اخیراً مقالات زیادی در Habré منتشر شده است که به سیستم های شناسایی چهره گوگل اختصاص یافته است. راستش را بخواهید، بسیاری از آنها بوی روزنامه نگاری و به زبان ساده بی کفایتی می دهند. و من می خواستم یک مقاله خوب در مورد بیومتریک بنویسم، این اولین مقاله من نیست! چند مقاله خوب در مورد بیومتریک در Habré وجود دارد - اما آنها بسیار کوتاه و ناقص هستند. در اینجا سعی خواهم کرد به اختصار اصول کلی شناسایی بیومتریک و دستاوردهای مدرن بشر در این زمینه را بیان کنم. از جمله در شناسایی توسط افراد.

مقاله یک ادامه دارد که در واقع پیش درآمد آن است.

به عنوان مبنایی برای مقاله، از یک نشریه مشترک با یک همکار در یک مجله (BDI، 2009)، که برای واقعیت های مدرن تجدید نظر شده است، استفاده خواهد شد. هابره هنوز همکار ندارد، اما از انتشار مقاله اصلاح شده در اینجا حمایت کرد. در زمان انتشار، مقاله مروری کوتاه بر بازار فناوری بیومتریک مدرن بود که قبل از عرضه محصول خود برای خودمان انجام دادیم. قضاوت‌های ارزش کاربردی ارائه شده در بخش دوم مقاله بر اساس نظرات افرادی است که از محصولات استفاده و پیاده‌سازی کرده‌اند، و همچنین بر اساس نظرات افراد درگیر در تولید سیستم‌های بیومتریک در روسیه و اروپا.

اطلاعات کلی

بیایید با اصول اولیه شروع کنیم. در 95 درصد موارد، بیومتریک ذاتاً یک آمار ریاضی است. و matstat یک علم دقیق است که الگوریتم هایی از آن در همه جا استفاده می شود: در رادارها و در سیستم های بیزی. خطاهای نوع اول و دوم را می توان به عنوان دو ویژگی اصلی هر سیستم بیومتریک در نظر گرفت. در تئوری رادار، آنها را معمولا "آژارهای کاذب" یا "مصادف شدن هدف" می نامند و در بیومتریک، تثبیت شده ترین مفاهیم FAR (نرخ پذیرش نادرست) و FRR (نرخ رد اشتباه) هستند. عدد اول احتمال تطابق نادرست ویژگی های بیومتریک دو نفر را مشخص می کند. دوم احتمال ممانعت از دسترسی به یک فرد دارای مجوز است. سیستم بهتر است، هر چه مقدار FRR در همان مقادیر FAR کوچکتر باشد. گاهی اوقات از یک مشخصه مقایسه ای EER نیز استفاده می شود که نقطه تلاقی نمودارهای FRR و FAR را تعیین می کند. اما همیشه نماینده نیست. به عنوان مثال، جزئیات بیشتری را می توان مشاهده کرد.
ممکن است به موارد زیر توجه شود: اگر FAR و FRR برای پایگاه های بیومتریک باز در مشخصات سیستم ذکر نشده باشد، مهم نیست که سازندگان در مورد ویژگی های آن چه اعلام می کنند، این سیستم به احتمال زیاد ناتوان یا بسیار ضعیف تر از رقبای خود است..
اما نه تنها FAR و FRR کیفیت یک سیستم بیومتریک را تعیین می کنند. اگر این تنها راه بود، آنگاه فناوری پیشرو تشخیص DNA افراد بود که برای آن FAR و FRR به صفر تمایل دارند. اما بدیهی است که این فناوری در مرحله کنونی توسعه انسانی قابل اجرا نیست! ما چندین ویژگی تجربی را برای ارزیابی کیفیت سیستم ایجاد کرده‌ایم. "مقاومت در برابر جعل" یک معیار تجربی است که به طور خلاصه نشان می دهد که جعل کردن یک شناسه بیومتریک چقدر آسان است. "پایداری محیطی" مشخصه ای است که به طور تجربی پایداری سیستم را در شرایط مختلف خارجی مانند تغییر در روشنایی یا دمای اتاق ارزیابی می کند. "سهولت استفاده" نشان می دهد که استفاده از یک اسکنر بیومتریک چقدر دشوار است، آیا شناسایی "در حال حرکت" امکان پذیر است یا خیر. یک ویژگی مهم "سرعت کار" و "هزینه سیستم" است. فراموش نکنید که ویژگی بیومتریک یک فرد می تواند در طول زمان تغییر کند، بنابراین اگر ناپایدار باشد، این یک منفی قابل توجه است.
فراوانی روش های بیومتریک شگفت انگیز است. روش‌های اصلی با استفاده از ویژگی‌های بیومتریک استاتیک یک فرد، شناسایی با الگوی پاپیلاری روی انگشتان، عنبیه، هندسه صورت، شبکیه چشم، الگوی رگ دست، هندسه دست است. همچنین خانواده ای از روش ها وجود دارد که از ویژگی های پویا استفاده می کنند: شناسایی با صدا، دینامیک دست خط، ضربان قلب، راه رفتن. در زیر توزیع بازار بیومتریک چند سال پیش است. در هر منبع دوم، این داده ها 15-20 درصد در نوسان هستند، بنابراین این فقط یک تخمین است. همچنین در اینجا، تحت مفهوم «هندسه دست»، دو روش مختلف پنهان شده است که در ادامه به آنها پرداخته خواهد شد.

در این مقاله، ما فقط ویژگی هایی را در نظر خواهیم گرفت که در سیستم های کنترل و مدیریت دسترسی (ACS) یا در وظایف نزدیک به آنها قابل استفاده هستند. به دلیل برتری آنها، اینها در درجه اول ویژگی های ایستا هستند. از میان ویژگی های پویا در حال حاضر، فقط تشخیص صدا حداقل دارای اهمیت آماری است (مقایسه با بدترین الگوریتم های استاتیک FAR ~ 0.1٪، FRR ~ 6٪)، اما فقط در شرایط ایده آل.
برای درک احتمال FAR و FRR، می توان تخمین زد که اگر یک سیستم شناسایی در یک سازمان دردار با N کارمند نصب شود، چند وقت یکبار تطابق نادرست رخ می دهد. احتمال تطابق نادرست اثر انگشت دریافت شده توسط اسکنر برای پایگاه داده ای از N اثر انگشت FAR∙N است. و هر روز حدود N نفر نیز از نقطه کنترل دسترسی عبور می کنند. سپس احتمال خطا در هر روز کاری FAR∙(N∙N) است. البته بسته به اهداف سیستم شناسایی، احتمال خطا در واحد زمان می تواند بسیار متفاوت باشد، اما اگر یک خطا در هر روز کاری پذیرفته شود، آنگاه:
(1)
سپس دریافتیم که عملکرد پایدار سیستم شناسایی در FAR=0.1% =0.001 با تعداد پرسنل N≈30 امکان پذیر است.

اسکنرهای بیومتریک

امروزه مفاهیم «الگوریتم بیومتریک» و «اسکنر بیومتریک» لزوماً به هم مرتبط نیستند. این شرکت می تواند این عناصر را به صورت جداگانه یا با هم تولید کند. بیشترین تمایز بین تولیدکنندگان اسکنر و تولیدکنندگان نرم افزار در بازار بیومتریک الگوی انگشت پاپیلار به دست آمده است. کوچکترین اسکنر صورت سه بعدی موجود در بازار. در واقع، سطح تمایز تا حد زیادی منعکس کننده توسعه و اشباع بازار است. انتخاب بیشتر - موضوع بیشتر کار می شود و به کمال می رسد. اسکنرهای مختلف مجموعه توانایی های متفاوتی دارند. اساساً، این مجموعه ای از آزمایشات برای بررسی اینکه آیا یک شی بیومتریک دستکاری شده است یا خیر است. برای اسکنرهای انگشت، این می تواند بررسی تسکین یا بررسی دما باشد، برای اسکنرهای چشم، این می تواند بررسی محل اقامت مردمک، برای اسکنرهای صورت، حرکت صورت باشد.
اسکنرها تأثیر بسیار قوی بر آمارهای دریافتی FAR و FRR دارند. در برخی موارد، این ارقام می توانند ده ها بار تغییر کنند، به خصوص در شرایط واقعی. معمولاً ویژگی‌های الگوریتم برای برخی از پایه‌های «ایده‌آل» یا فقط برای یک پایه مناسب، که در آن قاب‌های تار و تار به بیرون پرتاب می‌شوند، داده می‌شود. فقط چند الگوریتم صادقانه هم پایه و هم خروجی کامل FAR/FRR را برای آن نشان می دهد.

و اکنون با جزئیات بیشتر در مورد هر یک از فناوری ها.

اثر انگشت

داکتیلوسکوپی (تشخیص اثر انگشت) پیشرفته ترین روش بیومتریک شناسایی شخصی تا به امروز است. کاتالیزور توسعه این روش، استفاده گسترده از آن در علم پزشکی قانونی در قرن بیستم بود.
هر فرد دارای یک الگوی اثر انگشت پاپیلی منحصر به فرد است که امکان شناسایی را فراهم می کند. به طور معمول، الگوریتم ها از نقاط مشخصه روی اثر انگشت استفاده می کنند: انتهای خط الگو، انشعاب خط، نقاط منفرد. علاوه بر این، اطلاعاتی در مورد ساختار مورفولوژیکی اثر انگشت درگیر است: موقعیت نسبی خطوط بسته الگوی پاپیلاری، خطوط "قوس" و مارپیچی. ویژگی های الگوی پاپیلاری به یک کد منحصر به فرد تبدیل می شود که محتوای اطلاعاتی تصویر چاپی را حفظ می کند. و این "کدهای اثر انگشت" است که در پایگاه داده ای که برای جستجو و مقایسه استفاده می شود ذخیره می شود. زمان تبدیل یک تصویر اثر انگشت به کد و شناسایی آن معمولاً بسته به اندازه پایه از 1 ثانیه تجاوز نمی کند. زمان صرف شده برای بالا بردن دست در نظر گرفته نمی شود.

به عنوان منبع داده برای FAR و FRR، آمار VeriFinger SDK به‌دست‌آمده با استفاده از اسکنر اثر انگشت U.are.U DP استفاده شد. در طول 5 تا 10 سال گذشته، ویژگی‌های تشخیص با انگشت قدم زیادی به جلو نبرده است، بنابراین ارقام داده شده میانگین خوبی از الگوریتم‌های مدرن را نشان می‌دهند. خود الگوریتم VeriFinger چندین سال است که برنده مسابقه بین المللی تأیید اثر انگشت شده است، جایی که الگوریتم های تشخیص اثر انگشت با هم رقابت می کنند.

مقدار FAR معمولی برای روش تشخیص اثر انگشت 0.001٪ است.
از فرمول (1) به دست می آید که عملکرد پایدار سیستم شناسایی در FAR=0.001٪ با تعداد پرسنل N≈300 امکان پذیر است.

مزایای روش. قابلیت اطمینان بالا - شاخص های آماری روش بهتر از روش های تشخیص چهره، صدا، نقاشی است. دستگاه های کم هزینه ای که تصویر اثر انگشت را اسکن می کنند. یک روش نسبتاً ساده برای اسکن اثر انگشت.
معایب: الگوی اثر انگشت پاپیلاری به راحتی با خراش ها، بریدگی های کوچک آسیب می بیند. افرادی که در مشاغلی با چند صد کارمند از اسکنر استفاده کرده اند، میزان بالایی از شکست اسکن را گزارش می دهند. بسیاری از اسکنرها به اندازه کافی خشکی پوست را درمان نمی کنند و افراد مسن را از بین نمی برند. رئیس سرویس امنیتی یک شرکت بزرگ شیمیایی هنگام برقراری ارتباط در آخرین نمایشگاه MIPS گفت که تلاش آنها برای معرفی اسکنر انگشت در شرکت (اسکنرهای سیستم های مختلف آزمایش شد) شکست خورد - حداقل قرار گرفتن انگشتان کارکنان در معرض مواد شیمیایی باعث شد. نقص در سیستم های امنیتی اسکنرها - اسکنرها انگشتان خود را جعلی اعلام کردند. همچنین عدم امنیت در برابر جعل اثر انگشت وجود دارد که تا حدی به دلیل استفاده گسترده از این روش است. البته، همه اسکنرها را نمی توان با روش های MythBusters فریب داد، اما همچنان. برای برخی از افراد با انگشتان "نامناسب" (دمای بدن، رطوبت)، احتمال رد دسترسی می تواند به 100٪ برسد. تعداد این افراد از کسری از درصد برای اسکنرهای گران قیمت تا ده درصد برای اسکنرهای ارزان متفاوت است.
البته شایان ذکر است که تعداد زیادی از کاستی ها ناشی از استفاده گسترده از سیستم است، اما این کاستی ها وجود دارند و اغلب ظاهر می شوند.

وضعیت بازار

در حال حاضر، سیستم های تشخیص اثر انگشت بیش از نیمی از بازار بیومتریک را به خود اختصاص داده اند. بسیاری از شرکت های روسی و خارجی در تولید سیستم های کنترل دسترسی بر اساس روش شناسایی اثر انگشت مشغول هستند. با توجه به این واقعیت که این جهت یکی از قدیمی ترین ها است، بیشترین توزیع را دریافت کرده است و تا حد زیادی توسعه یافته ترین است. اسکنرهای اثر انگشت در واقع راه طولانی را پیموده اند. سیستم های مدرن مجهز به سنسورهای مختلف (دما، نیروی فشار و غیره) هستند که درجه حفاظت در برابر جعل را افزایش می دهد. هر روز سیستم ها راحت تر و فشرده تر می شوند. در واقع، توسعه دهندگان در حال حاضر به محدودیت خاصی در این زمینه رسیده اند و جایی برای توسعه بیشتر این روش وجود ندارد. علاوه بر این، اکثر شرکت ها سیستم های آماده ای را تولید می کنند که به هر چیزی که شما نیاز دارید، از جمله نرم افزار، مجهز هستند. به سادگی نیازی به یکپارچه‌سازان در این زمینه وجود ندارد که سیستم را به تنهایی مونتاژ کنند، زیرا سودآور نیست و زمان و تلاش بیشتری نسبت به خرید یک سیستم آماده و ارزان می‌برد، انتخاب بیشتر واقعاً گسترده خواهد بود.
در میان شرکت های خارجی درگیر در سیستم های تشخیص اثر انگشت، می توان به SecuGen اشاره کرد (اسکنرهای USB برای رایانه های شخصی، اسکنرهایی که می توانند در شرکت ها نصب شوند یا در قفل ها ساخته شوند، SDK و نرم افزار برای اتصال سیستم به رایانه). شرکت Bayometric (اسکنرهای اثر انگشت، سیستم‌های کنترل دسترسی/TAA، SDK اثر انگشت، ماژول‌های اثر انگشت تعبیه‌شده)؛ DigitalPersona Inc. (اسکنرهای USB، SDK). شرکت های زیر در روسیه در این زمینه فعالیت می کنند: BioLink (اسکنر اثر انگشت، دستگاه های کنترل دسترسی بیومتریک، نرم افزار). Sonda (اسکنر اثر انگشت، دستگاه های کنترل دسترسی بیومتریک، SDK)؛ SmartLock (اسکنر اثر انگشت و ماژول) و غیره.

عنبیه

عنبیه چشم یک ویژگی منحصر به فرد انسان است. الگوی عنبیه در ماه هشتم رشد جنین شکل می گیرد، در نهایت در سن حدود دو سالگی تثبیت می شود و عملاً در طول زندگی تغییر نمی کند، مگر در نتیجه آسیب های شدید یا آسیب شناسی های شدید. این روش یکی از دقیق ترین روش ها در بین روش های بیومتریک است.
سیستم شناسایی عنبیه به طور منطقی به دو بخش تقسیم می شود: یک دستگاه ضبط تصویر، پردازش اولیه و انتقال آن به یک ماشین حساب، و رایانه ای که تصویر را با تصاویر موجود در پایگاه داده مقایسه می کند و دستوری را هنگام پذیرش به محرک ارسال می کند.
زمان پردازش تصویر اولیه در سیستم‌های مدرن تقریباً 300-500 میلی‌ثانیه است، سرعت مقایسه تصویر حاصل با پایه دارای سطح 50000-150000 مقایسه در ثانیه در رایانه شخصی معمولی است. این سرعت مقایسه محدودیتی در کاربرد روش در سازمان های بزرگ در هنگام استفاده در سیستم های دسترسی ایجاد نمی کند. هنگام استفاده از ماشین‌حساب‌های تخصصی و الگوریتم‌های بهینه‌سازی جستجو، حتی می‌توان یک فرد را در بین ساکنان کل کشور شناسایی کرد.
بلافاصله می توانم پاسخ دهم که تا حدودی مغرض هستم و نگرش مثبتی نسبت به این روش دارم، زیرا در این زمینه بود که استارتاپ خود را راه اندازی کردیم. یک پاراگراف در پایان به یک خود تبلیغی کوچک اختصاص داده خواهد شد.

مشخصات آماری روش

ویژگی های FAR و FRR برای عنبیه در کلاس سیستم های بیومتریک مدرن (به استثنای روش تشخیص شبکیه) بهترین هستند. این مقاله ویژگی‌های کتابخانه تشخیص عنبیه الگوریتم ما - EyeR SDK را ارائه می‌کند که با الگوریتم VeriEye که در پایگاه‌های داده مشابه آزمایش شده است، مطابقت دارد. پایگاه داده های CASIA به دست آمده توسط اسکنر آنها استفاده شد.

مقدار مشخصه FAR 0.00001٪ است.
طبق فرمول (1)، N≈3000 تعداد پرسنل سازمان است که در آن شناسایی یک کارمند کاملاً پایدار انجام می شود.
در اینجا شایان ذکر است ویژگی مهمی که سیستم تشخیص عنبیه را از سایر سیستم ها متمایز می کند. در صورت استفاده از دوربینی با وضوح 1.3 مگاپیکسل، می توانید دو چشم را در یک فریم ثبت کنید. از آنجایی که احتمالات FAR و FRR از نظر آماری احتمالات مستقلی هستند، هنگام تشخیص در دو چشم، مقدار FAR تقریباً برابر مربع مقدار FAR برای یک چشم خواهد بود. برای مثال، برای FAR 0.001٪ با استفاده از دو چشم، احتمال تحمل کاذب 10-8٪ خواهد بود، با FRR فقط دو برابر مقدار FRR متناظر برای یک چشم با FAR = 0.001٪.

مزایا و معایب روش

مزایای روش. پایایی آماری الگوریتم. گرفتن تصویر از عنبیه را می توان در فاصله چند سانتی متری تا چند متری انجام داد در حالی که تماس فیزیکی فرد با دستگاه اتفاق نمی افتد. عنبیه از آسیب محافظت می شود - به این معنی که در طول زمان تغییر نخواهد کرد. همچنین می توان از تعداد زیادی روش برای محافظت در برابر جعل استفاده کرد.
معایب روش. قیمت سیستم مبتنی بر عنبیه بیشتر از قیمت سیستم مبتنی بر تشخیص انگشت یا تشخیص چهره است. در دسترس بودن کم راه حل های آماده. هر یکپارچه کننده که امروز به بازار روسیه بیاید و بگوید "یک سیستم آماده به من بدهید" به احتمال زیاد از کار خواهد افتاد. در بیشتر موارد، سیستم های کلید در دست گران قیمت فروخته می شوند که توسط شرکت های بزرگی مانند Iridian یا LG نصب می شوند.

وضعیت بازار

در حال حاضر، سهم فناوری‌های شناسایی عنبیه در بازار جهانی بیومتریک، طبق برآوردهای مختلف، از 6 تا 9 درصد است (در حالی که فناوری‌های تشخیص اثر انگشت بیش از نیمی از بازار را به خود اختصاص داده‌اند). لازم به ذکر است که از همان ابتدای توسعه این روش، تقویت آن در بازار با گرانی تجهیزات و قطعات لازم برای مونتاژ یک سیستم شناسایی کند شد. با این حال، با توسعه فناوری های دیجیتال، هزینه یک سیستم واحد شروع به کاهش کرد.
پیشرو در توسعه نرم افزار در این زمینه Iridian Technologies است.
ورود تعداد زیادی از تولیدکنندگان به بازار به دلیل پیچیدگی فنی اسکنرها و در نتیجه هزینه بالای آنها و همچنین قیمت بالای نرم افزار به دلیل موقعیت انحصاری ایریدین در بازار محدود شد. این عوامل فقط به شرکت های بزرگ اجازه می دهد تا در زمینه تشخیص عنبیه توسعه پیدا کنند، به احتمال زیاد قبلاً در تولید برخی از اجزای مناسب برای سیستم شناسایی (اپتیک با وضوح بالا، دوربین های مینیاتوری با نور مادون قرمز و غیره) مشغول بودند. نمونه هایی از این شرکت ها عبارتند از LG Electronics، Panasonic، OKI. آنها با Iridian Technologies قراردادی منعقد کردند و در نتیجه کار مشترک، سیستم های شناسایی زیر ظاهر شدند: Iris Access 2200، BM-ET500، OKI IrisPass. در آینده، به لطف قابلیت های فنی این شرکت ها برای توسعه مستقل در این زمینه، مدل های سیستم بهبود یافته به وجود آمد. باید گفت که شرکت های فوق نرم افزار خود را نیز توسعه دادند اما در نهایت در سیستم تمام شده نرم افزار Iridian Technologies را ترجیح می دهند.
بازار روسیه تحت سلطه محصولات شرکت های خارجی است. با اینکه خریدش سخته برای مدت طولانی، Papillon به همه اطمینان داد که آنها تشخیص عنبیه دارند. اما حتی نمایندگان RosAtom، خریدار مستقیم آنها، که سیستم را برای او ساخته اند، می گویند که این درست نیست. در نقطه ای، یک شرکت روسی دیگر ظاهر شد که اسکنر عنبیه می ساخت. الان اسمش یادم نیست آنها الگوریتم را از شخصی خریداری کردند، شاید از همان VeriEye. خود اسکنر یک سیستم 10-15 ساله بود، به هیچ وجه بدون تماس.
در سال گذشته، چند تولیدکننده جدید به دلیل پایان یافتن حق ثبت اختراع اولیه برای تشخیص یک فرد از طریق چشم، وارد بازار جهانی شدند. قابل اعتمادترین آنها، به نظر من، شایسته AOptix است. حداقل پیش نمایش و مستندات آنها شبهه ایجاد نمی کند. شرکت دوم SRI International است. حتی در نگاه اول، برای فردی که درگیر سیستم های تشخیص عنبیه است، ویدیوهای آنها بسیار نادرست به نظر می رسد. اگر چه در واقعیت اگر آنها بتوانند کاری انجام دهند تعجب نمی کنم. هر دو سیستم داده های FAR و FRR را نشان نمی دهند و همچنین ظاهراً از جعلی محافظت نمی شوند.

تشخیص چهره

روش های بسیاری برای تشخیص هندسه صورت وجود دارد. همه آنها بر اساس این واقعیت است که ویژگی های صورت و شکل جمجمه هر فرد فردی است. این بخش از بیومتریک برای بسیاری جذاب به نظر می رسد، زیرا ما یکدیگر را در درجه اول از روی صورت می شناسیم. این منطقه به دو حوزه تقسیم می شود: تشخیص دو بعدی و تشخیص سه بعدی. هر یک از آنها مزایا و معایبی دارند، اما بسیاری از آنها به دامنه و الزامات یک الگوریتم خاص نیز بستگی دارد.
من به طور خلاصه در مورد 2-d صحبت می کنم و به یکی از جالب ترین روش های امروزی - 3-d می پردازم.

تشخیص چهره دو بعدی

تشخیص چهره دو بعدی یکی از ناکارآمدترین روش های بیومتریک از نظر آماری است. مدتها پیش ظاهر شد و عمدتاً در علم پزشکی قانونی استفاده می شد که به توسعه آن کمک کرد. متعاقباً تفاسیر رایانه ای از روش ظاهر شد که در نتیجه آن قابل اعتمادتر شد ، اما البته پایین تر بود و هر سال بیشتر و بیشتر از سایر روش های بیومتریک شناسایی شخصی پایین تر است. در حال حاضر، به دلیل عملکرد ضعیف آماری، از آن در چندوجهی یا همانطور که به آن بیومتریک متقابل یا در شبکه های اجتماعی می گویند استفاده می شود.

مشخصات آماری روش

برای FAR و FRR از داده های الگوریتم های VeriLook استفاده شد. باز هم برای الگوریتم های مدرن، ویژگی های بسیار معمولی دارد. گاهی اوقات الگوریتم‌هایی با FRR 0.1٪ با FAR مشابه فلاش می‌زنند، اما پایه‌هایی که بر اساس آن‌ها به دست آمده‌اند بسیار مشکوک هستند (پس‌زمینه قطع شده، همان حالت چهره، مدل موی مشابه، نورپردازی).

مقدار مشخصه FAR 0.1٪ است.
از فرمول (1) N≈30 - تعداد پرسنل سازمان را به دست می آوریم که در آن شناسایی یک کارمند کاملاً پایدار اتفاق می افتد.
همانطور که مشاهده می شود، شاخص های آماری روش کاملاً متوسط ​​است: این مزیت روش را از بین می برد که امکان تیراندازی پنهان از چهره ها در مکان های شلوغ وجود دارد. خنده دار است که ببینیم چگونه چند بار در سال پروژه دیگری برای شناسایی مجرمان از طریق دوربین های ویدئویی نصب شده در مکان های شلوغ تامین می شود. طی ده سال گذشته، ویژگی های آماری الگوریتم بهبود نیافته و تعداد این گونه پروژه ها افزایش یافته است. اگرچه شایان ذکر است که این الگوریتم برای هدایت یک فرد در یک جمعیت از طریق بسیاری از دوربین ها کاملاً مناسب است.

مزایا و معایب روش

مزایای روش. با تشخیص دو بعدی، بر خلاف بسیاری از روش های بیومتریک، تجهیزات گران قیمت مورد نیاز نیست. با تجهیزات مناسب امکان تشخیص در فواصل قابل توجه از دوربین.
معایب. اهمیت آماری پایین برای روشنایی الزاماتی وجود دارد (مثلاً چهره افرادی که در یک روز آفتابی از خیابان وارد می شوند قابل ثبت نیست). برای بسیاری از الگوریتم ها، غیرقابل قبول بودن هرگونه تداخل خارجی، مانند عینک، ریش، برخی از عناصر مدل مو. تصویر جلوی صورت اجباری، با انحرافات بسیار کوچک. بسیاری از الگوریتم ها تغییرات احتمالی در حالات چهره را در نظر نمی گیرند، یعنی بیان باید خنثی باشد.

تشخیص چهره سه بعدی

اجرای این روش کار نسبتاً دشواری است. با وجود این، در حال حاضر روش های زیادی برای تشخیص چهره سه بعدی وجود دارد. روش ها را نمی توان با یکدیگر مقایسه کرد زیرا از اسکنرها و پایه های مختلف استفاده می کنند. به دور از همه آنها FAR و FRR ، رویکردهای کاملاً متفاوتی استفاده می شود.
روش انتقالی از 2-d به 3-d روشی است که انباشت اطلاعات در مورد یک شخص را پیاده سازی می کند. این روش ویژگی های بهتری نسبت به روش 2d دارد، اما همانطور که فقط از یک دوربین استفاده می کند. هنگام وارد کردن سوژه به پایگاه داده، سوژه سر خود را می چرخاند و الگوریتم تصویر را به یکدیگر متصل می کند و یک الگوی سه بعدی ایجاد می کند. و هنگام تشخیص، چندین فریم از جریان ویدئو استفاده می شود. این روش نسبتاً تجربی است و من هرگز برای سیستم‌های ACS پیاده‌سازی ندیده‌ام.
کلاسیک ترین روش، روش طرح ریزی قالب است. این شامل این واقعیت است که یک شبکه بر روی شی (چهره) پخش می شود. در مرحله بعد، دوربین با سرعت ده ها فریم در ثانیه عکس می گیرد و تصاویر به دست آمده توسط برنامه خاصی پردازش می شوند. تیری که روی یک سطح منحنی می افتد خم می شود - هر چه انحنای سطح بیشتر باشد، خمش تیر قوی تر است. در ابتدا از منبع نور مرئی استفاده می شد که از طریق "پرده" تامین می شد. سپس نور مرئی با مادون قرمز جایگزین شد که مزایای زیادی دارد. معمولاً در مرحله اول پردازش، تصاویری که در آنها اصلاً صورت قابل مشاهده نیست یا اجسام خارجی وجود دارند که در شناسایی اختلال ایجاد می کنند، دور انداخته می شوند. بر اساس تصاویر به‌دست‌آمده، یک مدل سه‌بعدی از صورت بازسازی می‌شود که تداخل‌های غیرضروری (مدل مو، ریش، سبیل و عینک) روی آن برجسته و حذف می‌شود. سپس مدل مورد تجزیه و تحلیل قرار می گیرد - ویژگی های آنتروپومتریک برجسته می شوند، که در نهایت در یک کد منحصر به فرد وارد شده به پایگاه داده ثبت می شوند. زمان ضبط و پردازش تصویر برای بهترین مدل ها 1-2 ثانیه است.
همچنین روش تشخیص سه بعدی بر اساس تصویری که از چندین دوربین به دست آمده است رواج پیدا می کند. نمونه ای از این Vocord با اسکنر سه بعدی آن است. این روش با توجه به اطمینان توسعه دهندگان، دقت موقعیت یابی را بالاتر از روش طرح ریزی الگو می دهد. اما تا زمانی که FAR و FRR را حداقل در پایگاه داده خودشان نبینم، باور نمی کنم !!! اما 3 سال است که توسعه یافته است و پیشرفت در نمایشگاه ها هنوز قابل مشاهده نیست.

شاخص های آماری روش

داده های کامل FRR و FAR برای الگوریتم های این کلاس به طور آشکار در وب سایت های سازنده ارائه نمی شود. اما برای بهترین مدل های Bioscript (3D EnrolCam، 3D FastPass) که با روش طرح ریزی الگو با FAR = 0.0047٪ FRR کار می کنند 0.103٪ است.
اعتقاد بر این است که پایایی آماری روش با قابلیت اطمینان روش شناسایی اثر انگشت قابل مقایسه است.

مزایا و معایب روش

مزایای روش. نیازی به تماس با دستگاه اسکن نیست. حساسیت کم به عوامل خارجی، هم روی خود شخص (ظاهر عینک، ریش، تغییر مدل مو) و هم در محیط او (نور، چرخش سر). سطح بالایی از امنیت، قابل مقایسه با شناسایی اثر انگشت.
معایب روش. تجهیزات گران قیمت. مجتمع های موجود برای فروش حتی گرانتر از اسکنر عنبیه بودند. تغییرات در حالات چهره و نویز روی صورت، قابلیت اطمینان آماری روش را کاهش می دهد. این روش هنوز به خوبی توسعه نیافته است، به خصوص در مقایسه با انگشت نگاری، که برای مدت طولانی استفاده می شود، که استفاده گسترده از آن را دشوار می کند.

وضعیت بازار

تشخیص هندسه صورت یکی از "سه بیومتریک بزرگ" همراه با تشخیص اثر انگشت و عنبیه است. باید بگویم که این روش کاملا متداول است و تاکنون به تشخیص توسط عنبیه چشم ترجیح داده شده است. سهم فناوری های تشخیص هندسه چهره در کل حجم بازار جهانی بیومتریک را می توان 13 تا 18 درصد تخمین زد. در روسیه، این فناوری نیز بیشتر از شناسایی توسط عنبیه نشان می دهد. همانطور که قبلا ذکر شد، الگوریتم های تشخیص سه بعدی زیادی وجود دارد. در بیشتر موارد، شرکت ها ترجیح می دهند سیستم های کلید در دستی را توسعه دهند که شامل اسکنر، سرور و نرم افزار می شود. با این حال، کسانی هستند که فقط SDK را به مصرف کننده ارائه می دهند. تا به امروز، می توان به شرکت های زیر اشاره کرد که در توسعه این فناوری نقش دارند: Geometrix, Inc. (اسکنرهای صورت سه بعدی، نرم افزار)، Genex Technologies (اسکنرهای صورت سه بعدی، نرم افزار) در ایالات متحده آمریکا، Cognitec Systems GmbH (SDK، کامپیوترهای ویژه، دوربین های دوبعدی) در آلمان، Bioscrypt (اسکنرهای صورت سه بعدی، نرم افزار) یکی از شرکت های تابعه آمریکایی است. شرکت L-1 Identity Solutions.
در روسیه، شرکت های گروه Artec (اسکنرهای صورت سه بعدی و نرم افزار) در این راستا کار می کنند - یک شرکت که دفتر مرکزی آن در کالیفرنیا است و توسعه و تولید در مسکو انجام می شود. همچنین، چندین شرکت روسی دارای فناوری تشخیص چهره دو بعدی هستند - Vocord، ITV و غیره.
در زمینه تشخیص چهره دو بعدی، موضوع اصلی توسعه نرم افزار است، زیرا دوربین های معمولی در گرفتن عکس از چهره ها عالی هستند. راه حل مشکل تشخیص چهره تا حدودی به بن بست رسیده است - چندین سال است که عملاً هیچ بهبودی در شاخص های آماری الگوریتم ها وجود ندارد. در این زمینه، یک "کار بر روی اشکالات" سیستماتیک وجود دارد.
تشخیص چهره سه بعدی اکنون منطقه بسیار جذاب تری برای توسعه دهندگان است. تیم های زیادی را استخدام می کند و مرتباً در مورد اکتشافات جدید می شنود. بسیاری از آثار در وضعیت «تازه در شرف انتشار» هستند. اما تاکنون فقط پیشنهادهای قدیمی در بازار وجود دارد؛ در سال های اخیر، انتخاب تغییری نکرده است.
یکی از نکات جالبی که گاهی به آن فکر می کنم و شاید هابر پاسخ دهد این است که آیا دقت کینکت برای ایجاد چنین سیستمی کافی است؟ پروژه های زیادی برای بیرون کشیدن یک مدل سه بعدی از یک شخص از طریق آن وجود دارد.

تشخیص توسط رگهای دست

این یک فناوری جدید در زمینه بیومتریک است، استفاده گسترده از آن تنها 5-10 سال پیش آغاز شد. دوربین مادون قرمز از بیرون یا داخل دست عکس می گیرد. الگوی وریدها به دلیل این واقعیت است که هموگلوبین خون اشعه مادون قرمز را جذب می کند. در نتیجه درجه انعکاس کاهش می یابد و رگ ها به صورت خطوط سیاه روی دوربین قابل مشاهده هستند. یک برنامه ویژه بر اساس داده های دریافتی یک پیچیدگی دیجیتالی ایجاد می کند. هیچ تماس انسانی با دستگاه اسکن مورد نیاز نیست.
این فناوری از نظر قابلیت اطمینان با تشخیص توسط عنبیه چشم قابل مقایسه است و از برخی جهات از آن پیشی می‌گیرد و از برخی جهات پایین‌تر است.
مقادیر FRR و FAR برای اسکنر ورید کف دست است. به گفته توسعه دهنده در FAR 0.0008٪ FRR 0.01٪ است. هیچ شرکتی برنامه دقیق تری برای چندین ارزش تولید نمی کند.

مزایا و معایب روش

مزایای روش. نیازی به تماس با دستگاه اسکن نیست. قابلیت اطمینان بالا - شاخص های آماری روش با خوانش عنبیه قابل مقایسه است. ویژگی های پنهان: برخلاف همه موارد فوق، به دست آوردن این ویژگی از یک فرد "در خیابان"، به عنوان مثال، با عکاسی از او با دوربین بسیار دشوار است.
معایب روش. قرار گرفتن اسکنر در معرض نور خورشید و پرتوهای لامپ های هالوژن غیرقابل قبول است. برخی از بیماری های مرتبط با افزایش سن، مانند آرتریت، به شدت FAR و FRR را مختل می کنند. این روش در مقایسه با سایر روش های بیومتریک استاتیک کمتر مورد مطالعه قرار گرفته است.

وضعیت بازار

تشخیص رگ دست یک فناوری نسبتاً جدید است و بنابراین سهم بازار جهانی آن کم است و حدود 3 درصد است. با این حال، علاقه فزاینده ای به این روش وجود دارد. واقعیت این است که با توجه به دقیق بودن این روش، این روش به تجهیزات گران قیمتی مانند روش های تشخیص بر اساس هندسه صورت یا عنبیه نیاز ندارد. اکنون شرکت های زیادی در این زمینه در حال توسعه هستند. بنابراین، به عنوان مثال، به سفارش شرکت بریتانیایی TDSi، نرم افزاری برای خواننده بیومتریک ورید کف دست PalmVein، ارائه شده توسط فوجیتسو، توسعه یافت. این اسکنر توسط فوجیتسو در درجه اول برای مبارزه با کلاهبرداری مالی در ژاپن ساخته شده است.
همچنین در زمینه شناسایی رگ ها شرکت های Veid Pte زیر هستند. Ltd. (اسکنر، نرم افزار)، Hitachi VeinID (اسکنر)
من هیچ شرکتی را در روسیه نمی شناسم که با این فناوری سر و کار داشته باشد.

شبکیه چشم

تا همین اواخر، اعتقاد بر این بود که قابل اعتمادترین روش شناسایی بیومتریک و احراز هویت یک فرد، روشی مبتنی بر اسکن شبکیه است. این شامل بهترین ویژگی های شناسایی توسط عنبیه و رگ های دست است. اسکنر الگوی مویرگ ها را روی سطح شبکیه می خواند. شبکیه یک ساختار ثابت دارد که در طول زمان تغییر نمی کند، مگر در نتیجه یک بیماری، مانند آب مروارید.
اسکن شبکیه از نور مادون قرمز با شدت کم استفاده می کند که از طریق مردمک به رگ های خونی در پشت چشم هدایت می شود. اسکنرهای شبکیه به طور گسترده ای در سیستم های کنترل دسترسی برای اشیاء بسیار محرمانه مورد استفاده قرار گرفته اند، زیرا آنها یکی از کمترین درصد دسترسی ممنوع به کاربران ثبت شده را دارند و عملاً هیچ مجوز دسترسی اشتباهی وجود ندارد.
متأسفانه، هنگام استفاده از این روش بیومتریک، تعدادی از مشکلات به وجود می آید. اسکنر در اینجا یک سیستم نوری بسیار پیچیده است و شخص نباید برای مدت زمان قابل توجهی حرکت کند در حالی که سیستم القا می شود، که باعث ناراحتی می شود.
با توجه به EyeDentify برای اسکنر ICAM2001 با FAR=0.001٪، مقدار FRR 0.4٪ است.

مزایا و معایب روش

مزایای. سطح بالایی از پایایی آماری. با توجه به شیوع کم سیستم ها، شانس کمی برای ایجاد راهی برای "تقلب" آنها وجود دارد.
معایب. استفاده از سیستم با زمان پردازش بالا مشکل است. هزینه بالای سیستم فقدان یک پیشنهاد گسترده در بازار و در نتیجه، شدت ناکافی توسعه روش.

هندسه دست

این روش که از 10 سال پیش کاملا متداول است و نشات گرفته از علم پزشکی قانونی است، در سال های اخیر رو به افول بوده است. این بر اساس به دست آوردن ویژگی های هندسی دست است: طول انگشتان، عرض کف دست و غیره. این روش نیز مانند شبکیه چشم در حال مرگ است و از آنجایی که ویژگی های بسیار پایین تری دارد، حتی به توضیح کامل تری از آن نمی پردازیم.
گاهی اوقات اعتقاد بر این است که از روش های تشخیص هندسی در سیستم های تشخیص رگه استفاده می شود. اما در فروش، ما هرگز چنین به وضوح بیان شده است. و علاوه بر این، اغلب هنگام تشخیص توسط رگ ها، فقط کف دست گرفته می شود، در حالی که در تشخیص هندسی، از انگشتان عکس گرفته می شود.

کمی خودفروشی

در یک زمان، ما یک الگوریتم تشخیص چشم خوب ایجاد کردیم. اما در آن زمان چنین چیزی با فناوری پیشرفته در این کشور مورد نیاز نبود و من نمی خواستم به طبقه بورژوازی (جایی که پس از اولین مقاله دعوت شدیم) بروم. اما ناگهان، پس از یک سال و نیم، هنوز سرمایه‌گذارانی وجود داشتند که می‌خواستند یک "پرتال بیومتریک" برای خود بسازند - سیستمی که 2 چشم را می خورد و از جزء رنگی عنبیه استفاده می کرد (که سرمایه گذار حق ثبت اختراع جهانی برای آن داشت. ). در واقع، این همان کاری است که ما اکنون انجام می دهیم. اما این مقاله ای در مورد خود تبلیغی نیست، این یک انحراف غزلی است. اگر کسی علاقه مند است، اطلاعاتی وجود دارد و زمانی در آینده، وقتی وارد بازار شویم (یا وارد بازار نشویم)، چند کلمه ای در مورد فراز و نشیب های پروژه بیومتریک در روسیه در اینجا خواهم نوشت.

نتیجه گیری

حتی در کلاس سیستم های بیومتریک ایستا، انتخاب زیادی از سیستم ها وجود دارد. کدام را انتخاب کنیم؟ این همه به الزامات امنیتی بستگی دارد. قابل اعتمادترین و مقاوم‌ترین سیستم‌های دسترسی از نظر آماری، سیستم‌های دسترسی عنبیه و ورید بازو هستند. برای اولین مورد، بازار گسترده تری برای پیشنهادات وجود دارد. اما این حد نیست. سیستم های شناسایی بیومتریک را می توان برای دستیابی به دقت نجومی ترکیب کرد. ارزان ترین و آسان ترین استفاده، اما با آمار خوب، سیستم های تحمل انگشت هستند. تحمل چهره 2 بعدی راحت و ارزان است، اما به دلیل آمار ضعیف، دامنه محدودی دارد.
ویژگی هایی که هر یک از سیستم ها خواهد داشت را در نظر بگیرید: مقاومت در برابر جعل، مقاومت در برابر محیط، سهولت استفاده، هزینه، سرعت، پایداری ویژگی بیومتریک در طول زمان. بیایید علامت های 1 تا 10 را در هر ستون قرار دهیم. هر چه امتیاز به 10 نزدیکتر باشد، سیستم از این نظر بهتر است. اصول انتخاب نمره در همان ابتدای مقاله شرح داده شد.


ما همچنین نسبت FAR و FRR را برای این سیستم ها در نظر می گیریم. این نسبت کارایی سیستم و وسعت استفاده از آن را تعیین می کند.


شایان ذکر است که برای عنبیه، اگر سیستم را با ساختن آن برای دو چشم پیچیده کنید، می توانید دقت سیستم را تقریباً به صورت درجه دوم و بدون از دست دادن زمان افزایش دهید. برای روش اثر انگشت - با ترکیب چندین انگشت، و تشخیص توسط رگ ها، با ترکیب دو دست، اما چنین بهبودی تنها با افزایش زمان صرف شده برای کار با یک فرد امکان پذیر است.
با جمع‌بندی نتایج روش‌ها، می‌توان گفت که برای اجسام متوسط ​​و بزرگ، و همچنین برای اجسام با حداکثر نیاز امنیتی، عنبیه باید به عنوان یک دسترسی بیومتریک و احتمالاً تشخیص توسط رگ‌های دست استفاده شود. برای امکاناتی که تا صدها کارمند دارند، دسترسی به اثر انگشت بهینه خواهد بود. سیستم های تشخیص چهره دو بعدی بسیار خاص هستند. ممکن است در مواردی که تشخیص مستلزم عدم تماس فیزیکی باشد، نیاز باشد، اما امکان قرار دادن سیستم کنترل روی عنبیه وجود ندارد. به عنوان مثال، اگر لازم است فردی بدون مشارکت او، با دوربین مخفی یا دوربین تشخیص فضای باز شناسایی شود، اما این امر تنها با تعداد کمی از سوژه ها در پایگاه داده و تعداد کمی از افراد فیلمبرداری شده توسط دوربین امکان پذیر است. .

تکنسین های جوان توجه داشته باشند

برخی از تولیدکنندگان، مانند Neurotechnology، نسخه‌های آزمایشی روش‌های بیومتریکی را که در وب‌سایت خود منتشر می‌کنند، دارند، بنابراین می‌توانید آن‌ها را وصل کنید و بازی کنید. برای کسانی که تصمیم دارند با جدیت بیشتری به این مشکل بپردازند، می توانم تنها کتابی را که به زبان روسی دیده ام - "راهنمای بیومتریک" توسط R.M. بال، جی.اچ. کانل، اس. پانکانتی. الگوریتم های زیادی و مدل های ریاضی آنها وجود دارد. همه چیز کامل نیست و همه چیز با زمان حال مطابقت ندارد، اما پایه بد و جامع نیست.

P.S.

در این کار من وارد مشکل احراز هویت نشدم و فقط به شناسایی پرداختم. در اصل، از ویژگی های FAR / FRR و امکان جعل، همه نتایج در مورد موضوع احراز هویت خود را نشان می دهد.

در سال های اخیر، بیومتریک به طور فزاینده ای در زندگی ما نفوذ می کند. کشورهای پیشرو جهان قبلاً گذرنامه های الکترونیکی حاوی اطلاعات مربوط به مشخصات بیومتریک صاحب آنها را در گردش یا در حال برنامه ریزی برای معرفی در آینده نزدیک هستند. بسیاری از مراکز اداری حسگرهای بیومتریک را در سیستم های کنترل دسترسی شرکت ها پیاده سازی کرده اند. لپ تاپ ها مدت هاست که به احراز هویت کاربر بیومتریک مجهز شده اند. سرویس های امنیتی به وسایل مدرن برای شناسایی هر جنایتکار تحت تعقیب در میان انبوه مردم مسلح هستند

آندری خرولف
رئیس بخش بیومتریک
و سیستم های امنیتی یکپارچه
گروه شرکت های تکنوسر، دکتری.

نمونه های بیشتری از استفاده از سیستم های بیومتریک وجود دارد. توضیح موفقیت بیومتریک آسان است. ابزارهای سنتی شناسایی شخصی مبتنی بر اصول "من همان چیزی هستم که دارم" (کارت های شناسایی، نشانه ها، مدارک تأیید کننده) و "من همان چیزی هستم که می دانم" (رمز عبور، کد پین) کامل نیستند. کارت به راحتی گم می شود، رمز عبور را می توان فراموش کرد، علاوه بر این، هر متجاوزی می تواند از آنها استفاده کند و هیچ سیستمی نمی تواند شما را از یک فیگور متمایز کند.

علاوه بر این، ابزارهای سنتی شناسایی در مورد وظایف شناسایی پنهان یک شخص کاملاً بی فایده هستند و چنین کارهایی بیشتر و بیشتر می شود:

• جنایتکار را در میان جمعیت بشناسید.
• بررسی کنید که آیا گذرنامه واقعاً توسط صاحب آن ارائه شده است.
• دریابید که آیا فردی تحت تعقیب است یا خیر.
• دریابید که آیا شخص قبلاً درگیر کلاهبرداری مالی با وام بوده است یا خیر.
• شناسایی هواداران بالقوه خطرناک در ورودی ورزشگاه و غیره.

همه این کارها تنها با استفاده از ابزارهای شناسایی بیومتریک بر اساس اصل "من همان هستم که هستم" قابل حل هستند. این اصل به سیستم اطلاعاتی اجازه می دهد تا شخص را مستقیماً شناسایی کند، نه اشیایی را که ارائه می کند یا اطلاعاتی را که گزارش می کند.

منحصر به فرد بودن بیومتریک صورت

در میان انواع ویژگی‌های بیومتریک یک فرد که برای شناسایی شخصی استفاده می‌شود، باید به تصویر چهره اشاره کرد. بیومتریک صورت از این نظر منحصر به فرد است که برای به دست آوردن تصویر نیازی به ایجاد حسگرهای تخصصی ندارد - تصویر چهره را می توان از یک دوربین معمولی یک سیستم نظارت تصویری به دست آورد. علاوه بر این، تقریباً بر روی هر مدرک هویتی یک عکس از چهره وجود دارد، به این معنی که معرفی این فناوری در عمل با انواع مشکلات نظارتی و مشکلات درک اجتماعی از فناوری همراه نیست.

همچنین شایان ذکر است که تصویر چهره را می توان به طور ضمنی برای خود شخص به دست آورد، به این معنی که بیومتریک صورت برای سیستم های نظارتی ساختمان و شناسایی مخفیانه مناسب است.

هر سیستم تشخیص چهره یک سیستم تشخیص تصویر معمولی است که وظیفه آن تشکیل مجموعه خاصی از ویژگی ها است که اصطلاحاً الگوی بیومتریک نامیده می شود، طبق مدل ریاضی تعبیه شده در سیستم. این مدل است که دانش کلیدی هر سیستم بیومتریک را تشکیل می دهد، و اثربخشی تشخیص چهره مستقیماً به عواملی مانند مقاومت الگوی بیومتریک در برابر انواع مختلف تداخل، اعوجاج در عکس یا تصویر ویدیوی اصلی بستگی دارد.

اثربخشی تشخیص چهره مستقیماً به عواملی مانند مقاومت الگوی بیومتریک در برابر انواع تداخل، اعوجاج در عکس یا تصویر ویدیوی اصلی بستگی دارد.

علیرغم تنوع بسیار زیاد سیستم های تشخیص چهره ارائه شده در بازار روسیه و جهان، بسیاری از آنها از موتورهای بیومتریک یکسان استفاده می کنند - پیاده سازی نرم افزار واقعی روش هایی برای ساخت و مقایسه مدل های چهره ریاضی. در روسیه، موتورهای بیومتریک مانند Cognitec (توسعه یافته توسط Cognitec Systems GmbH، آلمان)، Kaskad-Potok (توسعه یافته توسط Technoserv، روسیه)، FRS SDK (توسعه یافته توسط Asia Software، قزاقستان)، FaceIt (توسعه یافته توسط L1 Identity Solutions، ایالات متحده) .

به عنوان یک قاعده، تشخیص چهره در هر موتور بیومتریک در چندین مرحله انجام می شود: تشخیص چهره، ارزیابی کیفیت، ساخت الگو، تطبیق و تصمیم گیری.

مرحله 1: تشخیص چهره

در این مرحله، سیستم به طور خودکار چهره افراد را در جریانی از فریم های ویدئویی یا در یک عکس انتخاب می کند (تشخیص می دهد) و دامنه زوایای و مقیاس چهره ها می تواند به طور قابل توجهی متفاوت باشد که برای ساخت سیستم های امنیتی بسیار مهم است. لازم نیست همه چهره های انتخاب شده شناسایی شوند (به عنوان یک قاعده، این غیرممکن است)، اما تشخیص حداکثر تعداد چهره ها در جریان و در صورت لزوم، قرار دادن آنها در بایگانی بسیار مفید است (شکل 1). .

تشخیص چهره یکی از مراحل کلیدی تشخیص است، زیرا این واقعیت که یک چهره توسط آشکارساز به طور خودکار از دست می‌رود به این معنی است که شناسایی بیشتر غیرممکن است. کیفیت عملکرد آشکارساز معمولاً با احتمال تشخیص چهره P0 مشخص می شود. برای سیستم های بیومتریک مدرن که در شرایط جریان افراد کار می کنند، مقدار احتمال تشخیص چهره از 95 تا 99 درصد است و به شرایط ضبط ویدیو (نور، وضوح دوربین و غیره) بستگی دارد.

یکی از امیدوارکننده ترین روندها در توسعه بازار بیومتریک، ظهور دوربین های ویدیویی دیجیتال هوشمند است که عملکرد تشخیص چهره را بر اساس منطق داخلی اجرا می کنند (شکل 2). دوربین‌های ویدیویی هوشمند به شما این امکان را می‌دهند که نه تنها یک جریان ویدیویی با کیفیت بالا، بلکه همچنین ابرداده‌های مرتبط حاوی اطلاعات مربوط به چهره‌های یافت شده را دریافت کنید.

این رویکرد می تواند بار روی ظرفیت سخت افزاری سیستم تشخیص را به میزان قابل توجهی کاهش دهد، که به نوبه خود، هزینه نهایی سیستم های بیومتریک را کاهش می دهد و آنها را برای کاربر نهایی در دسترس تر می کند. علاوه بر این، الزامات کانال‌های انتقال داده کاهش می‌یابد، زیرا با این رویکرد برای انتقال ویدیو با کیفیت بالا نیازی به خطوط ارتباطی گیگابیتی نداریم، اما وجود شبکه‌های استاندارد برای انتقال ویدیوی فشرده و جریان کوچکی از تصاویر چهره شناسایی شده کافی است. .

مرحله 2: ارزیابی کیفیت

این مرحله بسیار مهمی از تشخیص است که در آن موتور بیومتریک از کل آرایه چهره های شناسایی شده تنها تصاویری را انتخاب می کند که با معیارهای کیفیت مشخص شده مطابقت دارند.

اغلب توسعه‌دهندگان سیستم‌های بیومتریک حیله‌گر هستند و ادعا می‌کنند که اگر تصاویر چهره در جریان ویدیو با الزامات کیفی تعریف‌شده در GOST R ISO/IEC 19794-5 مطابقت داشته باشند، سیستم آنها سطح بالایی از تشخیص را فراهم می‌کند. با این حال، این GOST شرایط بسیار سخت (تقریبا ایده آل) را بر روی کیفیت عکس های چهره (نمای جلوی صورت با انحراف بیش از 5 درجه؛ روشنایی یکنواخت؛ حالات چهره خنثی و غیره) اعمال می کند. شرایط واقعی سیستم های نظارت تصویری چنین الزامات GOST کاملاً با این واقعیت توجیه می شود که در واقع این استاندارد برای یکسان کردن قالب برای ذخیره عکس های الکترونیکی در اسناد گذرنامه و ویزا نسل جدید - به اصطلاح گذرنامه های بیومتریک - در نظر گرفته شده است. در عمل، سیستم های شناسایی بیومتریک باید با شرایط عملیاتی بسیار کمتر مساعد سر و کار داشته باشند:

• انحراف صورت از موقعیت جلو در زوایای بیش از 20 درجه؛
• روشنایی قوی؛
• پوشاندن قسمتی از صورت؛
• وجود سایه ها روی صورت؛
• اندازه تصویر کوچک و غیره

این پایداری موتور بیومتریک در چنین شرایط سختی است که کیفیت آن را تعیین می کند. در موتورهای بیومتریک مدرن، در مرحله ارزیابی کیفیت، به عنوان یک قاعده، موارد زیر ارزیابی می شود:

• زاویه صورت (نباید از 20 تا 30 درجه تجاوز کند).
• اندازه صورت (بر اساس فاصله بین مردمک های چشم تخمین زده می شود و باید بیش از 50-80 پیکسل باشد).
• بسته شدن جزئی صورت (بسته شدن صورت نباید بیش از 10-25٪ از کل سطح صورت باشد).

یک تصور غلط رایج وجود دارد که اگر چشم ها در تصویر صورت بسته شوند (با پلک زدن یا عینک)، سیستم ظاهراً قادر به تشخیص فرد نخواهد بود. در واقع، الگوریتم‌های تشخیص چهره اولیه، از مراکز مردمک چشم به‌عنوان پایه‌ای برای پردازش تصویر بیشتر، به‌ویژه برای مقیاس‌بندی استاندارد چهره استفاده می‌کردند. با این حال، در حال حاضر، بسیاری از موتورهای بیومتریک مدرن (به عنوان مثال، Cognitec یا Kaskad-Potok) از طرح‌های کدگذاری چهره پیچیده‌تری استفاده می‌کنند و به موقعیت مراکز دانش‌آموزان گره نمی‌خورند.

مرحله 3: ساخت یک الگو

این یکی از پیچیده ترین و منحصر به فردترین مراحل تشخیص چهره است و دانش کلیدی فناوری موتورهای بیومتریک را تشکیل می دهد. ماهیت این مرحله یک تبدیل ریاضی غیر پیش پا افتاده از یک تصویر چهره به مجموعه ای از ویژگی های ترکیب شده در یک الگوی بیومتریک است.

هر چهره دارای الگوی بیومتریک منحصر به فرد خود است. اصول ساخت قالب های بیومتریک بسیار متنوع است: یک الگو می تواند بر اساس ویژگی های بافتی صورت، بر روی ویژگی های هندسی، بر روی نقاط مشخصه، بر اساس ترکیبی از ویژگی های مختلف ناهمگن باشد.

مهمترین ویژگی یک الگوی بیومتریک اندازه آن است. هرچه اندازه قالب بزرگتر باشد، ویژگی های آموزنده تری را شامل می شود، اما سرعت و کارایی جستجوی این قالب کمتر می شود. یک مقدار اندازه معمولی برای یک قالب چهره در سیستم های بیومتریک بین 1 تا 20 کیلوبایت است.

مرحله 4: مقایسه و تصمیم گیری

این مرحله ترکیبی از سیستم تشخیص است که الگوی چهره بیومتریک ساخته شده بر اساس چهره شناسایی شده را با آرایه ای از الگوهای ذخیره شده در پایگاه داده مقایسه می کند. در ساده ترین حالت، تطبیق با برشمردن همه الگوها و ارزیابی معیار شباهت آنها انجام می شود. بر اساس برآوردهای به دست آمده و مقایسه آنها با آستانه های داده شده، در مورد حضور یا عدم حضور یک فرد مشابه در پایگاه داده تصمیم گیری می شود.

در سیستم‌های مدرن، تطبیق بر اساس طرح‌های تطبیق بهینه پیچیده اجرا می‌شود که سرعت تطبیق را از 10000 تا 200000 مقایسه در ثانیه یا بیشتر ارائه می‌دهد. علاوه بر این، باید درک کرد که فرآیند تطبیق را می توان موازی کرد، که به سیستم های شناسایی اجازه می دهد تا تقریباً در زمان واقعی حتی برای آرایه های بزرگی از تصاویر، به عنوان مثال، 100000 نفر، کار کنند.

کیفیت کار سیستم های تشخیص چهره معمولاً با احتمالات شناسایی مشخص می شود. بدیهی است که دو نوع خطا ممکن است در هنگام شناسایی بیومتریک رخ دهد.

1. اولین خطا مربوط به احتمال گم شدن و عدم شناسایی شخص واقعی در پایگاه داده است - این اغلب خطای نوع یک نامیده می شود. و اغلب آنها ارزش خطای نوع اول را نشان نمی دهند، بلکه یک منهای احتمال خطای نوع اول را نشان می دهند. این مقدار احتمال تشخیص صحیح PPR نامیده می شود.
2. خطای دوم مواردی را نشان می دهد که سیستم فردی را که واقعاً در پایگاه داده نیست شناسایی می کند یا او را با شخص دیگری اشتباه می گیرد - معمولاً به آن خطای نوع II می گویند. برای سیستم های تشخیص چهره مدرن، مقدار معمولی احتمال تشخیص صحیح، به عنوان یک قاعده، در محدوده 80 تا 97٪ است، با خطای نوع دوم که از 1٪ تجاوز نمی کند.

شرایط شناسایی موفق

باید درک کرد که تشخیص چهره یک فناوری مطلق نیست. شما اغلب می‌توانید انتقادهایی را از سیستم‌های بیومتریک بشنوید که در شرایط "آزمایشگاهی" امکان دستیابی به عملکرد بالا در اشیاء واقعی وجود ندارد. این گفته فقط تا حدی درست است. در واقع، تشخیص مؤثر چهره تنها تحت شرایط خاصی امکان پذیر است، به همین دلیل است که هنگام اجرای بیومتریک صورت، درک شرایطی که سیستم تحت آن کار می کند بسیار مهم است. با این حال، برای اکثر سیستم های تشخیص مدرن، این شرایط در اشیاء واقعی کاملاً قابل دستیابی است. بنابراین، برای بهبود کارایی تشخیص چهره در مناطق شناسایی، باید جریان مستقیمی از افراد (درها، قاب‌های فلزیاب، چرخ‌گردان و غیره) سازماندهی شود تا امکان کوتاه‌مدت (حداکثر 1-2 ثانیه) فراهم شود. تثبیت چهره هر بازدید کننده در عین حال، دوربین های فیلمبرداری باید به گونه ای نصب شوند که زاویه انحراف چهره های ضبط شده از موقعیت جلویی از 20 تا 30 درجه تجاوز نکند. (به عنوان مثال، نصب دوربین ها در فاصله 8-10 متر از منطقه عبور با ارتفاع تعلیق 2-3 متر).

رعایت این شرایط هنگام معرفی سیستم های تشخیص به شما امکان می دهد تا به طور موثر مشکل شناسایی یک شخص و جستجوی افراد مورد علاقه خاص را با احتمالات نزدیک به مقادیر شاخص های شناسایی موفق اعلام شده توسط توسعه دهندگان حل کنید.

امروزه چندین نوع از این گونه سیستم ها به طور همزمان در بازار ارائه می شوند و وظایفی با سطوح مختلف پیچیدگی انجام می دهند: از تشخیص از راه دور در میان جمعیت گرفته تا محاسبه ساعات کاری در دفتر. راه حل های تشخیص چهره برای مشتریان در پلتفرم های مختلف در دسترس هستند - اینها معماری سرور، راه حل های تلفن همراه و جاسازی شده و خدمات ابری هستند.

سیستم های مدرن بر روی الگوریتم های شبکه عصبی یادگیری عمیق کار می کنند، بنابراین دقت تشخیص حتی برای تصاویر با کیفیت پایین حداکثر است، آنها در برابر چرخش سر مقاوم هستند و مزایای دیگری نیز دارند.

مثال 1: ایمنی عمومی

تضمین امنیت نوعی نقطه شروع است که معرفی سیستم های شناسایی بیومتریک از آن آغاز شد. سیستم های تشخیص چهره از راه دور برای اطمینان از امنیت امکانات شلوغ استفاده می شود.

دشوارترین کار این است که یک فرد را در یک جمعیت شناسایی کنید.

تشخیص غیر مشارکتی، زمانی که فرد با سیستم ارتباط برقرار نمی کند، به لنز دوربین نگاه نمی کند، روی خود را برمی گرداند یا سعی می کند چهره خود را پنهان کند. به عنوان مثال، در مراکز حمل و نقل، مترو، رویدادهای مهم بین المللی.

موارد

یکی از مهمترین پروژه های سال 2017 برای شرکت ما، بزرگترین نمایشگاه بین المللی EXPO-2017 بود که تابستان امسال در قزاقستان برگزار شد. دوربین های تخصصی در سیستم تشخیص چهره بیومتریک از راه دور استفاده شد.

انتخاب چهره در قاب در خود دوربین اتفاق می افتد و تنها تصویر چهره به سرور منتقل می شود، این امر کانال را تخلیه می کند و هزینه زیرساخت شبکه را به میزان قابل توجهی کاهش می دهد. دوربین ها چهار گروه ورودی را در قسمت های مختلف مجموعه زیر نظر گرفتند. معماری سیستم به گونه ای طراحی شده بود که گروه های ورودی به صورت جداگانه یا همه با هم کار می کردند، در حالی که عملکرد صحیح سیستم تنها توسط 4 سرور و 48 دوربین ارائه می شد.

با کمک تجزیه و تحلیل ویدئویی آنلاین، مظنونان و افراد مفقود در تأسیسات جغرافیایی بزرگ جستجو می شوند، تصادفات و حوادث بررسی می شوند و ترافیک مسافران تجزیه و تحلیل می شود.

در برخی از فرودگاه ها، تا پایان سال 2017، از بیومتریک برای بررسی مسافران برای یک پرواز نیز استفاده می شود. به گزارش پرتال تدوایزر، 12 کشور اروپایی (اسپانیا، فرانسه، هلند، آلمان، فنلاند، سوئد، استونی، مجارستان، یونان، ایتالیا، رومانی) نیز قصد دارند سیستم‌های گیت هوشمند را در فرودگاه‌ها معرفی کنند.

و قدم بعدی باید معرفی سیستم های تشخیص چهره برای کنترل مرز و مهاجرت باشد. با حمایت دولت، معرفی تشخیص چهره می تواند به اندازه قاب های فلزیاب در سه تا پنج سال آینده رایج شود.

مثال 2. مشتری خود را از روی دید بشناسید

تجارت همچنین روی شناسایی بیومتریک صورت شرط بندی می کند. اول از همه، خرده فروشی است.

این سیستم‌ها جنسیت و سن مشتریان، دفعات و زمان بازدید از فروشگاه‌های خرده‌فروشی را تشخیص می‌دهند، آمار را برای هر فروشگاه جداگانه در زنجیره جمع‌آوری می‌کنند.

پس از آن، گزارش های دقیق به طور خودکار برای بخش هم برای کل شبکه و هم برای تفکیک بر اساس رسانه ها نمایش داده می شود. بر اساس این گزارش ها، تهیه یک "نمایه مشتری" و برنامه ریزی کمپین های بازاریابی موثر راحت است.

متأسفانه، ما نمی توانیم مشتریان را افشا کنیم.در میان آنها می توان به بزرگترین خرده فروشان و شبکه های DIY (Do It Yourself) اشاره کرد که شامل ابزارها و قطعات گران قیمت است.

چگونه کار می کند

بسیاری از درز اطلاعات محرمانه می ترسند، اما ما به طور خاص تأکید می کنیم که هیچ اطلاعات شخصی افراد شناخته شده در بایگانی ذخیره نمی شود. علاوه بر این، حتی تصویر ذخیره نمی شود، بلکه الگوی بیومتریک آن است که بر اساس آن تصویر قابل بازیابی نیست.

با بازدیدهای مکرر، الگوی چهره بیومتریک "بالا کشیده می شود"، بنابراین سیستم دقیقاً می داند چه کسی و چند بار در فروشگاه بوده است. برای امنیت اطلاعات شخصی، می توانید آرام باشید.

برای فروشگاه‌های کوچک، نمایندگی‌های خودرو، داروخانه‌ها، مکانیسم جمع‌آوری تحلیل‌های بازاریابی در یک سرویس تشخیص ابری اجرا می‌شود. برای مشاغل کوچک و متوسط، این گزینه ارجح تر است، زیرا نیازی به هزینه سخت افزار سرور، استخدام نیروی اضافی، به روز رسانی نرم افزار و غیره ندارد. و دوم اینکه یک دستیار عالی برای شناسایی سارقان است. یعنی یک سیستم چندین عملکرد را همزمان انجام می دهد.

مثال 3. سیستم های کنترل و مدیریت دسترسی

علاوه بر عملکردهای فوق، استفاده از سیستم تشخیص چهره به عنوان جایگزینی برای کارت های Proximity در سیستم های کنترل و مدیریت دسترسی (ACS) راحت است.

آنها تعدادی مزیت دارند:قابلیت اطمینان بالایی را برای شناسایی فراهم می کند، نمی توان آنها را فریب داد، کپی کرد یا شناسه دزدیده شد، آنها به راحتی با تجهیزات امنیتی موجود ادغام می شوند. حتی می توانید از دوربین های نظارتی موجود استفاده کنید. سیستم های شناسایی چهره بیومتریک از راه دور و بسیار سریع با ثبت رویدادها در آرشیو کار می کنند.

بر اساس یک ACS بیومتریک، پیگیری ساعات کاری کارمندان، به ویژه در مراکز اداری بزرگ، راحت است.

مورد

ما سال گذشته چنین سیستمی را در یک شرکت بزرگ هندی که در زمینه لجستیک تخصص دارد، پیاده سازی کردیم. تعداد کارکنان دائمی بیش از 600 نفر است. در همان زمان، شرکت به صورت شبانه روزی کار می کند و یک برنامه کاری "شناور" را تمرین می کند. با کمک سیستم شناسایی بیومتریک از راه دور ما، مشتری یک رکورد کامل و قابل اعتماد از زمان کار کارکنان، یک ابزار امنیتی پیشگیرانه و یک سیستم کنترل دسترسی دریافت کرد.

مثال 4. پاس هواداران به استادیوم

در زمان خرید بلیط در گیشه، از چهره هر خریدار به صورت خودکار عکس گرفته شده و در سامانه بارگذاری می شود. اینگونه است که پایه بازدیدکنندگان مسابقه شکل می گیرد. اگر خرید از طریق اینترنت یا یک برنامه تلفن همراه بود، مجوز از راه دور با استفاده از "سلفی" امکان پذیر است. در آینده وقتی فردی به استادیوم می آید، سیستم بدون هیچ پاسپورتی او را می شناسد.

شناسایی بازدیدکنندگان از مسابقات ورزشی مطابق با قانون فدرال شماره 284-FZ "در مورد اصلاح ماده 20 قانون فدرال "در مورد فرهنگ بدنی و ورزش در فدراسیون روسیه" و ماده 32.14 قانون تخلفات اداری اجباری شده است. فدراسیون روسیه.

این کسی است که بلیت را خریده است که وارد ورزشگاه می شود، نمی توان بلیت را به شخص دیگری منتقل کرد یا با بلیط جعلی رفت. تشخیص چهره از راه دور در استادیوم ها بر اساس همان اصل کار می کند که در تسهیلات حمل و نقل بزرگ توزیع شده جغرافیایی انجام می شود: اگر فردی در لیست افرادی قرار گیرد که از دسترسی به استادیوم محروم شده اند، سیستم به او اجازه عبور نمی دهد.

مورد

در مارس 2016، به عنوان بخشی از یک پروژه مشترک بین Vocord و شعبه Khanty-Mansiysk PJSC Rostelecom، یک سیستم تشخیص چهره از راه دور برای اطمینان از امنیت جام جهانی بیاتلون که در Khanty-Mansiysk برگزار شد، استفاده شد. از سال 2015، همین سیستم با موفقیت در مجموعه ورزشی چند منظوره Arena Omsk فعالیت می کند. این یکی از شش مرکز ورزشی بزرگ روسیه است، بزرگترین مرکز ورزشی و سرگرمی در سیبری و پایگاه باشگاه هاکی آوانگارد است.

مثال 5: بانکداری اینترنتی و دستگاه های خودپرداز

یکی دیگر از مواردی که تشخیص چهره در آن مستقر شده است، بخش بانکی است. در اینجا، معرفی فن‌آوری‌های جدید فشرده است، زیرا بخش مالی بیش از دیگران به قابلیت اطمینان و ایمنی اطلاعات شخصی‌سازی شده علاقه‌مند است.

امروزه، بیومتریک به تدریج شروع می شود، اگر نگوییم اسناد معمول و تثبیت شده "کاغذی" را جابجا کند، پس با آنها هم تراز شود. در عین حال، میزان محافظت در هنگام پرداخت به میزان قابل توجهی افزایش می یابد: برای تأیید تراکنش، کافی است به دوربین گوشی هوشمند خود نگاه کنید. در عین حال، خود داده های بیومتریک به هیچ کجا منتقل نمی شود، بنابراین، رهگیری آن غیرممکن است.

معرفی فناوری های شناسایی بیومتریک به طور مستقیم با استفاده گسترده از خدمات و دستگاه های الکترونیکی، توسعه تجارت آنلاین و گسترش کارت های پلاستیکی به جای پول نقد مرتبط است.

با ظهور واحدهای پردازش گرافیکی با کارایی بالا (GPU) و پلتفرم های سخت افزاری فوق فشرده مبتنی بر آنها - مانند NVIDIA Jetson - تشخیص چهره در دستگاه های خودپرداز معرفی شد. اکنون فقط دارنده کارت می تواند پول نقد برداشت کند یا تراکنش های حساب را انجام دهد، مثلاً از طریق دستگاه های خودپرداز Tinkoff Bank. و ممکن است پین به زودی بازنشسته شود.

سیستم های امنیتی یکپارچه مدرن قادر به حل مشکلات با هر پیچیدگی در تاسیسات مختلف صنعتی، اجتماعی و خانگی هستند. سیستم‌های نظارت تصویری ابزارهای بسیار مهمی در سیستم‌های امنیتی هستند و الزامات برای عملکرد بخش به طور پیوسته در حال رشد هستند.

سیستم های امنیتی یکپارچه

یک پلت فرم واحد شامل ماژول هایی برای تجهیزات امنیتی و آتش نشانی، کنترل و مدیریت دسترسی، نظارت تصویری یا تلویزیون امنیتی (SOT) است. تا همین اواخر، عملکرد دومی محدود به نظارت تصویری و ثبت وضعیت در تأسیسات و قلمرو مجاور، بایگانی و ذخیره داده ها بود. سیستم‌های ویدیویی کلاسیک دارای معایب قابل توجهی هستند:

• عامل انسانی. کار ناکارآمد اپراتور هنگام پخش حجم زیادی از اطلاعات.
• عدم امکان مداخله جراحی، تجزیه و تحلیل نابهنگام.
• زمان قابل توجهی که برای جستجو و شناسایی یک رویداد صرف می شود.

توسعه فناوری های دیجیتال منجر به ایجاد سیستم های خودکار "هوشمند" شده است.

قوت در عقل

اصل اساسی فکری، تجزیه و تحلیل ویدیویی است - یک فناوری مبتنی بر روش ها و الگوریتم هایی برای تشخیص الگو و جمع آوری خودکار داده ها در نتیجه تجزیه و تحلیل جریان ویدیو. چنین تجهیزاتی، بدون دخالت انسان، قادر به شناسایی و ردیابی در زمان واقعی اهداف داده شده (ماشین، گروهی از افراد)، موقعیت های بالقوه خطرناک (دود، آتش، مداخله غیرمجاز در عملکرد دوربین های ویدئویی)، رویدادهای برنامه ریزی شده و به موقع هستند. سیگنال هشدار صادر کند با فیلتر کردن داده های ویدیویی که مورد علاقه نیستند، بار کانال های ارتباطی و پایگاه آرشیو به میزان قابل توجهی کاهش می یابد.

محبوب ترین ابزار تجزیه و تحلیل ویدیویی سیستم تشخیص چهره است. بسته به عملکردهای انجام شده و وظایف تعیین شده، الزامات خاصی بر تجهیزات تحمیل می شود.

سفت افزار و سخت افزار

برای عملکرد کارآمد سیستم از چندین نوع دوربین IP با ویژگی های عملکرد متفاوت استفاده می شود. تشخیص یک شی در ناحیه کنترل شده توسط دوربین های پانوراما با وضوح 1 مگاپیکسل یا بیشتر و فاصله کانونی 1 میلی متر ثبت می شود و دستگاه های اسکن به سمت آن نشانه می روند. اینها دوربین های پیشرفته تری هستند (از 2 مگاپیکسل، از 2 میلی متر) که با استفاده از روش های ساده (3-4 پارامتر) تشخیص ایجاد می کنند. برای شناسایی یک شی، از دوربین هایی با کیفیت تصویر خوب استفاده می شود که برای استفاده از الگوریتم های پیچیده (از 5 مگاپیکسل، 8-12 میلی متر) کافی است.

محبوب ترین محصولات نرم افزاری برای تشخیص چهره "Face Intellect" (توسعه دهنده - شرکت House Control)، Face Director (شرکت Synesis) و VOCORD FaceControl (VOCORD) نشان می دهد:

• احتمال بالای شناسایی شی (تا 99٪).
• پشتیبانی از طیف وسیعی از زوایای چرخش دوربین.
• توانایی برجسته کردن چهره ها حتی در یک توده عابر پیاده متراکم.
• تنوع در تهیه گزارش های تحلیلی.

مبانی تشخیص الگو

هر سیستم تشخیص بیومتریک مبتنی بر شناسایی مطابقت ویژگی های فیزیولوژیکی خوانده شده یک فرد با یک الگوی از پیش تعیین شده خاص است.

اسکن در زمان واقعی انجام می شود. دوربین IP جریان ویدئو را به ترمینال پخش می کند و سیستم تشخیص چهره تعیین می کند که آیا تصویر با عکس های ذخیره شده در پایگاه داده مطابقت دارد یا خیر. دو روش اصلی وجود دارد. اولین مورد بر اساس اصول استاتیک است: بر اساس نتایج پردازش پارامترهای بیومتریک، یک نمونه الکترونیکی در قالب یک عدد منحصر به فرد مربوط به یک شخص خاص ایجاد می شود. روش دوم رویکرد "انسانی" را مدل می کند و با خودآموزی و استحکام مشخص می شود. شناسایی یک فرد توسط یک تصویر ویدئویی تغییرات مربوط به سن و سایر عوامل (وجود روسری، ریش یا سبیل، عینک) را در نظر می گیرد. این فناوری به شما امکان می دهد حتی با عکس های قدیمی و در صورت لزوم با اشعه ایکس کار کنید.

الگوریتم جستجوی چهره

رایج ترین تکنیک تشخیص چهره استفاده از آبشار هار (مجموعه ای از ماسک ها) است.

ماسک یک پنجره مستطیل شکل با ترکیب های مختلف از بخش های سفید و سیاه است.

مکانیسم برنامه به شرح زیر است: فریم ویدیو با مجموعه ای از ماسک ها پوشانده شده است و بر اساس نتایج کانولوشن (شمارش پیکسل هایی که در بخش های سفید و سیاه قرار می گیرند) تفاوت محاسبه و با مقدار مشخصی مقایسه می شود. مقدار آستانه

برای بهبود عملکرد طبقه بندی کننده، نمونه های آموزشی مثبت (قاب هایی با چهره افراد) و منفی (بدون آنها) ایجاد می شود. در مورد اول، نتیجه پیچش بالاتر از مقدار آستانه است، در مورد دوم - زیر. با یک خطای قابل قبول، آشکارساز چهره مجموع پیچش های همه آبشارها را تعیین می کند و در صورت تجاوز از آستانه، وجود چهره ها را در کادر نشان می دهد.

فناوری های تشخیص

پس از تشخیص و محلی سازی در مرحله مقدماتی، روشنایی و تراز هندسی تصویر صورت می گیرد. اقدامات بعدی - محاسبه علائم و شناسایی - می تواند با روش های مختلف انجام شود.

هنگام اسکن تمام چهره در اتاقی با نور عالی، الگوریتم هایی که با تصاویر دو بعدی کار می کنند نتایج خوبی را نشان می دهند. سیستم تشخیص چهره با تجزیه و تحلیل نقاط منحصر به فرد و فواصل بین آنها، واقعیت شناسایی را با ضرایب تفاوت بین تصویر "زنده" و الگوی ثبت شده تعیین می کند.

فن آوری های سه بعدی در برابر تغییرات در شار نور مقاوم هستند، انحراف مجاز از نمای جلو تا 45 درجه است. در اینجا، نه تنها نقاط و خطوط، بلکه خواص سطوح (انحنا، پروفیل)، متریک فواصل بین آنها نیز تجزیه و تحلیل می شود. برای عملکرد چنین الگوریتم هایی، حداکثر کیفیت ضبط ویدیو با فرکانس حداکثر 200 فریم در ثانیه مورد نیاز است. این سیستم مبتنی بر دوربین های ویدئویی استریو با ماتریس 5 مگاپیکسل، وضوح نوری بالا و خطای همگام سازی به حداقل رسیده است. علاوه بر این، آنها توسط یک کابل ساعت مخصوص برای انتقال پالس های ساعت متصل می شوند.

وضعیت بازار سیستم های مدرن

اولین آنها به دلیل هزینه بالای آنها فقط برای تاسیسات نظامی دولتی توسعه یافتند و فقط در اواسط دهه 90 در اختیار سازمان های تجاری قرار گرفتند. توسعه سریع فناوری باعث شده است تا دقت سیستم ها افزایش یابد و دامنه کاربرد آنها گسترش یابد. در بازار کشور ما، جایگاه های پیشرو متعلق به سازندگان سیستم های امنیتی آمریکا و اروپای غربی است. رهبر فروش تجهیزات شرکت های ZN Vision Technologies و Visionics است. امیدوارکننده ترین در میان توسعه دهندگان داخلی، تحقیقات و محصولات Vocord، NTechLab، Soling، VisionLabs LLC و گروه STC است که، از جمله، در تطبیق مجتمع های خارجی با شرایط روسیه نیز مشغول هستند.

کنترل چهره کامپیوتری

گسترده ترین حوزه کاربرد شناسایی بدون تماس، مبارزه با تروریسم و ​​جنایت است. تصویر چهره مجرم در پایگاه داده ذخیره می شود. در مکان‌های شلوغ (فرودگاه‌ها، ایستگاه‌های قطار، مراکز خرید، اماکن ورزشی)، از افراد به‌طور لحظه‌ای فیلم‌برداری می‌شود تا افراد تحت تعقیب شناسایی شوند.

حوزه بعدی سیستم های کنترل دسترسی است: نمونه ای از یک تصویر عکس در یک پاس الکترونیکی با مدلی که در نتیجه پردازش داده ها از دوربین های فیلمبرداری به دست آمده است مقایسه می شود. این روش فوراً انجام می‌شود، بدون اینکه نیازی به اقدامات اضافی از جانب افرادی باشد که تحت آن قرار می‌گیرند (برخلاف اسکن شبکیه یا انگشت نگاری).

یکی دیگر از صنایعی که به سرعت در حال رشد است بازاریابی است. یک بیلبورد تعاملی، با اسکن چهره یک فرد، جنسیت و سن او را تعیین می کند، تنها تبلیغاتی را به تصویر می کشد که به طور بالقوه برای مشتری جالب هستند.

روندها و چشم اندازهای توسعه

سیستم های تشخیص چهره در بخش بانکی تقاضای زیادی دارند.

به دنبال نتایج سال گذشته، مدیریت پست بانک پس از نصب 50000 دوربین فیلمبرداری هوشمند در دفاتر خود، توانست با جلوگیری از کلاهبرداری در بخش های وام و پرداخت، میلیون ها روبل صرفه جویی کند. کارشناسان می گویند که تا سال 2021 شبکه زیرساخت لازم ایجاد خواهد شد و هرگونه عملیات در دستگاه های خودپرداز تنها پس از شناسایی بیومتریک چهره مشتری امکان پذیر خواهد بود.

در دهه آینده، فناوری پیشرفته امکان افتتاح زنجیره ای از فروشگاه های سلف سرویس کامل را فراهم می کند: خریدار جلوی ویترین می رود، محصولی را که دوست دارد انتخاب می کند و آن را ترک می کند. سیستم تشخیص چهره و تصویر، هویت خریدار، خرید را مشخص کرده و مبلغ لازم را از حساب وی حذف می کند.

کار برای ایجاد سیستم هایی برای تشخیص وضعیت روانی-عاطفی در حال انجام است. تجزیه و تحلیل احساسات انسانی در زمینه های چند رسانه ای مورد تقاضا خواهد بود: انیمیشن، سینماتوگرافی، صنعت ایجاد بازی های رایانه ای.

همه صحنه هایی از فیلم های علمی تخیلی را می شناسند: قهرمان به در می آید و در باز می شود و او را می شناسد. این یکی از نشانه های واضح راحتی و قابلیت اطمینان استفاده از فناوری های بیومتریک برای کنترل دسترسی است. با این حال، در عمل آنقدر ساده نیست. امروزه برخی از شرکت ها آماده ارائه کنترل دسترسی به مصرف کنندگان با استفاده از فناوری های بیومتریک هستند.

روش‌های سنتی شناسایی شخصی که مبتنی بر کارت‌های شناسایی مختلف، کلیدها یا داده‌های منحصربه‌فرد مانند رمز عبور است، در حدی که امروزه مورد نیاز است قابل اعتماد نیستند. یک گام طبیعی در بهبود قابلیت اطمینان شناسه ها، تلاش برای استفاده از فناوری های بیومتریک برای سیستم های امنیتی بود.

دامنه مشکلاتی که می توان با استفاده از فناوری های جدید حل کرد بسیار گسترده است:

1. جلوگیری از ورود متجاوزان به مناطق و اماکن حفاظت شده با جعل، سرقت اسناد، کارت ها، رمز عبور.
2. محدود کردن دسترسی به اطلاعات و اطمینان از مسئولیت شخصی برای ایمنی آن؛
3. اطمینان از دسترسی به امکانات مسئول فقط برای متخصصان گواهی.
4. اجتناب از هزینه های سربار مرتبط با عملکرد سیستم های کنترل دسترسی (کارت ها، کلیدها)؛
5. از بین بردن ناراحتی مرتبط با از دست دادن، آسیب یا فراموشی اولیه کلیدها، کارت ها، رمزهای عبور.
6. سازماندهی سوابق دسترسی و حضور و غیاب برای کارکنان.

توسعه فن آوری برای تشخیص الگو توسط ویژگی های مختلف بیومتریک از مدت ها قبل شروع شد، شروع آن در دهه 60 بود. هموطنان ما در توسعه مبانی نظری این فناوری ها پیشرفت چشمگیری داشته اند. با این حال، نتایج عملی عمدتا در غرب و فقط "دیروز" به دست آمد. قدرت رایانه‌های مدرن و الگوریتم‌های بهبودیافته، امکان ایجاد محصولاتی را فراهم کرده است که از نظر ویژگی‌ها و نسبت‌هایشان، برای طیف گسترده‌ای از کاربران قابل دسترس و جالب باشند.

ایده استفاده از ویژگی های فردی یک فرد برای شناسایی او جدید نیست. تا به امروز، تعدادی از فناوری‌ها شناخته شده‌اند که می‌توانند در سیستم‌های امنیتی برای شناسایی شخصی استفاده شوند:

1. اثر انگشت (هم فردی و هم دست به عنوان یک کل)؛
2. ویژگی های صورت (بر اساس تصاویر نوری و مادون قرمز)؛
3. عنبیه چشم؛
4. صدا
5. سایر خصوصیات

همه فناوری‌های بیومتریک رویکردهای مشترکی برای حل مشکل شناسایی دارند، اگرچه همه روش‌ها در سهولت استفاده و دقت نتایج متفاوت هستند.

هر فناوری بیومتریک در مراحل زیر اعمال می شود:

1. اسکن اشیاء؛
2. استخراج اطلاعات فردی؛
3. شکل گیری قالب؛
4. مقایسه قالب فعلی با پایگاه داده

سیستم تشخیص بیومتریک ویژگی های فیزیولوژیکی یا رفتاری خاص کاربر را با برخی از الگوهای از پیش تعیین شده مطابقت می دهد. به طور معمول، یک سیستم بیومتریک از دو ماژول تشکیل شده است: یک ماژول ثبت و یک ماژول شناسایی.

ماژول ثبت نام"آموزش" سیستم برای شناسایی یک فرد خاص. در مرحله ثبت نام، یک دوربین فیلمبرداری یا سایر حسگرها افراد را اسکن می کنند تا یک نمایش دیجیتالی از ظاهر او ایجاد کنند. اسکن صورت حدود 20 تا 30 ثانیه طول می کشد و در نتیجه چندین تصویر ایجاد می شود. در حالت ایده‌آل، این تصاویر دارای زوایای و حالات چهره اندکی متفاوت خواهند بود که امکان داده‌های دقیق‌تری را فراهم می‌کند. یک ماژول نرم افزاری ویژه این نمایش را پردازش می کند و ویژگی های شخصیتی را تعیین می کند، سپس یک الگو ایجاد می کند. برخی از قسمت‌های صورت وجود دارند که به سختی در طول زمان تغییر می‌کنند، مانند خطوط بالای کاسه چشم، نواحی اطراف استخوان گونه‌ها و لبه‌های دهان. بسیاری از الگوریتم‌های توسعه‌یافته برای فناوری‌های بیومتریک، تغییرات احتمالی در مدل موی افراد را در نظر می‌گیرند، زیرا از ناحیه صورت بالای خط مو برای تجزیه و تحلیل استفاده نمی‌کنند. الگوی تصویر هر کاربر در پایگاه داده سیستم بیومتریک ذخیره می شود.

ماژول شناساییتصویر یک شخص را از دوربین فیلمبرداری دریافت می کند و آن را به همان فرمت دیجیتالی که الگو در آن ذخیره می شود تبدیل می کند. داده های به دست آمده با یک الگوی ذخیره شده در پایگاه داده مقایسه می شود تا مشخص شود که آیا تصاویر با یکدیگر مطابقت دارند یا خیر. درجه تشابه مورد نیاز برای تأیید یک آستانه مشخص است که می تواند برای انواع مختلف پرسنل، قدرت رایانه شخصی، زمان روز و تعدادی از عوامل دیگر تنظیم شود.

شناسایی ممکن است به صورت تأیید، احراز هویت یا شناسایی باشد. تأیید هویت داده های دریافتی و الگوی ذخیره شده در پایگاه داده را تأیید می کند. احراز هویت - مطابقت تصویر دریافت شده از دوربین فیلمبرداری را با یکی از الگوهای ذخیره شده در پایگاه داده تأیید می کند. در حین شناسایی، اگر ویژگی های به دست آمده و یکی از الگوهای ذخیره شده یکسان باشد، سیستم فرد را با الگوی مربوطه شناسایی می کند.

هنگام استفاده از سیستم های بیومتریک، به ویژه سیستم های تشخیص چهره، حتی با معرفی ویژگی های بیومتریک صحیح، تصمیم برای احراز هویت همیشه صحیح نیست. این به دلیل تعدادی ویژگی و اول از همه به این واقعیت است که بسیاری از ویژگی های بیومتریک می توانند تغییر کنند. درجاتی از احتمال خطای سیستم وجود دارد. علاوه بر این، هنگام استفاده از فناوری های مختلف، خطا می تواند به طور قابل توجهی متفاوت باشد. برای سیستم‌های کنترل دسترسی هنگام استفاده از فناوری‌های بیومتریک، لازم است مشخص شود که چه چیزی مهم‌تر از دست دادن «بیگانه» یا از دست دادن همه «دوستان» است.

یک عامل مهم برای استفاده کنندگان از فناوری های بیومتریک در سیستم های امنیتی، سهولت استفاده است. فردی که مشخصات او اسکن می شود نباید هیچ گونه ناراحتی را تجربه کند. در این زمینه جالب ترین روش البته فناوری تشخیص چهره است. درست است، در این مورد، مشکلات دیگری به وجود می آید که در درجه اول به دقت سیستم مربوط می شود.

علیرغم مزایای آشکار، تعدادی سوگیری منفی علیه بیومتریک وجود دارد که اغلب سؤالاتی را در مورد اینکه آیا بیومتریک برای جاسوسی از افراد و نقض حریم خصوصی آنها استفاده می شود یا خیر، ایجاد می کند. به دلیل ادعاهای هیجان انگیز و تبلیغات بی اساس، درک فناوری های بیومتریک به شدت با وضعیت واقعی امور متفاوت است.

با این حال، استفاده از روش‌های شناسایی بیومتریک در سال‌های اخیر اهمیت خاصی پیدا کرده است. این مشکل به ویژه پس از حوادث 11 سپتامبر در ایالات متحده شدیدتر شد. جامعه جهانی به درجه تهدید فزاینده تروریسم در سراسر جهان و پیچیدگی سازماندهی حفاظت مطمئن با روش های سنتی پی برده است. این رویدادهای غم انگیز بود که به عنوان نقطه شروع برای افزایش توجه به سیستم های امنیتی یکپارچه مدرن عمل کرد. این یک عقیده مشهور است که اگر کنترل در فرودگاه ها سخت تر بود، می توان از بدبختی ها جلوگیری کرد. و حتی امروزه، جستجو برای افراد مسئول تعدادی از حوادث دیگر می تواند به طور قابل توجهی با استفاده از سیستم های نظارت تصویری مدرن در ادغام با سیستم های تشخیص چهره تسهیل شود.

در حال حاضر چهار روش اصلی تشخیص چهره وجود دارد:

1. "چهره های ویژه"؛
2. تجزیه و تحلیل "ویژگی های متمایز"؛
3. تجزیه و تحلیل مبتنی بر "شبکه های عصبی"؛
4. روش "پردازش خودکار تصویر چهره".

همه این روش ها در پیچیدگی پیاده سازی و هدف کاربرد متفاوت هستند.

"Eigenface" را می توان به عنوان "چهره خود" ترجمه کرد. این فناوری از تصاویر دو بعدی در مقیاس خاکستری استفاده می کند که ویژگی های متمایز یک تصویر چهره را نشان می دهد. روش "صورت ویژه" اغلب به عنوان مبنایی برای سایر روش های تشخیص چهره استفاده می شود.

با ترکیب ویژگی های 100 - 120 "igenface" می توان تعداد زیادی از چهره ها را بازیابی کرد. در زمان ثبت نام، "وجه ویژه" هر فرد خاص به عنوان یک سری ضرایب نشان داده می شود. برای یک حالت احراز هویت که در آن یک تصویر برای تأیید هویت استفاده می‌شود، الگوی زنده با یک الگوی از قبل ثبت‌شده مقایسه می‌شود تا فاکتور تفاوت تعیین شود. درجه تفاوت بین الگوها، واقعیت شناسایی را تعیین می کند. فناوری "eigenface" زمانی که در اتاق‌هایی با نور مناسب استفاده می‌شود، زمانی که امکان اسکن چهره در جلو وجود دارد، بهینه است.

تکنیک تجزیه و تحلیل "متمایز" پرکاربردترین فناوری شناسایی است. این فناوری شبیه به تکنیک "Eigenface" است، اما بیشتر برای تغییر ظاهر یا حالات چهره یک فرد (صورت خندان یا اخم) سازگار است. ویژگی های متمایز ده ها ویژگی متمایز از نواحی مختلف صورت را با در نظر گرفتن موقعیت نسبی آنها استفاده می کند. ترکیب فردی این پارامترها ویژگی های هر فرد خاص را تعیین می کند. چهره یک فرد منحصر به فرد، اما کاملا پویا است، زیرا. یک فرد می تواند لبخند بزند، ریش و سبیل بگذارد، عینک بزند - همه اینها پیچیدگی روش شناسایی را افزایش می دهد. بنابراین، به عنوان مثال، هنگام لبخند زدن، جابجایی قسمت هایی از صورت که در نزدیکی دهان قرار دارد، وجود دارد که به نوبه خود باعث حرکت مشابه در قسمت های مجاور می شود. با در نظر گرفتن چنین تغییراتی، می توان به طور منحصر به فرد فردی را با تغییرات تقلیدی مختلف در صورت شناسایی کرد. از آنجایی که این تجزیه و تحلیل نواحی محلی صورت را در نظر می گیرد، تلورانس ها می توانند تا 25 درجه در صفحه افقی و تا حدود 15 درجه در صفحه عمودی باشند و به تجهیزات به اندازه کافی قدرتمند و گران قیمت نیاز دارند که بر این اساس درجه توزیع این را کاهش می دهد. روش.

در روشی مبتنی بر شبکه عصبی، ویژگی‌های مشخصه هر دو چهره - ثبت شده و تایید شده - برای یک تطابق مقایسه می‌شوند. «شبکه‌های عصبی» از الگوریتمی استفاده می‌کنند که پارامترهای منحصربه‌فرد چهره شخص مورد بررسی و پارامترهای الگوی موجود در پایگاه داده را مطابقت می‌دهد، در حالی که حداکثر تعداد ممکن از پارامترها را اعمال می‌کند. با ادامه مقایسه، تناقضات بین شخص مورد بررسی و الگو از پایگاه داده مشخص می شود، سپس مکانیزمی راه اندازی می شود که با استفاده از ضرایب وزنی مناسب، میزان انطباق فرد بررسی شده با الگوی پایگاه داده را مشخص می کند. این روش باعث افزایش کیفیت تشخیص چهره در شرایط سخت می شود.

روش "پردازش خودکار تصویر صورت" ساده ترین فناوری است که با استفاده از فواصل و نسبت فواصل بین نقاطی از صورت که به راحتی مشخص می شوند مانند چشم ها، انتهای بینی، گوشه های دهان است. اگرچه این روش به اندازه «صورت ویژه» یا «شبکه عصبی» قدرتمند نیست، اما در شرایط نور کم می‌توان از آن به طور کاملاً مؤثر استفاده کرد.

سیستم های تشخیص چهره در بازار

تا به امروز، تعدادی از محصولات تجاری طراحی شده برای تشخیص چهره توسعه یافته اند. الگوریتم های مورد استفاده در این محصولات متفاوت است و هنوز ارزیابی اینکه کدام فناوری مزیت را دارد دشوار است. رهبران در حال حاضر سیستم های زیر هستند: Visionic، Viisage و Miros.

• برنامه Visionic's FaceI بر اساس یک الگوریتم تجزیه و تحلیل ویژگی محلی است که در دانشگاه راکفلر توسعه یافته است. یک شرکت تجاری در بریتانیا FaceIt را در یک سیستم تلویزیونی ضد جرم به نام Mandrake ادغام کرده است. این سیستم با استفاده از داده های ویدئویی از 144 دوربین متصل در یک شبکه بسته، مجرمان را جستجو می کند. هنگامی که یک هویت مشخص شد، سیستم به افسر امنیتی اطلاع می دهد. در روسیه نماینده Visionic DanCom است.
• یکی دیگر از رهبران در این زمینه، Viisage، از الگوریتم توسعه یافته در موسسه فناوری ماساچوست استفاده می کند. کسب و کارها و دولت ها در بسیاری از ایالت های ایالات متحده و چندین کشور دیگر از سیستم Viisage به همراه مدارک شناسایی مانند گواهینامه رانندگی استفاده می کنند.
• ZN Vision Technologies AG (آلمان) تعدادی از محصولات را در بازار ارائه می دهد که از فناوری تشخیص چهره استفاده می کنند. این سیستم ها توسط Soling در بازار روسیه ارائه می شوند.
• سیستم تشخیص چهره TrueFace Miros از فناوری شبکه عصبی استفاده می کند، و خود سیستم در مجتمع توزیع نقدی Mr.Payroll Corporation استفاده می شود و در کازینوها و سایر مؤسسات سرگرمی در بسیاری از ایالت های ایالات متحده نصب می شود.

در ایالات متحده، کارشناسان مستقل آزمایش مقایسه ای از فناوری های مختلف تشخیص چهره را انجام دادند. نتایج آزمون در زیر ارائه شده است.

برنج. 1. تحلیل مقایسه ای اثربخشی تشخیص چهره در سیستم های مختلف

در عمل، هنگام استفاده از سیستم‌های تشخیص چهره به عنوان بخشی از سیستم‌های امنیتی الکترونیکی استاندارد، فرض بر این است که شخصی که باید شناسایی شود مستقیماً به دوربین نگاه می‌کند. بنابراین، سیستم با یک تصویر دو بعدی نسبتا ساده کار می کند، که به طور قابل توجهی الگوریتم ها را ساده می کند و شدت محاسبات را کاهش می دهد. اما حتی در این مورد، کار تشخیص هنوز هم بی اهمیت نیست، زیرا الگوریتم ها باید امکان تغییر سطح نور، تغییر حالات چهره، وجود یا عدم وجود آرایش یا عینک را در نظر بگیرند.

قابلیت اطمینان سیستم تشخیص چهره به عوامل مختلفی بستگی دارد:

• کیفیت تصویر. احتمال عملکرد بدون خطای سیستم به میزان قابل توجهی کاهش می یابد اگر فردی که ما سعی در شناسایی آن داریم مستقیماً به دوربین نگاه نکند یا در نور ضعیف تیراندازی شود.
• ارتباط عکس وارد شده در پایگاه داده.
• اندازه پایگاه داده

فناوری‌های تشخیص چهره با دوربین‌های ویدیویی استاندارد که داده‌ها را انتقال می‌دهند و توسط رایانه شخصی کنترل می‌شوند، به خوبی کار می‌کنند و به وضوح 320x240 پیکسل در هر اینچ با سرعت فیلمبرداری حداقل 3 تا 5 فریم در ثانیه نیاز دارند. برای مقایسه، یک کیفیت قابل قبول برای یک ویدئو کنفرانس نیاز به سرعت پخش ویدئویی 15 فریم در ثانیه دارد. نرخ بیت ویدیوی بالاتر در وضوح بالاتر منجر به کیفیت شناسایی بهتر می شود. هنگام تشخیص چهره از فاصله دور، رابطه قوی بین کیفیت دوربین فیلمبرداری و نتیجه شناسایی وجود دارد.

حجم پایگاه های داده هنگام استفاده از رایانه های شخصی استاندارد از 10000 تصویر تجاوز نمی کند.

نتیجه

روش‌های تشخیص چهره که امروزه ارائه می‌شوند جالب و نزدیک به پیاده‌سازی گسترده هستند، با این حال، هنوز مانند سینما نمی‌توان به باز شدن درها فقط به فناوری تشخیص چهره اعتماد کرد. به عنوان یک دستیار برای یک نگهبان یا سایر سیستم های کنترل دسترسی خوب است.

این روش است که در بسیاری از مواقع استفاده می شود که لازم است اطمینان حاصل شود که سند ارائه شده واقعاً متعلق به شخصی است که آن را ارائه کرده است. مثلاً در یک فرودگاه بین‌المللی، وقتی مرزبان عکس روی گذرنامه را با چهره دارنده پاسپورت چک می‌کند و تصمیم می‌گیرد که آیا پاسپورت اوست یا نه. یک سیستم دسترسی کامپیوتری طبق یک الگوریتم مشابه عمل می کند. تنها تفاوت این است که عکس با قالبی که قبلاً در پایگاه داده ذخیره شده مقایسه می شود.

فناوری هایی در حال حاضر ظاهر شده اند که مبتنی بر تشخیص چهره در نور مادون قرمز است. فناوری جدید بر این اساس استوار است که تصویر حرارتی ایجاد شده توسط تابش گرما از رگ های خونی صورت یا به عبارت دیگر ترموگرام صورت افراد برای همه منحصر به فرد است و بنابراین می تواند به عنوان یک بیومتریک استفاده شود. مشخصه برای سیستم های کنترل دسترسی این ترموگرام یک شناسه پایدارتر از هندسه صورت است، زیرا تقریباً به تغییرات ظاهری فرد بستگی ندارد.