Pēdējā laikā vietnē Habré ir parādījušies daudzi raksti, kas veltīti Google sejas identifikācijas sistēmām. Godīgi sakot, daudzi no viņiem ož pēc žurnālistikas un, maigi izsakoties, nekompetences. Un es gribēju uzrakstīt labu rakstu par biometriju, tas nav mans pirmais! Ir daži labi raksti par Habrē biometriju, taču tie ir diezgan īsi un nepilnīgi. Šeit es mēģināšu īsi ieskicēt vispārējos biometriskās identifikācijas principus un cilvēces mūsdienu sasniegumus šajā jautājumā. Tostarp personu identificēšanā.

Rakstam ir turpinājums, kas patiesībā ir tā priekšvēstnesis.

Par pamatu rakstam tiks izmantota kopīga publikācija ar kolēģi žurnālā (BDI, 2009), kas pārskatīta mūsdienu realitātēm. Habrē pagaidām kolēģa nav, taču viņš atbalstīja precizētā raksta publicēšanu šeit. Publicēšanas laikā raksts bija īss pārskats par mūsdienu biometrisko tehnoloģiju tirgu, ko mēs paši veicām pirms sava produkta laišanas tirgū. Raksta otrajā daļā izvirzītie pielietojamības vērtību spriedumi ir balstīti uz cilvēku viedokļiem, kuri ir izmantojuši un ieviesuši produktus, kā arī uz to cilvēku viedokļiem, kuri ir iesaistīti biometrisko sistēmu ražošanā Krievijā un Eiropā.

Galvenā informācija

Sāksim ar pamatiem. 95% gadījumu biometrija pēc savas būtības ir matemātiska statistika. Un matstat ir precīza zinātne, kuras algoritmi tiek izmantoti visur: radaros un Bajesa sistēmās. Pirmā un otrā veida kļūdas var uzskatīt par divām galvenajām jebkuras biometriskās sistēmas īpašībām). Radara teorijā tos parasti sauc par "viltus trauksmēm" vai "mērķa garām", un biometrijā visizplatītākie jēdzieni ir FAR (viltus pieņemšanas līmenis) un FRR (viltus noraidīšanas līmenis). Pirmais cipars raksturo divu cilvēku biometrisko īpašību nepatiesas sakritības varbūtību. Otrais ir iespēja liegt piekļuvi personai ar atļauju. Sistēma ir labāka, jo mazāka ir FRR vērtība pie tādām pašām FAR vērtībām. Dažreiz tiek izmantots arī salīdzinošais EER raksturlielums, kas nosaka FRR un FAR grafiku krustošanās punktu. Bet tas ne vienmēr ir reprezentatīvs. Sīkāku informāciju var redzēt, piemēram,.
Var atzīmēt sekojošo: ja sistēmas raksturlielumos nav norādīts FAR un FRR atvērtajām biometriskajām datu bāzēm, tad neatkarīgi no tā, ko ražotāji deklarē par tās īpašībām, šī sistēma, visticamāk, ir darbnespējīga vai daudz vājāka par konkurentiem..
Taču ne tikai FAR un FRR nosaka biometriskās sistēmas kvalitāti. Ja tas būtu vienīgais veids, tad vadošā tehnoloģija būtu cilvēku DNS atpazīšana, kurai FAR un FRR mēdz būt nulle. Bet ir acīmredzams, ka šī tehnoloģija nav pielietojama pašreizējā cilvēka attīstības stadijā! Mēs esam izstrādājuši vairākus empīriskus raksturlielumus, lai novērtētu sistēmas kvalitāti. "Izturība pret viltojumiem" ir empīrisks rādītājs, kas apkopo, cik viegli ir viltot biometrisko identifikatoru. "Vides stabilitāte" ir raksturlielums, kas empīriski novērtē sistēmas stabilitāti dažādos ārējos apstākļos, piemēram, mainoties apgaismojumam vai telpas temperatūrai. "Lietošanas vienkāršība" parāda, cik sarežģīti ir izmantot biometrisko skeneri, vai identifikācija ir iespējama "ceļā". Svarīga īpašība ir "darba ātrums" un "sistēmas izmaksas". Neaizmirstiet, ka personas biometriskais raksturojums laika gaitā var mainīties, tāpēc, ja tas ir nestabils, tas ir ievērojams mīnuss.
Biometrisko metožu pārpilnība ir pārsteidzoša. Galvenās metodes, izmantojot personas statiskos biometriskos raksturlielumus, ir identifikācija pēc papilāru raksta uz pirkstiem, varavīksnenes, sejas ģeometrijas, tīklenes, rokas vēnu raksta, rokas ģeometrijas. Ir arī metožu saime, kas izmanto dinamiskos raksturlielumus: identifikācija pēc balss, rokraksta dinamika, sirdsdarbība, gaita. Zemāk ir biometrijas tirgus sadalījums pirms pāris gadiem. Katrā otrajā avotā šie dati svārstās par 15-20 procentiem, tāpēc tas ir tikai aptuvens. Arī šeit, zem jēdziena “rokas ģeometrija”, ir paslēptas divas dažādas metodes, kas tiks aplūkotas turpmāk.

Rakstā mēs apskatīsim tikai tos raksturlielumus, kas ir piemērojami piekļuves kontroles un pārvaldības sistēmās (ACS) vai tiem tuvajos uzdevumos. Pateicoties to pārākumam, tie galvenokārt ir statiski raksturlielumi. No dinamiskajiem raksturlielumiem šobrīd tikai balss atpazīšanai ir vismaz kāda statistiskā nozīme (salīdzināma ar sliktākajiem statiskajiem algoritmiem FAR ~ 0,1%, FRR ~ 6%), taču tikai ideālos apstākļos.
Lai izjustu FAR un FRR iespējamību, var novērtēt, cik bieži notiks nepatiesas atbilstības, ja identifikācijas sistēma tiek uzstādīta slēgtā organizācijā ar N darbiniekiem. N pirkstu nospiedumu datubāzes skenera saņemtā pirksta nospieduma viltus atbilstības varbūtība ir FAR∙N. Un katru dienu cauri piekļuves kontroles punktam iziet arī aptuveni N cilvēki. Tad kļūdas iespējamība darba dienā ir FAR∙(N∙N). Protams, atkarībā no identifikācijas sistēmas mērķiem kļūdas iespējamība laika vienībā var ievērojami atšķirties, taču, ja tiek pieņemta viena kļūda darba dienā, tad:
(1)
Tad iegūstam, ka stabila identifikācijas sistēmas darbība pie FAR=0.1% =0.001 iespējama ar personāla skaitu N≈30.

Biometriskie skeneri

Mūsdienās jēdzieni "biometriskais algoritms" un "biometriskais skeneris" ne vienmēr ir savstarpēji saistīti. Uzņēmums var ražot šos elementus atsevišķi vai kopā. Vislielākā skeneru ražotāju un programmatūras ražotāju atšķirība ir sasniegta papilāru pirkstu raksta biometrijas tirgū. Mazākais 3D sejas skeneris tirgū. Faktiski diferenciācijas līmenis lielā mērā atspoguļo tirgus attīstību un piesātinājumu. Jo lielāka izvēle - jo vairāk tēma ir izstrādāta un pilnveidota. Dažādiem skeneriem ir atšķirīgas spējas. Būtībā tas ir testu kopums, lai pārbaudītu, vai biometriskais objekts ir vai nav bojāts. Pirkstu skeneriem tā var būt reljefa pārbaude vai temperatūras pārbaude, acu skeneriem tā var būt skolēna izmitināšanas pārbaude, sejas skeneriem, sejas kustības pārbaude.
Skeneriem ir ļoti liela ietekme uz saņemto FAR un FRR statistiku. Dažos gadījumos šie skaitļi var mainīties desmitiem reižu, īpaši reālos apstākļos. Parasti algoritma raksturlielumi tiek doti kādai “ideālai” bāzei vai vienkārši piemērotai, kur tiek izmesti izplūduši un izplūduši kadri. Tikai daži algoritmi godīgi norāda gan bāzi, gan pilnu FAR / FRR izvadi.

Un tagad sīkāk par katru no tehnoloģijām.

Pirkstu nospiedumi

Daktiloskopija (pirkstu nospiedumu atpazīšana) ir līdz šim visattīstītākā biometriskā personas identifikācijas metode. Metodes attīstības katalizators bija tās plašā izmantošana tiesu zinātnē 20. gadsimtā.
Katrai personai ir unikāls papilāru pirkstu nospiedumu raksts, kas ļauj identificēt. Parasti algoritmi izmanto pirkstu nospiedumu raksturīgos punktus: raksta līnijas beigas, līnijas sazarojumu, atsevišķus punktus. Papildus tiek izmantota informācija par pirkstu nospieduma morfoloģisko struktūru: papilāru raksta slēgto līniju, "arkveida" un spirālveida līniju relatīvais novietojums. Papilārā raksta pazīmes tiek pārveidotas par unikālu kodu, kas saglabā nospieduma attēla informatīvo saturu. Un tieši "pirkstu nospiedumu kodi" tiek glabāti datu bāzē, ko izmanto meklēšanai un salīdzināšanai. Laiks pirkstu nospiedumu attēla pārveidošanai kodā un tā identifikācijai parasti nepārsniedz 1 s atkarībā no bāzes izmēra. Rokas pacelšanai pavadītais laiks netiek ņemts vērā.

Kā FAR un FRR datu avots tika izmantota VeriFinger SDK statistika, kas iegūta, izmantojot U.are.U DP pirkstu nospiedumu skeneri. Pēdējo 5-10 gadu laikā atpazīšanas ar pirkstu īpašības nav īpaši pavirzījušās uz priekšu, tāpēc sniegtie skaitļi parāda labu mūsdienu algoritmu vidējo rādītāju. Pats VeriFinger algoritms jau vairākus gadus ir uzvarējis Starptautiskajā pirkstu nospiedumu pārbaudes konkursā, kurā sacentās pirkstu nospiedumu atpazīšanas algoritmi.

Tipiskā FAR vērtība pirkstu nospiedumu atpazīšanas metodei ir 0,001%.
No formulas (1) iegūstam, ka stabila identifikācijas sistēmas darbība pie FAR=0,001% iespējama ar darbinieku skaitu N≈300.

Metodes priekšrocības. Augsta uzticamība - metodes statistiskie rādītāji ir labāki nekā identifikācijas metodēm pēc sejas, balss, krāsošanas. Zemu izmaksu ierīces, kas skenē pirkstu nospiedumu attēlu. Diezgan vienkārša procedūra pirkstu nospiedumu skenēšanai.
Trūkumi: papilāru pirkstu nospiedumu raksts ir ļoti viegli sabojājams ar maziem skrāpējumiem, griezumiem. Cilvēki, kuri izmantojuši skenerus uzņēmumos ar vairākiem simtiem darbinieku, ziņo par augstu skenēšanas kļūmju līmeni. Daudzi skeneri pienācīgi neapstrādā sausu ādu un nelaiž cauri vecus cilvēkus. Komunicējot pagājušajā MIPS izstādē, kāda lielā ķīmijas uzņēmuma apsardzes dienesta vadītājs stāstīja, ka viņu mēģinājums uzņēmumā ieviest pirkstu skenerus (tika izmēģināti dažādu sistēmu skeneri) izgāzies - radījusi darbinieku minimālā pirkstu pakļaušana ķīmisko vielu iedarbībai. kļūme skeneru drošības sistēmās - skeneri pasludināja pirkstus par viltotiem. Trūkst arī drošības pret pirkstu nospiedumu viltošanu, daļēji metodes plašās izmantošanas dēļ. Protams, ne visus skenerus var apmānīt ar MythBusters metodēm, bet tomēr. Dažiem cilvēkiem ar “nepiemērotiem” pirkstiem (ķermeņa temperatūra, mitrums) piekļuves liegšanas iespējamība var sasniegt 100%. Šādu cilvēku skaits svārstās no procenta daļām dārgiem skeneriem līdz desmit procentiem lētiem skeneriem.
Protams, ir vērts atzīmēt, ka lielu daļu trūkumu rada sistēmas plašā izmantošana, taču šie trūkumi pastāv un parādās ļoti bieži.

Tirgus situācija

Pašlaik pirkstu nospiedumu atpazīšanas sistēmas aizņem vairāk nekā pusi no biometrisko datu tirgus. Daudzi Krievijas un ārvalstu uzņēmumi nodarbojas ar piekļuves kontroles sistēmu ražošanu, pamatojoties uz pirkstu nospiedumu identifikācijas metodi. Sakarā ar to, ka šis virziens ir viens no vecākajiem, tas ir saņēmis vislielāko izplatību un līdz šim ir visattīstītākais. Pirkstu nospiedumu skeneri patiešām ir nogājuši garu ceļu. Mūsdienu sistēmas ir aprīkotas ar dažādiem sensoriem (temperatūra, presēšanas spēks utt.), kas paaugstina aizsardzības pakāpi pret viltošanu. Ar katru dienu sistēmas kļūst arvien ērtākas un kompaktākas. Patiesībā izstrādātāji jau ir sasnieguši noteiktu robežu šajā jomā, un nav kur metodi attīstīt tālāk. Turklāt lielākā daļa uzņēmumu ražo gatavas sistēmas, kas ir aprīkotas ar visu nepieciešamo, ieskaitot programmatūru. Integratoriem šajā jomā vienkārši nav nepieciešams pašiem montēt sistēmu, jo tas ir nerentabli un prasīs vairāk laika un pūļu nekā pērkot gatavu un jau lētu sistēmu, jo lielāka izvēle būs patiešām plaša.
Starp ārvalstu uzņēmumiem, kas nodarbojas ar pirkstu nospiedumu atpazīšanas sistēmām, var atzīmēt SecuGen (USB skeneri personālajiem datoriem, skeneri, kurus var instalēt vai iebūvēt slēdzenēs, SDK un programmatūra sistēmas savienošanai ar datoru); Bayometric Inc. (pirkstu nospiedumu skeneri, TAA/piekļuves kontroles sistēmas, pirkstu nospiedumu SDK, iegultie pirkstu nospiedumu moduļi); DigitalPersona Inc. (USB skeneri, SDK). Krievijā šajā jomā darbojas šādi uzņēmumi: BioLink (pirkstu nospiedumu skeneri, biometriskās piekļuves kontroles ierīces, programmatūra); Sonda (pirkstu nospiedumu skeneri, biometriskās piekļuves kontroles ierīces, SDK); SmartLock (pirkstu nospiedumu skeneri un moduļi) utt.

Iriss

Acs varavīksnene ir unikāla cilvēka īpašība. Varavīksnenes raksts veidojas astotajā augļa attīstības mēnesī, beidzot stabilizējas aptuveni divu gadu vecumā un praktiski nemainās dzīves laikā, izņemot smagu traumu vai smagu patoloģiju rezultātā. Metode ir viena no precīzākajām starp biometriskajām metodēm.
Varavīksnenes identifikācijas sistēma ir loģiski sadalīta divās daļās: attēla uztveršanas ierīce, tās primārā apstrāde un pārsūtīšana uz kalkulatoru un dators, kas salīdzina attēlu ar attēliem datu bāzē, pārraidot komandu par pielaidi izpildmehānismam.
Primārās attēla apstrādes laiks mūsdienu sistēmās ir aptuveni 300–500 ms, iegūtā attēla salīdzināšanas ātrums ar bāzi ir 50 000–150 000 salīdzinājumu sekundē parastajā personālajā datorā. Šis salīdzināšanas ātrums neuzliek ierobežojumus metodes pielietošanai lielās organizācijās, ja to izmanto piekļuves sistēmās. Izmantojot specializētus kalkulatorus un meklēšanas optimizācijas algoritmus, kļūst pat iespējams identificēt personu starp visas valsts iedzīvotājiem.
Uzreiz varu atbildēt, ka esmu nedaudz tendenciozs un man ir pozitīva attieksme pret šo metodi, jo tieši šajā jomā mēs uzsākām savu starta uzņēmumu. Beigās rindkopa būs veltīta nelielai pašreklāmai.

Metodes statistiskais raksturojums

FAR un FRR raksturlielumi varavīksnenei ir labākie mūsdienu biometrisko sistēmu klasē (izņemot, iespējams, tīklenes atpazīšanas metodi). Rakstā ir parādīti mūsu algoritma — EyeR SDK — varavīksnenes atpazīšanas bibliotēkas raksturlielumi, kas atbilst VeriEye algoritmam, kas pārbaudīts tajās pašās datu bāzēs. Tika izmantotas to skenera iegūtās CASIA datu bāzes.

FAR raksturīgā vērtība ir 0,00001%.
Pēc formulas (1) N≈3000 ir organizācijas personāla skaits, pie kura darbinieka identifikācija notiek diezgan stabili.
Šeit ir vērts atzīmēt svarīgu iezīmi, kas atšķir varavīksnenes atpazīšanas sistēmu no citām sistēmām. Ja izmantojat kameru ar izšķirtspēju 1,3 MP, vienā kadrā varat uzņemt divas acis. Tā kā FAR un FRR varbūtības ir statistiski neatkarīgas varbūtības, FAR vērtība atpazīšanai divās acīs būs aptuveni vienāda ar FAR vērtības kvadrātu vienai acij. Piemēram, ja FAR ir 0,001%, izmantojot divas acis, viltus pielaides iespējamība būtu 10–8%, FRR tikai divreiz augstāka par atbilstošo FRR vērtību vienai acij ar FAR = 0,001%.

Metodes priekšrocības un trūkumi

Metodes priekšrocības. Algoritma statistiskā ticamība. Varavīksnenes attēla tveršanu var veikt no vairāku centimetru līdz vairākiem metriem, kamēr cilvēka fiziskais kontakts ar ierīci nenotiek. Varavīksnene ir aizsargāta no bojājumiem – tas nozīmē, ka laika gaitā tā nemainīsies. Ir iespējams arī izmantot lielu skaitu metožu, kas aizsargā pret viltošanu.
Metodes trūkumi. Sistēmas cena, kuras pamatā ir varavīksnene, ir augstāka nekā tādas sistēmas cena, kuras pamatā ir pirkstu vai sejas atpazīšana. Zema gatavu risinājumu pieejamība. Jebkurš integrators, kurš šodien ieradīsies Krievijas tirgū un saka "dodiet man gatavu sistēmu", visticamāk, pārtrauks. Pārsvarā tiek pārdotas dārgas pabeigtas sistēmas, kuras uzstāda lieli uzņēmumi, piemēram, Iridian vai LG.

Tirgus situācija

Šobrīd varavīksnenes identifikācijas tehnoloģiju īpatsvars globālajā biometrijas tirgū pēc dažādām aplēsēm ir no 6 līdz 9 procentiem (turpretim pirkstu nospiedumu atpazīšanas tehnoloģijas aizņem vairāk nekā pusi tirgus). Jāpiebilst, ka jau no šīs metodes izstrādes sākuma tās nostiprināšanos tirgū bremzēja identifikācijas sistēmas montāžai nepieciešamo iekārtu un komponentu augstās izmaksas. Tomēr, attīstoties digitālajām tehnoloģijām, vienas sistēmas izmaksas sāka samazināties.
Programmatūras izstrādes līderis šajā jomā ir Iridian Technologies.
Liela skaita ražotāju ienākšanu tirgū ierobežoja skeneru tehniskā sarežģītība un līdz ar to arī to augstās izmaksas, kā arī programmatūras augstā cena, ko izraisīja Iridian monopolstāvoklis tirgū. Šie faktori ļāva attīstīties tikai lieliem uzņēmumiem varavīksnenes atpazīšanas jomā, kas, visticamāk, jau nodarbojās ar dažu identifikācijas sistēmai piemērotu komponentu ražošanu (augstas izšķirtspējas optika, miniatūras kameras ar infrasarkano apgaismojumu utt.). Šādu uzņēmumu piemēri ir LG Electronics, Panasonic, OKI. Viņi noslēdza līgumu ar Iridian Technologies, un kopīga darba rezultātā parādījās šādas identifikācijas sistēmas: Iris Access 2200, BM-ET500, OKI IrisPass. Nākotnē radās uzlaboti sistēmu modeļi, pateicoties šo uzņēmumu tehniskajām iespējām patstāvīgi attīstīties šajā jomā. Jāteic, ka iepriekš minētie uzņēmumi arī izstrādāja savu programmatūru, taču galu galā gatavajā sistēmā viņi dod priekšroku Iridian Technologies programmatūrai.
Krievijas tirgū dominē ārvalstu uzņēmumu produkcija. Pat ja to ir grūti iegādāties. Ilgu laiku Papillon visiem apliecināja, ka viņiem ir varavīksnenes atpazīšana. Bet pat viņu tiešā pircēja RosAtom pārstāvji, kuriem viņi izveidoja sistēmu, saka, ka tā nav taisnība. Kādā brīdī parādījās vēl kāds Krievijas uzņēmums, kas ražoja varavīksnenes skenerus. Es tagad neatceros nosaukumu. Viņi nopirka algoritmu no kāda, iespējams, no tās pašas VeriEye. Pats skeneris bija 10-15 gadus veca sistēma, nekādā gadījumā bezkontakta.
Pagājušajā gadā pasaules tirgū ienāca pāris jauni ražotāji, jo beidzās primārais patents cilvēka atpazīšanai pēc acīm. Visuzticamākais no tiem, manuprāt, ir pelnījis AOptix. Vismaz to priekšskatījums un dokumentācija nerada aizdomas. Otrs uzņēmums ir SRI International. Pat no pirmā acu uzmetiena personai, kas iesaistīta varavīksnenes atpazīšanas sistēmās, viņu video šķiet ļoti nepatiesi. Lai gan es nebrīnītos, ja patiesībā viņi kaut ko var izdarīt. Abas sistēmas nerāda datus par FAR un FRR, kā arī, acīmredzot, nav aizsargātas no viltojumiem.

sejas atpazīšana

Ir daudzas sejas ģeometrijas atpazīšanas metodes. To visu pamatā ir fakts, ka katra cilvēka sejas vaibsti un galvaskausa forma ir individuāla. Šī biometrijas joma daudziem šķiet pievilcīga, jo mēs viens otru atpazīstam galvenokārt pēc sejas. Šis apgabals ir sadalīts divās zonās: 2-D atpazīšana un 3-D atpazīšana. Katram no tiem ir priekšrocības un trūkumi, taču daudz kas ir atkarīgs arī no konkrētā algoritma darbības jomas un prasībām.
Es īsi runāšu par 2-d un pāriešu pie vienas no interesantākajām metodēm šodien - 3-d.

2D sejas atpazīšana

2-D sejas atpazīšana ir viena no statistiski neefektīvākajām biometrijas metodēm. Tas parādījās diezgan sen un tika izmantots galvenokārt tiesu zinātnē, kas veicināja tā attīstību. Pēc tam parādījās metodes datorizētas interpretācijas, kā rezultātā tā kļuva uzticamāka, taču, protams, bija zemāka un ar katru gadu arvien zemāka par citām biometriskajām personas identifikācijas metodēm. Pašlaik sliktas statistikas veiktspējas dēļ tas tiek izmantots multimodālajā jeb, kā to sauc arī, krosbiometrijā vai sociālajos tīklos.

Metodes statistiskais raksturojums

Attiecībā uz FAR un FRR tika izmantoti VeriLook algoritmu dati. Atkal, mūsdienu algoritmiem tam ir ļoti parastas īpašības. Dažreiz algoritmi ar FRR 0,1% ar līdzīgu FAR mirgo, bet pamati, uz kuriem tie tika iegūti, ir ļoti apšaubāmi (izgriezts fons, viena un tā pati sejas izteiksme, viena un tā pati frizūra, apgaismojums).

FAR raksturīgā vērtība ir 0,1%.
No formulas (1) iegūstam N≈30 - organizācijas personāla skaitu, pie kura darbinieka identifikācija notiek diezgan stabili.
Kā redzams, metodes statistiskie rādītāji ir visai pieticīgi: tas novērš metodes priekšrocību, ka ir iespējams veikt slēptu seju šaušanu pārpildītās vietās. Smieklīgi vērot, kā pāris reizes gadā tiek finansēts kārtējais projekts noziedznieku atklāšanai caur pārpildītās vietās uzstādītām videokamerām. Pēdējo desmit gadu laikā algoritma statistiskie raksturlielumi nav uzlabojušies, un šādu projektu skaits ir pieaudzis. Lai gan ir vērts atzīmēt, ka algoritms ir diezgan piemērots, lai cilvēku vadītu pūlī caur daudzām kamerām.

Metodes priekšrocības un trūkumi

Metodes priekšrocības. Izmantojot 2-D atpazīšanu, atšķirībā no vairuma biometrisko metožu, dārgs aprīkojums nav nepieciešams. Ar atbilstošu aprīkojumu atpazīšanas iespēja ievērojamos attālumos no kameras.
Trūkumi. Zema statistiskā nozīme. Ir prasības apgaismojumam (piemēram, nevar reģistrēt cilvēku sejas, kas saulainā dienā ienāk no ielas). Daudziem algoritmiem ir nepieņemama jebkāda ārēja iejaukšanās, piemēram, brilles, bārda, daži frizūras elementi. Obligāts sejas priekšējais attēls, ar ļoti nelielām novirzēm. Daudzi algoritmi neņem vērā iespējamās izmaiņas sejas izteiksmēs, tas ir, izteiksmei jābūt neitrālai.

3-D sejas atpazīšana

Šīs metodes ieviešana ir diezgan grūts uzdevums. Neskatoties uz to, pašlaik ir daudzas 3D sejas atpazīšanas metodes. Metodes nevar salīdzināt savā starpā, jo tās izmanto dažādus skenerus un bāzes. ne visi izdod FAR un FRR, tiek izmantotas pilnīgi atšķirīgas pieejas.
Pārejas metode no 2-d uz 3-d ir metode, kas īsteno informācijas uzkrāšanu par personu. Šai metodei ir labākas īpašības nekā 2D metodei, taču tā izmanto tikai vienu kameru. Ievadot objektu datubāzē, subjekts pagriež galvu un algoritms attēlu savieno kopā, izveidojot 3d šablonu. Un, atpazīstot, tiek izmantoti vairāki video straumes kadri. Šī metode ir diezgan eksperimentāla, un es nekad neesmu redzējis ACS sistēmu ieviešanu.
Klasiskākā metode ir veidņu projekcijas metode. Tas sastāv no tā, ka uz objekta (sejas) tiek projicēts režģis. Tālāk kamera uzņem attēlus ar ātrumu desmitiem kadru sekundē, un iegūtos attēlus apstrādā īpaša programma. Uz izliektas virsmas krītošs stars izliecas - jo lielāks virsmas izliekums, jo stiprāks ir sijas izliekums. Sākotnēji tas izmantoja redzamās gaismas avotu, kas tika piegādāts caur "žalūzijas". Tad redzamā gaisma tika aizstāta ar infrasarkano staru, kam ir vairākas priekšrocības. Parasti pirmajā apstrādes posmā tiek izmesti attēli, kuros seja vispār nav redzama vai ir svešķermeņi, kas traucē identificēt. Pamatojoties uz iegūtajiem attēliem, tiek atjaunots 3-D sejas modelis, uz kura tiek izcelta un noņemta nevajadzīga iejaukšanās (frizūra, bārda, ūsas un brilles). Pēc tam modelis tiek analizēts - tiek izceltas antropometriskās pazīmes, kuras galu galā tiek ierakstītas unikālā datubāzē ievadītā kodā. Labākajiem modeļiem attēlu uzņemšanas un apstrādes laiks ir 1-2 sekundes.
Tāpat popularitāti gūst 3-d atpazīšanas metode, kuras pamatā ir attēls, kas iegūts no vairākām kamerām. Piemērs tam ir Vocord ar 3D skeneri. Šī metode nodrošina pozicionēšanas precizitāti, saskaņā ar izstrādātāju garantijām, augstāku nekā veidnes projekcijas metode. Bet, kamēr es neredzēšu FAR un FRR vismaz viņu pašu datubāzē, es tam neticēšu !!! Bet tas ir izstrādāts jau 3 gadus, un progress izstādēs vēl nav redzams.

Metodes statistiskie rādītāji

Pilni dati par FRR un FAR šīs klases algoritmiem ražotāju vietnēs nav atklāti sniegti. Bet labākajiem Bioscript modeļiem (3D EnrolCam, 3D FastPass), kas strādā ar veidnes projekcijas metodi ar FAR = 0,0047% FRR ir 0,103%.
Tiek uzskatīts, ka metodes statistiskā ticamība ir salīdzināma ar pirkstu nospiedumu identifikācijas metodes ticamību.

Metodes priekšrocības un trūkumi

Metodes priekšrocības. Nav nepieciešams sazināties ar skenēšanas ierīci. Zema jutība pret ārējiem faktoriem gan pašam cilvēkam (briļļu izskats, bārda, frizūras maiņa), gan apkārtējā vidē (gaisma, galvas rotācija). Augsts drošības līmenis, kas salīdzināms ar pirkstu nospiedumu identifikāciju.
Metodes trūkumi. Dārga tehnika. Pārdošanā pieejamie kompleksi bija pat dārgāki nekā varavīksnenes skeneri. Izmaiņas sejas izteiksmēs un troksnis uz sejas pasliktina metodes statistisko ticamību. Metode vēl nav pietiekami izstrādāta, jo īpaši salīdzinājumā ar pirkstu nospiedumu noņemšanu, kas tiek izmantota ilgu laiku, kas apgrūtina tās plašo izmantošanu.

Tirgus situācija

Sejas ģeometrijas atpazīšana kopā ar pirkstu nospiedumu un varavīksnenes atpazīšanu ir viens no "trīs lielajiem biometriskajiem datiem". Man jāsaka, ka šī metode ir diezgan izplatīta, un līdz šim tai ir dota priekšroka, nevis atpazīšana pēc acs varavīksnenes. Seju ģeometrijas atpazīšanas tehnoloģiju īpatsvars kopējā globālā biometrijas tirgus apjomā vērtējams 13-18 procentu apmērā. Arī Krievijā šī tehnoloģija izrāda lielāku interesi nekā, piemēram, identificēšana pēc varavīksnenes. Kā minēts iepriekš, ir daudz 3-D atpazīšanas algoritmu. Lielākoties uzņēmumi izvēlas izstrādāt pabeigtas sistēmas, kas ietver skenerus, serverus un programmatūru. Tomēr ir arī tādi, kas patērētājam piedāvā tikai SDK. Līdz šim mēs varam atzīmēt šādus uzņēmumus, kas ir iesaistīti šīs tehnoloģijas izstrādē: Geometrix, Inc. (3D sejas skeneri, programmatūra), Genex Technologies (3D sejas skeneri, programmatūra) ASV, Cognitec Systems GmbH (SDK, speciālie datori, 2D kameras) Vācijā, Bioscrypt (3D sejas skeneri, programmatūra) ir Amerikas meitas uzņēmums. uzņēmums L-1 Identity Solutions.
Krievijā šajā virzienā strādā Artec grupas uzņēmumi (3D sejas skeneri un programmatūra) - uzņēmums, kura galvenā mītne atrodas Kalifornijā, un izstrāde un ražošana notiek Maskavā. Tāpat vairākām Krievijas kompānijām pieder 2D sejas atpazīšanas tehnoloģija - Vocord, ITV u.c.
2D sejas atpazīšanas jomā galvenais izstrādes priekšmets ir programmatūra, jo Parastās kameras lieliski spēj uzņemt seju attēlus. Seju atpazīšanas problēmas risinājums zināmā mērā ir nonācis strupceļā - jau vairākus gadus algoritmu statistiskajos rādītājos uzlabojumu praktiski nav. Šajā jomā notiek sistemātisks "darbs ar kļūdām".
3D sejas atpazīšana tagad ir daudz pievilcīgāka joma izstrādātājiem. Tajā strādā daudzas komandas un regulāri dzird par jauniem atklājumiem. Daudzi darbi atrodas stāvoklī "tikko tiks izdots". Taču pagaidām tirgū ir tikai veci piedāvājumi, pēdējos gados izvēle nav mainījusies.
Viens no interesantajiem jautājumiem, par kuru es reizēm domāju un uz kuru, iespējams, atbildēs Habrs: vai ar kinect precizitāti pietiek, lai izveidotu šādu sistēmu? Ir diezgan daudz projektu, lai caur to izvilktu cilvēka 3D modeli.

Atpazīšana pēc rokas vēnām

Šī ir jauna tehnoloģija biometrijas jomā, tās plaša izmantošana sākās tikai pirms 5-10 gadiem. Infrasarkanā kamera uzņem attēlus no rokas ārpuses vai iekšpuses. Vēnu modelis veidojas tāpēc, ka asins hemoglobīns absorbē infrasarkano starojumu. Rezultātā tiek samazināta atstarošanas pakāpe, un vēnas ir redzamas kamerā kā melnas līnijas. Īpaša programma, kuras pamatā ir saņemtie dati, veido digitālo konvolūciju. Nav nepieciešams cilvēka kontakts ar skenēšanas ierīci.
Šīs tehnoloģijas uzticamība ir salīdzināma ar atpazīšanu pēc acs varavīksnenes, dažos veidos to pārspējot un dažos veidos zemāka.
FRR un FAR vērtības ir paredzētas Palm Vein skenerim. Saskaņā ar izstrādātāja FAR 0,0008% FRR ir 0,01%. Neviens uzņēmums nerada precīzāku grafiku vairākām vērtībām.

Metodes priekšrocības un trūkumi

Metodes priekšrocības. Nav nepieciešams sazināties ar skenēšanas ierīci. Augsta uzticamība - metodes statistiskie rādītāji ir salīdzināmi ar varavīksnenes rādījumiem. Slēptās īpašības: atšķirībā no visa iepriekš minētā, šo īpašību ir ļoti grūti iegūt no cilvēka “uz ielas”, piemēram, nofotografējot viņu ar kameru.
Metodes trūkumi. Skenera pakļaušana saules gaismai un halogēnu lampu stariem ir nepieņemama. Dažas ar vecumu saistītas slimības, piemēram, artrīts, ievērojami pasliktina FAR un FRR. Metode ir mazāk pētīta salīdzinājumā ar citām statiskās biometrijas metodēm.

Tirgus situācija

Rokas vēnu atpazīšanas tehnoloģija ir diezgan jauna tehnoloģija, un tāpēc tās globālā tirgus daļa ir neliela, aptuveni 3%. Tomēr interese par šo metodi pieaug. Fakts ir tāds, ka, tā kā šī metode ir diezgan precīza, tai nav nepieciešams tik dārgs aprīkojums kā, piemēram, atpazīšanas metodes, kuru pamatā ir sejas ģeometrija vai varavīksnene. Tagad šajā jomā attīstās daudzi uzņēmumi. Tā, piemēram, pēc angļu uzņēmuma TDSi pasūtījuma tika izstrādāta programmatūra plaukstu vēnu biometrijas lasītājam PalmVein, ko prezentēja Fujitsu. Pašu skeneri Fujitsu izstrādāja galvenokārt, lai apkarotu finanšu krāpšanu Japānā.
Tāpat vēnu identifikācijas jomā ir šādi uzņēmumi Veid Pte. SIA (skeneris, programmatūra), Hitachi VeinID (skeneri)
Es nezinu nevienu uzņēmumu Krievijā, kas nodarbojas ar šo tehnoloģiju.

Tīklene

Vēl nesen tika uzskatīts, ka visuzticamākā personas biometriskās identifikācijas un autentifikācijas metode ir metode, kuras pamatā ir tīklenes skenēšana. Tas satur labākās identifikācijas īpašības pēc varavīksnenes un rokas vēnām. Skeneris nolasa kapilāru zīmējumu uz tīklenes virsmas. Tīklenei ir fiksēta struktūra, kas laika gaitā nemainās, izņemot slimības, piemēram, kataraktas, rezultātā.
Tīklenes skenēšanai tiek izmantota zemas intensitātes infrasarkanā gaisma, kas tiek virzīta caur zīlīti uz asinsvadiem acs aizmugurē. Tīklenes skeneri ir kļuvuši plaši izmantoti ļoti slepenu objektu piekļuves kontroles sistēmās, jo tiem reģistrētiem lietotājiem ir viens no zemākajiem liegtās piekļuves procentiem un praktiski nav nevienas kļūdainas piekļuves atļaujas.
Diemžēl, izmantojot šo biometrisko metodi, rodas vairākas grūtības. Skeneris šeit ir ļoti sarežģīta optiskā sistēma, un cilvēks nedrīkst ilgstoši kustēties, kamēr sistēma tiek inducēta, kas rada diskomfortu.
Saskaņā ar EyeDentify skenerim ICAM2001 ar FAR = 0,001%, FRR vērtība ir 0,4%.

Metodes priekšrocības un trūkumi

Priekšrocības. Augsts statistiskās ticamības līmenis. Sistēmu zemās izplatības dēļ ir maz iespēju izstrādāt veidu, kā tās "apkrāpt".
Trūkumi. Grūti lietojama sistēma ar augstu apstrādes laiku. Sistēmas augstās izmaksas. Plaša tirgus piedāvājuma trūkums un līdz ar to arī metodes izstrādes nepietiekamā intensitāte.

Rokas ģeometrija

Šī metode, kas bija diezgan izplatīta pirms 10 gadiem un kuras izcelsme ir tiesu medicīnas zinātnē, pēdējos gados ir samazinājusies. Tā pamatā ir roku ģeometrisko raksturlielumu iegūšana: pirkstu garums, plaukstas platums utt. Šī metode, tāpat kā acs tīklene, mirst, un, tā kā tai ir daudz zemākas īpašības, mēs pat neieviesīsim pilnīgāku tās aprakstu.
Dažreiz tiek uzskatīts, ka vēnu atpazīšanas sistēmās tiek izmantotas ģeometriskās atpazīšanas metodes. Bet izpārdošanā mēs nekad neesam redzējuši tik skaidri pateiktu. Un turklāt nereti, atpazīstot pēc vēnām, tiek ņemta tikai plauksta, savukārt, atpazīstot pēc ģeometrijas, tiek nofotografēti pirksti.

Nedaudz pašreklāmas

Vienā reizē mēs izstrādājām labu acu atpazīšanas algoritmu. Bet tajā laikā tik augsto tehnoloģiju lieta šajā valstī nebija vajadzīga, un es negribēju iet uz buržuāziju (kur mūs uzaicināja pēc paša pirmā raksta). Bet pēkšņi, pēc pusotra gada, joprojām bija investori, kuri vēlējās izveidot sev “biometrisko portālu” - sistēmu, kas apēstu 2 acis un izmantotu varavīksnenes krāsas komponentu (par kuru investoram bija pasaules patents ). Patiesībā tas ir tas, ko mēs tagad darām. Bet šis nav raksts par pašreklāmu, šī ir īsa liriska atkāpe. Ja kādam ir interese, ir kāda informācija, un kaut kad nākotnē, kad ienāksim tirgū (vai neiesim), uzrakstīšu šeit pāris vārdus par biometrijas projekta peripetijām Krievijā.

secinājumus

Pat statisko biometrisko sistēmu klasē ir liela sistēmu izvēle. Kuru izvēlēties? Tas viss ir atkarīgs no drošības prasībām. Statistiski uzticamākās un pret viltojumiem drošākās piekļuves sistēmas ir varavīksnenes un roku vēnu piekļuves sistēmas. Pirmajam no tiem ir plašāks piedāvājumu tirgus. Bet tas nav ierobežojums. Biometriskās identifikācijas sistēmas var apvienot, lai panāktu astronomisku precizitāti. Lētākās un visvieglāk lietojamās, taču ar labu statistiku ir pirkstu tolerances sistēmas. 2D sejas tolerance ir ērta un lēta, taču tā ir ierobežota sliktas statistikas dēļ.
Apsveriet katras sistēmas īpašības: izturība pret viltošanu, izturība pret vidi, lietošanas vienkāršība, izmaksas, ātrums, biometriskās pazīmes stabilitāte laika gaitā. Katrā kolonnā ievietosim atzīmes no 1 līdz 10. Jo tuvāk rezultāts ir 10, jo labāka ir sistēma šajā ziņā. Atzīmju izvēles principi tika aprakstīti pašā raksta sākumā.


Mēs arī apsveram šo sistēmu FAR un FRR attiecību. Šī attiecība nosaka sistēmas efektivitāti un tās izmantošanas plašumu.


Ir vērts atcerēties, ka varavīksnenes gadījumā jūs varat palielināt sistēmas precizitāti gandrīz kvadrātiski, nezaudējot laiku, ja jūs sarežģījat sistēmu, padarot to divām acīm. Pirkstu nospiedumu metodei - apvienojot vairākus pirkstus, un atpazīšanu pēc vēnām, apvienojot divas rokas, taču šāds uzlabojums iespējams tikai palielinoties darbam ar cilvēku pavadītajam laikam.
Apkopojot metožu rezultātus, var teikt, ka vidējiem un lieliem objektiem, kā arī objektiem ar maksimālu drošības prasību, varavīksnene ir jāizmanto kā biometriskā piekļuve un, iespējams, atpazīšana ar rokas vēnām. Iestādēm ar līdz pat vairākiem simtiem darbinieku piekļuve pirkstu nospiedumiem būs optimāla. 2D sejas atpazīšanas sistēmas ir ļoti specifiskas. Tie var būt nepieciešami gadījumos, kad atpazīšanai nepieciešams fiziska kontakta neesamība, bet kontroles sistēmu nav iespējams novietot uz varavīksnenes. Piemēram, ja ir nepieciešams identificēt personu bez viņa līdzdalības, ar slēpto kameru vai āra uztveršanas kameru, bet tas ir iespējams tikai ar nelielu skaitu objektu datu bāzē un nelielu cilvēku plūsmu, ko filmē kamera .

Jaunie tehniķi ņem vērā

Dažiem ražotājiem, piemēram, Neurotechnology, savā vietnē ir biometrisko metožu demonstrācijas versijas, lai jūs varētu tās pievienot un spēlēt. Tiem, kas nolemj iedziļināties problēmā nopietnāk, varu ieteikt vienīgo grāmatu, ko esmu redzējis krievu valodā - R.M. "Biometrijas ceļvedis". Bumba, J.H. Konels, S. Pankanti. Ir daudz algoritmu un to matemātisko modeļu. Ne viss ir līdz galam un ne viss atbilst mūsdienām, bet bāze nav slikta un visaptveroša.

P.S.

Šajā opusā es neiedziļinājos autentifikācijas problēmā, bet tikai pieskāros identifikācijai. Principā visi secinājumi par autentifikācijas jautājumu liecina par FAR / FRR īpašībām un viltošanas iespēju.

Pēdējos gados biometriskie dati arvien vairāk iekļūst mūsu dzīvē. Vadošās pasaules valstis jau ir laidušas apgrozībā vai tuvākajā laikā plāno ieviest elektroniskās pases, kurās ir informācija par to īpašnieka biometriskajiem raksturlielumiem; daudzi biroju centri ir ieviesuši biometriskos sensorus korporatīvajās piekļuves kontroles sistēmās; klēpjdatori jau sen ir aprīkoti ar biometrisko lietotāja autentifikāciju; drošības dienesti ir bruņoti ar moderniem līdzekļiem, lai cilvēku pūlī identificētu jebkuru meklētu noziedznieku

Andrejs Hruļevs
Biometrijas nodaļas vadītājs
un integrētās drošības sistēmas
Technoserv uzņēmumu grupa, Ph.D.

Arvien vairāk ir biometrisko sistēmu izmantošanas piemēri. Biometrijas panākumus ir viegli izskaidrot. Tradicionālie personas identifikācijas līdzekļi, kas balstīti uz principiem "Es esmu tas, kas man ir" (identifikācijas kartes, žetoni, apliecinoši dokumenti) un "Es esmu tas, ko zinu" (paroles, pin kodi) nav ideāli. Karti ir viegli pazaudēt, paroli var aizmirst, turklāt tās var izmantot jebkurš uzbrucējs, un neviena sistēma jūs nespēs atšķirt no tēla.

Turklāt tradicionālie identifikācijas līdzekļi ir absolūti bezjēdzīgi, kad runa ir par personas slēptās identifikācijas uzdevumiem, un šādu uzdevumu kļūst arvien vairāk:

• atpazīt noziedznieku pūlī;
• pārbaudīt, vai pasi tiešām uzrāda tās īpašnieks;
• noskaidrot, vai persona ir meklēšanā;
• noskaidrot, vai persona iepriekš bijusi iesaistīta finanšu krāpniecībā ar kredītiem;
• identificēt potenciāli bīstamos līdzjutējus pie ieejas stadionā utt.

Visus šos uzdevumus var atrisināt, tikai izmantojot biometriskos identifikācijas rīkus, kuru pamatā ir princips "Es esmu tas, kas es esmu". Šis princips ļauj informācijas sistēmai tieši identificēt personu, nevis objektus, ko tā uzrāda, vai informāciju, ko tā ziņo.

Sejas biometrijas unikalitāte

Starp personas biometrisko īpašību dažādību, ko izmanto personas identificēšanai, ir vērts atzīmēt sejas attēlu. Sejas biometrija ir unikāla ar to, ka attēla iegūšanai nav nepieciešams izveidot specializētus sensorus – sejas attēlu var iegūt no parastās videonovērošanas sistēmas kameras. Turklāt gandrīz uz jebkura personu apliecinoša dokumenta ir sejas fotogrāfija, kas nozīmē, ka šīs tehnoloģijas ieviešana praksē nav saistīta ar dažādām regulējošām problēmām un tehnoloģiju sociālās uztveres grūtībām.

Ir arī vērts atzīmēt, ka sejas attēlu var iegūt netieši pašam cilvēkam, kas nozīmē, ka sejas biometrija ir optimāli piemērota ēku uzraudzības sistēmām un slēptai identifikācijai.

Jebkura sejas atpazīšanas sistēma ir tipiska attēlu atpazīšanas sistēma, kuras uzdevums ir izveidot noteiktu pazīmju kopu, tā saukto biometrisko šablonu, atbilstoši sistēmā iestrādātajam matemātiskajam modelim. Tieši šis modelis ir jebkuras biometriskās sistēmas galvenās zināšanas, un sejas atpazīšanas efektivitāte ir tieši atkarīga no tādiem faktoriem kā biometriskās veidnes izturība pret dažāda veida traucējumiem, oriģinālā fotoattēla vai video attēla kropļojumi.

Sejas atpazīšanas efektivitāte ir tieši atkarīga no tādiem faktoriem kā biometriskās veidnes izturība pret dažāda veida traucējumiem, oriģinālā fotoattēla vai video attēla kropļojumi

Neskatoties uz milzīgo seju atpazīšanas sistēmu dažādību gan Krievijas tirgū, gan pasaulē, daudzas no tām izmanto vienus un tos pašus biometriskos dzinējus - matemātisko sejas modeļu konstruēšanas un salīdzināšanas metožu faktiskās programmatūras ieviešanas metodes. Krievijā tādi biometriskie dzinēji kā Cognitec (izstrādātājs Cognitec Systems GmbH, Vācija), Kaskad-Potok (izstrādātājs Technoserv, Krievija), FRS SDK (izstrādātājs Asia Software, Kazahstāna), FaceIt (izstrādātājs L1 Identity Solutions, ASV) .

Parasti sejas atpazīšana jebkurā biometriskajā dzinējā tiek veikta vairākos posmos: sejas noteikšana, kvalitātes novērtēšana, veidņu veidošana, saskaņošana un lēmumu pieņemšana.

1. posms: sejas noteikšana

Šajā posmā sistēma automātiski atlasa (atklāj) cilvēku sejas video kadru straumē vai fotogrāfijā, un seju leņķu un mērogu diapazons var ievērojami atšķirties, kas ir ārkārtīgi svarīgi ēku drošības sistēmām. Nav obligāti jāatpazīst visas atlasītās sejas (parasti tas nav iespējams), taču ir ārkārtīgi noderīgi noteikt maksimālo seju skaitu straumē un, ja nepieciešams, ievietot tās arhīvā (1. att.) .

Sejas noteikšana ir viens no galvenajiem atpazīšanas posmiem, jo ​​sejas noteikšana ar detektora palīdzību automātiski nozīmē, ka turpmāka identifikācija nav iespējama. Detektora darbības kvalitāti parasti raksturo sejas noteikšanas varbūtība P0. Mūsdienu biometriskajām sistēmām, kas darbojas cilvēku plūsmas apstākļos, sejas noteikšanas varbūtības vērtība ir no 95 līdz 99% un ir atkarīga no video ierakstīšanas apstākļiem (apgaismojums, kameras izšķirtspēja utt.).

Viena no perspektīvākajām tendencēm biometrijas tirgus attīstībā ir viedo digitālo videokameru parādīšanās, kas realizē uz iebūvēto loģiku balstītu sejas noteikšanas funkciju (2. att.). Inteliģentās videokameras ļauj saņemt ne tikai augstas kvalitātes video straumi, bet arī saistītos metadatus, kas satur informāciju par atrastajām sejām.

Šāda pieeja var ievērojami samazināt atpazīšanas sistēmas aparatūras jaudas slodzi, kas savukārt samazina biometrisko sistēmu galīgās izmaksas, padarot tās pieejamākas gala lietotājam. Turklāt tiek samazinātas prasības datu pārraides kanāliem, jo, izmantojot šo pieeju, augstas kvalitātes video pārraidīšanai nav vajadzīgas gigabitu sakaru līnijas, bet gan standarta tīklu pieejamība saspiesta video un nelielas atklātu sejas attēlu straumes pārraidīšanai.

2. posms: kvalitātes novērtēšana

Šis ir ļoti svarīgs atpazīšanas posms, kurā biometriskais dzinējs no visa atklāto seju masīva atlasa tikai tos attēlus, kas atbilst noteiktajiem kvalitātes kritērijiem.

Bieži vien biometrisko sistēmu izstrādātāji ir viltīgi, apgalvojot, ka viņu sistēma nodrošina augstu atpazīšanas līmeni, ja sejas attēli video straumē atbilst GOST R ISO/IEC 19794-5 noteiktajām kvalitātes prasībām. Tomēr šis GOST nosaka ļoti stingrus (gandrīz ideālus) nosacījumus sejas fotogrāfiju kvalitātei (sejas priekšskats ar novirzi ne vairāk kā 5 grādiem; vienmērīgs apgaismojums; neitrālas sejas izteiksmes utt.), ko nevar veikt reālie sistēmas videonovērošanas apstākļi. Šādas GOST prasības ir pilnībā pamatotas ar to, ka patiesībā šis standarts ir paredzēts, lai vienotu elektronisko fotogrāfiju glabāšanas formātu jaunas paaudzes pasu un vīzu dokumentos - tā sauktajās biometriskajās pasēs. Praksē biometriskās identifikācijas sistēmām ir jātiek galā ar daudz mazāk labvēlīgiem darbības apstākļiem:

• sejas novirze no frontālā stāvokļa leņķos, kas pārsniedz 20 grādus;
• spēcīgs apgaismojums;
• aptver sejas daļu;
• ēnu klātbūtne uz sejas;
• mazs attēla izmērs utt.

Tieši biometriskā dzinēja stabilitāte šādos sarežģītos apstākļos nosaka tā kvalitāti. Mūsdienu biometriskajos dzinējos kvalitātes novērtēšanas stadijā parasti tiek novērtēts:

• sejas leņķis (nedrīkst pārsniegt 20-30 grādus);
• sejas izmērs (novērtēts pēc attāluma starp acu zīlītēm, un tam jābūt lielākam par 50–80 pikseļiem);
• daļēja sejas aizvēršana (sejas slēgšana nedrīkst būt lielāka par 10-25% no kopējā sejas laukuma).

Ir izplatīts nepareizs uzskats, ka, ja acis ir aizvērtas sejas attēlā (ar mirkšķināšanu vai brillēm), sistēma it kā nespēs atpazīt cilvēku. Patiešām, agrīnie sejas atpazīšanas algoritmi izmantoja acu zīlīšu centrus kā pamatu turpmākai attēlu apstrādei, jo īpaši standarta sejas mērogošana. Tomēr šobrīd daudzi mūsdienu biometriskie dzinēji (piemēram, Cognitec vai Kaskad-Potok) izmanto sarežģītākas sejas kodēšanas shēmas un nav piesaistīti skolēnu centru novietojumam.

3. posms: veidnes izveidošana

Šis ir viens no sarežģītākajiem un unikālākajiem sejas atpazīšanas posmiem un veido galveno biometrisko dzinēju tehnoloģiju zinātību. Šī posma būtība ir netriviāla matemātiska sejas attēla pārveidošana par pazīmju kopu, kas apvienota biometriskā veidnē.

Katrai sejai ir sava unikāla biometriskā veidne. Biometrisko veidņu veidošanas principi ir ļoti dažādi: veidni var balstīt uz sejas tekstūras īpašībām, ģeometriskiem elementiem, raksturīgiem punktiem, dažādu neviendabīgu pazīmju kombināciju.

Biometriskās veidnes vissvarīgākā īpašība ir tās izmērs. Jo lielāks ir veidnes izmērs, jo informatīvākas iespējas tajā ir iekļautas, taču jo mazāks ir šīs veidnes meklēšanas ātrums un efektivitāte. Tipiskā sejas veidnes lieluma vērtība biometriskajās sistēmās ir no 1 līdz 20 kB.

4. posms: salīdzinājums un lēmums

Šis ir atpazīšanas sistēmas apvienotais posms, kurā tiek salīdzināta biometriskā sejas veidne, kas izveidota, pamatojoties uz atklāto seju, ar datu bāzē saglabāto veidņu masīvu. Vienkāršākajā gadījumā saskaņošana tiek veikta, vienkārši uzskaitot visas veidnes un novērtējot to līdzības mēru. Pamatojoties uz iegūtajām aplēsēm un to salīdzinājumu ar dotajiem sliekšņiem, tiek pieņemts lēmums par identiskas personas atrašanos vai neesamību datu bāzē.

Mūsdienu sistēmās saskaņošana tiek īstenota pēc sarežģītām optimālas saskaņošanas shēmām, kas nodrošina saskaņošanas ātrumu no 10 000 līdz 200 000 salīdzinājumiem sekundē vai vairāk. Turklāt jāsaprot, ka saskaņošanas procesu var paralēli, kas ļauj identifikācijas sistēmām darboties gandrīz reāllaikā pat lieliem attēlu masīviem, piemēram, 100 000 cilvēku.

Seju atpazīšanas sistēmu darba kvalitāti parasti raksturo identifikācijas varbūtības. Acīmredzot biometriskās identifikācijas laikā var rasties divu veidu kļūdas.

1. Pirmā kļūda ir saistīta ar iespēju pazust un neatpazīt personu, kas faktiski atrodas datu bāzē - to bieži sauc par pirmā tipa kļūdu. Un bieži vien tie nenorāda pirmā veida kļūdas vērtību, bet gan vienu mīnus pirmā veida kļūdas iespējamība. Šo vērtību sauc par pareizas atpazīšanas varbūtību PPR.
2. Otrā kļūda atspoguļo gadījumus, kad sistēma atpazīst personu, kura faktiski neatrodas datu bāzē, vai sajauc viņu ar citu personu – to mēdz dēvēt par 2. tipa kļūdu. Mūsdienu sejas atpazīšanas sistēmām tipiskā pareizās atpazīšanas varbūtības vērtība parasti ir diapazonā no 80 līdz 97%, otrā veida kļūda nepārsniedz 1%.

Nosacījumi veiksmīgai identifikācijai

Jāsaprot, ka sejas atpazīšana nav absolūta tehnoloģija. Bieži var dzirdēt kritiku par biometriskajām sistēmām, ka uz reāliem objektiem nav iespējams sasniegt tikpat augstu veiktspēju kā "laboratorijas" apstākļos. Šis apgalvojums ir tikai daļēji patiess. Patiešām, seju ir iespējams efektīvi atpazīt tikai noteiktos apstākļos, tāpēc, ieviešot sejas biometriju, ir ārkārtīgi svarīgi saprast, kādos apstākļos sistēma darbosies. Tomēr lielākajai daļai mūsdienu atpazīšanas sistēmu šie nosacījumi ir diezgan sasniedzami uz reāliem objektiem. Tādējādi, lai uzlabotu seju atpazīšanas efektivitāti identifikācijas zonās, jāorganizē virzīta cilvēku plūsma (durvju ailes, metāla detektoru rāmji, turniketi u.c.), lai nodrošinātu iespēju īslaicīgi (ne vairāk kā 1-2 s) katra apmeklētāja sejas fiksācija. Tajā pašā laikā videokameras jāuzstāda tā, lai ierakstīto seju novirzes leņķis no frontālās pozīcijas nepārsniegtu 20–30 grādus. (piemēram, uzstādot kameras 8–10 m attālumā no caurbraukšanas zonas ar piekares augstumu 2–3 m).

Atbilstība šiem nosacījumiem, ieviešot atpazīšanas sistēmas, ļauj efektīvi atrisināt personas identificēšanas un īpaši interesējošu cilvēku meklēšanas problēmu ar varbūtību, kas ir pēc iespējas tuvāka izstrādātāju deklarētajām veiksmīgas identifikācijas rādītāju vērtībām.

Mūsdienās tirgū tiek piedāvāti vairāku veidu šādas sistēmas vienlaikus un tās veic dažādas sarežģītības pakāpes uzdevumus: no attālās atpazīšanas pūlī līdz darba stundu uzskaitei birojā. Sejas atpazīšanas risinājumi klientiem ir pieejami dažādās platformās – tā ir serveru arhitektūra, mobilie un iegultie risinājumi un mākoņpakalpojumi.

Mūsdienu sistēmas darbojas uz dziļās mācīšanās neironu tīklu algoritmiem, tāpēc atpazīšanas precizitāte ir maksimāla pat zemas kvalitātes attēliem, tās ir izturīgas pret galvas pagriezieniem un tām ir citas priekšrocības.

1. piemērs: Sabiedrības drošība

Drošības nodrošināšana ir sava veida sākumpunkts, no kura sākās biometriskās identifikācijas sistēmu ieviešana. Seju attālinātās atpazīšanas sistēmas tiek izmantotas, lai nodrošinātu drošību pārpildītās telpās.

Visgrūtākais uzdevums ir identificēt cilvēku pūlī.

Tā sauktā nesadarbošanās atpazīšana, kad cilvēks nesadarbojas ar sistēmu, neskatās kameras objektīvā, novēršas vai mēģina noslēpt seju. Piemēram, transporta mezglos, metro, lielos starptautiskos pasākumos.

Gadījumi

Viens no nozīmīgākajiem 2017. gada projektiem mūsu uzņēmumam bija lielākā starptautiskā izstāde EXPO-2017, kas šovasar notika Kazahstānā. Attālinātajā biometriskajā sejas atpazīšanas sistēmā tika izmantotas specializētas kameras.

Seju atlase kadrā notiek pašā kamerā un tikai sejas attēls tiek pārsūtīts uz serveri, tas atslogo kanālu un ievērojami samazina tīkla infrastruktūras izmaksas. Kameras novēroja četras ieejas grupas dažādās kompleksa daļās. Sistēmas arhitektūra tika veidota tā, ka ievades grupas strādāja atsevišķi vai visas kopā, savukārt pareizu sistēmas darbību nodrošināja tikai 4 serveri un 48 kameras.

Ar tiešsaistes video analītikas palīdzību tiek meklēti aizdomās turamie un bezvēsts pazudušie plašos ģeogrāfiski izvietotos objektos, tiek izmeklēti negadījumi un incidenti, kā arī analizēta pasažieru satiksme.

Dažās lidostās līdz 2017. gada beigām biometriskie dati tiks izmantoti arī pasažieru reģistrācijai lidojumam. Pēc portāla Tadviser datiem, viedo vārtu sistēmas lidostās plāno ieviest arī 12 Eiropas valstis (Spānija, Francija, Nīderlande, Vācija, Somija, Zviedrija, Igaunija, Ungārija, Grieķija, Itālija, Rumānija).

Un nākamajam solim vajadzētu būt seju atpazīšanas sistēmu ieviešanai robežu un migrācijas kontrolei. Ar valdības atbalstu sejas identifikācijas ieviešana tuvāko trīs līdz piecu gadu laikā var kļūt tikpat ierasta parādība kā metāla detektoru rāmji.

2. piemērs. Pazīstiet savu klientu pēc redzes

Uzņēmējdarbība paļaujas arī uz biometrisko identifikāciju pēc sejas. Pirmkārt, tā ir mazumtirdzniecība.

Sistēmas atpazīst klientu dzimumu un vecumu, mazumtirdzniecības vietu apmeklējuma biežumu un laiku, uzkrāj statistiku par katru atsevišķo veikalu tīklā.

Pēc tam departamentam automātiski tiek parādīti detalizēti pārskati gan par visu tīklu, gan par sadalījumu pa tirdzniecības vietām. Balstoties uz šiem pārskatiem, ir ērti izveidot "klienta profilu" un plānot efektīvas mārketinga kampaņas.

Diemžēl nevaram izpaust klientus. Starp tiem ir lielākie mazumtirgotāji un DIY (Do It Youself) tīkli, kas ietver dārgus instrumentus un piederumus.

Kā tas strādā

Daudzi baidās no konfidenciālas informācijas noplūdes, taču mēs īpaši uzsveram, ka arhīvos netiek glabāti atpazītu personu personas dati. Turklāt netiek saglabāts pat attēls, bet gan tā biometriskā veidne, pēc kuras attēlu nevar atjaunot.

Ar atkārtotiem apmeklējumiem biometriskā sejas veidne tiek “uzvilkta”, tāpēc sistēma precīzi zina, kas un cik reizes bijis veikalā. Personas datu drošībai varat būt mierīgs.

Maziem veikaliem, automašīnu tirgotājiem, aptiekām mārketinga analītikas apkopošanas mehānisms ir ieviests mākoņa atpazīšanas pakalpojumā. Mazajiem un vidējiem uzņēmumiem šī iespēja ir labāka, jo tas neprasa servera aparatūras izmaksas, papildu darbinieku algošanu, programmatūras atjaunināšanu uc Pirmkārt, tas ir ērts rīks tirdzniecības vietu efektivitātes novērtēšanai, otrkārt, tas ir lielisks palīgs zagļu atklāšanā. Tas ir, viena sistēma vienlaikus veic vairākas funkcijas.

3. piemērs. Piekļuves kontroles un vadības sistēmas

Papildus iepriekšminētajām funkcijām ir ērti izmantot sejas atpazīšanas sistēmu kā alternatīvu Proximity kartēm piekļuves kontroles un pārvaldības sistēmās (ACS).

Viņiem ir vairākas priekšrocības: nodrošina augstu atpazīšanas uzticamību, tos nevar maldināt, kopēt vai nozagt identifikatoru, tos ir viegli integrēt ar esošo drošības aprīkojumu. Jūs pat varat izmantot esošās novērošanas kameras. Biometriskās seju identifikācijas sistēmas attālināti un ļoti ātri strādā ar notikumu reģistrēšanu arhīvā.

Uz biometriskās ACS bāzes ir ērti sekot līdzi darbinieku darba laikam, īpaši lielos biroju centros.

lietu

Mēs pagājušajā gadā šādu sistēmu ieviesām lielā Indijas uzņēmumā, kas specializējas loģistikas jomā. Pastāvīgo darbinieku skaits ir vairāk nekā 600 cilvēku. Tajā pašā laikā uzņēmums strādā visu diennakti un praktizē “peldošo” darba grafiku. Ar mūsu attālinātās biometriskās identifikācijas sistēmas palīdzību klients saņēma pilnīgu un uzticamu darbinieku darba laika uzskaiti, profilaktisko objektu drošības līdzekli un piekļuves kontroles sistēmu.

4. piemērs. Līdzjutēja piespēle uz stadionu

Pērkot biļeti kasē, katra pircēja seja tiek automātiski nofotografēta un augšupielādēta sistēmā. Tā veidojas mača apmeklētāju bāze. Ja pirkums veikts internetā vai mobilajā aplikācijā, tad autorizācija iespējama attālināti, izmantojot “selfiju”. Turpmāk, kad cilvēks ieradīsies stadionā, sistēma viņu atpazīs bez pasēm.

Sporta sacensību apmeklētāju identifikācija ir kļuvusi obligāta saskaņā ar Federālo likumu Nr. Krievijas Federācija.

Stadionā iekļūs tas, kurš nopirka biļeti, nav iespējams biļeti nodot citai personai vai iziet cauri ar viltotu biļeti. Attālā seju atpazīšana stadionos darbojas pēc tāda paša principa kā lielos ģeogrāfiski sadalītos transporta objektos: ja cilvēks ir iekļauts to personu sarakstā, kurām ir liegta ieeja stadionā, sistēma viņu nelaidīs cauri.

lietu

2016. gada martā Vocord un PJSC Rostelecom Hantimansijskas filiāles kopprojekta ietvaros tika izmantota attālināta sejas atpazīšanas sistēma, lai nodrošinātu Hantimansijskā notikušā Pasaules kausa izcīņas biatlonā drošību. Kopš 2015. gada tāda pati sistēma veiksmīgi darbojas arī Arena Omsk daudzfunkcionālajā sporta kompleksā. Tā ir viena no sešām lielākajām sporta bāzēm Krievijā, lielākais sporta un izklaides objekts Sibīrijā un hokeja kluba Avangard bāze.

5. piemērs: internetbanka un bankomāti

Vēl viena niša, kurā iekārtojusies sejas atpazīšana, ir banku sektors. Šeit jauno tehnoloģiju ieviešana ir intensīva, jo finanšu sektors vairāk nekā citi interesējas par personalizētās informācijas uzticamību un drošību.

Šodien pamazām sākas biometrija, ja ne izspiest ierastos un iedibinātos "papīra" dokumentus, tad iet līdzi. Tajā pašā laikā ievērojami palielinās aizsardzības pakāpe, veicot maksājumus: lai apstiprinātu darījumu, pietiek ar ieskatu viedtālruņa kamerā. Tajā pašā laikā paši biometriskie dati nekur netiek pārraidīti, tāpēc tos nav iespējams pārtvert.

Biometriskās identifikācijas tehnoloģiju ieviešana ir tieši saistīta ar elektronisko pakalpojumu un ierīču masveida izmantošanu, tiešsaistes komercijas attīstību un plastikāta karšu izplatību skaidras naudas vietā.

Līdz ar augstas veiktspējas grafikas apstrādes vienību (GPU) un uz tiem balstītu īpaši kompaktu aparatūras platformu, piemēram, NVIDIA Jetson, parādīšanos bankomātos sāka ieviest sejas atpazīšanu. Tagad tikai kartes īpašnieks var izņemt skaidru naudu vai veikt konta darījumus, piemēram, izmantojot Tinkoff Bank bankomātus. Un PIN drīzumā var tikt noņemts.

Mūsdienu integrētās drošības sistēmas spēj atrisināt jebkuras sarežģītības problēmas dažādās industriālās, sociālās un sadzīves objektos. Videonovērošanas sistēmas ir ļoti nozīmīgi instrumenti drošības sistēmās, un prasības segmenta funkcionalitātei nepārtraukti pieaug.

Integrētas drošības sistēmas

Vienota platforma ietver moduļus drošības un ugunsdzēsības aprīkojumam, piekļuves kontrolei un vadībai, videonovērošanai vai drošības televīzijai (SOT). Pēdējo funkcijas vēl nesen aprobežojās ar videonovērošanu un situācijas objektā un tam piegulošajā teritorijā uzskaiti, datu arhivēšanu un uzglabāšanu. Klasiskajām video sistēmām ir vairāki būtiski trūkumi:

• Cilvēciskais faktors. Neefektīvs operatora darbs, pārraidot lielu informācijas apjomu.
• Ķirurģiskas iejaukšanās neiespējamība, savlaicīga analīze.
• Ievērojams laiks, kas pavadīts, lai meklētu un identificētu notikumu.

Digitālo tehnoloģiju attīstība ir novedusi pie "gudru" automatizētu sistēmu radīšanas.

Spēks intelektā

Intelektuālā pamatprincips ir video analītika – tehnoloģija, kuras pamatā ir modeļu atpazīšanas un automatizētas datu vākšanas metodes un algoritmi video straumes analīzes rezultātā. Šādas iekārtas bez cilvēka iejaukšanās spēj reāllaikā noteikt un izsekot dotos mērķus (automašīna, cilvēku grupa), potenciāli bīstamas situācijas (dūmi, ugunsgrēks, nesankcionēta iejaukšanās videokameru darbībā), ieprogrammētus notikumus un laikus. izdod trauksmes signālu. Filtrējot video datus, kas neinteresē, ievērojami samazinās sakaru kanālu un arhīva bāzes slodze.

Populārākais video analīzes rīks ir sejas atpazīšanas sistēma. Atkarībā no veiktajām funkcijām un izvirzītajiem uzdevumiem iekārtai tiek izvirzītas noteiktas prasības.

Programmaparatūra un aparatūra

Sistēmas efektīvai darbībai tiek izmantotas vairāku veidu IP kameras ar dažādām veiktspējas īpašībām. Objekta noteikšanu kontrolējamajā zonā fiksē panorāmas kameras ar 1 megapikseļa izšķirtspēju un 1 mm fokusa attālumu, un uz to vēršas skenēšanas ierīces. Tās ir uzlabotas kameras (no 2 megapikseļiem, no 2 mm), kas nodrošina atpazīšanu, izmantojot vienkāršas metodes (3-4 parametri). Objekta identificēšanai tiek izmantotas kameras ar labu attēla kvalitāti, kas ir pietiekama sarežģītu algoritmu pielietošanai (no 5 megapikseļiem, 8-12 mm).

Populārākie programmatūras produkti sejas atpazīšanai "Face Intellect" (izstrādātājs - uzņēmums House Control), Face director (Synesis uzņēmums) un VOCORD FaceControl (VOCORD) demonstrē:

• Liela objekta identifikācijas iespējamība (līdz 99%).
• Atbalsts plašam kameras pagriešanas leņķu diapazonam.
• Iespēja izcelt sejas pat blīvā gājēju masā.
• Mainīgums analītisko ziņojumu sagatavošanā.

Rakstu atpazīšanas pamati

Jebkuras biometriskās atpazīšanas sistēmas pamatā ir personas nolasīto fizioloģisko īpašību atbilstības noteikšana noteiktai iepriekš noteiktai veidnei.

Skenēšana notiek reāllaikā. IP kamera pārraida video straumi uz termināli, un sejas atpazīšanas sistēma nosaka, vai attēls atbilst datu bāzē saglabātajām fotogrāfijām. Ir divas galvenās metodes. Pirmais ir balstīts uz statiskiem principiem: pamatojoties uz biometrisko parametru apstrādes rezultātiem, tiek izveidots elektronisks paraugs unikāla numura veidā, kas atbilst konkrētai personai. Otrā metode modelē "cilvēka" pieeju, un tai raksturīga pašmācība un robustums. Personas identificēšanā pēc video attēla tiek ņemtas vērā ar vecumu saistītas izmaiņas un citi faktori (galvassegas, bārdas vai ūsu klātbūtne, brilles). Šī tehnoloģija ļauj strādāt pat ar vecām fotogrāfijām un, ja nepieciešams, ar rentgena stariem.

Seju meklēšanas algoritms

Visizplatītākā sejas noteikšanas tehnika ir Haar kaskādes (masku komplekti).

Maska ir taisnstūrveida logs ar dažādām balto un melno segmentu kombinācijām.

Programmas mehānisms ir šāds: video kadrs tiek pārklāts ar masku komplektu, un, pamatojoties uz konvolūcijas rezultātiem (skaitot pikseļus, kas iekrīt baltajā un melnajā sektorā), tiek aprēķināta starpība un salīdzināta ar noteiktu sliekšņa vērtība.

Klasifikatora darbības uzlabošanai tiek veidoti pozitīvie (kadri ar cilvēku sejām) un negatīvie (bez tiem) treniņu paraugi. Pirmajā gadījumā konvolūcijas rezultāts ir virs sliekšņa vērtības, otrajā - zem. Sejas detektors ar pieļaujamu kļūdu nosaka visu kaskāžu līkumu summu un, ja tiek pārsniegts slieksnis, signalizē par seju klātbūtni kadrā.

Atpazīšanas tehnoloģijas

Pēc noteikšanas un lokalizācijas sākotnējā posmā notiek attēla spilgtums un ģeometriskā izlīdzināšana. Turpmākās darbības - zīmju aprēķinu un identifikāciju - var veikt ar dažādām metodēm.

Skenējot pilnu seju telpā ar lielisku apgaismojumu, algoritmi, kas darbojas ar divdimensiju attēliem, uzrāda labus rezultātus. Analizējot unikālus punktus un attālumus starp tiem, sejas atpazīšanas sistēma nosaka identifikācijas faktu pēc starpības koeficientiem starp "dzīvu" attēlu un reģistrēto veidni.

Trīsdimensiju tehnoloģijas ir izturīgas pret gaismas plūsmas izmaiņām, pieļaujamā novirze no priekšpuses ir līdz 45 grādiem. Šeit tiek analizēti ne tikai punkti un līnijas, bet arī virsmu īpašības (izliekums, profils), attālumu metrika starp tām. Šādu algoritmu darbībai ir nepieciešama maksimālā video ierakstīšanas kvalitāte ar frekvenci līdz 200 kadriem / s. Sistēmas pamatā ir stereo videokameras ar 5 megapikseļu matricu, augstu optisko izšķirtspēju un samazinātu sinhronizācijas kļūdu. Turklāt tie ir savienoti ar īpašu pulksteņa kabeli pulksteņa impulsu pārraidīšanai.

Mūsdienu sistēmu tirgus stāvoklis

Pirmie to augsto izmaksu dēļ tika izstrādāti tikai valsts militārajiem objektiem un tikai 90. gadu vidū kļuva pieejami komerciālām organizācijām. Tehnoloģiju straujā attīstība ir ļāvusi paaugstināt sistēmu precizitāti un paplašināt to pielietojuma jomu. Mūsu valsts tirgū vadošās pozīcijas ieņem Amerikas un Rietumeiropas drošības sistēmu ražotāji. Tirdzniecības līderis ir korporāciju ZN Vision Technologies un Visionics tehnika. Vietējo izstrādātāju vidū visdaudzsološākie ir Vocord, NTechLab, Soling, VisionLabs LLC un STC grupas pētījumi un produkti, kas, cita starpā, nodarbojas arī ar ārvalstu kompleksu pielāgošanu Krievijas apstākļiem.

Datora sejas kontrole

Plašākā bezkontakta identifikācijas pielietojuma joma ir cīņa pret terorismu un noziedzību. Noziedznieka sejas attēls tiek glabāts datubāzē. Pārpildītās vietās (lidostās, dzelzceļa stacijās, iepirkšanās centros, sporta objektos) cilvēki tiek filmēti reāllaikā, lai identificētu meklētos cilvēkus.

Nākamā joma ir piekļuves kontroles sistēmas: elektroniskā caurlaidē esošā foto attēla paraugs tiek salīdzināts ar modeli, kas iegūts videokameru datu apstrādes rezultātā. Procedūra notiek uzreiz, neprasot nekādas papildu darbības no tiem, kas tiek pakļauti (atšķirībā no tīklenes skenēšanas vai pirkstu nospiedumu noņemšanas).

Vēl viena strauji augoša nozare ir mārketings. Interaktīvs stends, noskenējot cilvēka seju, nosaka viņa dzimumu un vecumu, vizualizē tikai tos sludinājumus, kas klientam būs potenciāli interesanti.

Tendences un attīstības perspektīvas

Seju atpazīšanas sistēmas ir ļoti pieprasītas banku sektorā.

Pēc pagājušā gada rezultātiem, pēc 50 000 viedo videokameru uzstādīšanas savos birojos, Pasta bankas vadībai izdevies ietaupīt miljoniem rubļu, novēršot krāpniecību kreditēšanas un maksājumu segmentos. Eksperti stāsta, ka līdz 2021. gadam tiks izveidots nepieciešamais infrastruktūras tīkls un jebkādas darbības bankomātos kļūs iespējamas tikai pēc klienta sejas biometriskās identifikācijas.

Nākamajā desmitgadē augstās tehnoloģijas ļaus atvērt pilnu pašapkalpošanās veikalu ķēdi: pircējs iziet pa logiem, izvēlas sev tīkamo preci un aiziet. Sejas un attēla atpazīšanas sistēma noteiks pircēja identitāti, pirkumu un norakstīs nepieciešamo summu no viņa konta.

Notiek darbs pie psihoemocionālā stāvokļa atpazīšanas sistēmu izveides. Cilvēka emociju analīze būs pieprasīta multimediju jomās: animācijā, kinematogrāfijā, datorspēļu radīšanas industrijā.

Ikviens zina ainas no zinātniskās fantastikas filmām: varonis pienāk pie durvīm un durvis atveras, viņu atpazīstot. Šis ir viens no skaidriem biometrisko tehnoloģiju izmantošanas piekļuves kontroles ērtības un uzticamības pierādījumiem. Tomēr praksē tas nav tik vienkārši. Mūsdienās daži uzņēmumi ir gatavi piedāvāt patērētājiem piekļuves kontroli, izmantojot biometriskās tehnoloģijas.

Tradicionālās personas identifikācijas metodes, kuru pamatā ir dažādas identifikācijas kartes, atslēgas vai unikāli dati, piemēram, parole, nav tik uzticami, kā tas tiek prasīts mūsdienās. Dabisks solis identifikatoru uzticamības uzlabošanā bija mēģinājums drošības sistēmās izmantot biometriskās tehnoloģijas.

Problēmu loks, ko var atrisināt, izmantojot jaunās tehnoloģijas, ir ārkārtīgi plašs:

1. nepieļaut iebrucēju iekļūšanu aizsargājamās teritorijās un telpās, viltojot, zogot dokumentus, kartes, paroles;
2. ierobežot piekļuvi informācijai un nodrošināt personisku atbildību par tās drošību;
3. nodrošināt piekļuvi atbildīgajām telpām tikai sertificētiem speciālistiem;
4. izvairīties no pieskaitāmām izmaksām, kas saistītas ar piekļuves kontroles sistēmu darbību (kartes, atslēgas);
5. novērst neērtības, kas saistītas ar atslēgu, karšu, paroļu nozaudēšanu, sabojāšanu vai elementāru aizmirstību;
6. organizēt darbinieku piekļuves un apmeklējuma uzskaiti.

Ar modeļu atpazīšanas tehnoloģiju izstrādi pēc dažādiem biometriskajiem raksturlielumiem sāka nodarboties diezgan sen, sākums tika likts 60. gados. Mūsu tautieši ir guvuši ievērojamus panākumus šo tehnoloģiju teorētisko pamatu izstrādē. Taču praktiski rezultāti tika iegūti galvenokārt Rietumos un tikai “vakar”. Mūsdienu datoru jauda un uzlabotie algoritmi ir ļāvuši radīt produktus, kas pēc to īpašībām un attiecības ir kļuvuši pieejami un interesanti plašam lietotāju lokam.

Ideja par personas individuālo īpašību izmantošanu, lai viņu identificētu, nav jauna. Līdz šim ir zināmas vairākas tehnoloģijas, kuras var izmantot drošības sistēmās personas identificēšanai:

1. pirkstu nospiedumi (gan atsevišķi, gan rokas kopumā);
2. sejas vaibsti (pamatojoties uz optiskajiem un infrasarkanajiem attēliem);
3. acs varavīksnene;
4. balss
5. citas īpašības.

Visām biometriskajām tehnoloģijām ir vienotas pieejas identifikācijas problēmas risināšanai, lai gan visas metodes atšķiras ar lietošanas vienkāršību un rezultātu precizitāti.

Jebkuru biometrisko tehnoloģiju izmanto pakāpeniski:

1. objektu skenēšana;
2. individuālas informācijas iegūšana;
3. veidņu veidošana;
4. pašreizējās veidnes salīdzināšana ar datu bāzi.

Biometriskā atpazīšanas sistēma nosaka lietotāja specifisku fizioloģisko vai uzvedības īpašību atbilstību noteiktai veidnei. Parasti biometriskā sistēma sastāv no diviem moduļiem: reģistrācijas moduļa un identifikācijas moduļa.

Reģistrācijas modulis“apmāca” sistēmu identificēt konkrētu personu. Reģistrācijas posmā videokamera vai citi sensori skenē personu, lai izveidotu tās izskata digitālu attēlojumu. Sejas skenēšana aizņem apmēram 20 līdz 30 sekundes, kā rezultātā tiek iegūti vairāki attēli. Ideālā gadījumā šiem attēliem būs nedaudz atšķirīgi leņķi un sejas izteiksmes, kas ļauj iegūt precīzākus datus. Īpašs programmatūras modulis apstrādā šo attēlojumu un nosaka personības iezīmes, pēc tam izveido veidni. Ir dažas sejas daļas, kas laika gaitā gandrīz nemainās, piemēram, acu dobumu augšējās kontūras, apgabali ap vaigu kauliem un mutes malas. Lielākajā daļā biometriskajām tehnoloģijām izstrādāto algoritmu ir ņemtas vērā iespējamās izmaiņas cilvēka frizūrā, jo tie analīzei neizmanto sejas zonu virs matu līnijas. Katra lietotāja attēla veidne tiek saglabāta biometriskās sistēmas datu bāzē.

Identifikācijas modulis saņem personas attēlu no videokameras un pārvērš to tajā pašā digitālajā formātā, kurā tiek saglabāta veidne. Iegūtie dati tiek salīdzināti ar datubāzē saglabāto veidni, lai noteiktu, vai attēli atbilst viens otram. Verifikācijai nepieciešamā līdzības pakāpe ir noteikts slieksnis, ko var pielāgot dažāda veida personālam, datora jaudai, diennakts laikam un vairākiem citiem faktoriem.

Identifikācija var būt verifikācijas, autentifikācijas vai atpazīšanas veidā. Pārbaude apstiprina saņemto datu un datubāzē saglabātās veidnes identitāti. Autentifikācija – apstiprina no videokameras saņemtā attēla atbilstību kādai no datubāzē saglabātajām veidnēm. Atpazīšanas laikā, ja iegūtie raksturlielumi un viena no saglabātajām veidnēm ir vienādi, sistēma identificē personu ar atbilstošo veidni.

Lietojot biometriskās sistēmas, īpaši sejas atpazīšanas sistēmas, pat ieviešot pareizus biometriskos raksturlielumus, lēmums par autentifikāciju ne vienmēr ir pareizs. Tas ir saistīts ar vairākām pazīmēm un, pirmkārt, ar to, ka daudzi biometriskie raksturlielumi var mainīties. Pastāv zināma sistēmas kļūdas iespējamības pakāpe. Turklāt, izmantojot dažādas tehnoloģijas, kļūda var ievērojami atšķirties. Piekļuves kontroles sistēmām, izmantojot biometriskās tehnoloģijas, ir jānosaka, kas ir svarīgāk, lai nepalaistu garām “svešu” vai nepalaistu garām visus “draugus”.

Biometrisko tehnoloģiju lietotājiem drošības sistēmās svarīgs faktors ir lietošanas ērtums. Personai, kuras raksturlielumi tiek skenēti, nevajadzētu piedzīvot neērtības. Šajā ziņā visinteresantākā metode, protams, ir sejas atpazīšanas tehnoloģija. Tiesa, šajā gadījumā rodas citas problēmas, kas galvenokārt saistītas ar sistēmas precizitāti.

Neskatoties uz acīmredzamajām priekšrocībām, pret biometriju pastāv vairākas negatīvas novirzes, kas bieži rada jautājumus par to, vai biometriskie dati tiks izmantoti, lai izspiegotu cilvēkus un pārkāptu viņu privātumu. Sensacionālu apgalvojumu un nepamatotas ažiotāžas dēļ biometrisko tehnoloģiju uztvere krasi atšķiras no reālās situācijas.

Tomēr biometriskās identifikācijas metožu izmantošana pēdējos gados ir kļuvusi īpaši aktuāla. Šī problēma īpaši saasinājās pēc 11. septembra notikumiem ASV. Pasaules sabiedrība ir sapratusi pieaugošo terorisma draudu apmēru visā pasaulē un to, cik sarežģīti ir organizēt uzticamu aizsardzību, izmantojot tradicionālās metodes. Tieši šie traģiskie notikumi kalpoja par sākumpunktu pastiprinātai uzmanībai mūsdienu integrētajām drošības sistēmām. Ir zināms uzskats, ka, ja kontrole lidostās būtu stingrāka, tad no nelaimēm varētu izvairīties. Un arī šodien vairāku citu incidentu vainīgo meklēšanu varētu būtiski atvieglot, izmantojot modernās videonovērošanas sistēmas integrācijā ar sejas atpazīšanas sistēmām.

Pašlaik ir četras galvenās sejas atpazīšanas metodes:

1. "īpašās sejas";
2. "atšķirīgo pazīmju" analīze;
3. uz "neironu tīkliem" balstīta analīze;
4. "sejas attēla automātiskās apstrādes" metode.

Visas šīs metodes atšķiras pēc ieviešanas sarežģītības un pielietojuma mērķa.

"Eigenface" var tulkot kā "sava seja". Šī tehnoloģija izmanto divdimensiju pelēktoņu attēlus, kas atspoguļo sejas attēla atšķirīgās īpašības. "Eigenface" metode bieži tiek izmantota kā pamats citām sejas atpazīšanas metodēm.

Apvienojot raksturlielumus 100 - 120 "eigenface" ir iespējams atjaunot lielu skaitu seju. Reģistrācijas brīdī katras konkrētās personas "īpašseja" tiek attēlota kā koeficientu virkne. Autentifikācijas režīmā, kurā identitātes pārbaudei tiek izmantots attēls, reāllaika veidne tiek salīdzināta ar jau reģistrētu veidni, lai noteiktu atšķirības faktoru. Modeļu atšķirības pakāpe nosaka identifikācijas faktu. "Eigenface" tehnoloģija ir optimāla, ja to izmanto labi apgaismotās telpās, kad ir iespējams skenēt seju priekšā.

"Atšķirošā" analīzes metode ir visplašāk izmantotā identifikācijas tehnoloģija. Šī tehnoloģija ir līdzīga "Eigenface" tehnikai, taču ir vairāk pielāgota, lai mainītu cilvēka izskatu vai sejas izteiksmes (smaidoša vai saraukta seja). Atšķirīgās pazīmes izmanto desmitiem dažādu sejas zonu atšķirīgu pazīmju, ņemot vērā to relatīvo atrašanās vietu. Šo parametru individuālā kombinācija nosaka katras konkrētās personas īpašības. Cilvēka seja ir unikāla, taču diezgan dinamiska, jo. cilvēks var smaidīt, audzēt bārdu un ūsas, uzlikt brilles – tas viss palielina identifikācijas procedūras sarežģītību. Tā, piemēram, smaidot, ir vērojama zināma to sejas daļu nobīde, kas atrodas netālu no mutes, kas savukārt izraisīs līdzīgu blakus esošo daļu kustību. Ņemot vērā šādas nobīdes, ir iespējams unikāli identificēt cilvēku ar dažādām mīmikas izmaiņām sejā. Tā kā šajā analīzē tiek ņemti vērā lokālie sejas apgabali, pielaides var būt līdz 25° horizontālajā plaknē un līdz aptuveni 15° vertikālajā plaknē, un tam ir nepieciešams pietiekami jaudīgs un dārgs aprīkojums, kas attiecīgi samazina šī izkliedes pakāpi. metodi.

Metodē, kuras pamatā ir neironu tīkls, abu seju raksturīgās iezīmes - reģistrētās un pārbaudītās - tiek salīdzinātas, lai iegūtu atbilstību. "Neironu tīkli" izmanto algoritmu, kas saskaņo pārbaudāmās personas unikālos sejas parametrus un datu bāzē esošās veidnes parametrus, vienlaikus piemērojot maksimāli iespējamo parametru skaitu. Turpinoties salīdzināšanai, tiek noteiktas neatbilstības starp pārbaudāmo personu un veidni no datu bāzes, tad tiek iedarbināts mehānisms, kas, izmantojot atbilstošus svara koeficientus, nosaka pārbaudāmās personas atbilstības pakāpi datu bāzes veidnei. Šī metode paaugstina sejas identificēšanas kvalitāti sarežģītos apstākļos.

"Sejas attēlu automātiskās apstrādes" metode ir visvienkāršākā tehnoloģija, izmantojot attālumus un attālumu attiecību starp viegli definējamiem sejas punktiem, piemēram, acīm, deguna galu, mutes kaktiņiem. Lai gan šī metode nav tik spēcīga kā "īpašsejas" vai "neironu tīkls", to var diezgan efektīvi izmantot vāja apgaismojuma apstākļos.

Sejas atpazīšanas sistēmas tirgū

Līdz šim ir izstrādāti vairāki komerciāli produkti, kas paredzēti sejas atpazīšanai. Šajos produktos izmantotie algoritmi ir atšķirīgi, un joprojām ir grūti novērtēt, kurai tehnoloģijai ir priekšrocības. Šobrīd līderi ir šādas sistēmas: Visionic, Viisage un Miros.

• Visionic lietojumprogramma FaceIt ir balstīta uz vietējo funkciju analīzes algoritmu, kas izstrādāts Rokfellera universitātē. Viens komerciālais uzņēmums Apvienotajā Karalistē ir integrējis FaceIt televīzijas pretnoziedzības sistēmā ar nosaukumu Mandrake. Šī sistēma meklē noziedzniekus, izmantojot video datus no 144 kamerām, kas savienotas slēgtā tīklā. Kad identitāte ir noteikta, sistēma informē apsardzes darbinieku. Krievijā Visionic pārstāvis ir DanCom.
• Vēl viens līderis šajā jomā, Viisage, izmanto Masačūsetsas Tehnoloģiju institūtā izstrādātu algoritmu. Uzņēmumi un valdības daudzos ASV štatos un vairākās citās valstīs izmanto Viisage sistēmu kopā ar identifikācijas akreditācijas datiem, piemēram, autovadītāja apliecībām.
• ZN Vision Technologies AG (Vācija) piedāvā tirgū vairākus produktus, kas izmanto sejas atpazīšanas tehnoloģiju. Šīs sistēmas Krievijas tirgū piedāvā Soling.
• Miros TrueFace sejas atpazīšanas sistēma izmanto neironu tīklu tehnoloģiju, un pati sistēma tiek izmantota Mr.Payroll Corporation skaidras naudas izsniegšanas kompleksā un ir uzstādīta kazino un citās izklaides iestādēs daudzos ASV štatos.

Amerikas Savienotajās Valstīs neatkarīgi eksperti veica dažādu sejas atpazīšanas tehnoloģiju salīdzinošu pārbaudi. Testa rezultāti ir parādīti zemāk.

Rīsi. 1. Seju atpazīšanas efektivitātes salīdzinošā analīze dažādās sistēmās

Praksē, izmantojot sejas atpazīšanas sistēmas kā daļu no standarta elektroniskajām drošības sistēmām, tiek pieņemts, ka identificējamā persona skatās tieši kamerā. Tādējādi sistēma strādā ar salīdzinoši vienkāršu divdimensiju attēlu, kas būtiski vienkāršo algoritmus un samazina aprēķinu intensitāti. Bet pat šajā gadījumā atpazīšanas uzdevums joprojām nav triviāls, jo algoritmos ir jāņem vērā iespēja mainīt apgaismojuma līmeni, mainīt sejas izteiksmes, grima vai briļļu esamību vai neesamību.

Sejas atpazīšanas sistēmas uzticamība ir ļoti atkarīga no vairākiem faktoriem:

• Attēla kvalitāte. Sistēmas darbības bez kļūdām iespējamība ir ievērojami samazināta, ja persona, kuru cenšamies identificēt, neskatās tieši kamerā vai tiek uzņemta sliktā apgaismojumā.
• Datubāzē ievadītās fotogrāfijas atbilstība.
• Datu bāzes lielums.

Sejas atpazīšanas tehnoloģijas labi darbojas ar standarta videokamerām, kas pārraida datus un tiek vadītas ar personālo datoru un kurām nepieciešama izšķirtspēja 320x240 pikseļi collā ar video ātrumu vismaz 3 līdz 5 kadri sekundē. Salīdzinājumam, video konferences pieņemamai kvalitātei nepieciešams video straumes ātrums 15 kadri sekundē. Lielāks video bitu pārraides ātrums ar augstāku izšķirtspēju nodrošina labāku identifikācijas kvalitāti. Atpazīstot sejas no liela attāluma, pastāv cieša saistība starp videokameras kvalitāti un identifikācijas rezultātu.

Datu bāzu apjoms, izmantojot standarta personālos datorus, nepārsniedz 10 000 attēlu.

Secinājums

Mūsdienās piedāvātās seju atpazīšanas metodes ir interesantas un tuvu plašai ieviešanai, tomēr pagaidām nevar, tāpat kā kinoteātrī, uzticēt durvju atvēršanu tikai seju atpazīšanas tehnoloģijai. Noder kā palīgs apsargam vai citai piekļuves kontroles sistēmai.

Tieši šī metode tiek izmantota daudzās situācijās, kad ir jāpārliecinās, vai uzrādītais dokuments patiešām pieder personai, kura to uzrādīja. Tas notiek, piemēram, starptautiskā lidostā, kad robežsargs pārbauda pasē esošo fotogrāfiju ar pases īpašnieka seju un izlemj, vai tā ir viņa pase vai nē. Datorpiekļuves sistēma darbojas pēc līdzīga algoritma. Vienīgā atšķirība ir tā, ka fotogrāfija tiek salīdzināta ar datubāzē jau saglabāto veidni.

Jau ir parādījušās tehnoloģijas, kuru pamatā ir sejas atpazīšana infrasarkanajā gaismā. Jaunās tehnoloģijas pamatā ir fakts, ka siltuma starojuma radītais siltuma attēls no sejas asinsvadiem jeb, citiem vārdiem sakot, cilvēka sejas termogramma, ir unikāls ikvienam un līdz ar to izmantojams kā biometriskais rādītājs. raksturīga piekļuves kontroles sistēmām. Šī termogramma ir stabilāks identifikators nekā sejas ģeometrija, jo tā gandrīz nav atkarīga no cilvēka izskata izmaiņām.