Методы, алгоритмы и программное обеспечение интеграции биометрических информационных технологий

Размещено на http://www.allbest.ru/

РОССИЙСКАЯ АКАДЕМИЯ НАУК

ИНСТИТУТ ПРОБЛЕМ ИНФОРМАТИКИ

Курсовой проект

Методы, алгоритмы и программное обеспечение интеграции биометрических информационных технологий

Специальность 05.13.17 - Теоретические основы информатики

Ушмаев Олег Станиславович

Научный руководитель - Заслуженный деятель науки РФ,

д.т.н., проф. И.Н. Синицын

Москва - 2004



Содержание

Введение

1.Методологический анализ основных подходов и методов биометрической идентификации

1.1.Основные характеристики биометрических систем

1.2.Методы биометрической идентификации

1.3.Основные подходы к интеграции различных технологий

1.4.Пути совершенствования методов синтеза интегрированных биометрических систем. Постановка проблемы

2.Биометрическая идентификация по отпечатку пальца

2.1.Классификация алгоритмов распознавания по отпечатку пальца

2.2.Факторы, снижающие эффективность распознавания по отпечаткам пальцев

2.3.Учет и моделирование деформаций отпечатков

2.4.Анализ эффективности автоматического учета деформаций

3.Синтез комбинированных мер сходства

3.1.Статистические аспекты интеграции биометрических технологий

3.2.Оптимальная интеграция независимых биометрических технологий

3.3.Условно оптимальные интеграция биометрических технологий

Список литературы

Приложение



Введение

Актуальность работы. В настоящее время приобретают широкое распространение биометрические (основанные на физиологических и поведенческих характеристиках) технологии автоматической аутентификации и идентификации. Это обусловлено множеством причин. Во-первых, из-за быстрого развития сектора электронной коммерции значительно возросли требования к защищенности информационных ресурсов. Во-вторых, быстрый рост производительности современных вычислительных средств сделал возможным внедрение биометрических технологий в системы реального времени. В-третьих, в связи с возросшей в последние годы угрозой терроризма увеличился интерес к средствам биометрической идентификации со стороны государства.

Как показывают многочисленные результаты тестирований биометрических систем, на современном уровне развития технологий ни одна из существующих систем, использующая одно биометрическое измерение (например, отпечаток пальца или радужную оболочку глаза), не может во многих случаях обеспечить требуемых уровней надежности и ошибок 1-го и 2-го рода. В такой ситуации особенно актуальной становится проблема интеграции биометрических систем.

С алгоритмической точки зрения интеграция является сложной прикладной математической задачей. Показатели работы биометрических систем, такие как ошибки распознавания, в основном носят статистических характер, поэтому основной проблемой синтеза комбинированных систем является достижение требуемых статистических критериев качества. Прямое применение определенных методов математической статистики затруднено спецификой биометрических систем и малыми размерами обучающих выборок.

Также в настоящее время является актуальной проблема создания средств автоматической настройки комбинированных биометрических систем. Для этого требуется не только развитие математических методов, но и стандартизация выходных данных биометрических систем.

Вместе с тем, несмотря на потребности практики, в настоящее время не только отсутствуют алгоритмы автоматической интеграции различных биометрических систем, но и теоретические наработки в данной области не нашли должного распространения в научной литературе. Существующие разработки в данной области, как правило, представляют собой отдельные примеры интеграции систем в рамках рекомендаций международных стандартов 70-х годов, когда перспективы интеграции биометрических технологий серьезно не рассматривались.

Целью исследования является разработка методов, алгоритмов и программного обеспечения оптимальной интеграции биометрических технологий для систем автоматической аутентификации и идентификации, в частности для автоматических дактилоскопических идентификационных систем (АДИС). Для достижения поставленной цели необходимо решение следующих задач:

1.Обобщить опыт разработки методов и алгоритмов синтеза комбинированных биометрических систем и выявить направления их совершенствования.

2.Разработать статистические методы оценки качества комбинированных биометрических систем.

3.Разработать алгоритмы оптимальной интеграции биометрических систем, а также специализированные алгоритмы с учетом специфики АДИС.

4.Разработать критерии верификации результатов автоматической интеграции биометрических систем.

5.Экспериментально проверить разработанное базовое алгоритмическое и программное обеспечения автоматической настройки комбинированных биометрических систем на ПЭВМ и высокопроизводительных вычислительных средствах.

Методы исследования. В работе использованы современные методы теории вероятностей и математической статистики, обработки изображений, теории оптимизации, методы программирования и моделирования на ЭВМ, а также рекомендации действующих и разрабатываемых отечественных и международных стандартов по биометрическим технологиям.

Научная новизна и результаты, выносимые на защиту. В работе получены следующие основные результаты:

1.Разработаны и обоснованы новые методы анализа статистических показателей работы комбинированных биометрических систем.

2.Разработаны новые корреляционные алгоритмы верификации личности по отпечатку пальца.

3.Разработаны и обоснованы новые методы, алгоритмы и программное обеспечение компенсации деформаций отпечатков пальцев.

4.Предложены методы построения оптимальных и условно оптимальных комбинированных мер сходства для некоррелированных и коррелированных биометрических технологий.

5.Разработано базовое программное обеспечение для интеграции биометрических технологий.

Теоретическая значимость и практическая ценность работы. Теоретическая значимость состоит в развитии методов интеграции биометрических систем, оптимизирующих уровни ошибок 1-го и 2-го рода. Разработанные алгоритмы и программное обеспечение могут использоваться для построения комбинированных биометрических технологий.

Реализация результатов работы. Результаты диссертации реализованы в Проектах РФФИ (№01-01-00758, №04-01-00270), Государственном контракте ОИТВС 01/097-098/210503-180, в продуктах компании «Biolink Technologies».

Апробация работы. Материалы диссертации излагались и обсуждались на следующих научно-технических конференциях: «Методы и средства обработки информации» (Москва, 2003), «Распознавание 2003» (Курск, 2003), «Workshop on Multimodal User Authentication» (Santa Barbara, 2003), «Идентификация систем и проблемы управления SICPRO'04» (Москва, 2004), «SPIE Symposium on Security & Defense» (Orlando, 2004), «European Conference on Computer Vision 2004» (Prague, 2004).

Публикации. Материалы диссертации содержатся в отчетах ИЛИ РАН, по теме диссертации опубликовано 5 печатных работ.



1. Методологический анализ основных подходов и методов биометрической идентификации

1.1 Основные характеристики биометрических систем

В настоящее время автоматические системы биометрической, основанной на уникальных физиологических и поведенческих характеристиках человека, идентификации находят применение в различных приложениях [1-Ю]. В целом, по назначению, функциональным особенностям, производительности, режиму эксплуатации и требованиям к параметрам работы биометрические системы можно разделить на два основных класса [11-16]:

1)Автоматические системы верификации личности.

2)Автоматические системы идентификации личности.

Основными областями использования систем автоматической верификации являются информационная безопасность и электронная коммерция. Использование биометрической информации для разграничения доступа в систему обусловлено тем, что на сегодняшний день самым слабым элементом в системе компьютерной безопасности является процедура верификации пользователя [17-49]. Самая распространенная на данный момент аутентификация по паролю имеет очевидные проблемы: пароли записывают на мониторе, пароли зачастую легко подбираются, т.к. значительная часть пользователей не удосуживается даже поменять пароли, устанавливаемые по умолчанию [20]. Первые попытки использования биометрических средств защиты информации относятся к 1972 г. [21-23]. В последнее время системы биометрической аутентификации начинают применяться для контроля доступа на секретные,. военные и особо охраняемые объекты в связи с возросшей угрозой терроризма [16].

Системы автоматической идентификации в основном востребованы в системах криминального поиска. Старейшим способом идентификации преступников является идентификация по отпечаткам пальцев [24-28]. В последнее время такие системы получают распространение и для контроля выдачи определенных документов (водительские права, паспорт и т.д.) [12-14,29]. На данный, момент такие системы функционируют для учета водительских прав в некоторых штатах США [30] (что обусловлено значимостью данного удостоверения личности). В этом случае системы биометрической идентификации призваны, во-первых, предотвратить подделку и использование утерянных документов и, во-вторых, предотвратить получение человеком второго документа на другое имя [12-14,30]. биометрический алгоритм автоматический идентификационный

Основным отличием данных систем является режим функционирования биометрической системы. Для любой системы идентификации человека характерны следующие основные режимы функционирования [25]:

1)Регистрация (enroll). Снятие информации со считывающих биометрических устройств (сканеров) и перевод ее в пригодную для последующей обработки форму - шаблон регистрации (template).

2)Верификация (verification) или сравнение «один к одному». Информация, полученная со сканера, сравнивается с одним шаблоном в базе. Ответом является «Да» или «Нет».

3)Идентификация (identification) или сравнение «один к многим». Информация, полученная со сканера, сравнивается с набором шаблонов в базе и результатом является сортированный по мере сходства список.

Соответственно, системы автоматической верификации личности преимущественно функционируют в режиме верификации, а системы автоматической идентификации в режиме идентификации.

В последнее время биометрические системы начинают активно интегрироваться в различные функционирующие программные и технические продукты. Если проектировщики и создатели высокопроизводительных систем идентификации могут позволить себе полный цикл разработки продукта, то для создателей коммерческих систем аутентификации существенной проблемой является создание стандартного интерфейса для взаимодействия с другими приложениями.

Интерес к данной проблеме подтверждается и большим количеством проектируемых стандартов [31-42]. На сегодняшний день наиболее развитым стандартом является биометрический прикладной программный интерфейс (BioAPI, Biometric Application Programming Interface [33]).

Группа по разработке BioAPI была создана 27 апреля 1998 года. Целью Консорциума BioAPI [33] было заявлено создание единого, доступного и широко применимого прикладного программного интерфейса для работы с самыми разными биометрическими технологиями. Основными целями консорциума являются:

*сотрудничество и совместная работа с разработчиками биометрических решений, программного обеспечения и системными интеграторами для согласования существующих стандартов и способствовать их более легкой адаптации и встраиванию;

*создание независимого от операционной системы стандарта;

*создание биометрического прикладного программного интерфейса, независящего от реализуемой технологии;

*поддержка широкого уровня приложений (для использования в самых различных областях);

Появление единого индустриального биометрического стандарта стало результатом длительной работы по объединению существующих стандартов. Группа разработчиков ВАРГ [36] (стандарта компании I/O software) включилась в разработку BioAPI в декабре 1998 г. Группа НА-API [37] (Human authentication API) влилась в BioAPI в марте 1999г. Причем все наработки для второй версии стандарта НА-API были включены в BioAPI.

Первая версия спецификаций BioAPI была опубликована в марте 2000г. Версия 1.1 включающая в себя и спецификации и инструкции по реализации вышла в марте 2001г. В конце 2002 года Американский национальный институт стандартов (ANSI) утвердил спецификации ВіоАРІ (версия 1.1) за номером ANSI INCITS 358-2002 [39], как стандарт биометрических технологий, определяющий Прикладной программный интерфейс (API) и Интерфейс провайдера услуг (Service Provider). В данный стандарт не вошли требования по уровню защищенности биометрических приложений и провайдера услуг, однако некоторая связанная с этими понятиями информация включена в стандарт, для пояснения того, как данный API может быть использован вместе с различными механизмами защиты.

В стандарте ВіоАРІ нашли отражение все используемые на данный момент программные аспекты работы биометрических систем.

В интерфейсе ВіоАРІ определены два уровня:

*верхний, определяющий интерфейс клиентского и серверного приложений, вызывающих функции аутентификации;

*нижний, определяющий интерфейс взаимодействия с Biometric Service Provider, исполняющим вызовы верхнего уровня.

Верхний уровень определяет три основные функции, соответствующие режимам работы биометрической системы, для проведения аутентификации:,

1)Enroll (регистрация);

2)Verify (верификация);

3)Identify (идентификация).

Нижний уровень, SPI (service provider interface), определяет интерфейс к провайдеру биометрических услуг (BSP - Biometric Service Provider), в качестве которого могут выступать практически любые поддерживающие этот интерфейс биометрические системы, устройства или программные продукты. Функцией SPI является отображение «один к одному» вызовов верхнего уровня в вызовы к В SP.

Обработка биометрических данных с момента получения измерений с устройства и до момента сравнения их с шаблоном может разделяться на множество этапов с различной вычислительной нагрузкой. Исходя из этого, интерфейс ВіоАРІ предоставляет широкие возможности разработчикам по распределению вычислительной нагрузки и позволяет сделать это как между клиентским местом (имеющим биометрическое считывающее устройство) и сервером, так и только в автономном биометрическом устройстве.

Стандартом предусмотрена поддержка клиент-серверной архитектуры. В ВіоАРІ существует 4 примитивных функции, использование разных сочетаний которых на клиенте и сервере предоставляют интерфейс для функций верхнего уровня.

Capture - получение данных с биометрического сканера, всегда выполняется на клиентской машине. Функция Capture может выполняться несколько раз, до получения необходимого измерения. Вызывающее Capture приложение указывает в параметрах функции требуемое качество измерения, предоставляя BSP возможности для специальной обработки получаемых данных.

Process (обработка). Функция Process предназначена для обработки измерений, необходимых для распознавания «один к одному» или «один ко многим» (но не для регистрации). Алгоритмы обработки обычно выполняются на сервере, но могут также выполняться и на клиентском месте.

Match (сопоставление). Функции Match производят сравнение между "обработанным" шаблоном полученным при помощи функций Capture и Process и соответствующим шаблоном (верификация VerifyMatch) или между "обработанным" шаблоном и набором шаблонов (Идентификация IdentifyMatch). Match-функции всегда должны быть доступны на сервере, однако могут быть доступны и на клиентском месте;

CreateTemplate (Создание шаблона). Функция CreateTemplate осуществляет обработку измерений при формировании шаблона регистрации. Дополнительно, функция CreateTemplate может создать новый шаблон путем адаптации старого шаблона, используя новые биометрические измерения.

В отличие от распространенного мнения стандарт ВіоАРІ не подразумевает возможности использования программного обеспечения одного производителя с оборудованием другого простой заменой биометрического устройства. Замена устройства по ВіоАРІ должна проводится совместно с заменой программного модуля - провайдера биометрических услуг ВSP (Biometric Service Provider) от производителя. Совместимое с ВіоАРІ программное обеспечение использует функции верхнего уровня для обращений к BSP и через него к оборудованию, независимо от архитектуры.

Таким образом, в стандарте нашли отражение, как разделение по функциональным режимам работы биометрических систем, так и разделение этапов разработки и интеграции биометрических систем:

1)Разработка ПО верхнего уровня, встраиваемого в различные приложения (например, для замены парольной защиты). Весь интерфейс обращений к биометрическому оборудованию состоит из трех функций верхнего уровня: Enroll, Verify, Identify.

2)Разработка биометрического оборудования и BSP для работы с ним.

В BSP реализуется непосредственно алгоритм биометрического распознавания и работы с терминальными устройствами.

В основу ВіоАРІ заложены те же принципы, что ив Crypto API [43], только с учетом специфики биометрических технологий.

В отличие традиционных способов аутентификации невозможно ожидать, что биометрическая информация, например, отпечаток пальца, полученная со сканера, будет в точности совпадать с шаблоном, хранящимся в базе. Поэтому в качестве критериев качества работы биометрической системы используют различные статистические характеристики. Самыми распространенными оценками качества являются ошибки 1-го (FRR, вероятность не пустить в систему «своего») и 2-го рода (FAR, false acceptance rate, вероятность допуска в систему «чужого»). Однако данные характеристики не являются исчерпывающими даже для эксплуатации в режиме верификации.

Так как основные показатели работы биометрических систем имеют статистический характер, в большинстве случаев нельзя оценить ни качество, ни производительность приобретаемой системы без проведения масштабного тестирования.

На сегодняшний день практика тестирования автоматических биометрических систем [3,15,21-23,44-60], насчитывающая уже более 30 лет, показывает, что процедуры тестирования можно разделить на. две основные группы [3,15]:

1)Технологический (technological).

2)Операционный (operational).

Технологический уровень -- тестирование сканирующих устройств и используемых алгоритмов биометрической идентификации [3].

Операционное тестирование -- технологическое тестирование и тестирование интерфейса «человек-система» [3].

Рассмотрим основные показатели работы систем. Исследуемые показатели работы систем при технологическом тестировании [44,45,47-49]:.

1)ошибка 1-го рода в зависимости от порога, FRR(t)

2)ошибка 2-го рода в зависимости от порога, FAR(t)

3)распределение порядкового номера при сортировке базы (только для режима идентификации), Rank;

4)операционная кривая, ROC(t);

5)отказ в регистрации1, REJENROLL;

6)распределение времени регистрации, TENROLL;

7)распределение времени сравнения «на своих», TGMATCH;

8)распределение времени сравнения «на чужих», TIMATCH;

Отказ в регистрации может включаться или не включаться в состав ошибок 1-го и 2-го рода в зависимости от целей тестирования.

Технологическое тестирование позволяет не только определить технологические показатели работы алгоритма, но и с некоторой погрешностью предсказать реальные эксплуатационные показатели, что особенно важно для систем биометрической идентификации, стоимость которых не позволяет проводить операционное тестирование с использованием опытных образцов.

При операционном тестировании добавляются характеристики, обусловленные влиянием факторов времени и условий эксплуатации [15,50,51]:

9)ошибка 1-го рода в зависимости от порога и числа попыток, FRR(t,n)

10)ошибка 2-го рода в зависимости от порога и числа попыток, FAR(i,n)

11) распределение порядкового номера при сортировке базы и числа

попыток (только для режима идентификации) , Rank(n); В отличие от технологического тестирования ошибки 1-го и 2-го рода могут значительно варьироваться в зависимости от условий эксплуатации системы. В следующей таблице приведены данные операционных тестирований 3 биометрических систем [57], проведенных в лабораторных условиях (Lab) и реальных условиях (Field) авиабазы ВВС США.

Таблица 1.1. Изменение ошибок распознавания в зависимости от условий

Система	LAB	FIELD
	FAR,%	FRR,%	FAR,%	FRR,%
Голос Подчерк Отпечаток пальца	4,4 1,7 2,2	0,2 3,2 4,6	3,3 5,6 2,3	1,1 1,9 6,5

Использование числа попыток в качестве управляющего параметра обусловлено тем, что люди привыкшие к системе относятся небрежно к этапу ввода биометрической информации (например, приложению пальца к сканеру). Поэтому зачастую результаты первого попытки входа в систему деградируют со временем, что нельзя учесть при технологическом тестировании.

Редко востребовано. Операционное тестирование идентификационных систем большая редкость из-за высокой стоимости тестирования.

Полученная разница может быть объяснена, как различием в условиях эксплуатации, что особенно важно для систем распознавания голоса, так и различием в квалификации пользователей (в лабораторных условиях пользователями системы были профессионально подготовленные ' технические специалисты и инженеры). Результаты других тестирований [15] показывают еще большие расхождения ошибок при изменении условий эксплуатации.

Существенной проблемой операционного тестирования является его довольно высокая стоимость. На сегодняшний день средняя стоимость такого тестирования в течении 2-х месяцев колеблется около 30-50$ за каждого пользователя [32].

Параметры, определяющие качество работы при тестировании в реальной эксплуатации, обусловлены особенностями каждой конкретной системы и требованиями заказчика. Пожалуй, единственным общим критерием является процент людей, не обладающих каким-либо * биометрическим свойством, что делает неприменимым использование соответствующей технологии. Например, человек без пальца не имеет соответствующего отпечатка.

На сегодняшний день считаются достаточно объективными следующие процедуры тестирования:

1)По форме лица, NIST FRV.T (Face Recognition Vendor Test), 2000 [47].

2)По отпечатку пальца, NIST FpVTE (Fingerprint vendor technology evaluation), 2003 [48].

3)NIST VTB (Verification Test Bed), 2001-2003 [46].

4)IBG Testing [32],*

5)FVC (Fingerprint Verification Competition) 2000, 2002, 2004. Данное тестирование проводится раз в два года и направлено на * определение технологических параметров качества алгоритмов распознавания по отпечаткам пальцев. При тестировании используются несколько тестовых баз отпечатков, полученных при помощи различных типов сканеров. После тестирования используемые массивы свободно распространяются [44,45,49].

6)FAC (Face Verification Competition), 2004 [61].

7)SVC (Signature Verification Competition), 2002,2004 [62].

На данный момент не существует единой универсальной процедуры тестирования качества биометрических систем. Это вызвано несколькими причинами.

Во-первых, современные алгоритмы биометрической идентификации проектируются с учетом очень жестких требований к ошибкам первого и второго рода. В такой ситуации критичным становится размер тестового массива. Для достоверной оценки ошибки первого рода при ошибке второго рода порядка 10"5, требуется тестовая база с информацией о примерно 100 000 субъектах. На сегодняшний день базами такого размера обладают только государственные полицейские службы.

Во-вторых, организаторы тестирований заинтересованы в том, чтобы результаты тестов можно было использовать для объективного сравнительного анализа систем. В такой ситуации невозможно сделать тестовые массивы открытыми до проведения тестирования, так как производители систем могут обучить свои алгоритмы именно на этих массивах, что особенно актуально для самообучающихся систем.

В-третьих, если государственная структура, пользующаяся общим доверием (такая как National Institute of Standards and Technology), проводит полузакрытое тестирование, существенным становится стоимость тестирования. В последнем тесте FpVTE систем распознавания по отпечаткам пальцев показатели качества верификации и идентификации определялись на огромных тестовых массивах [48], что для быстрого алгоритма заняло порядка Зх недель на кластере из 32 процессоров частотой 1ГТц.

Во многих задачах распознавания и искусственного интеллекта вместо дорогостоящих реальных тестирований используют искусственные тестовые массивы [44,45,49,63-65].

Рисунок 1.1 - Примеры искусственных лиц, построенных по двумерной модели лица

Рисунок 1.2- Примеры искусственных отпечатков пальцев

На данный момент существует алгоритмы, позволяющие синтезировать искусственные биометрические измерения. Среди них следует выделить генератор искусственных отпечатков пальцев SFinGe [66,67], модель искусственных отпечатков[76], генератор искусственных лиц [64,65]. Такие базы иногда используются для внутреннего тестирования, а так же в некоторых отмеченных выше процедурах тестирования (FVC [44,45,49] и FAC [61]). Несмотря на то, что полученные синтезированные биометрические измерения в целом похожи на реальные (рисунки 1.1-1.3), результаты тестирования на искусственных базах зачастую не совпадают с показателями качества на реальных данных, причем в зависимости от типа алгоритма наблюдаются значительные отклонения, как в худшую, так ив лучшую сторону. Также опыт тестирования показывает, что такие базы малопригодны при определении технологических показателей качества на уровне ошибок второго рода ниже.

1.2 Методы биометрической идентификации

В настоящее время существует множество методов автоматической биометрической идентификации, которые делятся на две основные группы: статические методы и динамические.

Статические методы биометрической идентификации основываются на физиологической (статической) характеристике человека, которая не меняется в течение довольно длительного времени.

Динамические (поведенческие) методы основываются на поведенческой (динамической) характеристике человека, то есть построены на особенностях, характерных для подсознательных движений в процессе воспроизведения какого-либо действия.

На сегодняшний день в международном стандарте ВіоАРІ [33] зарегистрировано 13 индивидуальных (не комбинированных) статических методов биометрической идентификации:

1)Форма лица. Существует множество алгоритмов распознавания по форме лица, использующих различные комбинации признаков: положение глаз, бровей и т.д. Некоторые алгоритмы строят трехмерную модель лица.

2)Отпечаток пальца. В основе этого метода лежит уникальность для каждого человека рисунка папиллярных узоров на пальцах. Отпечаток, полученный с помощью специального сканера, преобразуется в цифровой код, и сравнивается с ранее введенным эталоном. Данная технология является самой распространенной по сравнению с другими методами биометрической аутентификации.

3)Сетчатка глаза. Точнее идентификация по рисунку кровеносных сосудов глазного дна, который снимается при помощи специальной камеры.

4)Радужная оболочка глаза. Рисунок радужной оболочки глаза считается уникальной характеристикой человека. Полученный при помощи камеры снимок радужной оболочки сжимается в числовой код размера 1024 байта. Несмотря на довольно низкие уровни ошибок 1-го и 2-го рода, существенным ограничением применения данного метода является то, что все возможные способы идентификации по радужной оболочки глаза защищены двумя патентами Джона Даугмана [68] и Флома [69], срок действия которых истекает в 2005 и 2012 годах [35].

5)Геометрия кисти руки. Данный метод, построен на геометрии кисти руки. С помощью специального устройства, состоящего из камеры и нескольких подсвечивающих диодов (включаясь по очереди, они дают разные проекции ладони), строится трехмерный образ кисти руки, используемый для распознавания человека;

6)ДНК. Преимущества данного способы очевидны, однако используемые в настоящее время методы работают настолько долго, что такие системы используются только для специализированных экспертиз.

7)Форма уха. Относительно новый способ биометрической идентификации. Большинство алгоритмов сходны с алгоритмами распознавания по форме лица.

8)Термография лица. В основе данного способа аутентификации лежит уникальность распределения на лице артерий, снабжающих' кровью кожу, которые выделяют тепло. Для получения термограммы, используются специальные камеры инфракрасного диапазона. В отличие от формы лица данный метод позволяет различать близнецов.

9)Термография руки. Данный способ аналогичен термографии лица.

10)Рисунок вен на руке. С помощь инфракрасной камеры - считывается рисунок вен на лицевой стороне ладони или кисти руки, полученная картинка обрабатывается и по схеме расположения вен формируется цифровая свертка.

11)Запах тела.

12)Геометрия пальца.

13)Геометрия ладони.

В ближайшее время в стандарт ВіоАРІ возможно будет добавлен еще один, четырнадцатый, статический метод биометрической аутентификации по «отпечатку кожи»; разработанному «Delean Vision» [70].

Также стандартом поддерживается 5 динамических методов:

1)Динамика подписи. Как правило, для этого вида идентификации человека используется его роспись (иногда написание кодового слова). Цифровой код. идентификации формируется, в зависимости от необходимой степени защиты и наличия оборудования (графический * планшет, экран карманного компьютера и т.д.), двух типов: по самой росписи, то есть для идентификации используется только степень совпадения двух картинок, или по росписи и динамическим характеристикам написания, то есть для идентификации строится код, в который входит информация о самой подписи, временным характеристикам и динамическим характеристикам нажима на поверхность

2)Динамика клавиатурного набора. Аналогичен идентификации по динамике подписи, только вместо подписи используется информация о наборе кодового слова на клавиатуре.

3)Голос. Одна из старейших технологий, в настоящее время ее развитие, ускорилось - так как предполагается ее широкое использование в построении «интеллектуальных зданий». Существует достаточно много способов построения кода идентификации по голосу, как правило, это различные сочетания частотных и статистических характеристик голоса. Голос может использоваться как ключ при криптографической защите [5].

4)Движение губ.

5)Походка.

Однозначно выделить лучшие или худшие методы биометрической идентификации довольно сложно, так как они качественно разнятся как по структуре ошибок 1-го рода (False Rejection Rate, не пустить, в систему «своего») и 2-го рода (False Acceptance Rate, пустить в систему «чужого»), так и по особенностям используемой информации, лояльности общественного мнения (особенно актуально для систем, использующим отпечатки пальцев), стоимость оборудования и т.д.

Рисунок 1.3 -- Операционное тестирование биометрических систем. UK Biometrics Working Group, 2001.

Ошибки 1-го и 2-го рода

Приведем результаты операционного тестирования основных способов биометрической идентификации, проведенного в 2000 г. UK Biometrics Working Group и Национальной физической лабораторией (Великобритания) [51]. Графики зависимостей ошибок 1-го и 2-го рода изображены на рисунке 1.3.

В приведенной процедуре тестирования использовались самые распространенные способы автоматической биометрической идентификации.

На основе результатов данного и других тестирований [44,45,47-49], грубо, по ошибке 2-го рода (в порядке ухудшения), основные методы биометрической идентификации можно расположить следующим образом:

1)ДНК

2)Радужная оболочка глаза, сетчатка глаза

3)Отпечаток пальца

4)Термография лица, форма ладони

5)Форма лица

6)Голос

Остальные методы значительно хуже.

Среди перечисленных методов только анализ ДНК не может быть реализован в автоматических системах реального времени.

Распространенность основных биометрических методов на рынке коммерческих-биометрических систем аутентификации в 1998-2003гг. по данным International Biometric Group [32] представлена на рисунке 1.5. На данном графике не приведены данные по системам биометрической идентификации (традиционно называемые AFIS-системами, Automatic Fingerprint Identification System, несмотря на использование различных .' биометрических характеристик), т.к. данные высокопроизводительные системы являются очень дорогостоящими и создаются обычно в течение . длительного времени. Поэтому учет нескольких систем биометрической идентификации, продаваемых за год, приведет к существенному искажению картины распространенности различных биометрических измерений.

Традиционное доминирующее положение на рынке систем распознавания по отпечатку пальца обусловлено как довольно низкими показателями ошибок, так и относительной дешевизной терминального оборудования. По данным аналитических фирм [71], системы аутентификации по отпечатку пальцев сохранят свою 50-% долю, на рынке в ближайшие несколько лет.

Рисунок 1.4 - Структура рынка биометрических систем автоматической аутентификации в 1998-2003 гг.

Также следует отметить, что, начиная с 2000г., постоянно растущий сегмент рынка AFAS занимают комбинированные или многофакторные (multimodal) биометрические технологии, включающие в себя целый набор различных биометрических решений. Традиционно системы, использующие распознавание по нескольким отпечаткам пальцев (вместо одного), также относят к комбинированным биометрическим решениям, так как возникающие технологические и алгоритмические проблемы использования нескольких отпечатков сходны с проблемами интеграции разнородных технологий.

Таблица 1.2. Методы биометрические идентификации в системах пограничного контроля

Страна	Базовая технология	Вспомогательная технология
США	Отпечатки пальцев (1+1; 4+4)1	Форма лица
Великобритания^	Радужная оболочка	Форма лица
Япония	Радужная оболочка	Форма лица
Корея	Отпечаток пальца	Форма лица .
Канада	Отпечаток пальца	Форма лица
Израиль	Форма ладони	Форма лица
Австралия	Форма лица	Нет
Европейский союз	Отпечатки пальцев (1+1)J	Форма лица
Россия	Форма лица	Отпечаток пальца

В то время как комбинированные биометрические решения только начинают проникать в коммерческие биометрические системы, их широко используют при проектировании систем автоматической идентификации. Это обусловлено тем, что, во-первых, на текущий момент ни одна биометрическая технология не позволяет получить требуемых уровней ошибок 1-го и 2-го рода5. Во-вторых, большинство AFIS-систем интегрируются в систему государственной безопасности с целью поиска преступников. Как следствие, требования к используемым биометрическим '

1 1+1 - пара больших пальцев; 4+4 -- четверки пальцев (без большого), система «US Visit» находится в стадии тестовой эксплуатации В стадии разработки, список используемых технологий не окончателен/

Пара больших или пара указательных пальцев. В стадии проектирования.

В стадии разработки стандартов. Система принципиально далеко от реального воплощения.

Исключением является ДНК. Однако применение данной технологии в автоматических системах в настоящее время невозможно.

Поэтому в AFIS всегда стараются интегрировать системы распознавания по лицу и реже распознавания по голосу.

В таблице 1.2 приведены данные об использовании биометрических технологий в существующих и проектируемых государственных системах пограничного контроля и электронных паспортов [2].

Как видно из таблицы 1.2, проектировщики систем идентификации .' стараются учитывать сложившуюся традиции использовать в удостоверениях личности фотографию. Отчасти данное обстоятельство объясняется тем, что . в отличие от остальных используемых способов биометрической идентификации, при сбое автоматического распознавания, «ручная» проверка личности по фотографии не требует от оператора системы или офицера пограничной службы специальных навыков.

1.3 Основные подходы к интеграции различных технологий

Под интеграцией (fusion) различных биометрических технологий понимается как технические аспекты внедрения нескольких биометрических технологий одновременно, так и математические и алгоритмические аспекты предварительного анализа и достижения требуемых статистических показателей качества работы полученной комбинированной биометрической системы. Если с технической точки зрения задача интеграции решается внедрением единого стандарта, описание которого приведено в разделе 1.1, то математические и алгоритмические проблемы получения комбинированной меры сходства в значительной степени остаются нерешенными.

В зависимости от используемых технологий можно выделить следующие основные уровни интеграции [3,6,72]:

1)Много модальностей (multimodal). Такой метод интеграции предполагает использование нескольких различных биометрик, например, форма лица + отпечаток пальца, отпечаток большого пальца + отпечаток указательного пальца.

2)Много измерений (multisample). В данном случае одно и то же биометрическое свойство снимается при помощи различных устройств или в различных условиях.

3)Много алгоритмов (multialgorithm). Интеграция ведется на уровне алгоритмов с целью улучшить показатели работы.

Здесь следует отметить, что такой важный класс комбинированных биометрических систем, как одновременное использование для распознавания инфракрасного и обычного снимка лица, относится к многомодальной интеграции [3,6]. Это объясняется тем, что в таком случае для распознавания используются два принципиально различных алгоритма и сканирующих устройства.

Важным примером 2 уровня интеграции является использование / алгоритма распознавание трехмерной модели лица. При получении модели используются несколько снимков, либо от нескольких камер, расположенных под разным углом, либо от одной камеры с некоторыми промежутками времени. В таком случае интеграция осуществляется на уровне между считывающими устройствами и алгоритмом распознавания. Также такой способ интеграции характерен для процедур промежуточной обработки на этапе выделения особенностей отпечатков пальцев [60].

Первые интегрированные биометрические системы верификации строились на основе булевых критериев [15,58,59,73]. А именно интегрировались несколько систем верификации, возвращающие «Да» или «Нет».

Приведем пример 1978 года результатов такой интеграции [58].

Таблица 1.3. Показатели качества комбинированных биометрических систем (Г - голос, П - подпись, ОП -- отпечаток пальца)

Решающее правило	FAR,%	FRR,%	Решающее правило	FAR,%	FRR,%
Г&П	0,18	3	Г|П	8,9	0,02
Г&ОП	0,13	8,4	Г|ОП	7,9	0,12
П&ОП	0,08	7,6	П|ОП	5,6	0,07
Г&П&ОП	0,0043	9,5	Г|П|ОП	11,2	0,0014

Использование логических комбинаций алгоритмов верификации рекомендовано федеральным стандартом по обработке информации национального бюро по стандартам (NBS) США [59]. Несмотря на простоту, до сих пор посвящается большое число работ по разработке решающих правил и классификаторов такого вида для различных задач [60,73,74,75].

Более сложным вариантом такого подхода является построение комбинированных классификаторов, позволяющих разделить базу субъектов, зарегистрированных в системе, на классы, что существенно ускоряет работу алгоритмов сравнения, правда, за счет некоторого увеличения ошибки 1-го рода. Комбинируя различные классификаторы, можно значительно повысить точность классификации. Хороший обзор методов построения комбинированных классификаторов дан в [60].

Однако при данном способе интеграции нет управляющих параметров, . позволяющих регулировать ошибки 1-го и 2-го рода. Первые эвристические способы получения комбинированной меры сходства появились только в середине 90-х годов прошлого века.

Основной алгоритмической проблемой является то> что даже результаты двух способов распознавания можно комбинировать огромным (теоретически бесконечным) числом способов.

Рассмотрим пример. В случае одного измерения единственным управляющим параметром является порог t. Если мера сходства больше порога, то принимается решение допустить пользователя в систему. В зависимости от порога строятся кривые ошибок 1-го и 2-го рода. В дальнейшем на основании требований к ошибкам выбирается оптимальный порог.

Если измерения два, то результаты являются точками плоскости. Тогда область, где принимается решение допустить пользователя в систему, может иметь различные формы, которые не параметризуются элементами конечномерного пространства.

Для большего количества измерений на данный момент не предложено не только универсального алгоритма интеграции, но и практически не разработаны методы построения комбинированных мер сходства. Это обусловлено тремя основными факторами:

1)Низкий интерес к интеграции в период до 2000г., что связано в первую очередь тем, что до этого времени уровень развития биометрических технологий был недостаточным, и основные усилия были направлены в первую очередь на совершенствование алгоритмов распознавания.

2)Математическая сложность задачи.

3)Недостаточность статистики для верификации полученных результатов. На данный момент существует ограниченное количество баз биометрических данных для тестирования многомодальных биометрических систем.

В настоящее время определены только пути к будущей стандартизации процедур интеграции.

Как видно из схемы предлагается разделять процессы сравнения и процесс интеграции. Аналогичная схема должная применяться и для интеграции большего числа биометрических измерений.

В случае интеграции независимых биометрических измерений (строгое определение независимости приведено в разделе 3),* например форма лица и отпечаток пальца, шаблон интеграции должны разделяться на независимые части.

Несмотря на кажущуюся простоту схемы, остаются открытыми такие критичные вопросы как единый выходной формат сравнения биометрических измерений и необходимая для эффективной интеграции информация. Именно эффективной, может быть и неоптимальной с статистической точки зрения, но пригодной для создания универсальных инструментов интеграции как на уровне алгоритмов, так и на уровне модальностей.

1.4 Пути совершенствования методов синтеза интегрированных биометрических систем. Постановка проблемы

Проанализировав существующий опыт создания биометрических систем можно выделить основные способы улучшения качества распознавания биометрической системы [3]:

1.Улучшение качества используемых алгоритмов.

2.Подавление влияния факторов, ухудшающих распознавания.

3.Синтез комбинированных алгоритмов распознавания.

4.Использование нескольких модальностей.

Фактически пункты 2-4 отражают различные уровни интеграции.

Подавление факторов, ухудшающих распознавания, осуществляется путем интеграции на этапе регистрации специальных компенсирующих алгоритмов. Такие алгоритмы могут использовать как результаты биометрических измерений, сделанных разными типами сканирующих устройств, так и результаты моделирования биометрического измерения. * Распространенным примером такой интеграции является использование для распознавания трехмерной модели лица, которая может строится, либо на базе нескольких снимков в разном частотном диапазоне, либо на базе математических моделей [64]..

Пункты 3 и 4 представляют собой интеграцию биометрических систем на уровне алгоритмов и модальностей соответственно.



2. Биометрическая идентификация по отпечатку пальца

2.1 Классификация алгоритмов распознавания по отпечатку пальца

Все базовые алгоритмы сравнения отпечатков пальцев можно разделить на две основные группы [7,11,29,60]:

1.Классические алгоритмы.

2.Корреляционные алгоритмы.

Классические алгоритмы предполагают сравнение взаимного расположения особых точек (минюций) отпечатков пальцев, полей направлений папиллярных линий и прочих топологических характеристик отпечатков. Считается, что взаимное расположение минюций, хотя и не полностью описывает отпечаток, является уникальной характеристикой человека и не повторяется [77]. Такой подход к сравнению отпечатков позволяет сжимать полученный со сканера отпечаток в шаблон, по которому невозможно восстановить исходный отпечаток. Примеры классических алгоритмов распознавания приведены в [60]. Некоторые алгоритмы сравнения графов могут быть адоптированы к задачам распознавания по отпечаткам пальцев [97].

Корреляционные алгоритмы сравнивают отпечатки как изображения.

Существуют разные подходы к разработке корреляционных алгоритмов.

Однако большинство из них требует хранения в базе биометрических записей части изображения, что из соображений безопасности делает применение таких алгоритмов в некоторых системах, либо нежелательными, либо невозможным (злоумышленник может воспользоваться изображением отпечатка для создания муляжа отпечатка для последующего использования его в преступных целях).

Типовая схема корреляционного алгоритма предполагает вычисление прямого наложения участков изображения. Однако прямая корреляция всего изображения с целью выделить совпадающие участки является слишком трудоемкой процедурой, особенно, если дополнительно осуществлять перебор по поворотам, поэтому не используется в реальных системах.

В этой связи в работе предлагается усовершенствованная схема более быстрого корреляционного алгоритма.

На этапе создания шаблона регистрации выполняются следующие процедуры:

1.Бинаризация изображения.

2.Выделение на изображении участков высокой кривизны (такие участки как элементы текстуры несут наибольшую информацию). На рисунке 2.1 приведен пример выделенной информативной зоны изображения.

3.Вычисление на участках высокой кривизны локальной спектральной картины, инвариантной к сдвигам. А именно выделяются доминирующие частоты энергетического спектра Фурье.

Получаемый шаблон регистрации содержит бинарное изображение и набор сжатых энергетических спектров вокруг TS точек высокой кривизны.

Рисунок 2.1 - Пример информативной зоны отпечатка

Сравнение осуществляется следующим образом:

1.Для всех возможных соответствующих пар точек изображений вычисляется расстояние между спектральными картинами. По этому расстоянию все пары сортируются. Данная процедура позволяет очень точно определить оптимальные параметры относительного сдвига и поворота изображений, что существенно сокращает число переборов по поворотам при последующем прямом наложении участков изображений.

2.Для CR пар (CR варьируется от 3 до 35), давших наименьшее спектральное расстояние, вычисляется прямая свертка двух окрестностей на изображениях.

Использование такого алгоритма в основном целесообразно для полупроводниковых сканеров малой площади, дающие изображения плохого качества. В таких случаях зачастую классические алгоритмы не работают из-за малых площадей пересечения отпечатков и недостаточного числа выделяемых минюций.

В таблицах 2.1-2.3 приведены скорости создания шаблона и сравнения.

Таблица 2.1. Средняя скорость вычисления шаблона регистрации, сек

	TS
	10	20	30	40	50
PentiumIII,733MHz Pentiumll, 450MHz	0,15 0,24	0,28 0,42	0,40 * 0,60 .	0,51 0,75.	0,58 0,84

Таблица 2.2. Скорость сравнения, сек (Pentium III, 733 Mhz)

CR	TS
	10	20	30	40	50
5	0,57	0,71	0,94	1,27	1,69
10	0,80	0,94	1,17	1,50	1,92
15	0,97	1,11	1,35	1,67	2,09
20	1,09-	1,23	1,46	1,79	2,21
25	1,22	1,36	1,59	1,92	2,34
30	1,42	1,56	1,79	2,12	2,54
35	1,50	1,64	1,88	2,20	2,62



Таблица 2.3. Скорость сравнения, сек (Pentium II, 450 Mhz)

CR			TS		*
	10	20	30	40	50
5	0,77	0,96	1,25	1,60	1,98
10	1,12	1,31	1,60	1,95	2,33
15	1,38	1,57	1,86	2,21	2,60
20	1,64	1,83	2,12	2,47	2,85
25	1,85	2,04	2,33	2,68	3,07
ЗО	2,16	2,36	2,64	2,99	3,38
35	2,30	2,49	2,78	3,13	3,52

Сравнительно низкая скорость [46] сравнения ограничивает применение данного алгоритма только режимом верификации.

Реализация данного корреляционного алгоритма используется:

1)в подразделе 2.3 при анализе эффективности интеграции алгоритма компенсации деформаций отпечатков пальцев в алгоритмы распознавания;

2)в подразделе 4.3 при статистическом анализе интеграции классических и корреляционных алгоритмов распознавания по отпечатку пальца.

2.2 Факторы, снижающие эффективность распознавания по отпечаткам пальцев

Среди факторов, ухудшающих показатели работы как классических, так и корреляционных алгоритмов отметим следующие [7,46,60]:

Г. Плохое качество отпечатков. Может быть вызвано плохими условиями съемки (высокая влажность, низкая температура и т.д.), особенностями кожи, качеством сканирующего устройства. На сегодняшний день разработано множество способов улучшения качество изображения. Среди них можно выделить: различные методы фильтрации, в том числе специализированные учитывающие особенности отпечатков пальцев, методы бинаризации, скелетизации и т.д. На рисунке 2.2 приведены примеры отпечатков различного качества.

Плохие условия съемки. Слишком высокая или низкая влажность воздуха, низкая температура воздуха приводят к значительному ухудшению качества полученных со сканера отпечатков.

Деформации отпечатка. В основном обусловлена непривычностью устройства или намеренным желанием обмануть систему. На сегодняшний день существует очень ограниченное число публикаций, касающихся учета и моделирования деформаций отпечатков пальцев.

Рисунок 2.2 - Отпечатки пальцев (А - хорошего, Б - среднего, В - плохого) качества

Эффективный учет деформаций может свести задачу сравнения отпечатков пальцев к статистической, задаче распознавания в условиях шумов.

2.3 Учет и моделирование деформаций отпечатков

При ручном снятии (откатке) отпечатков пальцев для криминалистических целей возникают очень большие деформации, поэтому при ручной идентификации эксперт опирается на топологию. В автоматических системах возникают деформации другого плана, в основном связанные с неправильным приложением пальца, изменению условий сканирования, непривычным интерфейсом, типом сканера, желанием обмануть систему и т.д. На рисунке 2.3 приведен пример сильно деформированного отпечатка.

Рисунок 2.3 - Пара сильно деформированных отпечатков (маркерами отмечены минюции)

В то время как существует достаточное количество общих методов фильтрации изображений и специализированных, учитывающих специфику отпечатков, методы учета и подавления нелинейных искажений отпечатков развиты очень слабо. В [78] предложена модель деформаций на основе thin-plate spline (TPS) - такое приближение деформаций фактически является приближенным решением уравнения динамики тонкой металлической пластины, где смещения направлены перпендикулярно плоскости материала. Такая модель впервые к биологическим тканям была применена Ф. Букштейном [79]. Подобные модели также разработаны для отпечатков и тканей мозга [78,80,81]. Однако существенным недостатком всех перечисленных методов является их плохое соответствие реальным физическим процессам, т.к. свойства пальца сильно отличаются от свойств металлического листа. Отличная от перечисленных способов учета деформаций аналитическая модель нелинейных искажений приведена в [82]. Но данная модель имеет существенные недостатки, в частности, получаемые уравнения динамики необратимы даже при малых деформациях.

В данном разделе рассматривается модель динамики деформаций отпечатка пальца, построенная на основе уравнений механики деформируемого тела.

Аналитическая модель деформаций

Динамика малых упругих деформаций довольно точно описывается решением линейным уравнением механики деформируемого тела [83,84]