IDENTIFIKACIONI SISTEMI PREPOZNAVANJE DUŽICE, LICA I GLASA Doc. dr Nedjeljko Lekic DUŽICA OKA Stara p poslovica: Oči su odgledalo g duše. Dužica se nalazi između rožnjače i sočiva. Ona igra ulogu dijafragme oka - posebnim mišićnim mehanizmom reguliše količinu svjetlosti koja upada u oko. Unutrašnji organ čovjeka koji se vidi spolja. Počinje se formirati oko tri mjeseca nakon začeća. Struktura linija i šara koje joj daju prepoznatljivost se formiraju do osmog mjeseca. Dužica sadrži mišiće za kontrolu širine zjenice. zjenice Iris pigment epithelium – tanki sloj ćelija iza dužice. DUŽICA OKA Dijagramski presjek ljudskog oka: A - staklasto tijelo, B - sočivo, C - rožnjača, D - zjenica, E - dužica, F -beonjača, G – očni nerv, H – sudovnjača, J - mrežnjača, K - cilijarno tijelo Debljina dužice je između 0.3 i 0.4 mm. Od količine pigmenta zavisi boja dužice. DUŽICA OKA Vertikalni presjek dužice DUŽICA OKA Horizontalni presjek ISTORIJAT Mogućnost da dužica oka bude upotrijebljena za j , najprije jp j je j sugerisana g od strane oftamologa. g identifikaciju, Veliki broj detalja koji su jednistveni i ostaju nepromijenjeni tokom vremena. 1936 godine oftamolog Frank Burch prvi sugeriše upotrebu dužice za personalnu identifikaciju identifikaciju. 1986. god. druga dva oftamologa Aran Safir i Leonard Flom su patentirali tu ideju Dr. John Daugman, profesor na Harvard Universitetu, sredinom di 1990-tih 1990 tih godina di patentira t ti algoritme l it za skeniranje k i j dužice. PREPOZNAVANJE DUŽICE OKA Dužica oka slikana sa malog rastojanja i njen negativ. Dužica posjeduje preko 200 detalja koji se mogu upotrijebiti za poređenje. Čit či dužice Čitači d ži koriste k i t video id kameru. k Ne zahtijeva se kontakt sa korisnikom. PREPOZNAVANJE DUŽICE OKA Skeniranje dužice najčešće se vrši infracrvenim svjetlom. Vidljiva j svjetlost j se rjeđe j koristi jjer izaziva dilataciju j zjenice. j Algoritam Dr. Daugman-a obezbjeđuje 3-4 bita podataka po kvadratnom milimetru (p (prečnik dužice jje oko 11 milimetara). ) Šara dobijena iz tamno braon dužice osvijetljene infracrvenim svjetlom. PREPOZNAVANJE DUŽICE OKA Postupak prepoznavanja dužice oka Vrijeme potrebno za prepoznavanje je obično manje od 5 sekundi. PREPOZNAVANJE DUŽICE OKA FAZE PREPOZNAVANJA DUŽICE: Slikanje oka Segmentacija S t ij Normalizacija Dobijanje koda Upoređivanje dobijenog koda SLIKANJE OKA Nije jednostavno. Potrebna slika visokog kvaliteta. Odstojanje kamere od oka. Dovoljno osvetljenje koje ne smeta korisniku. Dobra centriranost bez opterećivanja korisnika. Za skeniranje se koristi infracrvena svjetlost. Vidljiva svejtlost – dilatacija zjenice – detekcija falsifikata. SLIKANJE OKA Prilikom skeniranja dužice oka, korisnik staje ispred čitača, na način da na uređaju može vidjeti svoje oči. SEGMENTACIJA Nakon što smo došli do slike oka,, p potrebno jje izdvojiti j samu dužicu. Treba pronaći centar zjenice, detektovati ivice dužice, povezati te ivice i izvršiti filtriranje. Najpoznatije metode segmentacije su: - Hough g transformacija j i - Daugmanov integralno-diferencijalni operator. PREPOZNAVANJE DUŽICE OKA Radijalno pretraživanje slike dužice u cilju određivanja njenih kontura SEGMENTACIJA – DETEKCIJA SMETNJI Detekcija ivica dužice, kao i smetnji smetnji-kapaka, kapaka, trepavica i refleksija. PROBLEM SVIJETLIH TREPAVICA U gornjem dijelu slike svjetlije trepavice nisu detektovane detektovane. NEDOVOLJAN KONTRAST Ukoliko između regiona dužice i regiona zjenice postoji jako mali kontrast može se desiti da segmentacija bude neuspješna. PRIMJERI USPJEŠNE SEGMENTACIJE NORMALIZACIJA Normalizacija – transformacija regiona dužice tako da ima stalne dimenzije. Na prepoznavanje ne smiju uticati promjene u veličini, veličini poziciji i orijentaciji dužice. N Normalizacija li ij traba t b da d obezbijedi b bij di neosjetljivost j tlji t na : - veličinu dužice na slici (zavisi od rastojanja oka od kamere, uvećanja kemere, ...), - veličinu zjenice j (stalno ( se mijenja j j usljed j promjene p j osvjetljaja), - položaj dužice na slici, - orijentaciju dužice (zavisi od nagiba glave, uglova kamere rotacije oka kamere, oka, ...). ) NORMALIZACIJA Treba imati u vidu da region zjenice nije koncentričan u odnosu na dužicu, nego uvijek malo pomjeren. NORMALIZACIJA DAUGMANOV RUBBER SHEET MODEL NORMALIZACIJE Transformiše sliku u polarni koordinatni sistem. Dvostruka bezdimenzionalnost: -polarna promjenjiva ugao je svojstveno bezdimenzionalna. -bezdimenzionalnost radijalne promjenjive postignuta je uzimanjem opsega od granica zjenice do limbusa uvijek kao jedinični interval. Za referentnu tačku izabran jje centar zjenice. j Radijalni vektori. Radijalna rezolucije – tačke duž radijalnih linija. Ugaona rezolucija – broj radijalnih linija. NORMALIZACIJA Proces normalizacije j a) Slika oka b)Lokalizacija dužice c) Slika dužice nakon normalizacije d) Maska za ukljanjajnje smetnji DOBIJANJE KODA DUŽICE Za dobijanje koda koriste se dvodimenzionalni Gabor wavelet-i. wavelet i. Pomoću njih struktura dužice prikazuje se kao niz vektora u kompleksnoj ravni. Ugao g svakog g vektora ((fazora)) se kvantizira na jjedan od 4 kvadranta kompleksne p ravni,, dajuću dva bita informacije o fazi. Za prepoznavanje se koristi samo fazna informacija. Amplitudna informacija nije pogodna jer zavisi od mnogo faktora, kao što su: kontrast slike, iluminacija i pojačanje kamere. UPOREĐIVANJE KODOVA TEST STATISTIČKE NEZAVISNOSTI Ključno u prepoznavanju dužice je da ne prođe test statističke nezavisnosti, odnosno da rezultat testa bude 0. Hamingova distanca: Distribucija Hammingove distance za preko 9 miliona poređenja različitih parova dužica UPOREĐIVANJE KODOVA ŠIFTOVANJE KODA Uklanjanje nepravilnosti usljed rotacije slike. Šif Šiftovanje j po d dva bi bit u d desnu stranu. Šiftovanje se vrši u horizontalnom smjeru – u smjeru ugla. Ilustracija procesa šiftovanja koda i dobijanje najmanje Hammingove distance,u ovom slučaju 0. DUŽICE ISTOG GENOTIPA Distribucija Hammingove distance za poređenje dužica lijevog i desnog oka iste osobe. UPOREĐIVANJE KODOVA Vjerovatnoća greške u zavisnosti od Hammingove distance. Vrijed j nost HD Vjerovatnoća j greške 0 26 0.26 1 : 1013 0.27 1: 1012 0 28 0.28 1: 84 biliona 0.29 1: 8.6 bilona 0.30 1: 1 bilion 0.31 1: 127 miliona 0.32 1: 18 miliona 0.33 1: 2.9 miliona 0.34 1: 527 000 0.35 1: 105 000 Za vrijednosti Hammingove distance koje su manje od 0.26 smatra se da je vjerovatnoća greške jednaka 0, tj. da se, bez sumnje radi o istim dužicama. sumnje, dužicama PREPOZNAVANJE DUŽICE OKA - PREDNOSTI Fiziološka reakcija dužice na svjetlo predstavlja prirodni test za detekciju falsifikata. falsifikata Nakon izvršenog skeniranja, u cilju detekcije dilatacije zjenice čitač uključuje vidljivu svjetlost i varira njen intezitet. zjenice, intezitet • Zaštićenost dužice od spoljašnje sredine. • Šara dužice je nezavisna od genetskog porijekla. • Šara dužice je vidljiva i sa rastojanja što donosi prednost u odnosu na tehnologiju identifikacije mrežnjače. • Karakteristike dužice se ne mijenju sa protokom vremena vremena. PREPOZNAVANJE DUŽICE OKA -PREDNOSTI ’’Afghan girl’’, 1984. i 17 godina poslije PREPOZNAVANJE DUŽICE OKA -NEDOSTACI NEDOSTACI: Pokretljivost dužice Veličina dužice svega g 1cm Spuštanje očnih kapaka PREPOZNAVANJE DUŽICE OKA -PRIMJENE Brojne su primjene tehnologije skeniranja dužice. Primjenjuje se: • kao zamjena za pasoše i identifikacione kartice, • za obezbjeđenje j j sigurnosti g u vazduhoplovstvu, p , • za kontrolu pristupa određenim prostorima na aerodromu, • za kontrolu pristupa bazama podataka i prijavljivanje na kompjuterske mreže, • za kontrolu pristupa zgradama i kućama, • za evidenciju j i kontrolu p pristupa p u bolnicama,, • za provjeru identiteta na graničnim prelazima, itd. PREPOZNAVANJE DUŽICE OKA -PRIMJENE Jedna od nejvećih primjena tehnologije skeniranja dužice realizovana je od strane Ministarstva unutrašnjih poslova Ujedinjenih Arapskih Emirata (UAE). (UAE) Na svih 17 zračnih, zemaljskih i morskih luka u UAE vrši se prepoznavanje dužice oka svih putnika koji ulaze u zemlju. Jedan od kontrolnih punktova u UAE za identifikaciju na osnovu prepoznavanje dužice oka PREPOZNAVANJE DUŽICE OKA -PRIMJENE Više aerodroma Viš d širom ši svijeta ij t imaju i j instalisane i t li identifikacione sisteme zasnovane na prepoznavanju dužice. Uređaj za prepoznavanje dužice na amsterdamskom aerodromu Schiphol PREPOZNAVANJE DUŽICE OKA -PRIMJENE Komisija Ujedinjenih Nacija za izbjeglice, poslije pada Talibanskog režima, kontroliše, povratak Afganistanskih izbjeglica. Umjesto pasoša š identifikaciju f i evidenciju vrše š za prepoznavanjem dužice oka izbjeglica. Prostorija za skeniranje dužice na Pakistansko Pakistansko-Avganistanskoj Avganistanskoj granici. PREPOZNAVANJE DUŽICE OKA -PRIMJENE U Velikoj Britaniji, u srednjoj školi u mjestu Sanderlend, postavljen je čitač koji može da prepozna osobu na osnovu snimka dužice. Čitač Č č je postavljen u š školskoj kantini s ciljem da se učenicima č omogući dobijanje obroka bez plaćanja gotovim novcem. PREPOZNAVANJE DUŽICE OKA -PRIMJENE PREPOZNAVANJE DUŽICE OKA -PRIMJENE PIER™ 2.3 – Portable Iris Enrollment and Recognition g Device The PIER™ is a rugged gg hand-held device that allows the operator p to enroll and identify y individuals using the highly unique patterns and textures of the human iris. The PIER™ can store a database of up to 200,000 individuals (both left and right eye) and quickly return the identity of the subject. Tethered to a PC, the device can match an unknown individual against a database of millions with extremely high accuracy. Thousands of PIER™ devices are in deployment throughout Iraq, Afghanistan, Bosnia and other areas of conflict. PREPOZNAVANJE LICA Lice je dio čovjekove spoljašnjosti na osnovu kojeg se ljudi međusobno prepoznaju. U poslednjih desetak godina čine se intezivni napori da se takva sposobnost b t razvije ij i kod k d kompjutera. k j t U procesu prepoznavanja lica ne zahtijeva se fizički kontakt sa skenerom. Jednostavna za korištenje j - Može se koristiti p postojeća j oprema p kao što je web kamera, sigurnosna kamera itd.. PREPOZNAVANJE LICA Lice nije u toj mjeri jedinstveno kao što je to slučaj sa otiskom prsta ili dužicom oka. Mijenja se sa protokom vremena vremena. ’’Afghan girl’’, 1984. i 17 godina poslije PREPOZNAVANJE LICA – KLJUČNI DETALJI Karakteristike lice koje se mogu mjeriti i koristiti za kasniju identifikaciju nazivaju se ključni detalji. Postoji oko 80 ključnih detalja na ljudskom licu. Neki od tih detalja su: • Rastojanje između očiju, • Širina nosa, • Dubina očnih udubljenja, udubljenja • Jagodice, • Vilična linija, itd... PREPOZNAVANJE LICA - POSTUPAK Postupak prepoznavanja lica sastoji se iz sljedećih koraka: Detekcije Podešavanja Normalizacije Kodiranje i Komparacije DETEKCIJA LICA U najkraćem: Lociranje j lica na slici. Izdvajanje iz scene PODEŠAVANJA Vrše se sljedeća podešavanja: Izražaj I ž j Rotacija Osvjetljaj Scale Head tilt (Zakretanje glave) Položaj očiju (lociranje oka) NORMALIZACIJA “Mirna slika“ - frontalna slika, sa uobičajenim izrazom čovječijeg lica. Manji numerički kod za predstavljanje lica u bazi podataka podataka. Normalizacija - korekcija razlika u licu istog čovjeka na različitim slikama. Normalizacione korekcije donekle umanjuju razlike i između različitih lica. KODIRANJE Ključni detalji se mjere i formira se numerički kod, kod odnosno niz brojeva, koji predstavlja lice u bazi podataka -″faceprint″. Mjerenje ključnih detalja lica KOMPARACIJA Dobijeni j digitalni g kod (faceprint), ( p ), se u fazi komparacije p j koristi za poređenje sa drugim raspoloživim kodovima iz baze podataka. PREPOZNAVANJE LICA TEŠKOĆE TEŠKOĆE: Varijacije u osvjetljaju Verijacije u orijentaciji (pozicija lica) Varijacije u veličini Jačina procesora Velike baze podataka PREPOZNAVANJE LICA – TEŠKOĆE Margina greške. Već broj korisnika – veći FAR. Velika baza podataka može uzrokovati isuviše veliki FAR. Multi-biometrijski koncept predstavlja dobro rješenje za obezbjeđenje visoke pouzdanosti identifikacije. Prepoznavanje lice - dopuna osnovne metode identifikacije PREPOZNAVANJE LICA Pouzdanost P d t sistema i t za prepoznavanja j lica li je j funkcija: Demografskih karakteristika populacija koja koristi sistem. PREPOZNAVANJE LICA Experimenti su pokazali da je lakše prepoznati muškarce nego žene, kao i da je lakše prepoznati starije nego mlađe lj d ljude. Rezultati takođe pokazuju da razlike u lakoći prepoznavanja, muškaraca i žena, opadaju p j sa njihovim j starenjem. j Kao i u slučaju K l č j tehnologije t h l ij prepoznavanja j otiska ti k prsta t i tehnologija prepoznavanja lica je prilično ugrožena mogućnošću falsifikovanja. falsifikovanja PREPOZNAVANJE LICA - PRIMJENE Prvi korisnici sistema za p prepoznavanje p j lica bili su p policija, j , sudovi itd.. Policija ove sisteme koristi za nadzor određenih prostora. Nadzor se sastoji u provjeri identiteta slučajno odabranog lica iz mase. PREPOZNAVANJE LICA - PRIMJENE Poznatiji sistemi za sigurnosni nadzor koji koriste tenologiju prepoznavanja lica su: - Virginia Beach Surveillance, Surveillance - City of Brentwood Police Department, - Zurich Airport Face, - Manchester NH Viisage, itd. PREPOZNAVANJE LICA - PRIMJENE Biometrijska tehnologija prepoznavanja lica može se upotrijebiti i za kontrolu pristupa kompjuteru. Montiranjem web kamere na kompjuter i instalacijom softvera, korisnikovo lice može zamijeniti lozinku za pristup kompjuteru pj PREPOZNAVANJE LICA - PRIMJENE Provjera j identiteta na automatu za keširanje j novca. PREPOZNAVANJE GLASA Karakteristika ponašanja - najveći se napori se ulažu u razvoj tehnologije prepoznavanja glasa. Upotreba sistema za prepoznavanje j glasa g je j veoma jednostavna j i jeftina. j Intefejs između korisnika i sistema, može biti bilo koji audio uređaj, uključujući mobilne/fiksne telefone, PC mikrofone itd.. Dobro prihvatanje od strane korisnika - glas najprirodniji način komunikacije. Najčešće se koristi tamo gdje je glas jedini raspoloživi biometrijski identifikator. PREPOZNAVANJE GLASA Prepoznavanje glasa ≠ Prepoznavanje govora Tehnologija prepoznavanja govora prevodi što je korisnik rekao. Tehnologija prepoznavanja glasa glasa, verifikuje identitet individue koja govori. Tehnologije su često povezane. PREPOZNAVANJE GLASA Osobine glasa dominantno su zavisne od oblika vokalnog trakta. PREPOZNAVANJE GLASA Generisanje glasa započinje na glasnim žicama. Između glasnih žica postoje prorezi. Kada započnemo sa govorom, mišići koji kontrolišu glasne žice, zatežu se. Glasne žice se sužavaju. Prolazak daha kroz proreze glasnih između žica proizvodi glas. Jedinstvene karakteristike glasa oblikuju se u vokalnom traktu. Vokalni trakt modifikuje spektralni sadržaj glasa – neke harmonike pojačava, druge prigušuje. prigušuje PREPOZNAVANJE GLASA Digitalizacija karakteristika ljudskog glasa - stvaranje niza digitalnih podataka koji opisuju glas. ″Voice Voice print print″ ili ″Profil Profil glasa″ glasa Digitalizacijom se svaka izgovorena riječ svodi na segmente sastavljene od dominantnih frekvencija (formanta). (formanta) Svaki segment ima nekoliko formanta. Svi formanti zajedno predstavljaju jedinstveni profil glasa PREPOZNAVANJE GLASA Sistemi za prepoznavanje glasa mogu biti: tekst zavisni zavisni, tekst nezavisni ili kombinacija ove dvije vrste. PREPOZNAVANJE GLASA TEKST ZAVISNI SISTEMI Korisnik izgovara unaprijed definisane riječi ili rečenice. Mjesto rođenja, omiljene boje, niz brojeva, ... Dobijeni glasovni profil poredi se sa glasovnim profilom istih tih rečenica dobijenom u procesu upisivanja PREPOZNAVANJE GLASA TEKST NEZAVISNI SISTEMI Ne koriste se unaprijed definisne rečenice. Govor dužeg trajanja. Prepoznaju se glasovne karakteristike: jačina, takt, tonalitet, ... tonalitet PREPOZNVANJE GLASA - PROBLEMI • Profil ljudskog glasa veoma je zavistan od zdravlja i emocionalnog stanja čovjeka. čovjeka • Pozadinski šum i loš kvalitet ulaznog uređaja (mikrofona) mogu stvoriti preobleme preobleme. • Sistemi za prepoznavanje glasa ugroženi su i od pokušaja l ž identifikacije. lažne id tifik ij Lažna identifikacija, na osnovu snimljenog glasa regularnog korisnika, je jedan on najčešćih slučajeva. Razvijeni j su mnogi g sofisticirani algoritmi g kojima j se nastoji j što pouzdanije provjeriti da li se radi o živom glasu ili snimku. PREPOZNAVANJE GLASA - PRIMJENE VIVA IBM razvija sistem za prepoznavanje glasa VIVA (Voice Identification and Verification Agent) Namjena ovog sistema je da omogući ć identifikaciju korisnika preko telefona. Dva izvora za autentifikaciju: 1) biometrika glasa (the voice-print) i 2) korisnikovo znanje ( lozinka i lične informacije) Procenat pogrešno š prihvaćenih ć je 0.00001%. Procenat pogrešno odbijenih 3%. PREPOZNAVANJE GLASA - PRIMJENE Prvi slučaj: Pravi korisnik pristupa svom računu. VIVA je u stanju akustički verifikovati korisnika. Zbog dobre podudarnosti glasa – u intervjuu samo jedno pitanje. Slučaj I: PREPOZNAVANJE GLASA - PRIMJENE Drugi slučaj: Prevarant pokušava da “provali" provali u tuđ račun. Pored nepodudaranja glasovnih karakteristika, prevarant ne zna da odgovori na pitanja iz intervjua intervjua. Slučaj II: PREPOZNAVANJE GLASA - PRIMJENE Treći slučaj: Dobro informisani prevarant pokušava da “provali“ provali u tuđ račun. Imposter zna odgovore na sva pitanja iz intervjua. Randomizacija intervjua – različita pitanja u svakoj uzastopnoj sesiji sesiji. Slučaj III:
© Copyright 2024 Paperzz
