службами. Это вторая и необязательная биометрия, которая будет использоваться в электронном паспорте, но обязательная для Европы в середине 2009 года.

Распознавание лиц

Мы можем обратиться к читателю за полным обзором распознавания лиц. Распознавание лица основано на визуализации лица. Структура лица записывается в виде изображения или цифрового шаблона (существует множество, хотя и не зрелых, упрощенных форматов данных) для дальнейшего сравнения. В ранних алгоритмах распознавания лиц использовались простые геометрические модели, см. Рисунок 4, но теперь процесс распознавания перешел в науку сложных математических представлений и процессов сопоставления. Основные достижения и инициативы за последние десять лет вывели эту технологию в центр внимания. Это наиболее интуитивная биометрия, поскольку каждый использует ее для распознавания своих друзей-людей и долгое время использовал в документах, удостоверяющих личность. Это первая и обязательная биометрия, которая будет использоваться в электронных паспортах.

Архитектура биометрических систем

Общая архитектура

Общая архитектура биометрической системы изображена на рисунке 5. Основными компонентами системы являются сбор данных (датчики захвата), канал передачи, обработка сигналов (алгоритмы извлечения и сравнения), хранение данных (база данных сервера, смарт-карты) и политика принятия решений. Вкратце, система сохраняет эталонные данные пользователя, сгенерированные при регистрации, для сравнения с вновь захваченными данными кандидата при проверке / аутентификации или идентификации. В зависимости от решения (например, совпадение / сбой или пороговое значение заданной оценки) пользователь получит доступ к системе или нет.

Алгоритм извлечения

Так называемый алгоритм извлечения обрабатывает исходный биометрический входной сигнал для извлечения сильных повторяемых признаков для построения шаблона. Цель использования этого подхода состоит в том, чтобы сэкономить пространство памяти и пропускную способность связи за счет сжатия с потерями, хотя и эффективного. Что касается отпечатков пальцев, растровое изображение размером около 100 кБайт (около 12 КБ после сжатия без потерь, используемое в электронных паспортах) может быть представлено шаблоном мелких деталей размером около 250 байтов. На рисунке 6 изображена классическая обработка изображения, примененная к изображению отпечатка пальца для извлечения мелочей. По сути, извлечение – это функция с изображением в качестве входных данных и предоставлением шаблона в качестве выходных данных:

Алгоритм соответствия

Так называемый алгоритм сопоставления сравнивает два шаблона, чтобы определить, являются ли они из одного и того же биометрического источника или нет. Математические преобразования применяются к шаблону кандидата для оценки расстояния от эталонного шаблона. В зависимости от этого расстояния и порогового значения принимается решение о прохождении / отказе. На рисунке 7 показано соответствие между двумя отпечатками пальцев.

По сути, сопоставление – это функция с двумя шаблонами в качестве входных данных и предоставление решения или оценки в качестве выходных данных:

Оценка = совпадение (〖TP〗 _cand, 〖TP〗 _ref)

По соображениям безопасности типичным выходом является только решение; оценка используется только внутри страны для сравнения с порогом.

Ошибки биометрических систем

Процесс аутентификации – это сравнение предварительно зарегистрированного эталонного изображения или шаблона ‡ (созданного на этапе регистрации) и вновь захваченного изображения-кандидата или шаблона. В зависимости от корреляции между этими двумя образцами алгоритм определит, будет ли заявитель принят или отклонен. Этот статистический процесс приводит к уровню ложного принятия (FAR, то есть вероятности принять неавторизованного пользователя) и уровню ложного отклонения (FRR, то есть вероятности отклонения авторизованного пользователя). Допустим, низкий FAR представляет безопасность, а низкий FRR представляет удобство для пользователя: система с очень низким FAR, следовательно, с высоким FRR, остается совершенно безопасной, поскольку авторизованный пользователь не может ее использовать! В зависимости от приложения, мы должны сосредоточить свои усилия на FAR или FRR, давайте возьмем два противоположных примера:

 
• Очень безопасный доступ к запретной зоне, где мы не хотим рисковать, если в нее попадет плохой парень, даже если авторизованному пользователю потребуется подать заявку дважды или более: это низкий FAR.
   

• Криминалистические приложения, в которых нам необходимо идентифицировать злоумышленника, даже если на первом этапе мы выявим несколько подозреваемых и позже уточним наши расследования: это низкий показатель FRR.
  

  Другой метрикой, которую можно прочитать в литературе, является EER (равный коэффициент ошибок, точка, где FAR = FRR), это интересно для сравнения различных биометрических систем, но, безусловно, не является хорошим выбором между соотношением FAR и FRR в в реальном мире, поскольку любое хорошо изученное приложение наверняка нуждается в фокусировке на FAR или FRR. Смотрите рисунок 8.