К вопросу биометрической идентификации



В статье рассмотрены вопросы создания биометрических идентификационных систем.

Основная цель биометрической идентификации личности по изображению является создание и практическое использование системы обработки и анализа исходного изображения в задачах биометрической идентификации личности человека. Для определения круга задач, связанных с вопросами предварительной обработки исходных изображений в проблеме биометрической идентификации личности по изображению биометрических параметров рассмотрим множество допустимых изображений этих параметров , которые состоят из непересекающихсяподмножеств (классов):

.

Разбиение определено не полностью. Имеется только некоторая начальная информация о классах .

Пусть имеется некоторая выборка (), которая состоит из m изображений отпечатков пальцев :

.

Тогда начальную информацию о классах можно задать в виде [1]:

,

где - информационный вектор изображения , который задается в виде

,

Совокупность информационных векторов, соответствующих изображенияам , образует информационную матрицу .

Пусть дано произвольный набор объектов (). Основная задача состоит в построении такого алгоритма А, вычисляющий значения предиката по начальной информации . Другими словами, искомый алгоритм переводит набор в матрицу (, ) [7]:

Здесь интерпретируется следующим образом. Если , то считается, что алгоритм не смог вычислить значение предиката . Если , то есть значение предиката , вычисленное алгоритмом для объекта по заданным его числовым характеристикам.

Для оптимизации отдельных этапов биометрической идентификации личности могут быть использованы как статистические, так и детерминированные методы.

При применении статистических методов получаемые результаты будут тем лучше, чем полнее будут учтены статистические свойства выборки.

Из-за больших вычислительных трудностей при статистической обработке описания объектов, заданных в виде изображений, приходится, как правило, ограничиваться информацией о вторых моментах распределения. Эта информация может в ряде случаев обеспечить создание достаточно эффективных признаков.

Однако попытки создать решающее правило с учетом только вторых моментов распределения приводят для многих практических применений к слишком большому проценту ошибок при идентификации личности человека.

Поэтому детерминированные методы применяются нами на этапе принятия окончательного решения, а статистические параметры распределений используются на этапе выделения характерных признаков.

Цель работы: на основании интуитивных соображений решить задачу поэтапной оптимизации биометрической идентификации, в то время как практически пригодные методы нахождения общего оптимума задачи биометрической идентификации в целом нам пока не известны.

Метод решение. Предварительная обработка исходных изображений биометрических параметров. На данном этапе осуществляется преобразование исходного изображения в некоторое другое изображение, обладающее заданными характеристиками (например, обеспечивается увеличение отношения сигнал/шум или подчеркивается отдельные детали изображения, с тем чтобы улучшить качества и удалить шумовые эффекты исходного изображения). Для достоверного определения характерных признаков изображений отпечатков пальцев необходимо обработать исходные изображения и привести их к определенному виду. Поэтому процесс предварительной обработки изображения является необходимым этапом при идентификации личности по изображениям отпечатков пальцев. При этом улучшаются точность выделенных характерных признаков изображений отпечатков пальцев, которые осуществляется на втором этапе.

Выделения характерных признаков изображений отпечатков пальцев.На втором этапе рассматривается задачи выделения набор характерных признаков, который описывает исходное изображение отпечатки пальцев. При этом требуется, чтобы эти признаки достаточно охарактеризовали различия отпечатков, принадлежащих к разным лицам, и позволяли оценить сходство отпечатков, принадлежащих к одному и тому же человеку.

В настоящее время имеется два основных подхода к решению задачи выделения признаков, характеризующих отпечатки пальцев, при идентификации личности [2]:

− метод, основанный на форме (и направлениях) папиллярных линий отпечатка;

− метод, основанный на особенных точках отпечатков (minutiae), которые характеризуют мельчайшие детали.

Основная идея первого подхода заключается в определении глобальные признаки (папиллярные узоры; область образа; число линий (бороздок) на области образа и др.) на каждом отпечатке пальца. На втором — локальные признаки (разрывы, окончания, раздвоения и др.).

Фундаментальная разница между биометрическими идентификаторами и другими идентификационными методами — это понятие степени сходства, основа технологии сравнения. Аутентификационный протокол, использующий пароль, всегда выдает точный, двойной результат: если пароль правильный, система разрешает доступ, если нет — отказывает. Таким образом, здесь не существует понятия вероятности сходства. Следовательно, нет путаницы с точным определением сходства. Однако биометрия по необходимости должна принять теорию вероятности и использовать статистические методы, чтобы проанализировать вероятность сходства. Это выражается в терминах коэффициентов ошибок и на вероятности внутренних ошибок, которые связаны с биометрической аутентификационной системой и биометрическими идентификаторами [3].

Биометрическая идентификация.

Для биометрической идентификации используются только биометрические характеристики (удостоверяющие данные). Рис. 1. показывает основные блоки, из которых состоит биометрическая идентификационная система. Во-первых, такая система связана с биометрической базой данных, содержащий биометрические образцы или репрезентации биометрических образцов (шаблонами, которые могут содержать репрезентации нескольких биометрических образцов).

Во-вторых, биометрическая идентификационная система способна вести поиск по базе данных, чтобы определить, есть ли в ней шаблоны, имеющие сходство с вводимым образцом биометрического параметра объекта. Шаблоны из базы данных сравниваются с представленным образцом один за другим. В конце процедуры система выдает список идентификаторов, которые имеют сходство с введенным биометрическим параметром.

Рис. 1. Биометрическая идентификационная система

Положительная идентификация. Система определяет, зарегистрирована ли данная личность в базе данных. При этом могут быть допущены ошибки ложного доступа или ложного отказа доступа.

Отрицательная идентификация. В этом случае система проверяет отсутствие объекта в некоторой отрицательной базе данных. Это может быть, например, база данных разыскиваемых преступников. Отрицательная идентификация еще называется сортировкой, так как входящие объекты сортируются относительно базы данных. Биометрические системы отрицательной идентификации отличаются от тех, что мы рассматривали выше. В них могут возникнуть ошибки пропуска сходства — ложное отрицание, и ошибки ложного определения сходства — ложное признание.

Биометрическая идентификационная система может находить в базе данных несколько кандидатов, имеющих сходство с объектом. При положительной идентификации требуется, чтобы в списке кандидатов был только один человек или, по крайней мере, чтобы количество кандидатов можно было быстро уменьшить до одного. При негативной идентификации желательно, чтобы список кандидатов был небольшим для удобства его обработки операторами.

Биометрическая верификация.

Биометрическая верификация отличается от идентификации тем, что представленные биометрические образцы сопоставляются с одной зарегистрированной записью в базе данных. Сама база данных может быть большой, но пользователь предоставляет какую-нибудь собственность, которая указывает на один биометрический шаблон из базы данных.

Рис. 2. Биометрическая верификационная система

Биометрическая верификация представляет собой сравнение представленного биометрического параметра и зарегистрированного образца, сохраненного в одном из фрагментов распределенной базы данных, или идентификационного номера в централизованной базе данных (рис. 2). Как и идентификационная система, верификационная имеет доступ к базе данных (справа). Эта база данных содержит биометрические шаблоны, связанные с объектами. Однако, в отличие от биометрической идентификации, здесь уникальный идентификатор связывается с каждым биометрическим шаблоном. Следовательно, биометрический шаблон, ассоциированный с определенной личностью, легко найти в базе данных по связанному с ним уникальному идентификатору. Верификационная система требует предоставления биометрического образца объекта в дополнение к какому-то идентификатору, связанному с личностью, за которую выдает себя объект. После сравнения биометрического шаблона из базы данных, определенного с помощью предоставленного объектом уникального идентификатора, и биометрического образца система принимает решение о принятии/отказе.

Ошибки биометрических систем.

Требования, предъявляемые к биометрическим аутентификационным системам, включают в себя максимально допустимый уровень ошибок. Существует несколько типов биометрических ошибок, выражаемых в уровнях или в процентах, которые необходимо оценить перед разработкой системы и выбором определенного биометрического параметра. Некоторые из этих ошибок являются неотъемлемой характеристикой биометрической аутентификации как разновидности процесса распознавания образов; другие ошибки специфичны для биометрических аутентификационных систем. Очевидно, что любая биометрическая система будет делать ошибки и реальное количество ошибок мэтчера нельзя определить теоретически [4]; статистические расчеты вероятности ошибок можно получить, только используя базу данных биометрических образцов.

Мэтчер — это система, которая получает два образца биометрических параметров и измеряет величину их сходств. В верификационной системе эта величина определяет, действительно ли два образца принадлежат одному «реальному» объекту.

Рис. 3. Сравнение биометрических шаблонов

Независимо от типа биометрического идентификатора, биометрический параметр обрабатывается путем подсчета величины s(B’, B), как показано на рис. 3.

Другой способ вычислить величину сходства — это определить расстояние ил разницу d (B’, B). Такую разницу можно определить с помощью метрики Левенштейна, или расстояния между образцами в определенном векторном пространстве биометрических свойств. Его можно преобразовать в величину сходства следующим соотношением: , то есть величина расстояния преобразуется в величину сходства [5].

В большинстве случаев количество ошибок в системах биометрической аутентификации определяется точностью, с которой внутреннее биометрическое устройство сопоставления сможет определить, какая из гипотез является истинной. Вводя биометрические образцы, мы можем построить две гипотезы:

(1)

В различных биометрических приложениях существуют различные определения гипотез Н₀ и Н_а, различные решения, которые могут принимать эти приложения, и поэтому разные приложения имеют разные определения ошибок. В связи с этим существует много терминов, выражающих точность приложения, например коэффициент ложного сходства, коэффициент ложного доступа, коэффициент ложного признания и т. д. Мы же определим коэффициент ошибок биометрического мэтчера на основании правильности принятого им решения относительно двух исходящих данных, как в выражении (1.1.). Мэтчер принимает как истинную гипотезу Н₀ или гипотезу Н_а. Поэтому существует два вида ошибок, которые может сделать мэтчер. Здесь мы используем терминологию Уэймена, так как она позволяет обозначить различие между биометрическим мэтчером и биометрическим приложением:

1. Ложное сходство (ЛС) — решение, что биометрические параметры принадлежат одной личности, хотя на самом деле это не так; частота появления такой ошибки называется коэффициентом ложного сходства.
2. Ложное различие (ЛР) — решение, что биометрические параметры принадлежат разным людям, хотя на самом деле они принадлежат одной личности; частота появления этой ошибки называется коэффициентом ложного различия.

Также их называют ошибками первого и второго рода соответственно, в случае ошибки первого рода гипотеза Н₀ ошибочно принимается за истинную (хотя на самом деле истинна Н_а), а в случае ошибки второго рода за истинную принимается гипотеза Н_а (хотя верной является Н₀). Эти ошибки и эти термины — ложное сходство и ложное различие — определены исключительно для гипотез.

В реальных биометрических системах контроля доступа, эти ошибки называются соответственно:

Коэффициент ложного доступа — вероятность ложной идентификации, то есть вероятность того, что система биоидентификации по ошибке признает подлинность (например, по отпечатку пальца) пользователя, не зарегистрированного в системе.

Коэффициент ложного отказа доступа — вероятность того, что система биоидентификации не признает подлинность отпечатка пальца зарегистрированного в ней пользователя.

Помимо этого, в существующих системах возникают другие ошибки, которые описывают следующие коэффициенты:

Коэффициент отказа в регистрации — коэффициент, при котором попытки создать шаблон из входных данных безуспешны. Чаще всего это вызвано низким качеством входных данных.

Коэффициент ошибочного удержания — в автоматизированных системах это вероятность того, что система не способна определить биометрические входные данные, когда они представлены корректно.

Кроме ошибочных, могут быть приняты и правильные решения. Мы имеем истинное сходство и истинное различие, если принимается правильное решение относительно сходства или различия двух образцов.

Выводы. Вданной работе были изложены общие понятия, относящиеся к биометрической идентификации. Были даны определения терминов биометрия, аутентификация, идентификация, верификация; рассмотрены основные биометрические параметры, а также приведена их экспертная оценка. Также были рассмотрены особенности биометрических систем такие как ошибки первого и второго рода и виды атак на биометрические системы [6].

Кроме того подробно были описаны различные существующие на данный момент методы идентификации личности по биометрическим параметрам. Основными недостатками практически всех упомянутых методов является чувствительность к вариациям условий съёмки распознаваемых/сравниваемых людей, возрастным изменениям, а также высокая вычислительная стоимость алгоритмов. Однако, если последний недостаток является всё более слабеющим на фоне постоянно повышающейся мощности ЭВМ фактором, то первые два сильно сдерживают широкое применение уже имеющихся систем и наработок. Метод «собственных лиц» и анализ локальных признаков хотя и являются на сегодняшний день наиболее исследованными и применяемыми практически, но они не позволяют получать компактных векторов признаков, по которым можно производить поиск, либо требуют постоянной дополнительной настройки и тренировки, что в ряде случаев не представляется возможным.

Литература:

1. Садыков С. С., Кан А. Н., Самандаров И. Р. Методы выделения структурных признаков изображений. Ташкент: Фан, 1990. — 104 с.
2. R. M. Haralick, L. G. Shapiro. «Image Segmentation Techniques», Computer Vision, Graphics, and Image Processing, Vol 29, № 1, 1985.
3. Вудс Р., Гонсалес Р. Цифровая обработка изображений. — М.: Техносфера, 2005. — 752 с.
4. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. — М.: Вильямс, 2004. — 928 с.
5. Потапов А. А., Пахомов А. А., Никитин С. А., Гуляев Ю. В., Новейшие методы обработки изображений. – M.: Физматлит, 2008. — 496 с.
6. К. Айсманн, У. Палмер. Ретуширование и обработка изображений в Photoshop, 3-е издание. M: Вильямс, 2008. – 560 с.