Контакты
Подписка
МЕНЮ
Контакты
Подписка

Особенности мультибиометрических технологий

В рубрику "Системы контроля и управления доступом (СКУД)" | К списку рубрик  |  К списку авторов  |  К списку публикаций

Особенности мультибиометрических технологий

Современные биометрические технологии распознавания личности за последнее десятилетие получили широкое развитие и распространение. Анализ результатов тестов NIST за все время проведения тестирования алгоритмов распознавания по изображению лица показывает огромный прогресс в их совершенствовании
Елена
Кручинина
Независимый эксперт, к.т.н.
Данила
Николаев
Директор НП "Русское биометрическое общество", председатель ТК 098 "Биометрия и биомониторинг"

Одним из вариантов защиты биометрических систем от подделки является многократное усложнение возможности создания поддельных образцов, а именно – применение двух и более биометрических характеристик (лицо, отпечатки пальцев, голос, радужная оболочка глаза), получение биометрических образцов с помощью различных методик (видимый диапазон и ИК-диапазон), регистрация нескольких экземпляров одной биометрической модальности (два ракурса лица). Выполнение таких "объединений" с целью улучшения качества автоматического распознавания личности и защиты биометрических систем от подделки представляет собой мультибиометриче-скую технологию распознавания.

Предпосылки развития мультибиометрической технологии

Данные, полученные в результате тестирования 2017 г., на некоторых базах демонстрируют, что при вероятности ошибки ложного совпадения FMR = 10-3 существуют алгоритмы, показывающие вероятность ошибки ложного несовпадения FNMR = 6 × 10-3 (рис. 1).


Аналогичные улучшения вероятностных характеристик можно наблюдать и у других распространенных технологий распознавания личности: по отпечаткам пальцев, голосу, венам руки. Однако приведенные и рассчитываемые при тестировании вероятности учитывают только ошибки самих алгоритмов, когда их обман не был запланирован и целенаправленно осуществлен. Обзор источников показал, что наравне с развитием алгоритмов распознавания совершенствуются и способы подделки биометрических образцов для целенаправленного обмана систем.

Если первые системы лицевой биометрии можно было обмануть, предоставив фотографию или видеоролик с изображениями лица, то теперь большинство алгоритмов имеет встроенную защиту против такого способа подлога – методы оценки "живости" (Liveness Detection). Некоторые разработчики применяют алгоритмы оценки эмоций, отслеживание направления взгляда, подсчет количества морганий для выявления подлога с помощью фотографии или видеоролика.


Тем не менее современные возможности создания реалистических текстурированных трехмерных моделей позволяют перейти на новый уровень создания подделок для обмана систем безопасности на основе распознавания по лицу. В конце 2016 г. исследователи из университета Северной Каролины опубликовали статью с описанием метода формирования реалистичных моделей лиц на основе нескольких фотографий. Как показали авторы, исходным материалом для создания модели могут служить фотоизображения, опубликованные пользователем, например, в социальных сетях. Модель приводится в движение при помощи технологий виртуальной реальности, формируя узнаваемую мимику – поднятие бровей, улыбку и т.д. Проведенные эксперименты с несколькими ведущими разработчиками алгоритмов распознавания личности по изображениям лица подтвердили, что созданные трехмерные анимиро-ванные модели снижают вероятность правильной идентификации на 20–30%, а некоторые алгоритмы не могут отличить такую модель от живого лица.

В данном случае методом оценки "живости" и реальной "трехмерности" лица является использование ИК-датчиков и построение трехмерной модели лица перед проведением распознавания.

Задача выявления поддельных биометрических образцов особенно актуальна в случае удаленной идентификации и/или верификации личности пользователя (например, в банковском секторе), когда предоставить подделку проще, чем в общественном месте или при контакте с оператором или охранником.

Принципы объединения в мультибиометрической технологии

Суть применения мультибиометрической технологии заключается в том, что в ней удается получить большее количество информации об идентифицируемом субъекте. Обобщенно процесс обработки информации в биометрической системе может быть представлен в виде схемы (рис. 3).


Процесс объединения при создании мульти-биометрической технологии может выполняться на любом из этапов обработки, поэтому традиционно выделяют следующие уровни объединения:

  • уровень образцов. Выполняется регистрация различных биометрических образцов и формирование единого образца по специальному правилу, может использоваться одна модальность в разных представлениях (фото фас и профиль) или разные модальности (лицо, голос, отпечатки пальцев);
  • уровень признаков. Выполняется обработка различных биометрических образцов и формирование отдельных векторов признаков, которые объединяются в один вектор признаков для дальнейшей классификации;
  • уровень степеней схожести. В процессе параллельной обработки и классификации биометрических образцов формируется набор степеней схожести, которые объединяются в одну степень схожести или одно решение, в дальнейшем сопоставляемое с порогом принятия решения системы;
  • уровень принятия решения. Каждая биометрическая технология формирует булев результат, которые объединяются с помощью комбинирующего правила.

При рассмотрении объединений на уровне регистрации и уровне извлечения признаков удается сформировать объединенный шаблон, который содержит большее количество идентифицирующих признаков, что может повышать вероятность правильной идентификации. В случае с объединением на уровне степеней схожести и принятия решений повышения надежности распознавания можно достичь за счет использования весовых коэффициентов для более "надежных" и "достоверных" результатов одной из технологий. Таким образом, можно сказать, что мультибиометрическая технология является более адаптивной к условиям применения и более информативной по объему обрабатываемой информации по сравнению с одно-модальной биометрией.

Примеры и испытания лабораторных мульти-биометрических систем с различными уровнями объединения показывают увеличение вероятностей идентификации на 5–15% (рис. 4).


Поскольку мультибиометрия преследует цель увеличения надежности системы за счет извлечения и обработки большего количества информации об объекте распознавания, то наилучшие результаты даст объединение отдельных параметров. В зависимости от уровня объединения могут возникать различные типы взаимодействия данных, например:

  • взаимосвязь между модальностями. Имеет отношение к биометрическим образцам, которые физически связаны (например, речь и движение губ пользователя);
  • взаимосвязь, возникающая вследствие идентичности биометрических образцов. Случай, когда один и тот же биометрический образец (изображение отпечатка пальца) или подмножества биометрического образца (голос, когда весь образец может быть использован одним алгоритмом и часть образца – другим) применяются разными алгоритмами извлечения признаков и алгоритмами сравнения (на основе контрольных точек и на основе текстуры);
  • взаимосвязь значений признаков. Подмножество значений признаков, представляющих собой векторы признаков разных модальностей, могут быть взаимосвязаны, например площадь ладони пользователя (геометрия кисти руки) может быть связана с шириной лица;
  • взаимосвязь экземпляров, возникающая при общей технике эксплуатации. Использование одного и того же устройства регистрации, один и тот же уровень подготовки оператора;
  • взаимосвязь экземпляров, возникающая вследствие особенностей субъекта. К примеру, цветные контактные линзы на обоих глазах.

Для оценки взаимосвязи используют корреляционный коэффициент, который определяется по формуле:

где n – общее число тестируемых классификаторов;
N – общее число входных данных;
NCf – число входных данных, ошибочно классифицируемых всеми классификаторами при использовании порога C;
NCt – число входных данных, правильно классифицируемых всеми классификаторами при использовании порога C.

Для получения наибольшего эффекта от объединения при формировании мультибиометри-ческой технологии целесообразно применять параметры, коэффициент корреляции между которыми минимальный.

В настоящее время наибольшее практическое применение получили мультибиометрические системы, объединяющие две биометрические технологии на уровне принятия решений. Это обосновано относительной технологической простотой – отсутствием необходимости поиска способов объединения биометрических образцов или шаблонов, создания новых алгоритмов сравнения. Объединение на уровне принятия решения также позволяет использовать биометрические системы различных производителей, а в случае применения логического правила принятия окончательного решения – оценивать конечные вероятностные характеристики мультибиометрической системы на основе известных параметров объединяемых технологий.

Оценка вероятностных характеристик

Как уже было отмечено ранее, мультибиомет-рическая технология предусматривает объединение параметров, и это позволяет выдвинуть предположение, что об объекте "больше информации лучше, чем меньше информации", и, значит, технология должна быть надежнее. С другой стороны, интуитивно можно предположить, что если "надежная" технология сочетается с более "слабой", то результирующий метод принятия решений в некотором смысле усредняется и после объединения результирующие параметры будут находиться где-то между результатами исходных технологий.

Ключом к разрешению кажущегося парадокса является то, что когда две технологии объединяются, одна из результирующих ошибок первого или второго рода (FAR или FRR) становится ниже, чем у более надежной технологии, тогда как другая ошибка становится выше, чем у менее надежной технологии. Если две биометрические технологии существенно различаются по надежности ("мощности"), то объединение их может дать в некоторых случаях более высокие вероятности ошибок, чем исключительно более "надежная" и "сильная" биометрическая технология

Рассмотрим объединение двух независимых биометрических технологий разных модальностей, например по изображению лица и по голосу. Каждая из них характеризуется собственной парой коэффициентов ошибок первого и второго рода в данной точке рабочей характеристики системы (ROC):

  • p 1FAR - вероятность ложного допуска первой биометрической технологии;
  • p 1FRR - вероятность ложного недопуска первой биометрической технологии;
  • p 2FAR - вероятность ложного допуска второй биометрической технологии;
  • p 2FRR - вероятность ложного недопуска второй биометрической технологии.

Предположим, что объединение технологий выполняется на уровне принятия решения. Рассмотрим два наиболее простых способа формирования совместного решения:

  1. Правило конъюнкции (логическое "И") Положительное совместное решение при требовании двух положительных решений от каждой из технологий.
  2. Правило дизъюнкции (логическое "ИЛИ"). Положительное совместное решение при условии хотя бы одного положительного решения из двух технологий.

Теперь можно рассчитать коэффициенты ошибок первого и второго рода (FAR и FRR) для комбинаций двух технологий. Результирующие вероятности ошибок будут обозначаться:

Если для объединения используется правило "ИЛИ", то ошибка ложного недопуска может возникать только в том случае, если обе технологии дали ошибочное решение ложного недопуска. Таким образом, вероятность ошибки ложного недопуска объединенной технологии определяется произведением двух вероятностей:

Вероятность этой ошибки будет меньше, чем у исходных технологий. Но вероятность ложного допуска FAR при использовании этого правила будет выше, чем у исходных технологий:

При применении правила "И" для объединения двух технологий ошибка ложного доступа может возникать только в том случае, если обе технологии дали решение ложного доступа. Таким образом, объединенная вероятность ошибки ложного доступа является произведением вероятностей ошибок отдельных технологий:

Таким образом, ошибки ложного доступа при использовании данного правила будут меньше, чем ошибки исходных технологий, а объединение дает более надежную мультибиометриче-скую технологию. Но вероятность ложного недопуска при использовании этого правила, которая может быть выражена как дополнение к вероятности того, что ни первая, ни вторая технология не вызовет ложный отказ доступа, оказывается выше, чем для каждой технологии в отдельности:

Приведенные расчеты справедливы при линейном логическом объединении двух технологий на уровне принятия решений, когда каждая из технологий дает логический (булев) результат сравнения (да/нет).

В общем случае в мультибиометрической технологии выполняется объединение разных параметров на различных уровнях, могут использоваться не только линейные, но и параллельные способы обработки данных и формирования решения. Поэтому рассчитать окончательные вероятностные характеристики системы на основе известных параметров исходных технологий в большинстве случаев не представляется весьма затруднительным.

В таком случае для достоверной оценки ошибок первого и второго рода мультибиометрической системы целесообразно выполнение полноценных испытаний. При этом необходимо использовать не синтезированные базы данных (искусственное случайное объединение различных баз данных, например разномодальных), а естественные. К примеру, для испытаний муль-тимодальной системы не должно допускаться объединение биометрических образцов разных людей, а необходимо формирование базы данных, в которой каждый человек представлен собственными биометрическими характеристиками. Данный подход позволяет учесть наличие взаимосвязи обрабатываемых параметров, которая в реальных условиях эксплуатации может повышать ошибки первого и второго рода.

Реализация на практике. Каковы перспективы?

Анализ литературных источников и принципов формирования мультибиометрической технологии показал, что при объединении двух и более технологий можно сформировать более надежную технологию с точки зрения как сложности создания поддельных образцов для обмана системы, так и более низких ошибок распознавания. На практике объединение желательно выполнять на уровне степеней схожести или принятия решения, такой подход позволяет минимизировать затраты на алгоритмическое обеспечение, но при этом использовать преимущество мультибиометрии.

В статье рассмотрены способы логического объединения двух технологий на уровне принятия решений, представлен математический аппарат для вычисления ошибок первого и второго рода мультибиометрической технологии на основе значений ошибок объединяемых технологий. Установлено, что логическое объединение "И" дает возможность сформировать более надежную технологию за счет уменьшения ошибки первого рода (ложного доступа). При логическом объединении "ИЛИ" удается снизить вероятность ошибки второго рода (ложного недопуска). Приведенный математический аппарат может применяться при создании мультибиометрических систем с указанными типами объединения для расчета ошибок первого и второго рода.

Объединение на уровне биометрических образцов и векторов признаков требует создания нового алгоритма сравнения и принятия решения, а в случае использования нейронных сетей – новой нейронной сети и обучения на базах данных объединенных образов/векторов признаков. Таким образом, подобное объединение требует существенных временных и финансовых вложений, а также не позволяет использовать наилучшие алгоритмы от ведущих разработчиков биометрических систем. Кроме того, данный подход хоть и имеет потенциальные преимущества в виде повышения надежности и устойчивости к подделкам, однако их достижимость зависит от качества разработки алгоритмов, баз данных для обучения и прочих условий.

Опубликовано: Журнал "Системы безопасности" #1, 2018
Посещений: 4627

  Автор

Елена Кручинина

Елена Кручинина

Кандидат технических наук, руководитель по развитию систем компьютерного зрения АО "Автономные системы"

Всего статей:  3

  Автор

Данила Николаев

Данила Николаев

Директор Некоммерческого партнерства
"Русское биометрическое общество", председатель
ТК 098 "Биометрия и биомониторинг" (Росстандарт)

Всего статей:  4

В рубрику "Системы контроля и управления доступом (СКУД)" | К списку рубрик  |  К списку авторов  |  К списку публикаций