Биометрические системы

Автор работы: Пользователь скрыл имя, 11 Ноября 2013 в 21:47, курсовая работа

Описание работы

В настоящее время самое широкое распространение получили всевозможные считыватели карт (проксимити, Виганда, с магнитной полосой и т. п). Они имеют свои неоспоримые преимущества и удобства в использовании, однако при этом в автоматизированном пункте доступа контролируется «проход карточки, а не человека». В то же время карточка может быть потеряна или украдена злоумышленниками. Все это снижает возможность использования СКУД, основанных исключительно на считывателях карт, в приложениях с высокими требованиями к уровню безопасности.

Содержание работы

Введение
Классификация и основные характеристики биометрических средств идентификации личности
Особенности реализации статических методов биометрического контроля
Идентификация по рисунку папиллярных линий
Идентификация по радужной оболочке глаз
Идентификация по капиллярам сетчатки глаз
Идентификация по геометрии и тепловому изображению лица
Идентификация но геометрии кисти руки
Особенности реализации динамических методов биометрического контроля
Идентификация по почерку и динамике подписи
Идентификация но голосу и особенностям речи
Идентификация по ритму работы на клавиатуре
Биометрические технологии будущего
Заключение

Файлы: 1 файл

курсовая по ис.docx

— 88.73 Кб (Скачать файл)

В методе, основанном на нейронной  сети, характерные особенности обоих лиц - зарегистрированного и проверяемого сравниваются на совпадение. «Нейронные сети» используют алгоритм, устанавливающий соответствие уникальных параметров лица проверяемого человека и параметров шаблона, находящегося в базе данных, при этом применяется максимально возможное число параметров. По мере сравнения определяются несоответствия между лицом проверяемого и шаблона из базы данных, затем запускается механизм, который с помощью соответствующих весовых коэффициентов определяет степень соответствия проверяемого лица шаблону из базы данных. Этот метод увеличивает качество идентификации лица в сложных условиях.

Метод автоматической обработки  изображения лица - наиболее простая технология, использующая расстояния и отношение расстояний между легко определяемыми точками лица, такими, как глаза, конец носа, уголки рта. Хотя данный метод не столь мощный, как «eigenfaces» или «нейронная сеть», он может быть достаточно эффективно использован в условиях слабой освещенности.

Задачу идентификации  личности человека по видеоизображению можно разбить на несколько этапов.

Локализация лица в кадре.

Для локализации лица в  кадре разработан алгоритм на основе нейронной сети, который сканирует  исходное изображение в разных масштабах, оценивая по ключевым признакам каждый участок изображения с определенной вероятностью, и классифицирует, является ли данный участок лицом или нет. Выделение ключевых признаков осуществляется путем автоматического анализа  достаточно большой обучающей выборки, охватывающей большинство возможных  ситуаций (например, изменение внешности, условий освещенности, ракурса и  т. п.).

Определение положения головы.

Определение положения головы человека является важным этапом и  позволяет внести поправки при дальнейшем распознавании. На этом этапе созданная  компанией трехмерная модель головы сопоставляется с изображением головы в кадре. При этом оцениваются  такие параметры, как угол поворота головы по осям X, Y, Z, точный замер и  смещение изображения в кадре.

Отслеживание перемещения  лица от кадра к кадру.

При идентификации движущегося  в поле зрения камеры человека необходимо отслеживать перемещение лица от кадра к кадру. Имея несколько  изображений одного и того же человека в разных ракурсах, программа выбирает наиболее удачный с ее точки зрения кадр и сохраняет его в базе данных. Обрабатывая несколько изображений  одного и того же человека в разных ракурсах, можно добиться очень высокой  точности распознавания.

Сравнение изображения с  данными базы.

В настоящее время компания ISS ведет разработки алгоритма сравнения  лица с имеющимся в базе данных. Этот этап является логическим завершением  в цепочке алгоритма идентификации  личности по видеоизображению.

Оценочные характеристики при  проверке эффективности различных  вариантов таких устройств приведены  в табл. 5.

 

Таблица 5. Проверка эффективности  распознавании черт лица

Условия оценки эффективности

Уровень ошибочных подтверждений, %

Уровень ошибочных отказов, %

Один и тот же день, одно и то же освещение

2

0,4

Один и тот же день, разное освещение

2

9

Разные дни

2

11

Разные дни в течение 1,5 лет

2

43


 

Основой любой системы  распознавания лица является метод  его кодирования. В ряде случаев  используется анализ локальных характеристик  для представления изображения  лица в виде статистически обоснованных, стандартных блоков данных. Такой  метод использует корпорация Viscionics в своей системе Facelt. Данный математический метод основывается на том, что все  лица могут быть получены из репрезентативной выборки лиц с использованием современных статистических приемов. Они охватывают пиксели изображения  лица и универсально представляют лицевые  формы. Фактически в наличии имеется  намного больше элементов построения лица, чем число самих частей лица. Идентичность лица определяется не только характерными элементами, но и способом их геометрического объединения (учитываются  их относительные позиции). Полученный сложный математический код индивидуальной идентичности - шаблон Faceprint - содержит информацию, которая отличает лицо от миллионов других, и может быть составлен и сравнен с другими  с феноменальной точностью. Шаблон не зависит от изменений в освещении, тона кожи, наличия/отсутствия очков, выражения  лица, волос на лице и голове, устойчив к изменению в ракурсах до 35" в любых направлениях

В качестве примера действующей  системы контроля доступа на базе распознавания лица можно привести систему распознавания посетителей  мест для обналичивания чеков, установленных  компанией Mr. Payroll в нескольких штатах США. По свидетельству представителей компании клиенты считают такую  процедуру весьма удобной. При первом посещении производится цифровой снимок лица клиента, который передается в  сервисный центр. При каждом следующем  обращении система сверяет соответствующее  изображение с лицом клиента  и только после этого производит обналичивание чека. Выше уже упоминалась  система распознавания лиц Facelt, разработанная  корпорацией Visionics. Она успешно работает на улицах английского города Ньюхем, а также в аэропортах, на крупных  стадионах и в торговых центрах  США. Технология распознавания лица или множества лиц в сложных  сценах Facelt позволяет автоматически  обнаружить человеческое присутствие, определить месторасположение, выделить изображение, выполнить идентификацию.

Распознавание лица предусматривает  выполнение любой из следующих функций: аутентификация - установление подлинности  «один в один», идентификация - поиск  соответствия «один из многих».

Система Facelt автоматически  оценивает качество изображения  для опознания лица и, если необходимо, способна его улучшить. Она также  создает изображение лица из сегментов  данных, генерирует цифровой код или  внутренний шаблон, уникальный для  каждого индивидуума. В системе  заложен режим слежения за лицами во времени, а также «сжатия» лица до размера 84 байт для использования  в смарт-картах, штриховых кодах  и других устройствах с ограниченным размером хранения.

Среди признаков лица, используемых для идентификации человека, наиболее устойчивыми и трудно изменяемыми  является также признака изображения  его кровеносных сосудов. Путем  сканирования изображения лица в  инфракрасном свете создается уникальная температурная карта лица - термограмма. Идентификация по термограмме обеспечивает показатели, сравнимые с показателями идентификации по отпечаткам пальцев.

 

2.5 Идентификация  но геометрии кисти руки

 

Метод идентификации пользователей  по геометрии руки по своей технологической  структуре и уровню надежности вполне сопоставим с методом идентификации  личности по отпечатку пальца. Статистическая вероятность существования двух кистей рук с одинаковой геометрией чрезвычайно мала. Но признаки руки меняются с возрастом, а само устройство имеет сравнительно большие размеры.

Математическая модель идентификации  по данному параметру требует  немного информации - всего 9 байт, что  позволяет хранить большой объем  записей и быстро осуществлять поиск. Устройства идентификации личности по геометрии руки находят широкое  применение. Так, в США устройства для считывания отпечатков ладоней  в настоящее время установлены  более чем на 8000 объектах. Наиболее популярное устройство Handkey сканирует  как внутреннюю, так и боковую  сторону ладони, используя для  этого встроенную видеокамеру и  алгоритмы сжатия. При этом оценивается  более 90 различных характеристик, включая  размеры самой ладони (три измерения), длину и ширину пальцев, очертания  суставов и т. п. Устройства, которые  могут сканировать и другие параметры  руки, в настоящее время разрабатываются  несколькими компаниями, в том  числе BioMet Partners, Palmetrics и BTG.

Представителем этого  направления разработок СКУД является американская компания Steller Systems, выпускающая  терминал Identimat. Для считывания геометрических характеристик кисти ее кладут ладонью  вниз на специальную панель. Через  прорези в ее поверхности оптические сенсорные ячейки сканируют четыре кольца. Эти ячейки определяют стартовые  точки по двум парам пальцев - указательному  и среднему, безымянному и мизинцу. Каждый палец сканируется по всей длине, при этом замеряется длина, изгиб  и расстояние до «соседа». Если каждое измерение укладывается в определенные допустимые рамки зарегистрированного  эталонного набора данных, то результат  аутентификации будет для пользователя положительным. Цифровой эталон хранится либо в базе данных, либо в памяти идентификационной карточки. При  этом с целью обеспечения защиты данные шифруются.

Рассматриваемый терминал прост  в обращении и надежен. Время  обработки - всего 1 с; время регистрации - 1,5 мин; вероятность ошибок 1-го рода- 0,01, 2-го рода - 0,015 (т.е. коэффициенты 1 и 1,5% соответственно). Для хранения эталона используется 17 байт памяти.

Отличительной особенностью алгоритма работы этого терминала  является наличие так называемых битов качества, которые регулируют рамки допустимых отклонений в зависимости  от качества изображения кисти. Однако настораживает тот факт, что у  каждого сотого сотрудника могут  появиться проблемы с проходом на рабочее место. И каждый стопятидесятый может оказаться чужим.

На базе подобной технологии биометрии японская фирма Mitsubishi Electric построила контрольно-пропускной терминал автономного типа Palm Recognition System. Его  отличие от американского прототипа  состоит в том, что производится считывание геометрических размеров силуэта  кисти руки со сжатыми пальцами, в то время как у американцев  пальцы для измерения должны представляться растопыренными. Благодаря такому подходу  на результатах оценки биометрических характеристик в японской системе  не сказывается появление на ладони ран или грязи. Однако вероятность  ошибок 1-го рода также составляет 0,01, но ошибок 2-го рода - 0,000001. Время обработки  занимает 2 с, время регистрации при  оформлении допуска - 20 с. Память системы  позволяет хранить до 220 эталонов.

В настоящее время идентификация  пользователей по геометрии руки используется в законодательных  органах, международных аэропортах, больницах, иммиграционных службах  и т. д. Достоинства идентификации  по геометрии ладони сравнимы с достоинствами  идентификации по отпечатку пальца с точки зрения надежности, хотя устройство для считывания отпечатков ладоней занимает больше места.

 

3. ОСОБЕННОСТИ  РЕАЛИЗАЦИИ ДИНАМИЧЕСКИХ МЕТОДОВ  БИОМЕТРИЧЕСКОГО КОНТРОЛЯ

3.1 Идентификация  по почерку и динамике подписи

Основой аутентификации личности по почерку и динамике написания  контрольных фраз (подписи) является уникальность и стабильность динамики этого процесса для каждого человека, характеристики которой могут быть измерены, переведены в цифровой вид  и подвергнуты компьютерной обработке. Таким образом, при аутентификации для сравнения выбирается не продукт  письма, а сам процесс.

Разработка аутентификационных автоматов на базе анализа почерка (подписи - как варианта объекта исследования), предназначенных для реализации контрольно-пропускной функции, была начата еще в начале 1970-х г. В настоящее  время на рынке представлено несколько  эффективных терминалов такого типа.

Подпись - такой же уникальный атрибут человека, как и его  физиологические характеристики. Кроме  того, это и более привычный  для любого человека метод идентификации, поскольку он, в отличие от снятия отпечатков пальцев, не ассоциируется  с криминальной сферой. Одна из перспективных  технологий аутентификации основана на уникальности биометрических характеристик  движения человеческой руки во время  письма. Обычно выделяют два способа  обработки данных о подписи: простое  сравнение с образцом и динамическую верификацию. Первый весьма ненадежен, так как основан на обычном  сравнении введенной подписи  с хранящимися в базе данных графическими образцами. Из-за того, что подпись  не может быть всегда одинаковой, этот метод дает большой процент ошибок. Способ динамической верификации требует  намного более сложных вычислений и позволяет в реальном времени  фиксировать параметры процесса подписи, такие, как скорость движения руки на разных участках, сила давления и длительность различных этапов подписи. Это дает гарантии того, что  подпись не сможет подделать даже опытный графолог, поскольку никто  не в состоянии в точности скопировать  поведение руки владельца подписи. Пользователь, используя стандартный  дигитайзер и ручку, имитирует свою обычную подпись, а система считывает  параметры движения и сверяет  их с теми, что были заранее введены  в базу данных. При совпадении образа подписи с эталоном система прикрепляет  к подписываемому документу информацию, включающую имя пользователя, адрес  его электронной почты, должность, текущее время и дату, параметры  подписи, содержащие несколько десятков характеристик динамики движения (направление, скорость, ускорение) и другие. Эти  данные шифруются, затем для них  вычисляется контрольная сумма, и далее все это шифруется еще раз, образуя так называемую биометрическую метку. Для настройки системы вновь зарегистрированный пользователь от пяти до десяти раз выполняет процедуру подписания документа, что позволяет получить усредненные показатели и доверительный интервал. Впервые данную технологию использовала компания РепОр.

Идентификацию по подписи  нельзя использовать повсюду, в частности, этот метод не подходит для ограничения  доступа в помещения или для  доступа в компьютерные сети. Однако в некоторых областях, например в  банковской сфере, а также всюду, где происходит оформление важных документов, проверка правильности подписи может  стать наиболее эффективным, а главное, необременительным и незаметным способом. До сих пор финансовое сообщество не спешило принимать  автоматизированные методы идентификации  подписи для кредитных карточек и проверки заявления, потому что  подписи все еще слишком легко  подделать. Это препятствует внедрению  идентификации личности по подписи  в высокотехнологичные системы  безопасности.

Информация о работе Биометрические системы