Son zamanlarda, Google'ın yüz tanıma sistemlerinde Habré hakkında birçok makale yayınlandı. Dürüst olmak gerekirse, birçoğunda gazetecilik ve en hafif tabirle beceriksizlik var. Ve biyometri üzerine iyi bir makale yazmak istedim, bu benim ilk makalem değil! Habré'de biyometri üzerine birkaç iyi makale var - ancak bunlar oldukça kısa ve eksik. Burada biyometrik tanımlamanın genel ilkelerini ve insanlığın bu konudaki modern başarılarını kısaca özetlemeye çalışacağım. Yüzlerle tanımlama dahil.

Makalenin bir devamı var, aslında onun prequel'i.

Makale, modern gerçeklere uyacak şekilde revize edilmiş dergide (BDI, 2009) bir meslektaşla ortak bir yayına dayanacaktır. Habré'nin henüz meslektaşı yok, ancak gözden geçirilmiş makalenin burada yayınlanmasını destekledi. Yayınlandığı tarihte, makale, ürünümüzü piyasaya sürmeden önce kendimiz için yürüttüğümüz modern biyometrik teknoloji pazarının kısa bir özetiydi. Makalenin ikinci bölümünde ortaya konan uygulanabilirlik ile ilgili değerlendirme kararları, ürünleri kullanan ve uygulayan kişilerin yanı sıra Rusya ve Avrupa'da biyometrik sistemlerin üretiminde yer alan kişilerin görüşlerine dayanmaktadır.

Genel bilgi

Temel bilgilerle başlayalım. Vakaların %95'inde biyometri esasen matematiksel istatistiktir. Ve matstat, algoritmaları her yerde kullanılan kesin bir bilimdir: radarlarda ve Bayes sistemlerinde. Birinci ve ikinci türden hatalar, herhangi bir biyometrik sistemin iki ana özelliği olarak alınabilir). Radar teorisinde genellikle "yanlış alarm" veya "hedef ıskalama" olarak adlandırılırlar ve biyometride en yerleşik kavramlar FAR (Yanlış Kabul Oranı) ve FRR'dir (Yanlış Reddetme Oranı). İlk sayı, iki kişinin biyometrik özelliklerinin yanlış bir şekilde çakışma olasılığını karakterize eder. İkincisi, yetkili bir kişiye erişimin reddedilme olasılığıdır. Sistem daha iyidir, aynı FAR değerleri için FRR değeri o kadar düşük olur. Bazen, FRR ve FAR grafiklerinin kesiştiği noktayı belirleyen karşılaştırmalı karakteristik EER de kullanılır. Ancak her zaman temsili değildir. Daha fazla ayrıntı, örneğin bulunabilir.
Aşağıdakiler not edilebilir: Açık biyometrik veritabanlarına dayanan sistemin özelliklerinde FAR ve FRR verilmezse, o zaman üreticiler özellikleri hakkında ne söylerse söylesin, bu sistem büyük olasılıkla yetersiz veya rakiplerinden çok daha zayıftır..
Ancak biyometrik sistemin kalitesini yalnızca FAR ve FRR belirlemez. Tek yol bu olsaydı, o zaman önde gelen teknoloji, FAR ve FRR'nin sıfır olma eğiliminde olduğu DNA tarafından insanların tanınması olurdu. Ancak bu teknolojinin, insan gelişiminin şu anki aşamasında uygulanabilir olmadığı açıktır! Sistemin kalitesini değerlendirmemize izin veren birkaç deneysel özellik geliştirdik. "Sahtecilik direnci", bir biyometrik tanımlayıcıyı kandırmanın ne kadar kolay olduğunu özetleyen deneysel bir özelliktir. "Çevreye dayanıklılık" - aydınlatma veya oda sıcaklığındaki değişiklikler gibi çeşitli dış koşullar altında sistemin kararlılığını ampirik olarak değerlendiren bir özellik. "Kullanım kolaylığı", biyometrik tarayıcı kullanmanın ne kadar zor olduğunu, "hareket halindeyken" tanımlamanın mümkün olup olmadığını gösterir. Önemli bir özellik "Çalışma hızı" ve "Sistem maliyeti" dir. Bir kişinin biyometrik özelliklerinin zamanla değişebileceğini unutmayın, bu nedenle kararsız ise bu önemli bir dezavantajdır.
Biyometrik yöntemlerin bolluğu şaşırtıcı. Bir kişinin statik biyometrik özelliklerini kullanan başlıca yöntemler, parmaklarda papiller patern, iris, yüz geometrisi, retina, el damar düzeni ve el geometrisidir. Dinamik özellikleri kullanan bir yöntem ailesi de vardır: sesle tanımlama, el yazısı dinamikleri, kalp atış hızı, yürüyüş. Aşağıda biyometrik pazarın birkaç yıl önceki dağılımı verilmiştir. Diğer tüm kaynaklarda bu veriler yüzde 15-20 oranında dalgalanıyor, yani bu sadece bir tahmin. Ayrıca burada "el geometrisi" kavramı altında aşağıda tartışılacak olan iki farklı yöntem bulunmaktadır.

Bu makalede, yalnızca erişim kontrol sistemlerinde (ACS) veya ilgili görevlerde geçerli olan özellikleri ele alacağız. Üstünlüklerinden dolayı bunlar öncelikle statik özelliklerdir. Şu anda dinamik özelliklerden yalnızca ses tanımanın en azından bir miktar istatistiksel önemi vardır (en kötü statik algoritmalar FAR ~ %0.1, FRR ~ %6 ile karşılaştırılabilir), ancak yalnızca ideal koşullar altında.
FAR ve FRR olasılıkları hakkında bir fikir edinmek için, N personelli bir ağ geçidine bir tanımlama sistemi kurarsanız, yanlış eşleşmelerin ne sıklıkla gerçekleşeceğini tahmin edebilirsiniz. N parmak izinden oluşan bir veri tabanı için tarayıcı tarafından alınan bir parmak izinin yanlış çakışma olasılığı FAR ∙ N'dir. Ve her gün yaklaşık N kişi erişim kontrol noktasından geçiyor. O zaman bir iş günü için hata olasılığı FAR ∙ (N ∙ N) olur. Elbette, tanımlama sisteminin amaçlarına bağlı olarak, birim zaman başına bir hata olasılığı büyük ölçüde değişebilir, ancak iş günü başına bir hatayı kabul edilebilir olarak kabul edersek, o zaman:
(1)
Daha sonra FAR = %0,1 = %0,001 olan tanımlama sisteminin kararlı çalışmasının N≈30 personel sayısı ile mümkün olduğunu anlıyoruz.

Biyometrik Tarayıcılar

Bugün, "biyometrik algoritma" ve "biyometrik tarayıcı" kavramı mutlaka birbirine bağlı değildir. Firma bu elemanları tek tek veya birlikte üretebilir. Tarayıcı üreticileri ve yazılım üreticileri arasındaki en büyük farklılaşma, parmak papiller biyometri pazarında elde edilmiştir. Piyasadaki en küçük 3D yüz tarayıcı. Aslında, farklılaşma düzeyi büyük ölçüde pazarın gelişimini ve doygunluğunu yansıtır. Ne kadar fazla seçenek olursa, konu o kadar çok işlenir ve mükemmelliğe getirilir. Farklı tarayıcıların farklı yetenekleri vardır. Temel olarak, biyometrik bir nesnenin kurcalanıp kurcalanmadığını kontrol eden bir dizi testtir. Parmak tarayıcıları için bu bir çarpma kontrolü veya sıcaklık kontrolü olabilir, göz tarayıcıları için göz bebeği yerleşim kontrolü olabilir, yüz tarayıcıları için bir yüz hareketi olabilir.
Tarayıcılar, alınan FAR ve FRR istatistiklerini büyük ölçüde etkiler. Bazı durumlarda bu sayılar özellikle gerçek koşullarda onlarca kez değişebilmektedir. Genellikle, algoritmanın özellikleri bazı "ideal" bazlar için veya sadece bulanık ve bulanık çerçevelerin atıldığı çok uygun bir taban için verilir. Yalnızca birkaç algoritma, bunun için hem tabanı hem de tam FAR / FRR çıktısını dürüstçe gösterir.

Ve şimdi teknolojilerin her biri hakkında daha ayrıntılı olarak

parmak izleri

Parmak izi (parmak izi tanıma), günümüzde kişisel tanımlamanın en gelişmiş biyometrik yöntemidir. Yöntemin geliştirilmesindeki katalizör, 20. yüzyılın adli biliminde yaygın olarak kullanılmasıydı.
Her kişinin, tanımlamayı mümkün kılan benzersiz bir papiller parmak izi modeli vardır. Tipik olarak, algoritmalar parmak izlerinde karakteristik noktalar kullanır: desen çizgisinin sonu, çizginin dallanması, tek noktalar. Ek olarak, parmak izinin morfolojik yapısı hakkında bilgi söz konusudur: papiller desenin kapalı çizgilerinin, "kemerli" ve spiral çizgilerin göreceli konumu. Papiller desenin özellikleri, baskı görüntüsünün bilgi içeriğini koruyan benzersiz bir koda dönüştürülür. Ve arama ve karşılaştırma için kullanılan veri tabanında saklanan “parmak izi kodları”dır. Bir parmak izi görüntüsünü bir koda çevirme ve tanımlama süresi, veritabanının boyutuna bağlı olarak genellikle 1 saniyeyi geçmez. El kaldırmak için harcanan zaman sayılmaz.

DP U.are.U parmak izi tarayıcı ile elde edilen VeriFinger SDK istatistikleri, FAR ve FRR ile ilgili veri kaynağı olarak kullanılmıştır. Son 5-10 yılda parmak tanıma özellikleri çok fazla öne çıkmadı, bu nedenle verilen rakamlar modern algoritmaların ortalama değerine güzel bir örnek. VeriFinger algoritmasının kendisi, parmak tanıma algoritmalarının rekabet ettiği Uluslararası Parmak İzi Doğrulama Yarışmasını birkaç yıl boyunca kazandı.

Parmak izi tanıma yöntemi için tipik FAR değeri %0,001'dir.
Formül (1)'den FAR = %0,001 ile tanımlama sisteminin kararlı çalışmasının N≈300 personel sayısı ile mümkün olduğunu elde ederiz.

Yöntemin avantajları. Yüksek güvenilirlik - yöntemin istatistiksel göstergeleri, yüz, ses, resim ile tanımlama yöntemlerinin göstergelerinden daha iyidir. Parmak izi görüntüsünü tarayan cihazların düşük maliyeti. Parmak izi taramak için oldukça basit bir prosedür.
Dezavantajları: Parmak izinin papiller deseni, küçük çizikler ve kesikler nedeniyle çok kolay zarar görür. Birkaç yüz çalışanı olan fabrikalarda tarayıcı kullanan kişiler, yüksek bir tarama hatası oranı bildirmektedir. Tarayıcıların çoğu kuru ciltler için yetersizdir ve yaşlıları dışarıda tutar. Son MIPS fuarında iletişim kurarken, büyük bir kimya kuruluşunun güvenlik servisi başkanı, kuruluşta parmak tarayıcıları tanıtma girişimlerinin (çeşitli sistemlerin tarayıcıları denendi) başarısız olduğunu söyledi - çalışanların parmaklarında kimyasallara minimum maruz kalma tarayıcıların güvenlik sistemlerinin başarısız olmasına neden oldu - tarayıcılar parmakların sahte olduğunu ilan etti. Kısmen yöntemin yaygın kullanımı nedeniyle, parmak izi görüntüsünün sahteciliğine karşı koruma eksikliği de vardır. Tabii ki, tüm tarayıcılar Legend Busters'ın yöntemleriyle kandırılamaz, ancak yine de. "Uygun olmayan" parmaklara (özellikle vücut ısısı, nem) sahip bazı kişiler için erişimin reddedilme olasılığı %100'e ulaşabilir. Bu tür insanların sayısı, pahalı tarayıcılar için yüzde bir oranından, ucuz tarayıcılar için yüzde ona kadar değişir.
Elbette çok sayıda eksikliğin sistemin yaygınlaşmasından kaynaklandığını belirtmekte fayda var ancak bu eksiklikler çok sık yaşanıyor ve ortaya çıkıyor.

Piyasa durumu

Şu anda parmak izi tanıma sistemleri biyometrik pazarın yarısından fazlasını işgal ediyor. Birçok Rus ve yabancı şirket, parmak izi tanıma yöntemine dayalı erişim kontrol sistemlerinin üretimi ile uğraşmaktadır. Bu yönün en eski yönlerden biri olması nedeniyle, en yaygın olanıdır ve açık ara en gelişmişidir. Parmak izi tarayıcıları geliştirmek için gerçekten uzun bir yol kat etti. Modern sistemler, sahteciliğe karşı koruma derecesini artıran çeşitli sensörlerle (sıcaklık, basınç vb.) donatılmıştır. Sistemler her geçen gün daha kullanışlı ve kompakt hale geliyor. Aslında, geliştiriciler bu alanda zaten belirli bir sınıra ulaştı ve yöntemi daha fazla geliştirecek hiçbir yer yok. Ayrıca çoğu şirket, yazılım da dahil olmak üzere ihtiyacınız olan her şeyle donatılmış hazır sistemler üretiyor. Bu alandaki entegratörlerin sistemi kendi başlarına monte etmelerine gerek yoktur, çünkü bu kârsızdır ve hazır ve zaten ucuz bir sistem satın almaktan daha fazla zaman ve çaba gerektirir, seçim gerçekten geniş olacaktır.
Parmak izi tanıma sistemleriyle uğraşan yabancı şirketler arasında, SecuGen (PC'ler için USB tarayıcılar, işletmelere kurulabilen veya kilitlere gömülebilen tarayıcılar, SDK ve sistemi bir bilgisayara bağlamak için yazılımlar); Bayometrik Inc. (parmak izi tarayıcılar, TAA / Erişim kontrol sistemleri, parmak izi SDK'ları, gömülü parmak izi modülleri); DigitalPersona, Inc. (USB tarayıcılar, SDK). Rusya'da aşağıdaki şirketler bu alanda çalışmaktadır: BioLink (parmak izi tarayıcılar, biyometrik erişim kontrol cihazları, yazılım); Sonda (parmak izi tarayıcılar, biyometrik erişim kontrol cihazları, SDK); SmartLock (parmak izi tarayıcılar ve modüller), vb.

İris

Gözün irisi, insanlara özgü bir özelliktir. İris paterni, intrauterin gelişimin sekizinci ayında oluşur, nihayet yaklaşık iki yaşında stabilize olur ve şiddetli travma veya keskin patolojiler dışında yaşam boyunca pratik olarak değişmez. Yöntem, biyometrik yöntemler arasında en doğru olanlardan biridir.
İris tanımlama sistemi mantıksal olarak iki bölüme ayrılmıştır: bir görüntüyü yakalama, birincil işleme ve bir bilgisayara iletimi için bir cihaz ve görüntüyü veritabanındaki görüntülerle karşılaştıran ve yürütme cihazına kabul için bir komut gönderen bir bilgisayar. .
Modern sistemlerde birincil görüntü işleme süresi yaklaşık 300-500 ms'dir, elde edilen görüntünün tabanla karşılaştırma hızı sıradan bir PC'de saniyede 50.000-150000 karşılaştırma düzeyindedir. Bu karşılaştırma hızı, erişim sistemlerinde kullanıldığında yöntemin büyük kuruluşlarda uygulanmasına kısıtlama getirmez. Özel bilgisayarlar ve arama optimizasyon algoritmaları kullanıldığında, tüm bir ülkenin sakinleri arasında bir kişiyi tanımlamak bile mümkün hale gelir.
Girişimimizi bu alanda başlattığımız için biraz önyargılı olduğumu ve bu yönteme karşı olumlu bir tavrım olduğunu hemen söyleyebilirim. Sonunda bir paragraf, küçük bir kendini tanıtmaya ayrılacaktır.

Yöntemin istatistiksel özellikleri

İris için FAR ve FRR'nin özellikleri, modern biyometrik sistemler sınıfının en iyisidir (retina tanıma yönteminin olası istisnası dışında). Makale, aynı temellerde test edilen VeriEye algoritmasına karşılık gelen algoritmamız - EyeR SDK'nın iris tanıma kitaplığının özelliklerini sunar. Tarayıcıları tarafından elde edilen CASIA veritabanlarını kullandık.

Tipik FAR değeri %0,00001'dir.
Formül (1)'e göre, N≈3000, çalışanın kimliğinin oldukça istikrarlı olduğu kuruluşun personel sayısıdır.
Burada iris tanıma sistemini diğer sistemlerden ayıran önemli bir özelliği belirtmekte fayda var. 1,3 MP veya daha yüksek çözünürlüğe sahip bir kamera kullanılması durumunda, tek karede iki göz yakalayabilirsiniz. FAR ve FRR olasılıkları istatistiksel olarak bağımsız olasılıklar olduğundan, iki gözden tanıma yapıldığında, FAR değeri bir göz için FAR değerinin karesine yaklaşık olarak eşit olacaktır. Örneğin, FAR %0,001 için, iki göz kullanıldığında yanlış tolerans olasılığı %10-8 olacaktır, FRR ile bu, FAR = %0,001 olan bir göz için karşılık gelen FRR değerinin yalnızca iki katıdır.

Yöntemin avantajları ve dezavantajları

Yöntemin avantajları. Algoritmanın istatistiksel güvenilirliği. Kişi ve cihaz arasında herhangi bir fiziksel temas olmadan irisin görüntüsünün alınması birkaç santimetreden birkaç metreye kadar bir mesafede gerçekleştirilebilir. İris hasara karşı korunur - bu, zamanla değişmeyeceği anlamına gelir. Ayrıca çok sayıda sahteciliğe karşı koruma yöntemi kullanmak da mümkündür.
Yöntemin dezavantajları. İris tabanlı bir sistemin fiyatı, parmak tanıma veya yüz tanıma tabanlı bir sistemin fiyatından daha yüksektir. Hazır çözümlerin düşük mevcudiyeti. Bugün Rusya pazarına gelip de “bana hazır bir sistem verin” diyen herhangi bir entegratör, büyük ihtimalle kopacaktır. Çoğu, Iridian veya LG gibi büyük şirketler tarafından kurulan pahalı anahtar teslimi sistemler satıyor.

Piyasa durumu

Şu anda, küresel biyometrik pazarda iris tanımlama teknolojilerinin payı, çeşitli tahminlere göre yüzde 6 ila 9 arasında (parmak izi tanıma teknolojileri pazarın yarısından fazlasını işgal ederken). Bu yöntemin geliştirilmesinin en başından itibaren, bir tanımlama sisteminin montajı için gerekli olan yüksek ekipman ve bileşenlerin maliyeti nedeniyle pazardaki güçlenmesinin yavaşladığı belirtilmelidir. Ancak dijital teknolojilerin gelişmesiyle ayrı bir sistemin maliyeti düşmeye başladı.
Bu alanda yazılım geliştirmede lider, Iridian Technologies'dir.
Çok sayıda üreticinin pazara girişi, tarayıcıların teknik karmaşıklığı ve sonuç olarak yüksek maliyetleri ve ayrıca Iridian'ın pazardaki tekel konumundan dolayı yüksek yazılım fiyatları nedeniyle sınırlıydı. Bu faktörler, iris tanıma alanında yalnızca büyük şirketlerin gelişmesine izin verdi, büyük olasılıkla zaten tanımlama sistemine uygun bazı bileşenlerin (yüksek çözünürlüklü optikler, kızılötesi aydınlatmalı minyatür kameralar vb.) Bu tür şirketlere örnek olarak LG Electronics, Panasonic, OKI verilebilir. Iridian Technologies ile anlaşma yaptılar ve ortak çalışma sonucunda şu tanımlama sistemleri ortaya çıktı: Iris Access 2200, BM-ET500, OKI IrisPass. Gelecekte, bu şirketlerin bu alanda bağımsız olarak gelişmesi için teknik yetenekleri sayesinde gelişmiş sistem modelleri ortaya çıktı. Yukarıdaki firmaların da kendi yazılımlarını geliştirdiklerini söylemek gerekir ancak sonuçta bitmiş sistemde Iridian Technologies yazılımını tercih etmektedirler.
Rusya pazarına yabancı şirketlerin ürünleri hakimdir. Her ne kadar bu pek satın alınamaz olsa da. Papillon firması uzun bir süre herkese iris tanımaya sahip olduklarına dair güvence verdi. Ancak, sistemi kendileri için yaptıkları doğrudan alıcıları RosAtom'un temsilcileri bile bunun doğru olmadığını söylüyor. Bir noktada, iris tarayıcıları yapan başka bir Rus şirketi ortaya çıktı. Şimdi adını hatırlayamıyorum. Algoritmayı birinden, muhtemelen aynı VeriEye'den satın aldılar. Tarayıcının kendisi, temassız değil, 10-15 yıllık bir sistemdi.
Geçen yıl, bir kişiyi gözle tanımaya yönelik birincil patentin süresinin dolması nedeniyle birkaç yeni üretici dünya pazarına girdi. Bunların en güveniliri bence AOptix. En azından önizlemeleri ve belgeleri şüpheli değil. İkinci şirket SRI International'dır. İlk bakışta bile, iris tanıma sistemlerine dahil olan bir kişiye videoları çok aldatıcı görünüyor. Gerçi gerçekte bir şeyler yapabilirlerse şaşırmam. Ve bu ve bu sistem FAR ve FRR hakkında veri göstermiyor ve ayrıca görünüşe göre sahteciliğe karşı korunmuyor.

Yüz tanıma

Birçok yüz geometrisi tanıma yöntemi vardır. Hepsi, her insanın yüz özelliklerinin ve kafatasının şeklinin bireysel olduğu gerçeğine dayanmaktadır. Bu biyometri alanı birçok kişiye çekici geliyor çünkü birbirimizi öncelikle yüzlerinden tanıyoruz. Bu alan iki yöne ayrılmıştır: 2 boyutlu tanıma ve 3 boyutlu tanıma. Her birinin avantajları ve dezavantajları vardır, ancak çoğu uygulama alanına ve belirli bir algoritmanın gereksinimlerine de bağlıdır.
Kısacası, size 2-d'den bahsedeceğim ve bugünün en ilginç yöntemlerinden biri olan 3-d'ye geçeceğim.

2 boyutlu yüz tanıma

2 boyutlu yüz tanıma, istatistiksel olarak en etkisiz biyometrilerden biridir. Oldukça uzun zaman önce ortaya çıktı ve esas olarak gelişimine katkıda bulunan adli bilimlerde kullanıldı. Daha sonra, yöntemin bilgisayar yorumları ortaya çıktı, bunun sonucunda daha güvenilir hale geldi, ancak elbette, daha düşüktü ve her yıl diğer biyometrik kişilik tanımlama yöntemlerinden daha düşüktü. Şu anda, zayıf istatistiksel göstergeler nedeniyle, çok modlu veya çapraz biyometri olarak da adlandırılan veya sosyal ağlarda kullanılmaktadır.

Yöntemin istatistiksel özellikleri

FAR ve FRR için VeriLook algoritmalarından gelen veriler kullanıldı. Yine modern algoritmalar için çok ortak özelliklere sahiptir. Bazen %0,1'lik bir FRR'ye sahip algoritmalar benzer bir FAR ile parlatılır, ancak elde edildikleri temeller çok şüphelidir (kesilmiş arka plan, aynı yüz ifadesi, aynı saç modeli, aydınlatma).

Tipik FAR değeri %0,1'dir.
Formül (1)'den N≈30 alıyoruz - çalışanın kimliğinin oldukça istikrarlı olduğu kuruluşun personel sayısı.
Gördüğünüz gibi, yöntemin istatistiksel göstergeleri oldukça mütevazı: bu, yöntemin, kalabalık yerlerde gizli yüz çekimi yapmanın mümkün olduğu avantajını ortadan kaldırıyor. Kalabalık yerlere kurulan video kameralar aracılığıyla suçluları tespit etmek için yılda birkaç kez başka bir projenin nasıl finanse edildiğini görmek komik. Son on yılda, algoritmanın istatistiksel özellikleri gelişmedi ve bu tür projelerin sayısı arttı. Bununla birlikte, algoritmanın kalabalığın içindeki bir kişiyi birçok kamera aracılığıyla yönlendirmek için oldukça uygun olduğunu belirtmekte fayda var.

Yöntemin avantajları ve dezavantajları

Yöntemin avantajları. 2 boyutlu tanıma ile çoğu biyometrik yöntemin aksine pahalı ekipman gerekli değildir. Uygun ekipmanla, kameradan önemli mesafelerde tanıma imkanı.
Kusurlar. Düşük istatistiksel anlamlılık. Aydınlatma zorunluluğu getirilmektedir (örneğin, güneşli bir günde sokaktan giren insanların yüzlerini kaydetmek mümkün değildir). Birçok algoritma için, örneğin gözlük, sakal, saç stilinin bazı unsurları gibi herhangi bir dış müdahale kabul edilemez. Çok hafif sapmalarla birlikte bir ön yüz görüntüsü zorunludur. Birçok algoritma yüz ifadelerindeki olası değişiklikleri hesaba katmaz, yani ifade nötr olmalıdır.

3 boyutlu yüz tanıma

Bu yöntemin uygulanması oldukça zor bir iştir. Buna rağmen şu anda 3 boyutlu yüz tanıma için birçok yöntem bulunmaktadır. Yöntemler, farklı tarayıcılar ve tabanlar kullandıkları için birbirleriyle karşılaştırılamaz. hepsi FAR ve FRR yayınlamaz; tamamen farklı yaklaşımlar kullanılır.
2-d'den 3-d'ye geçiş yöntemi, bir kişi hakkında bilgi birikimini uygulayan bir yöntemdir. Bu yöntem, 2d yönteminden daha iyi özelliklere sahiptir, ancak tıpkı tek bir kamera kullanması gibi. Nesne tabana girildiğinde, özne başını çevirir ve algoritma görüntüyü birleştirerek 3 boyutlu bir şablon oluşturur. Ve tanıma sırasında video akışının birkaç karesi kullanılır. Bu yöntem oldukça deneysel ve ACS sistemleri için bir uygulama görmedim.
En klasik yöntem şablon projeksiyon yöntemidir. Bir ağın bir nesneye (yüze) yansıtılması gerçeğinden oluşur. Ardından kamera saniyede onlarca kare hızında fotoğraf çeker ve ortaya çıkan görüntüler özel bir program tarafından işlenir. Eğri bir yüzeye düşen bir ışın bükülür - yüzeyin eğriliği ne kadar büyük olursa, ışının bükülmesi o kadar güçlü olur. Başlangıçta, "panjurlardan" sağlanan bir görünür ışık kaynağı kullandı. Daha sonra görünür ışık, bir takım avantajlara sahip olan kızılötesi ile değiştirildi. Genellikle, işlemenin ilk aşamasında, yüzün hiç görünmediği veya tanımlamayı engelleyen yabancı nesnelerin bulunduğu görüntüler atılır. Elde edilen görüntülere dayanarak, yüzün 3 boyutlu bir modeli restore edilir, üzerine gereksiz müdahaleler (saç modeli, sakal, bıyık ve gözlük) vurgulanır ve kaldırılır. Ardından model analiz edilir - sonuç olarak veritabanına girilen benzersiz bir koda yazılan antropometrik özellikler vurgulanır. En iyi modeller için görüntü yakalama ve işleme süresi 1-2 saniyedir.
Ayrıca, birkaç kameradan elde edilen görüntüden 3 boyutlu tanıma yöntemi de popülerlik kazanıyor. Bunun bir örneği, 3D tarayıcısıyla Vocord'dur. Bu yöntem, geliştiricilerin güvencelerine göre, şablon projeksiyon yönteminden daha yüksek konumlandırma doğruluğu sağlar. Ama FAR ve FRR'yi en azından kendi tabanlarında görene kadar - buna inanmayacağım !!! Ancak 3 yıldır geliştirme aşamasında ve sergilerde henüz ilerleme kaydedilmedi.

Yöntemin istatistiksel göstergeleri

Bu sınıftaki algoritmalar için FRR ve FAR ile ilgili eksiksiz veriler, üreticilerin web sitelerinde halka açık olarak sunulmaz. Ancak, FAR = %0,0047 ile şablon projeksiyon yöntemine göre çalışan Bioscript'in (3D EnrolCam, 3D FastPass) en iyi modelleri için FRR %0,103'tür.
Yöntemin istatistiksel güvenilirliğinin, parmak izi tanımlama yöntemiyle karşılaştırılabilir olduğuna inanılmaktadır.

Yöntemin avantajları ve dezavantajları

Yöntemin avantajları. Tarama cihazıyla iletişim kurmanıza gerek yok. Hem kişinin kendisinde (gözlüğün görünümü, sakal, saç stilinde değişiklik) hem de ortamında (ışık, baş dönmesi) dış etkenlere karşı düşük hassasiyet. Parmak izi tanımlama yöntemiyle karşılaştırılabilir yüksek düzeyde güvenilirlik.
Yöntemin dezavantajları. Pahalı ekipman. Ticari olarak temin edilebilen sistemler, iris tarayıcılardan bile daha iyi performans gösterdi. Yüz ifadelerindeki değişiklikler ve yüzdeki müdahaleler, yöntemin istatistiksel güvenilirliğini kötüleştirmektedir. Yöntem, özellikle yaygın kullanımını zorlaştıran uzun süredir kullanılan parmak izi ile karşılaştırıldığında henüz iyi geliştirilmemiştir.

Piyasa durumu

Yüz tanıma, parmak izi ve iris tanıma ile birlikte "üç büyük biyometriden" biri olarak kabul edilir. Bu yöntemin oldukça yaygın olduğunu ve şimdilik gözün irisi tarafından tanınmasına tercih edildiğini söylemeliyim. Yüz geometrisi tanıma teknolojilerinin dünya biyometrik pazarının toplam hacmindeki payı yüzde 13-18 olarak tahmin edilebilir. Rusya'da bu teknoloji, örneğin iris tarafından yapılan tanımlamadan daha fazla ilgi gösteriyor. Daha önce de belirtildiği gibi, birçok 3 boyutlu tanıma algoritması vardır. Firmaların çoğu tarayıcılar, sunucular ve yazılımlar da dahil olmak üzere hazır sistemler geliştirmeyi tercih ediyor. Ancak tüketiciye sadece SDK'yı sunanlar da var. Bugün, bu teknolojiyi geliştiren aşağıdaki şirketlere dikkat çekilebilir: Geometrix, Inc. (3B yüz tarayıcılar, yazılım), ABD'de Genex Technologies (3B yüz tarayıcılar, yazılım), Almanya'da Cognitec Systems GmbH (SDK, özel bilgisayarlar, 2B kameralar), Bioscrypt (3B yüz tarayıcılar, yazılım) - Amerika Birleşik Devletleri'nin bir yan kuruluşu şirket L-1 Kimlik Çözümleri.
Rusya'da Artec Group şirketleri (3D yüz tarayıcıları ve yazılımı) bu yönde çalışıyor - merkezi Kaliforniya'da bulunan bir şirket ve geliştirme ve üretim Moskova'da gerçekleştiriliyor. Ayrıca, birkaç Rus şirketi 2D yüz tanıma teknolojisine sahiptir - Vocord, ITV, vb.
2D yüz tanıma alanında, yazılım geliştirmenin ana konusudur. geleneksel kameralar yüz görüntülerini yakalamak için mükemmel bir iş çıkarır. Yüz tanıma sorununun çözümü bir dereceye kadar çıkmaza girdi - birkaç yıldır, algoritmaların istatistiksel göstergelerinde pratikte hiçbir gelişme olmadı. Bu alanda sistematik bir "hatalar üzerinde çalışma" vardır.
3D yüz tanıma artık geliştiriciler için çok daha çekici bir alan. Birçok ekip içinde çalışır ve düzenli olarak yeni keşifler duyar. Pek çok eser “yayınlanmak üzere” durumundadır. Ancak şimdiye kadar piyasada sadece eski teklifler var, seçim son yıllarda değişmedi.
Bazen aklıma gelen ve Habr'ın yanıtlayabileceği ilginç noktalardan biri: kinect'in doğruluğu böyle bir sistem oluşturmaya yetiyor mu? Bir kişinin 3 boyutlu modelini içinden çekme projeleri oldukça mümkündür.

El damarı tanıma

Bu biyometri alanında yeni bir teknolojidir, yaygın kullanımı sadece 5-10 yıl önce başlamıştır. Kızılötesi kamera, elin dışının veya içinin fotoğraflarını çeker. Damar deseni, kandaki hemoglobinin IR radyasyonunu emmesi nedeniyle oluşur. Sonuç olarak, yansıma derecesi azalır ve damarlar kamerada siyah çizgiler olarak görünür. Alınan verilere dayalı özel bir program, dijital bir evrişim oluşturur. Tarama cihazıyla herhangi bir insan teması gerekli değildir.
Teknoloji, gözün irisinin tanınmasıyla güvenilirlik açısından karşılaştırılabilir, bir şekilde onu aşıyor ve bir şekilde daha düşük.
FRR ve FAR değerleri Palm Ven tarayıcı içindir. Geliştiricinin verilerine göre, %0.0008'lik bir FAR ile FRR %0.01'dir. Birkaç değer için daha doğru bir grafik hiçbir şirket tarafından verilmemektedir.

Yöntemin avantajları ve dezavantajları

Yöntemin avantajları. Tarama cihazıyla iletişim kurmanıza gerek yok. Yüksek güvenilirlik - yöntemin istatistiksel göstergeleri, irisinkilerle karşılaştırılabilir. Gizli özellikler: Yukarıdakilerin hepsinden farklı olarak, bu özelliği “sokaktaki” bir kişiden, örneğin onu bir kamerayla fotoğraflayarak elde etmek çok zordur.
Yöntemin dezavantajları. Tarayıcının güneş ışınları ve halojen lambaların ışınları tarafından aydınlatılması kabul edilemez. Artrit gibi yaşa bağlı belirli hastalıklar FAR ve FRR'yi büyük ölçüde kötüleştirir. Yöntem, diğer statik biyometrik yöntemlerle karşılaştırıldığında daha az çalışılmıştır.

Piyasa durumu

El damarı deseni tanıma oldukça yeni bir teknolojidir ve bu nedenle dünya pazarındaki payı küçüktür ve yaklaşık %3'tür. Ancak bu yönteme ilgi giderek artıyor. Gerçek şu ki, oldukça doğru olan bu yöntem, örneğin yüz geometrisine veya irise dayalı tanıma yöntemleri gibi pahalı ekipman gerektirmez. Şimdi birçok şirket bu alanda gelişiyor. Örneğin, İngiliz şirketi TDSi'nin emriyle, Fujitsu tarafından sunulan PalmVein biyometrik avuç içi damar okuyucusu için yazılım geliştirildi. Tarayıcı, Fujitsu tarafından öncelikle Japonya'daki mali dolandırıcılıkla mücadele için geliştirildi.
Aşağıdaki şirketler Veid Pte, damar deseni ile tanımlama alanında da çalışmaktadır. Ltd. (tarayıcı, yazılım), Hitachi VeinID (tarayıcılar)
Rusya'da bu teknolojiyle uğraşan herhangi bir şirket tanımıyorum.

Retina

Yakın zamana kadar biyometrik tanımlama ve kişilik doğrulamanın en güvenilir yönteminin, gözün retinasını taramaya dayalı bir yöntem olduğuna inanılıyordu. İris ve kol damarları ile en iyi tanımlama özelliklerini içerir. Tarayıcı, retina yüzeyindeki kılcal damarların modelini okur. Retina, katarakt gibi bir hastalık sonucu dışında zamanla değişmeyen hareketsiz bir yapıya sahiptir.
Retina taramaları, göz bebeğinden gözün arkasındaki kan damarlarına yönlendirilen düşük yoğunluklu kızılötesi ışık kullanılarak gerçekleştirilir. Retinal tarayıcılar, kayıtlı kullanıcılar için en düşük erişim reddi yüzdelerinden birine sahip oldukları ve pratikte hiçbir hatalı erişim izni olmadığı için, yüksek derecede sınıflandırılmış nesneler için erişim kontrol sistemlerinde yaygınlaştı.
Ne yazık ki, bu biyometri yöntemini kullanırken bir takım zorluklar ortaya çıkıyor. Buradaki tarayıcı çok karmaşık bir optik sistemdir ve sistem yönlendirilirken bir kişi uzun süre hareket etmemelidir, bu da hoş olmayan hislere neden olur.
EyeDentify'a göre, FAR = %0,001 olan ICAM2001 tarayıcı için FRR değeri %0,4'tür.

Yöntemin avantajları ve dezavantajları

Avantajlar Yüksek düzeyde istatistiksel güvenilirlik. Sistemlerin yaygınlığının düşük olması nedeniyle, onları "aldatma"nın bir yolunu geliştirme olasılığı çok azdır.
Kusurlar. Yüksek geri dönüş sürelerine sahip gelişmiş sistem. Sistemin yüksek maliyeti. Geniş bir tedarik piyasasının olmaması ve sonuç olarak, yöntemin gelişme yoğunluğunun yetersiz olması.

el geometrisi

10 yıl önce bile oldukça yaygın olan ve son yıllarda adli tıptan kaynaklanan bu yöntem giderek azalmaktadır. Ellerin geometrik özelliklerini elde etmeye dayanır: parmakların uzunlukları, avuç içi genişliği vb. Bu yöntem, gözün retinası gibi ölüyor ve çok daha düşük özelliklere sahip olduğu için onu tam olarak tanıtmayacağız.
Bazen damar tanıma sistemlerinde geometrik tanıma yöntemlerinin kullanıldığına inanılmaktadır. Ama satışta bu kadar net bir şekilde ilan edilmiş bir satış görmedik. Ayrıca, genellikle damarlarla tanınırken sadece avuç içi resmi çekilirken, geometri ile tanınırken parmakların resmi çekilir.

Biraz kendini tanıtma

Bir zamanlar iyi bir göz tanıma algoritması geliştirdik. Ama o zamanlar bu ülkede bu kadar yüksek teknolojili bir şeye ihtiyaç yoktu ve ben burjuvaziye (ilk makaleden sonra davet edildiğimiz yere) gitmek istemedim. Ama aniden, bir buçuk yıl sonra, kendileri için bir "biyometrik portal" inşa etmek isteyen yatırımcılar vardı - iki gözü yiyip irisin renk bileşenini kullanacak bir sistem (yatırımcının dünya patenti vardı) . Aslında, şimdi bunu yapıyoruz. Ancak bu, kendini tanıtma hakkında bir makale değil, bu kısa bir lirik arasöz. İlgilenen varsa bazı bilgiler var, ama gelecekte, pazara girdiğimizde (ya da girmediğimizde), Rusya'daki biyometrik bir projenin kıvrımları ve dönüşleri hakkında birkaç kelime yazacağım.

sonuçlar

Statik biyometri sistemleri sınıfında bile geniş bir sistem yelpazesi vardır. Hangisini seçmelisin? Her şey güvenlik sistemi gereksinimlerine bağlıdır. İstatistiksel olarak en güvenilir ve kurcalamaya karşı dirençli erişim sistemleri, iris ve kol damarlarıdır. İlki için, teklifler için daha geniş bir pazar var. Ama bu sınır değil. Astronomik doğruluk elde etmek için biyometrik tanımlama sistemleri birleştirilebilir. En ucuz ve kullanımı en kolay, ancak iyi istatistiklerle parmak ucu sistemleridir. 2D yüz toleransı kullanışlı ve ucuzdur, ancak zayıf istatistikler nedeniyle sınırlı uygulanabilirliği vardır.
Sistemlerin her birinin sahip olacağı özellikleri göz önünde bulundurun: sahteciliğe karşı direnç, çevreye direnç, kullanım kolaylığı, maliyet, hız, biyometrik özelliğin zaman içindeki kararlılığı. Her sütuna 1'den 10'a kadar olan işaretleri koyalım. Skor 10'a ne kadar yakınsa, sistem bu konuda o kadar iyidir. Notları seçme ilkeleri makalenin en başında açıklanmıştır.


Ayrıca bu sistemler için FAR ve FRR arasındaki ilişkiyi de göz önünde bulundurun. Bu oran, sistemin verimliliğini ve kullanım genişliğini belirler.


İris için, sistemi iki göz yaparak karmaşıklaştırırsanız, sistemin doğruluğunu zaman kaybı olmadan neredeyse ikinci dereceden artırabileceğinizi hatırlamakta fayda var. Parmak izi yöntemi için - birkaç parmağı birleştirerek ve damarlarla tanıma, iki eli birleştirerek, ancak böyle bir gelişme ancak bir kişiyle çalışmak için harcanan zamanın artmasıyla mümkündür.
Yöntemlerin sonuçlarını özetlersek, orta ve büyük nesneler için ve ayrıca maksimum güvenlik gereksinimi olan nesneler için irisin biyometrik erişim ve muhtemelen el damarlarıyla tanıma olarak kullanılması gerektiğini söyleyebiliriz. Birkaç yüz personele sahip tesisler için parmak izi erişimi optimal olacaktır. 2D yüz tanıma sistemleri çok spesifiktir. Tanıma için fiziksel temasın olmadığı durumlarda gerekli olabilir, ancak iris kontrol sistemini iletmek imkansızdır. Örneğin, katılımı olmadan bir kişiyi, bir gizli kamerayı veya bir dış mekan algılama kamerasını tanımlamak gerekirse, ancak bu yalnızca tabandaki az sayıda nesne ve kamera tarafından çekilen az sayıda insan akışı ile mümkündür.

Genç bir teknisyen için not

Bazı üreticiler, örneğin Nöroteknoloji, web sitelerinde yayınladıkları biyometri yöntemlerinin demo sürümlerine sahiptir, böylece bunları kolayca takıp oynayabilirsiniz. Sorunu daha ciddiye almaya karar verenler için, Rusça olarak gördüğüm tek kitabı - R.M. Top, J.H. Connel, S. Pancanti. Birçok algoritma ve onların matematiksel modelleri vardır. Her şey tam değil ve her şey moderniteye tekabül etmiyor, ancak temeli kötü ve kapsamlı değil.

not

Bu eserde kimlik doğrulama sorununa girmedim, sadece tanımlama konusuna değindim. Prensip olarak, FAR / FRR'nin özelliklerinden ve sahtecilik olasılığından, kimlik doğrulama konusundaki tüm sonuçlar kendilerini göstermektedir.

Biyometri son yıllarda hayatımıza giderek daha fazla nüfuz etti. Dünyanın önde gelen ülkeleri, sahiplerinin biyometrik özellikleri hakkında bilgi içeren elektronik pasaportları zaten dolaşıma sokmuş veya yakın gelecekte piyasaya sürmeyi planlıyor; birçok ofis merkezi, kurumsal erişim kontrol sistemlerinde biyometrik sensörler uygulamıştır; dizüstü bilgisayarlar uzun zamandır biyometrik kullanıcı kimlik doğrulaması ile donatılmıştır; güvenlik servisleri, bir insan kalabalığı içinde aranan herhangi bir suçluyu tespit etmek için modern araçlarla donanmıştır.

Andrey Khrulev
Biyometrik Bölüm Başkanı
ve karmaşık güvenlik sistemleri
Şirketler grubu "Technoserv", Ph.D.

Biyometrik sistemlerin kullanımına dair daha fazla örnek var. Biyometrinin başarısını açıklamak kolaydır. "Sahip olduğum şeyim" (kimlik kartları, jetonlar, kimlik belgeleri) ve "Bildiğim şey benim" (şifreler, PIN kodları) ilkelerine dayanan geleneksel tanımlama yöntemleri mükemmel değildir. Kartı kaybetmek kolaydır, şifre unutulabilir, ayrıca herhangi bir davetsiz misafir tarafından kullanılabilir ve hiçbir sistem sizi bir kukladan ayırt edemez.

Ek olarak, bir kişinin gizli kimlik belirleme görevleri söz konusu olduğunda, geleneksel kimlik belirleme yöntemleri kesinlikle işe yaramaz ve bu tür görevler giderek daha fazladır:

• kalabalıktaki bir suçluyu tanımak;
• pasaport sahibinin gerçekten orada olup olmadığını kontrol edin;
• bir kişinin arananlar listesinde olup olmadığını öğrenin;
• kişinin daha önce kredilerle mali dolandırıcılığa karışıp karışmadığını öğrenin;
• Stadın girişinde potansiyel olarak tehlikeli taraftarları tespit edin, vb.

Tüm bu görevler ancak "Ben neysem oyum" ilkesine dayalı biyometrik tanımlama araçlarının kullanılmasıyla çözülebilir. Bu ilke, bilgi sisteminin sunduğu nesneleri veya ilettiği bilgileri değil, bir kişiyi doğrudan tanımlamasına izin verir.

Yüz biyometrisinin benzersizliği

Bir kişinin kişisel tanımlama için kullanılan tüm biyometrik özellikleri arasında, özellikle yüz görüntüsüne dikkat çekmeye değer. Yüz biyometrisi, bir görüntü elde etmek için özel sensörlerin oluşturulmasını gerektirmemesi bakımından benzersizdir - geleneksel bir CCTV kameradan bir yüz görüntüsü elde edilebilir. Ayrıca, hemen hemen her kimlik belgesinde bir yüzün fotoğrafı bulunur; bu, bu teknolojinin pratikte uygulanmasının çeşitli düzenleyici sorunlarla ve teknolojinin sosyal algılanmasındaki zorluklarla ilişkili olmadığı anlamına gelir.

Bir yüzün görüntüsünün kişinin kendisi için dolaylı olarak elde edilebileceğini de belirtmekte fayda var; bu, yüz biyometrisinin, izleme sistemleri ve gizli tanımlama oluşturmak için en uygun olduğu anlamına gelir.

Herhangi bir yüz tanıma sistemi, görevi sisteme gömülü matematiksel modele göre biyometrik şablon olarak adlandırılan belirli bir dizi özellik oluşturmak olan tipik bir örüntü tanıma sistemidir. Herhangi bir biyometrik sistemin temel teknik bilgisini oluşturan bu modeldir ve yüz tanımanın etkinliği doğrudan biyometrik şablonun çeşitli girişim türlerine karşı direnci, orijinal fotoğraf veya video görüntüsündeki bozulmalar gibi faktörlere bağlıdır.

Yüz tanımanın etkinliği doğrudan biyometrik şablonun çeşitli girişim türlerine karşı direnci, orijinal fotoğraf veya video görüntüsündeki bozulmalar gibi faktörlere bağlıdır.

Hem Rusya pazarında hem de dünyada sunulan çok çeşitli yüz tanıma sistemlerine rağmen, çoğu aynı biyometrik motorları kullanıyor - matematiksel yüz modellerini oluşturmak ve karşılaştırmak için yöntemlerin gerçek yazılım uygulamaları. Rusya'da Cognitec (Cognitec Systems GmbH, Almanya tarafından geliştirilmiştir), Kaskad-Potok (Technoserv, Rusya tarafından geliştirilmiştir), FRS SDK (Asya Software, Kazakistan tarafından geliştirilmiştir), FaceIt (L1 Identity Solutions şirketi tarafından geliştirilmiştir, ABD) gibi biyometrik motorlar ).

Tipik olarak, herhangi bir biyometrik motorda yüz tanıma birkaç aşamada gerçekleştirilir: yüz algılama, kalite değerlendirmesi, şablon oluşturma, eşleştirme ve karar verme.

Aşama 1: yüz algılama

Bu aşamada, sistem video kareleri akışında veya insanların yüzlerinin bir fotoğrafında otomatik olarak seçer (algılar) ve yüzlerin açıları ve ölçekleri önemli ölçüde değişebilir, bu da bina güvenlik sistemleri için son derece önemlidir. Seçilen tüm yüzlerin tanınması hiç gerekli değildir (kural olarak, bu imkansızdır), ancak akıştaki maksimum yüz sayısını tespit etmek ve gerekirse bunları arşive yerleştirmek son derece yararlıdır (Şek. 1).

Yüz algılama, tanımanın kilit aşamalarından biridir, çünkü dedektör tarafından bir yüzün algılanması otomatik olarak daha fazla tanımlamanın imkansızlığı anlamına gelir. Dedektörün kalitesi genellikle yüz algılama olasılığı P0 ile karakterize edilir. Bir insan akışında çalışan modern biyometrik sistemler için yüz algılama olasılığı %95 ile %99 arasında değişir ve video kaydı koşullarına (aydınlatma, kamera çözünürlüğü vb.) bağlıdır.

Biyometri pazarının gelişimindeki en umut verici trendlerden biri, yerleşik mantığa dayalı yüz algılama işlevini uygulayan akıllı dijital video kameraların ortaya çıkmasıdır (Şekil 2). Akıllı video kameralar, yalnızca yüksek kaliteli video akışını değil, aynı zamanda bulunan yüzlerle ilgili bilgileri içeren ilişkili meta verileri de almanızı sağlar.

Bu yaklaşım, tanıma sisteminin donanım kapasitesi üzerindeki yükü önemli ölçüde azaltabilir ve bu da biyometrik sistemlerin nihai maliyetini azaltarak onları son kullanıcı için daha uygun maliyetli hale getirir. Ek olarak, veri iletim kanallarına yönelik gereksinimler azalır, çünkü bu yaklaşımla yüksek kaliteli video iletmek için gigabit iletişim hatlarına değil, sıkıştırılmış video ve küçük bir algılanan yüz görüntüsü akışı iletmek için standart ağların mevcudiyetine ihtiyacımız var.

2. Aşama: kalite değerlendirmesi

Bu, biyometrik motorun algılanan yüzlerin tüm dizisinden yalnızca belirtilen kalite kriterlerini karşılayan görüntüleri seçtiği çok önemli bir tanıma aşamasıdır.

Çoğu zaman, biyometrik sistem geliştiricileri, video akışındaki yüz görüntüleri GOST R ISO / IEC 19794-5'te tanımlanan kalite gereksinimlerini karşıladığında sistemlerinin yüksek düzeyde tanıma sağladığını iddia ederek kurnazdır. Bununla birlikte, bu GOST, bir yüzün fotoğraflarının kalitesine çok katı (neredeyse ideal) koşullar getirir (5 dereceden fazla olmayan bir sapma ile yüzün önden kısaltılması; tek tip aydınlatma; nötr yüz ifadeleri, vb.), video gözetim sistemlerinin gerçek koşullarında gerçekleştirilir. GOST'un bu tür gereklilikleri, aslında, bu standardın, elektronik fotoğrafların pasaportta ve yeni neslin vize belgelerinde - biyometrik pasaportlar olarak adlandırılan - saklama biçimini birleştirmeyi amaçladığı gerçeğiyle tamamen haklı çıkar. Uygulamada, biyometrik tanımlama sistemleri çok daha az elverişli çalışma koşullarıyla uğraşmak zorunda kalıyor:

• 20 dereceyi aşan açılarda yüzün ön pozisyondan sapması;
• güçlü arka ışık;
• yüzün örtüşen kısmı;
• yüzünde gölgelerin varlığı;
• küçük resim boyutu vb.

Kalitesini belirleyen, biyometrik motorun böyle zor koşullarda kararlılığıdır. Modern biyometrik motorlarda, kalite değerlendirmesi aşamasında kural olarak aşağıdakiler değerlendirilir:

• yüz açısı (20-30 dereceyi geçmemelidir);
• yüz boyutu (göz bebekleri arasındaki mesafeye göre tahmin edilir ve 50-80 pikselden fazla olmalıdır);
• yüzün kısmen kaplanması (yüzün kaplanması, yüzün toplam alanının %10-25'inden fazla olmamalıdır).

Bir yüzün görüntüsünde gözler kapalıysa (göz kırparak veya gözlükle), sistemin kişiyi tanıyamayacağına dair yaygın bir yanılgı vardır. Gerçekten de, erken yüz tanıma algoritmaları, özellikle standart yüz ölçekleme için, daha fazla görüntü işleme için bir temel olarak göz bebeklerinin merkezlerini kullandı. Bununla birlikte, şu anda, birçok modern biyometrik motor (örneğin, Cognitec veya "Cascade-Stream") daha karmaşık yüz kodlama şemaları kullanır ve öğrencilerin merkezlerinin konumuna bağlı değildir.

Aşama 3: şablonun oluşturulması

Yüz tanımanın en zorlu ve benzersiz adımlarından biridir ve biyometrik motor teknolojisinin temel teknik bilgisini oluşturur. Bu aşamanın özü, bir yüz görüntüsünün bir biyometrik şablonda birleştirilmiş bir dizi özelliğe önemsiz olmayan matematiksel bir dönüşümden ibarettir.

Her yüzün kendine özgü biyometrik şablonu vardır. Biyometrik şablonlar oluşturma ilkeleri son derece çeşitlidir: bir şablon, bir yüzün doku özelliklerine, geometrik özelliklere, karakteristik noktalara, çeşitli heterojen özelliklerin bir kombinasyonuna dayanabilir.

Biyometrik şablonun en önemli özelliği boyutudur. Şablonun boyutu ne kadar büyük olursa, içerdiği bilgilendirici özellikler o kadar artar, ancak bu şablonu arama hızı ve verimliliği o kadar düşük olur. Biyometrik sistemlerde yüz şablonunun boyutu için tipik değer 1 ila 20 kB arasındadır.

4. Aşama: karşılaştırma ve karar verme

Bu, tespit edilen yüz temelinde oluşturulan yüzün biyometrik şablonunu veritabanında depolanan şablon dizisiyle karşılaştıran tanıma sisteminin çalışmasında birleşik bir aşamadır. En basit durumda, eşleştirme, tüm kalıpların basit bir sayımı ve benzerliklerinin ölçüsünün bir değerlendirmesi ile gerçekleştirilir. Elde edilen tahminlere ve bunların belirtilen eşiklerle karşılaştırılmasına dayanarak, veritabanında aynı kişinin bulunup bulunmadığına dair bir karar verilir.

Modern sistemlerde karşılaştırma, saniyede 10.000 ila 200.000 karşılaştırma veya daha fazla karşılaştırma hızı sağlayan karmaşık optimal karşılaştırma şemalarına göre uygulanır. Ayrıca, karşılaştırma sürecinin paralelleştirilebileceği ve tanımlama sistemlerinin, örneğin 100.000 kişi gibi büyük görüntü dizileri için bile neredeyse gerçek zamanlı olarak çalışmasına izin verdiği anlaşılmalıdır.

Yüz tanıma sistemlerinin çalışma kalitesi genellikle tanımlama olasılıkları ile karakterize edilir. Açıkçası, biyometrik tanımlama ile iki tür hata mümkündür.

1. İlk hata, gerçekte veri tabanında bulunan kişinin kaybolması ve tanınmaması olasılığı ile ilgilidir - genellikle birinci tür hata olarak anılır. Ayrıca, gösterilen genellikle birinci tür hatanın değeri değil, bir eksi birinci tür hatanın olasılığıdır. Bu değere doğru PPR tanıma olasılığı denir.
2. İkinci hata, sistemin gerçekte veritabanında olmayan bir kişiyi tanıdığı veya onu başka bir kişiyle karıştırdığı durumları yansıtır - buna genellikle tip II hata denir. Modern yüz tanıma sistemleri için, kural olarak, doğru tanıma olasılığının tipik değeri, %80 ila %97 aralığındadır ve ikinci tür bir hata %1'i geçmez.

Başarılı tanımlama için koşullar

Yüz tanımanın mutlak bir teknoloji olmadığı anlaşılmalıdır. Gerçek nesnelerde "laboratuvar" koşullarında olduğu gibi aynı yüksek performansı elde etmenin mümkün olmadığı biyometrik sistemlerin eleştirilerini sıklıkla duyabilirsiniz. Bu ifade sadece kısmen doğrudur. Aslında, bir yüzü yalnızca belirli koşullar altında etkin bir şekilde tanımak mümkündür, bu nedenle yüz biyometrisi tanıtılırken sistemin hangi koşullarda kullanılacağını anlamak son derece önemlidir. Bununla birlikte, çoğu modern tanıma sistemi için, bu koşullar gerçek nesneler üzerinde oldukça ulaşılabilirdir. Bu nedenle, tanımlama bölgelerinde yüz tanımanın etkinliğini artırmak için, kısa süreli (1–2 s'den fazla olmayan) olasılığını sağlamak için yönlendirilmiş bir insan akışı (kapılar, metal dedektör çerçeveleri, turnikeler vb.) düzenlenmelidir. her ziyaretçinin yüzünün sabitlenmesi. Bu durumda, sabit yüzlerin ön pozisyondan sapma açısı 20-30 dereceyi geçmeyecek şekilde video kayıt kameraları kurulmalıdır. (örneğin, 2–3 m süspansiyon yüksekliği ile 8–10 m geçiş bölgesinden bir mesafede kameraların kurulumu).

Tanıma sistemlerinin uygulanmasında bu koşullara uygunluk, bir kişiyi tanımlama ve belirli ilgi alanlarına sahip kişileri bulma sorununu, geliştiriciler tarafından beyan edilen başarılı tanımlama göstergelerinin değerlerine mümkün olduğunca yakın olasılıklarla etkin bir şekilde çözmeyi mümkün kılar.

Bugün, bu tür sistemlerin birkaç türü aynı anda piyasada sunulmaktadır ve farklı karmaşıklık düzeylerinde görevleri yerine getirirler: kalabalıkta uzaktan tanımadan bir ofiste çalışma saatlerinin hesaplanmasına kadar. Yüz tanıma çözümleri, müşterilere farklı platformlarda sunulmaktadır - sunucu mimarisi, mobil ve gömülü çözümler ve bulut hizmetleri.

Modern sistemler derin öğrenme sinir ağı algoritmaları üzerinde çalışır, bu nedenle düşük kaliteli görüntüler için bile tanıma doğruluğu maksimumdur, baş dönüşlerine karşı dayanıklıdır ve başka avantajlara sahiptir.

Örnek 1. Kamu güvenliği

Güvenlik, biyometrik tanımlama sistemlerinin tanıtılmasının başladığı bir tür başlangıç ​​noktasıdır. İnsanların toplu halde bulunduğu nesnelerin güvenliğini sağlamak için uzaktan yüz tanıma sistemleri kullanılmaktadır.

En zor görev, bir kalabalığın içindeki bir kişiyi tanımlamaktır.

Sözde işbirliksiz tanıma, bir kişi sistemle etkileşime girmediğinde, kamera merceğine bakmadığında, arkasını döndüğünde veya yüzünü saklamaya çalıştığında. Örneğin, ulaşım merkezlerinde, metroda, büyük uluslararası etkinliklerde.

Dava

Şirketimiz için 2017 yılının en önemli projelerinden biri, bu yaz Kazakistan'da gerçekleştirilen en büyük uluslararası fuar olan EXPO-2017 oldu. Uzaktan biyometrik yüz tanıma sisteminde özel kameralar kullanıldı.

Çerçevedeki yüzlerin seçimi kameranın kendisinde gerçekleşir ve sunucuya sadece yüz görüntüsü iletilir, bu bant genişliğini rahatlatır ve ağ altyapısının maliyetini önemli ölçüde azaltır. Kameralar, kompleksin farklı bölümlerindeki dört giriş grubunu izledi. Sistemin mimarisi, giriş grupları ayrı ayrı veya toplu olarak çalışacak şekilde tasarlanırken, sistemin doğru çalışması sadece 4 sunucu ve 48 kamera ile sağlandı.

Çevrimiçi video analitiğinin yardımıyla şüphelileri, kayıp kişileri arar, olayları ve olayları araştırır ve coğrafi olarak dağılmış büyük nesnelerdeki yolcu trafiğini analiz ederler.

Bazı havalimanlarında, 2017 yılı sonuna kadar, bir uçuş için yolcuları check-in yapmak için biyometri de kullanılacaktır. Tadviser portalına göre 12 Avrupa ülkesi de (İspanya, Fransa, Hollanda, Almanya, Finlandiya, İsveç, Estonya, Macaristan, Yunanistan, İtalya, Romanya) havalimanlarında akıllı kapı sistemlerini hayata geçirmeyi planlıyor.

Ve bir sonraki adım, sınır ve göç kontrolü için yüz tanıma sistemlerinin tanıtılması olmalıdır. Devlet desteğiyle, yüz tanıma teknolojisi önümüzdeki üç ila beş yıl içinde metal dedektörlerinin kapsamı kadar yaygın hale gelebilir.

Örnek 2. Müşterinizi görerek tanımak

İş ayrıca biyometrik yüz tanımaya da güveniyor. Her şeyden önce, perakende ticarettir.

Sistemler, müşterilerin cinsiyetini ve yaşını, mağaza ziyaretlerinin sıklığını ve zamanını tanır ve zincirdeki her bir mağaza için istatistikler toplar.

Bundan sonra, otomatik moddaki departman için, hem tüm ağ için hem de perakende satış noktalarına göre ayrıntılı raporlar görüntülenir. Bu raporlara dayanarak bir "müşteri portresi" çizmek ve etkili pazarlama kampanyaları planlamak uygundur.

Ne yazık ki, müşterileri ifşa edemiyoruz. Bunların arasında en büyük perakendeciler ve pahalı aletler ve bileşenler sunan Kendin Yap (Kendin Yap) zincirleri bulunmaktadır.

Nasıl çalışır

Birçoğu gizli bilgi sızıntılarından korkar, ancak özellikle kimliği belirli kişilere ait hiçbir kişisel verinin arşivlerde saklanmadığını vurguluyoruz. Dahası, görüntü bile saklanmaz, ancak görüntünün geri yüklenemeyeceği biyometrik şablonu.

Tekrarlanan ziyaretler sırasında, yüzün biyometrik şablonu "sıkılaştırılır", böylece sistem mağazada tam olarak kimin ve kaç kez bulunduğunu bilir. Kişisel verilerin güvenliği konusunda sakin olabilirsiniz.

Küçük mağazalar, araba galerileri, eczaneler için, bulut tanıma hizmetinde pazarlama analitiği toplama mekanizması uygulanır. Küçük ve orta ölçekli işletmeler için, sunucu ekipmanı maliyeti, ek personel kiralama, yazılım güncelleme vb. gerektirmediğinden bu seçenek daha çok tercih edilir. Bu, öncelikle perakendenin etkinliğini değerlendirmek için uygun bir araçtır. çıkışlar ve ikincisi, hırsızları tanımlamak için mükemmel bir yardımcı. Yani, bir sistem aynı anda birkaç işlevi yerine getirir.

Örnek 3. Erişim için kontrol ve yönetim sistemleri

Yukarıdaki fonksiyonlara ek olarak, geçiş kontrol sistemlerinde (ACS) Proximity kartlarına alternatif olarak yüz tanıma sistemi kullanıma uygundur.

Birkaç avantajı var: yüksek tanıma güvenilirliği sağlarlar, aldatılamazlar, kopyalanamazlar veya çalınamazlar, mevcut güvenlik ekipmanlarıyla kolayca entegre edilebilirler. Mevcut güvenlik kameralarını bile kullanabilirsiniz. Biyometrik yüz tanıma sistemleri, olayların arşive kaydedilmesi ile uzaktan ve çok hızlı bir şekilde çalışır.

Biyometrik geçiş kontrol sistemi temelinde, özellikle büyük ofis merkezlerinde çalışanların çalışma sürelerinin takip edilmesi uygundur.

Dava

Böyle bir sistemi geçen yıl lojistikte uzmanlaşmış büyük bir Hintli işletmede uyguladık. Daimi çalışan sayısı 600'ün üzerindedir. Aynı zamanda, şirket günün her saatinde çalışır ve "değişken" bir çalışma programı uygular. Uzaktan biyometrik tanımlama sistemimizin yardımıyla müşteri, çalışanların çalışma süresinin eksiksiz ve güvenilir bir kaydını, tesisin önleyici güvenliği için bir araç ve erişim kontrol sistemini aldı.

Örnek 4. Bir taraftarın stadyuma geçişi

Gişede bilet alırken her müşterinin yüzü otomatik olarak fotoğraflanarak sisteme yüklenir. Maç ziyaretçilerinin tabanı bu şekilde oluşturulur. Satın alma işlemi İnternet veya mobil uygulama üzerinden yapıldıysa, uzaktan “selfie” kullanılarak yetkilendirme yapılabilir. Daha sonra bir kişi stada geldiğinde sistem onu ​​pasaportsuz olarak tanıyacaktır.

284-FZ sayılı "Rusya Federasyonu'nda Fiziksel Kültür ve Sporla İlgili Federal Yasanın 20. Maddesinde Değişiklik Yapılmasına Dair" Federal Yasa ve İdari Suçlar Yasası'nın 32.14. Rusya Federasyonu'nun.

Bileti alan stadyuma girecek, bileti başka birine devretmek veya sahte biletle geçmek mümkün değil. Stadyumlarda uzaktan yüz tanıma, coğrafi olarak dağıtılmış büyük ulaşım tesislerinde olduğu gibi aynı prensipte çalışır: bir kişi stadyuma erişimi reddedilen kişiler listesine dahil edilirse, sistem onun geçmesine izin vermez.

Dava

Mart 2016'da, Vokord ve PJSC Rostelecom'un Khanty-Mansiysk şubesinin ortak projesinin bir parçası olarak, Khanty-Mansiysk'te düzenlenen Biatlon Dünya Kupası'nın güvenliğini sağlamak için uzaktan yüz tanıma sistemi kullanıldı. 2015'ten beri aynı sistem Arena Omsk çok fonksiyonlu spor kompleksinde başarıyla çalışıyor. Rusya'daki en büyük altı spor tesisinden biri, Sibirya'daki en büyük spor ve eğlence tesisi ve Avangard hokey kulübünün temelidir.

Örnek 5. İnternet bankacılığı ve ATM'ler

Yüz tanımanın yerleştiği bir diğer alan da bankacılık sektörüdür. Finans sektörü, kişiselleştirilmiş bilgilerin güvenilirliği ve güvenliği ile diğerlerinden daha fazla ilgilendiğinden, burada yeni teknolojilerin tanıtımı yoğun bir şekilde ilerliyor.

Bugün biyometri, olağan ve köklü "kağıt" belgelerin yerini almazsa, onlarla aynı seviyeye gelmese de yavaş yavaş başlıyor. Aynı zamanda, ödeme yaparken koruma derecesi önemli ölçüde artar: işlemi onaylamak için akıllı telefonunuzun kamerasına bakmanız yeterlidir. Aynı zamanda, biyometrik verilerin kendileri sırasıyla hiçbir yere iletilmez, onları engellemek imkansızdır.

Biyometrik tanımlama teknolojilerinin tanıtılması, elektronik hizmetlerin ve cihazların yoğun kullanımı, çevrimiçi ticaretin gelişmesi ve nakit karşılığında plastik kartların dağıtımı ile doğrudan ilişkilidir.

Yüksek performanslı grafik işleme birimlerinin (GPU'lar) ve NVIDIA Jetson gibi ultra kompakt donanım platformlarının ortaya çıkmasıyla birlikte, yüz tanıma ATM'lerde kullanılmaya başlandı. Artık yalnızca kart sahibi, örneğin Tinkoff Bank ATM'leri aracılığıyla hesapta nakit çekebilir veya işlem yapabilir. Ve PIN yakında kullanımdan kaldırılabilir.

Modern entegre güvenlik sistemleri, her türlü endüstriyel, sosyal ve evsel tesislerde her türlü karmaşıklığı çözme yeteneğine sahiptir. Video gözetim sistemleri, güvenlik komplekslerinin çok önemli araçlarıdır ve segmentin işlevselliği için gereksinimler giderek artmaktadır.

Entegre güvenlik sistemleri

Tek bir platform, güvenlik ve yangın ekipmanı, erişim kontrolü ve yönetimi, video gözetimi veya güvenlik televizyonu (SOT) için modüller içerir. Yakın zamana kadar, ikincisinin işlevleri video izleme ve tesisteki ve bitişik bölgedeki durumun kaydı, verilerin arşivlenmesi ve depolanması ile sınırlıydı. Klasik video sistemlerinin bir takım önemli dezavantajları vardır:

• İnsan faktörü. Çok miktarda bilgi yayınlarken operatörün verimsiz çalışması.
• Cerrahi müdahalenin imkansızlığı, zamansız analiz.
• Bir olayı aramak ve tanımlamak için harcanan önemli zaman.

Dijital teknolojilerin gelişimi, "akıllı" otomatik sistemlerin yaratılmasına yol açmıştır.

Zekada güç

Akıllının temel ilkesi video analizidir - video akışı analizinin bir sonucu olarak örüntü tanıma ve otomatik veri toplama için yöntem ve algoritmalara dayanan bir teknoloji. Bu tür ekipman, insan müdahalesi olmaksızın, atanan hedefleri (araba, bir grup insan), potansiyel olarak tehlikeli durumları (duman, yangın, video kameraların çalışmasına yetkisiz müdahale), programlanmış olayları gerçek zamanlı olarak tespit edebilir ve izleyebilir ve derhal yayınlayabilir. bir alarm sinyali. İlgisiz video verilerini filtreleyerek, iletişim kanalları ve arşiv tabanı üzerindeki yük önemli ölçüde azaltılır.

En popüler video analiz aracı yüz tanıma sistemidir. Gerçekleştirilen işlevlere ve atanan görevlere bağlı olarak, ekipmana belirli gereksinimler uygulanır.

Bellenim ve donanım

Sistemin verimli çalışması için farklı operasyonel özelliklere sahip birkaç tip IP video kamera kullanılmaktadır. Kontrol edilen alandaki bir nesnenin tespiti, 1 megapiksel çözünürlüklü ve 1 mm odak uzaklığına sahip panoramik kameralar tarafından kaydedilir ve tarama cihazları ona yöneliktir. Bunlar, basit teknikler (3-4 parametre) kullanarak tanıma gerçekleştiren daha gelişmiş kameralardır (2Mp'den, 2mm'den). Bir nesneyi tanımlamak için, karmaşık algoritmaların kullanımı için yeterli olan iyi görüntü kalitesine sahip kameralar kullanılır (5 Mp, 8-12 mm).

Yüz tanıma için en popüler yazılım ürünleri "Face Intellect" (House Control tarafından geliştirildi), Face Director (Synesis tarafından) ve VOCORD FaceControl (VOCORD) şunları gösteriyor:

• Yüksek nesne tanımlama olasılığı (%99'a kadar).
• Video kameraların çok çeşitli dönüş açıları için destek.
• Yoğun yaya kitlelerinde bile yüzleri vurgulama yeteneği.
• Analitik raporların hazırlanmasının değişkenliği.

Örüntü tanımanın temelleri

Herhangi bir biyometrik tanıma sistemi, bir kişinin okunan fizyolojik özelliklerinin önceden belirlenmiş belirli bir modele uygunluğunu tanımlamaya dayanır.

Tarama gerçek zamanlı olarak gerçekleşir. IP kamera, video akışını terminale iletir ve yüz tanıma sistemi, görüntünün veritabanında depolanan fotoğraflara uygunluğunu belirler. İki ana yöntem vardır. Birincisi statik ilkelere dayanmaktadır: biyometrik parametrelerin işlenmesinin sonuçlarına dayanarak, belirli bir kişiye karşılık gelen benzersiz bir sayı şeklinde bir elektronik numune oluşturulur. İkinci yöntem, bir "insan" yaklaşımını simüle eder ve kendi kendine öğrenme ve sağlamlık ile karakterize edilir. Video görüntüsüyle kişisel tanımlama, yaşa bağlı değişiklikleri ve diğer faktörleri (başlık, sakal veya bıyık, gözlük varlığı) hesaba katar. Bu teknoloji, eski fotoğraflarla ve gerekirse X-ışınları ile çalışmanıza izin verir.

Yüz arama algoritması

En yaygın yüz algılama tekniği Haar basamaklarını (maske setleri) kullanmaktır.

Maske, beyaz ve siyah bölümlerin farklı bir kombinasyonuna sahip dikdörtgen bir penceredir.

Programın mekanizması şu şekildedir: video karesi bir dizi maske ile kaplanır ve evrişim sonuçlarına göre (beyaz ve siyah sektörlere düşen pikselleri sayarak) fark hesaplanır ve belirli bir eşik ile karşılaştırılır. değer.

Sınıflandırıcının çalışmasını iyileştirmek için pozitif (insanların yüzlerinin bulunduğu çerçeveler) ve negatif (onlar olmadan) eğitim örnekleri oluşturulur. İlk durumda evrişim sonucu eşik değerinden daha yüksek, ikinci durumda ise daha düşüktür. Yüz dedektörü, izin verilen bir hatayla, tüm basamakların kıvrımlarının toplamını belirler ve eşik aşıldığında çerçevedeki yüzlerin varlığını bildirir.

Tanıma teknolojileri

Tespit ve lokalizasyondan sonra ön aşamada görüntünün parlaklığı ve geometrik hizalanması gerçekleşir. Diğer eylemler - özelliklerin hesaplanması ve tanımlama - çeşitli yöntemlerle gerçekleştirilebilir.

Mükemmel aydınlatmaya sahip bir odada önden bir yüzü tararken, iki boyutlu görüntülerle çalışan algoritmalar iyi sonuçlar verir. Yüz tanıma sistemi, benzersiz noktaları ve aralarındaki mesafeleri analiz ederek, "canlı" görüntü ve kayıtlı şablon arasındaki fark katsayılarıyla tanımlama gerçeğini belirler.

Üç boyutlu teknolojiler, ışık akısındaki değişikliklere karşı dayanıklıdır, önden görünümden izin verilen sapma 45 dereceye kadardır. Burada sadece noktalar ve çizgiler değil, aynı zamanda yüzeylerin özellikleri (eğrilik, profil), aralarındaki mesafelerin metriği de analiz edilir. Bu tür algoritmaların çalışması için, 200 kare / s'ye kadar frekansta maksimum video kaydı kalitesi gereklidir. Sistem, 5 megapiksel matrisli, yüksek optik çözünürlüğe ve minimum senkronizasyon hatasına sahip stereo video kameralara dayanmaktadır. Ek olarak, senkronizasyon darbelerini iletmek için özel bir zamanlama kablosu ile bağlanırlar.

Modern sistem pazarının durumu

İlki, yüksek maliyetleri nedeniyle yalnızca devlet askeri tesisleri için geliştirildi ve yalnızca 90'ların ortalarında ticari kuruluşlara sunuldu. Teknolojinin hızlı gelişimi, sistemlerin doğruluğunu artırmayı ve uygulama kapsamını genişletmeyi mümkün kılmıştır. Ülkemiz pazarında lider konumlar, Amerikan ve Batı Avrupalı ​​güvenlik sistemleri üreticilerine aittir. Satış lideri, ZN Vision Technologies ve Visionics şirketlerinin ekipmanlarıdır. Yerli geliştiriciler arasında en umut verici olanı, diğer şeylerin yanı sıra yabancı komplekslerin Rus koşullarına uyarlanmasıyla da ilgilenen Vocord, NTechLab, Soling, VisionLabs ve CRT grubunun araştırma ve ürünleridir.

Bilgisayar yüz kontrolü

Temassız tanımlamanın en geniş uygulama alanı terör ve suçla mücadeledir. Suçlunun yüzünün bir görüntüsü bir veri tabanında saklanır. Kalabalık yerlerde (havaalanları, tren istasyonları, alışveriş ve eğlence merkezleri, spor tesisleri), aranan kişileri belirlemek için insan akışı gerçek zamanlı olarak filme alınmaktadır.

Bir sonraki alan erişim kontrol sistemleridir: elektronik geçişteki bir fotoğraf örneği, video kameralardan verilerin işlenmesi sonucunda elde edilen bir modelle karşılaştırılır. İşlem, (gözün retinasını taramak veya parmak izi almak yerine) herhangi bir ek işlem gerektirmeden anında gerçekleşir.

Hızla büyüyen bir diğer sektör de pazarlamadır. Bir kişinin yüzünü tarayan etkileşimli bir reklam panosu, cinsiyetini ve yaşını belirler ve yalnızca müşteri için potansiyel olarak ilginç olacak reklamları sunar.

Gelişme eğilimleri ve beklentileri

Yüz tanıma sistemleri bankacılık sektöründe büyük talep görüyor.

Geçen yılın sonunda Post Bank yönetimi, ofislerine 50.000 akıllı video kamera kurduktan sonra, borç verme ve ödeme segmentlerinde dolandırıcılığı önleyerek milyonlarca ruble tasarruf etmeyi başardı. Uzmanlar, 2021 yılına kadar gerekli altyapı ağının oluşturulacağını ve ATM'lerde herhangi bir işlemin ancak müşterinin yüzünün biyometrik olarak tanımlanmasından sonra mümkün olacağını söylüyor.

Önümüzdeki on yılda, yüksek teknolojiler tam self-servis mağazalar zinciri açmayı mümkün kılacaktır: alıcı vitrinlerin önünden geçer, beğendiği ürünü seçer ve ayrılır. Yüz ve görüntü tanıma sistemi, alıcının kimliğini belirleyecek, satın alacak ve gerekli tutarı hesabından düşecektir.

Psiko-duygusal durumun tanınması için sistemler oluşturmak için çalışmalar devam etmektedir. İnsan duygularının analizi multimedya alanlarında talep görecek: animasyon, sinema, bilgisayar oyunları yaratma endüstrisi.

Bilim kurgu filmlerinden sahneleri herkes bilir: Kahraman kapıya gelir ve kapı açılır, onu tanır. Bu, erişim kontrolü için biyometrik teknolojilerin kullanımının rahatlığı ve güvenilirliğinin açık göstergelerinden biridir. Ancak pratikte her şey o kadar basit değil. Günümüzde bazı firmalar, biyometrik teknolojileri kullanarak tüketicilere erişim kontrolü sunmaya hazırdır.

Çeşitli kimlik kartlarına, anahtarlara veya örneğin bir parola gibi benzersiz verilere dayanan geleneksel kişisel tanımlama yöntemleri, günümüzde gerektiği kadar güçlü değildir. Güvenlik sistemleri için biyometrik teknolojileri kullanma girişimleri, tanımlayıcıların güvenilirliğini artırmada doğal bir adım haline geldi.

Yeni teknolojiler kullanılarak çözülebilecek problemler yelpazesi son derece geniştir:

1. davetsiz misafirlerin, sahtecilik yaparak, belgeleri, kartları, şifreleri çalarak korunan alanlara ve binalara girmesini önlemek;
2. bilgiye erişimi kısıtlamak ve güvenliği için kişisel sorumluluk sağlamak;
3. sorumlu tesislere yalnızca sertifikalı uzmanlar tarafından kabul edilmesini sağlamak;
4. erişim kontrol sistemlerinin (kartlar, anahtarlar) çalışmasıyla ilgili genel masraflardan kaçınmak;
5. anahtarların, kartların, şifrelerin kaybolması, hasar görmesi veya basit bir şekilde unutulmasıyla ilgili rahatsızlığı ortadan kaldırmak;
6. çalışanların erişim ve katılım kayıtlarını düzenleyin.

Çeşitli biyometrik özelliklere dayalı örüntü tanıma teknolojilerinin gelişimi uzun süredir ele alınmaya başlandı, başlangıcı 60'lı yıllarda atıldı. Yurttaşlarımız bu teknolojilerin teorik temellerini geliştirmede önemli ilerleme kaydetmiştir. Bununla birlikte, pratik sonuçlar esas olarak Batı'da ve sadece “dün” elde edildi. Modern bilgisayarların gücü ve gelişmiş algoritmalar, özellikleri ve oranları açısından geniş bir kullanıcı kitlesi için erişilebilir ve ilgi çekici hale gelen ürünler yaratmayı mümkün kılmıştır.

Bir kişinin bireysel özelliklerini onu tanımlamak için kullanma fikri yeni değil. Bugüne kadar, güvenlik sistemlerinde kişisel tanımlama için kullanılabilecek bir dizi teknoloji bilinmektedir:

1. parmak izleri (hem bireysel hem de bir bütün olarak el);
2. yüz özellikleri (optik ve kızılötesi görüntülere dayalı);
3. gözlerin irisi;
4. ses;
5. diğer özellikler.

Tüm biyometrik teknolojilerin tanımlama problemini çözmek için ortak yaklaşımları vardır, ancak tüm yöntemler kullanım kolaylığı ve sonuçların doğruluğu açısından farklılık gösterir.

Herhangi bir biyometrik teknoloji aşamalı olarak uygulanır:

1. bir nesneyi taramak;
2. bireysel bilgilerin çıkarılması;
3. bir şablon oluşturmak;
4. mevcut şablonun veritabanı ile karşılaştırılması.

Biyometrik tanıma sistemi, kullanıcının belirli fizyolojik veya davranışsal özelliklerini önceden belirlenmiş belirli bir modelle eşleştirir. Tipik olarak, bir biyometrik sistem iki modülden oluşur: bir kayıt modülü ve bir tanımlama modülü.

Kayıt modülü Belirli bir kişiyi tanımlamak için sistemi "eğitir". Kayıt aşamasında, bir video kamera veya diğer sensörler, görünümünün dijital bir temsilini oluşturmak için bir kişiyi tarar. Yüz taraması yaklaşık 20 ila 30 saniye sürer ve birden fazla görüntü elde edilir. İdeal olarak, bu görüntülerin daha doğru veriler için biraz farklı açıları ve yüz ifadeleri olacaktır. Özel bir yazılım modülü bu temsili işler ve kişilik özelliklerini tanımlar, ardından bir şablon oluşturur. Yüzün göz çukurlarının üst hatları, elmacık kemikleri çevresi ve ağız kenarları gibi zamanla pek değişmeyen bazı bölgeleri vardır. Biyometrik teknolojiler için geliştirilen algoritmaların çoğu, analiz için saç çizgisinin üzerindeki yüz bölgesini kullanmadıklarından, kişinin saç stilindeki olası değişiklikleri hesaba katmasına izin verir. Her kullanıcının resim şablonu biyometrik veri tabanında saklanır.

kimlik modülü video kameradan bir kişinin görüntüsünü alır ve onu şablonun depolandığı dijital formata dönüştürür. Elde edilen veriler, görüntülerin birbiriyle uyuşup uyuşmadığını belirlemek için veritabanında saklanan bir şablonla karşılaştırılır. Doğrulama için gereken benzerlik derecesi, farklı personel türleri, bilgisayar gücü, günün saati ve bir dizi başka faktör için ayarlanabilen belirli bir eşik değeridir.

Tanımlama; doğrulama, doğrulama veya tanıma şeklinde gerçekleştirilebilir. Doğrulama sırasında, alınan verinin kimliği ve veritabanında saklanan şablonun kimliği doğrulanır. Kimlik doğrulama - video kameradan alınan görüntünün veritabanında saklanan şablonlardan biriyle eşleştiğini onaylar. Tanıma sırasında, elde edilen özellikler ve saklanan şablonlardan biri aynıysa, sistem kişiyi ilgili şablonla tanımlar.

Biyometrik sistemleri, özellikle yüz tanıma sistemlerini kullanırken, doğru biyometrik özelliklerin tanıtılmasına rağmen, kimlik doğrulama kararı her zaman doğru değildir. Bunun nedeni bir dizi özellik ve her şeyden önce birçok biyometrik özelliğin değişebilmesidir. Belirli bir sistem hatası olasılığı vardır. Ayrıca, farklı teknolojiler kullanıldığında, hata önemli ölçüde farklılık gösterebilir. Biyometrik teknolojileri kullanırken erişim kontrol sistemleri için, “yabancıyı” kaçırmamak veya tüm “arkadaşları” kaçırmamak için neyin daha önemli olduğunu belirlemek gerekir.

Güvenlik sistemlerinde biyometrik teknoloji kullanıcıları için kullanım kolaylığı önemli bir faktördür. Özellikleri taranan kişi herhangi bir rahatsızlık yaşamamalıdır. Bu konuda en ilginç yöntem elbette yüz tanıma teknolojisi. Doğru, bu durumda, öncelikle sistemin doğruluğu ile ilgili başka sorunlar ortaya çıkar.

Bariz yararları olsa da, biyometrinin insanları gözetlemek ve onların mahremiyetlerini ihlal etmek için kullanılıp kullanılmayacağına dair sıklıkla soruları gündeme getiren bir dizi olumsuz biyometri önyargısı vardır. Sansasyonel iddialar ve yersiz yutturmaca nedeniyle, biyometrik teknoloji algısı gerçek durumdan keskin bir şekilde farklıdır.

Yine de, biyometrik tanımlama yöntemlerinin kullanımı son yıllarda özel bir önem kazanmıştır. Bu sorun, Amerika Birleşik Devletleri'ndeki 11 Eylül olaylarından sonra özellikle akut hale geldi. Dünya topluluğu, terör tehdidinin dünya genelinde ne kadar büyüdüğünü ve geleneksel yöntemlerle güvenilir koruma sağlamanın zorluğunu fark etti. Modern entegre güvenlik sistemlerine artan ilgi için başlangıç ​​noktası olarak hizmet eden bu trajik olaylardı. Havaalanı kontrolleri daha sıkı olsaydı, kazaların önlenebileceğine yaygın olarak inanılıyor. Bugün bile, bir dizi başka olaydan sorumlu olanların aranması, yüz tanıma sistemleriyle entegre modern video gözetim sistemleri kullanılarak önemli ölçüde kolaylaştırılabilir.

Şu anda yüz tanımanın dört ana yöntemi vardır:

1. "özyüzler";
2. "ayırt edici özelliklerin" analizi;
3. "sinir ağları"na dayalı analiz;
4. "yüz görüntüsünün otomatik işlenmesi" yöntemi.

Tüm bu yöntemler, uygulamalarının karmaşıklığı ve uygulamalarının amacı bakımından farklılık gösterir.

"Özyüz", "kendi yüzü" olarak tercüme edilebilir. Bu teknoloji, bir yüz görüntüsünün ayırt edici özelliklerini temsil eden iki boyutlu gri tonlamalı görüntüler kullanır. "Özyüz" yöntemi genellikle diğer yüz tanıma yöntemlerinin temeli olarak kullanılır.

100 - 120 "özyüz" özelliklerini birleştirerek çok sayıda yüz geri yüklenebilir. Kayıt sırasında, her bireyin "öz yüzü" bir dizi katsayı şeklinde sunulur. Kimlik doğrulaması için bir görüntünün kullanıldığı bir doğrulama modu için, bir fark faktörünü belirlemek için canlı bir şablon önceden kayıtlı bir şablonla karşılaştırılır. Şablonlar arasındaki farkın derecesi, özdeşleşme gerçeğini belirler. "Eigenface" teknolojisi, öndeki bir yüzü taramanın mümkün olduğu iyi aydınlatılmış odalarda kullanım için idealdir.

Ayırt edici özellik analizi tekniği en yaygın olarak kullanılan tanımlama teknolojisidir. Bu teknoloji "Eigenface" tekniğine benzer, ancak daha çok kişinin görünümündeki veya yüz ifadelerindeki (gülen veya çatık yüz) değişikliklere uyarlanmıştır. Ayırt edici özellik teknolojisi, göreceli konumlarını dikkate alarak yüzün farklı alanlarının düzinelerce karakteristik özelliğini kullanır. Bu parametrelerin bireysel bir kombinasyonu, her bir kişinin özelliklerini belirler. İnsan yüzü benzersizdir, ancak oldukça dinamiktir, çünkü bir kişi gülümseyebilir, sakal ve bıyık bırakabilir, gözlük takabilir - tüm bunlar tanımlama prosedürünün karmaşıklığını arttırır. Bu nedenle, örneğin, gülümserken, yüzün ağzın yakınında bulunan kısımlarında bir miktar yer değiştirme olur ve bu da, bitişik kısımların benzer bir hareketine neden olur. Bu tür yer değiştirmeler göz önüne alındığında, yüzünde çeşitli mimik değişiklikleri olan bir kişiyi açık bir şekilde tanımlamak mümkündür. Bu analiz yüzün yerel alanlarını dikkate aldığından, izin verilen sapmalar yatay düzlemde 25 ° 'ye ve dikey düzlemde yaklaşık 15 ° 'ye kadar değişebilir ve yeterince güçlü ve pahalı ekipman gerektirir, bu da bunun yayılma derecesini azaltır. yöntem.

Sinir ağı tabanlı yöntemde, hem kayıtlı kişinin hem de test edilen kişinin özellikleri tesadüf açısından karşılaştırılır. "Sinir ağları", mümkün olan maksimum sayıda parametreyi uygularken, kontrol edilen kişinin benzersiz parametreleri ile veritabanında bulunan şablonun parametreleri arasındaki yazışmaları ayarlayan bir algoritma kullanır. Karşılaştırma ilerledikçe, kontrol edilen kişi ile veritabanındaki şablon arasındaki tutarsızlık belirlenir, ardından uygun ağırlıklandırma faktörlerini kullanarak kontrol edilen kişinin veritabanındaki şablona uygunluk derecesini belirleyen bir mekanizma başlatılır. . Bu yöntem zor koşullarda yüz tanıma kalitesini artırmaktadır.

"Otomatik yüz görüntü işleme" yöntemi, yüzdeki gözler, burun ucu, ağız köşeleri gibi kolayca tanımlanabilen noktalar arasındaki mesafe ve mesafe oranını kullanan en basit tekniktir. Bu teknik "özyüzler" veya "sinir ağları" kadar güçlü olmasa da, düşük ışık koşullarında oldukça etkili bir şekilde kullanılabilir.

Piyasadaki yüz tanıma sistemleri

Bugüne kadar yüz tanıma için bir dizi ticari ürün geliştirilmiştir. Bu ürünlerde kullanılan algoritmalar farklıdır ve hangi teknolojinin avantajlı olduğunu değerlendirmek hala zordur. Mevcut liderler aşağıdaki sistemlerdir: Visionic, Viisage ve Miros.

• Visionic'in FaceIt uygulaması, Rockefeller Üniversitesi'nde geliştirilen yerel bir özellik analiz algoritmasına dayanmaktadır. İngiltere'deki bir ticari şirket, FaceIt'i Mandrake adlı bir televizyon suç önleme sistemine entegre etti. Bu sistem, kapalı bir ağa bağlı 144 kameradan alınan video verilerini kullanarak suçluları arar. Bir kimlik tespit edildiğinde sistem bunu güvenlik görevlisine bildirir. Rusya'da Visionic'in temsilcisi DanCom'dur.
• Bu alandaki bir diğer lider olan Viisage, Massachusetts Institute of Technology'de geliştirilen bir algoritma kullanıyor. Birçok ABD eyaletinde ve diğer bazı ülkelerdeki ticari şirketler ve devlet kurumları, Viisage sistemini ehliyet gibi kimlik kartlarıyla birlikte kullanır.
• ZN Vision Technologies AG (Almanya), piyasada yüz tanıma teknolojisini kullanan bir dizi ürün sunmaktadır. Bu sistemler Rusya pazarında Soling şirketi tarafından sunulmaktadır.
• Miros'un TrueFace Yüz Tanıma Sistemi, sinir ağı teknolojisini kullanır ve Bay Bordro nakit verme sisteminde kullanılır ve birçok ABD eyaletinde kumarhanelere ve diğer eğlence mekanlarına kurulur.

Amerika Birleşik Devletleri'nde bağımsız uzmanlar, çeşitli yüz tanıma teknolojilerinin karşılaştırmalı testlerini gerçekleştirdi. Test sonuçları aşağıda sunulmuştur.

Pirinç. 1. Farklı sistemlerde yüz tanımanın etkinliğinin karşılaştırmalı analizi

Uygulamada, standart elektronik güvenlik sistemlerinin bir parçası olarak yüz tanıma sistemleri kullanıldığında, kimliği belirlenecek kişinin doğrudan kameraya baktığı varsayılmaktadır. Böylece sistem, algoritmaları büyük ölçüde basitleştiren ve hesaplama yoğunluğunu azaltan nispeten basit iki boyutlu bir görüntü ile çalışır. Ancak bu durumda bile, algoritmalar aydınlatma seviyesini değiştirme olasılığını, yüz ifadelerini değiştirmeyi, makyajın veya gözlüğün varlığını veya yokluğunu hesaba katması gerektiğinden, tanıma görevi hala önemsiz değildir.

Yüz tanıma sisteminin güvenilirliği birçok faktöre bağlıdır:

• Görüntü kalitesi. Tanımlamaya çalıştığımız kişi doğrudan kameraya bakmıyorsa veya zayıf ışıkta filme alınmışsa, sistemin hatasız çalışma olasılığı belirgin şekilde azalır.
• Veritabanına girilen fotoğrafın alaka düzeyi.
• Veritabanının boyutu.

Yüz tanıma teknolojileri, veri ileten ve kişisel bir bilgisayar tarafından kontrol edilen standart video kameralarla iyi çalışır ve saniyede en az 3-5 kare video akış hızıyla inç başına 320x240 piksel çözünürlük gerektirir. Karşılaştırma için, bir video konferans için kabul edilebilir kalite, saniyede 15 karelik bir video akış hızı gerektirir. Daha yüksek bir çözünürlükte daha yüksek bir video akış hızı, daha iyi tanımlama kalitesine yol açar. Uzun bir mesafeden yüzleri algılarken, kameranın kalitesi ile tanımlama sonucu arasında güçlü bir ilişki vardır.

Standart kişisel bilgisayarları kullanan veritabanlarının hacmi 10.000 görüntüyü geçmez.

Çözüm

Bugün sunulan yüz tanıma yöntemleri ilginç ve yaygın olarak benimsenmeye yakın, ancak bir filmdeki gibi bir kapının açılmasına sadece yüz tanıma teknolojisine güvenmek henüz mümkün değil. Bir güvenlik görevlisi veya diğer erişim kontrol sistemi için bir asistan olarak iyidir.

Bu yöntem, sunulan belgenin gerçekten onu sunan kişiye ait olduğundan emin olmanız gerektiğinde birçok durumda kullanılır. Bu, örneğin uluslararası bir havaalanında, bir sınır muhafızı pasaport sahibinin yüzüyle vesikalık fotoğrafını kontrol ettiğinde ve bunun onun pasaportu olup olmadığına karar verdiğinde olur. Bir bilgisayar erişim sistemi benzer bir algoritmaya göre çalışır. Tek fark, fotoğrafın veritabanında zaten kayıtlı olan şablonla karşılaştırılmasıdır.

Kızılötesi ışıkta yüz tanımaya dayalı teknolojiler şimdiden ortaya çıktı. Yeni teknoloji, yüzün kan damarları tarafından ısı radyasyonu ile oluşturulan termal görüntünün veya başka bir deyişle bir kişinin yüzünün termogramının herkes için benzersiz olduğu ve bu nedenle kullanılabilir olduğu gerçeğine dayanmaktadır. erişim kontrol sistemleri için biyometrik bir özellik olarak. Bu termogram, bir kişinin görünümündeki değişikliklerden neredeyse bağımsız olduğu için yüzün geometrisinden daha kararlı bir tanımlayıcıdır.