Biometrics များသည် လူ့လက္ခဏာများနှင့် သက်ဆိုင်သော ခန္ဓာကိုယ်တိုင်းတာခြင်းနှင့် တွက်ချက်မှုများဖြစ်သည်။ ဇီဝမက်ထရစ် စစ်မှန်ကြောင်းအထောက်အထားပြခြင်း (သို့မဟုတ် လက်တွေ့ကျသော စစ်မှန်ကြောင်းအထောက်အထားပြခြင်း) ကို ခွဲခြားသတ်မှတ်ခြင်းနှင့် ဝင်ရောက်ထိန်းချုပ်မှုပုံစံတစ်ခုအဖြစ် ကွန်ပျူတာသိပ္ပံတွင် အသုံးပြုသည်။ စောင့်ကြည့်ခံနေရသော အုပ်စုများရှိ လူတစ်ဦးချင်းစီကို ခွဲခြားသတ်မှတ်ရန်လည်း အသုံးပြုသည်။

Biometric identifiers များသည် လူတစ်ဦးချင်းစီကို အညွှန်းနှင့် ဖော်ပြရန်အတွက် အသုံးပြုသည့် ထူးခြားသော၊ တိုင်းတာနိုင်သော လက္ခဏာများဖြစ်သည်။ Biometric identifiers များကို ခန္ဓာကိုယ်ပုံသဏ္ဍာန်နှင့်ဆက်စပ်သည့် ဇီဝကမ္မလက္ခဏာများအဖြစ် အမျိုးအစားခွဲလေ့ရှိသည်။ ဥပမာများတွင် လက်ဗွေရာ၊ လက်ဖဝါးသွေးပြန်ကြောများ၊ မျက်နှာအသိအမှတ်ပြုမှု၊ DNA၊ လက်ဖဝါးရိုက်နှိပ်မှု၊ လက်ဂျီသြမေတြီ၊ မျက်ဝန်းအသိအမှတ်ပြုမှု၊ မြင်လွှာနှင့် အနံ့/ရနံ့တို့သာ ကန့်သတ်မထားပေ။

ဇီဝဗေဒဆိုင်ရာ ဖော်ထုတ်ခြင်းနည်းပညာတွင် ကွန်ပျူတာသိပ္ပံ၊ optics နှင့် acoustics နှင့် အခြားသော ရူပဗေဒသိပ္ပံများ၊ ဇီဝဗေဒသိပ္ပံများ၊ ဇီဝအာရုံခံကိရိယာများနှင့် ဇီဝစာရင်းအင်းဆိုင်ရာ အခြေခံမူများ၊ လုံခြုံရေးနည်းပညာနှင့် ဉာဏ်ရည်တုနည်းပညာနှင့် အခြားသော အခြေခံသိပ္ပံနှင့် ဆန်းသစ်တီထွင်သော အသုံးချနည်းပညာများ ပါဝင်ပါသည်။ ၎င်းသည် ပြီးပြည့်စုံသော ဘက်စုံနည်းပညာဆိုင်ရာ ဖြေရှင်းချက်တစ်ခုဖြစ်သည်။

မကြာသေးမီနှစ်များအတွင်း၊ ဉာဏ်ရည်တုတီထွင်မှုနှင့်အတူ၊ biometric identification နည်းပညာသည် ပိုမိုရင့်ကျက်လာခဲ့သည်။ လက်ရှိတွင်၊ မျက်နှာမှတ်မိခြင်းနည်းပညာသည် biometrics ၏ကိုယ်စားပြုအများဆုံးဖြစ်သည်။

မျက်နှာမှတ်မိခြင်း။

မျက်နှာမှတ်မိခြင်း လုပ်ငန်းစဉ်တွင် မျက်နှာစုဆောင်းခြင်း၊ မျက်နှာသိရှိခြင်း၊ မျက်နှာအင်္ဂါရပ်ကို ထုတ်ယူခြင်းနှင့် မျက်နှာနှင့်ကိုက်ညီသော မှတ်သားခြင်းတို့ ပါဝင်သည်။ မျက်နှာမှတ်မိခြင်းလုပ်ငန်းစဉ်သည် AdaBoos algorithm၊ convolutional neural network နှင့် machine learning တွင် vector machine တို့ကို ပံ့ပိုးပေးသည့် နည်းပညာအမျိုးမျိုးကို အသုံးပြုသည်။

မျက်နှာမှတ်မိခြင်းလုပ်ငန်းစဉ်

လက်ရှိတွင် မျက်နှာလှည့်ခြင်း၊ ပိတ်ဆို့ခြင်း၊ တူညီခြင်းစသည်ဖြင့် ရိုးရာမျက်နှာမှတ်မိခြင်းအခက်အခဲများကို လွန်စွာတိုးတက်ကောင်းမွန်လာကာ မျက်နှာမှတ်မိခြင်း၏တိကျမှုကို များစွာတိုးတက်ကောင်းမွန်စေသည်။ 2D မျက်နှာ၊ 3D မျက်နှာ၊ ရောင်စဉ်တန်းမျိုးစုံ မျက်နှာ မုဒ်တစ်ခုစီတွင် မတူညီသော ရယူမှုအလိုက် လိုက်လျောညီထွေဖြစ်သော အခြေအနေများ၊ ဒေတာလုံခြုံရေးဒီဂရီနှင့် ကိုယ်ရေးကိုယ်တာ အာရုံခံစားနိုင်မှု အစရှိသည်တို့ ပါရှိပြီး ဒေတာကြီးကြီးမားမားကို နက်နဲစွာ သင်ယူခြင်းဖြင့် 3D မျက်နှာမှတ်မိခြင်း အယ်လဂိုရီသမ်သည် 2D ပရိုဂျက်တာ၏ ချို့ယွင်းချက်များကို ဖြည့်စွက်ပေးပါသည်။ ၎င်းသည် နှစ်ဘက်မြင်မျက်နှာကို အသိအမှတ်ပြုခြင်း အသုံးချခြင်းအတွက် တိကျသေချာသော အောင်မြင်မှုများ ရရှိစေသည့် လူတစ်ဦး၏ အထောက်အထားကို လျင်မြန်စွာ ဖော်ထုတ်နိုင်သည်။

တစ်ချိန်တည်းမှာပင်၊ ဓာတ်ပုံများ၊ ဗီဒီယိုများ၊ 3D မော်ဒယ်များနှင့် ခြေတုလက်တုမျက်နှာဖုံးများကဲ့သို့သော အတုအပ အတုအယောင်များကို ထိရောက်စွာ တွန်းလှန်ပေးနိုင်သည့် မျက်နှာမှတ်မိခြင်း၏ လုံခြုံရေးကို မြှင့်တင်ရန်အတွက် အဓိကနည်းပညာအဖြစ် လက်ရှိအသုံးပြုလျက်ရှိပါသည်။ လည်ပတ်အသုံးပြုသူများ။ လက်ရှိတွင် မျက်နှာမှတ်မိခြင်းနည်းပညာ အရှိန်အဟုန်ဖြင့် ဖွံ့ဖြိုးတိုးတက်လာသည်နှင့်အမျှ၊ စမတ်ကိရိယာများ၊ အွန်လိုင်းငွေကြေးနှင့် မျက်နှာပေးချေမှုကဲ့သို့သော ဆန်းသစ်တီထွင်သည့် အပလီကေးရှင်းများစွာသည် လူကြိုက်များလာကာ လူတိုင်း၏ဘဝနှင့် အလုပ်အတွက် မြန်ဆန်အဆင်ပြေစေပါသည်။

လက်ဗွေရာ မှတ်သားခြင်း။

Palmprint recognition သည် လူ့ခန္ဓာကိုယ်၏ လက်ဗွေကို ပစ်မှတ်အဖြစ် အသုံးပြုကာ ဘက်စုံပုံရိပ်ဖော်နည်းပညာဖြင့် ဇီဝဆိုင်ရာ အချက်အလက်များကို စုဆောင်းပေးသည့် ဇီဝမက်ထရစ် အသိအမှတ်ပြုနည်းပညာ အမျိုးအစားသစ်တစ်ခုဖြစ်သည်။ Multi-spectral လက်ဗွေ အသိအမှတ်ပြုခြင်းအား ပုံစံမျိုးစုံနှင့် ပစ်မှတ်များစွာကို ပေါင်းစပ်ထားသည့် ဇီဝမက်ထရစ် အသိအမှတ်ပြုနည်းပညာ၏ မော်ဒယ်အဖြစ် မှတ်ယူနိုင်ပါသည်။ ဤနည်းပညာအသစ်သည် တစ်ကြိမ်တည်းတွင် ပိုမိုများပြားသော အချက်အလက်များကို ပေးဆောင်ရန်နှင့် ပစ်မှတ်အင်္ဂါရပ်များ၏ ခွဲခြားနိုင်စွမ်းကို တိုးမြင့်လာစေရန်အတွက် အရေပြားရောင်စဉ်၊ လက်ဖဝါးပုံနှိပ်ခြင်းနှင့် သွေးပြန်ကြောများ၏ ခွဲခြားသတ်မှတ်နိုင်သော အင်္ဂါရပ်သုံးခုကို ပေါင်းစပ်ထားသည်။

ယခုနှစ်တွင် Amazon ၏ လက်ဝါးအသိအမှတ်ပြုနည်းပညာကို Orville ဟုအမည်ပေးကာ စတင်စမ်းသပ်နေပြီဖြစ်သည်။ စကင်နာသည် ပထမဦးစွာ လက်ဖဝါး၏ အပြင်ဘက်သွင်ပြင်လက္ခဏာများဖြစ်သည့် မျဉ်းကြောင်းများနှင့် ခေါက်များကဲ့သို့ အနီအောက်ရောင်ခြည်ပိုလာရှိသော မူရင်းပုံများကို ရယူသည်။ ဒုတိယပုံများကို ထပ်မံရရှိသောအခါတွင် လက်ဖဝါးဖွဲ့စည်းပုံနှင့် အတွင်းပိုင်းအင်္ဂါရပ်များဖြစ်သည့် သွေးပြန်ကြောများ၊ အရိုးများ၊ တစ်ရှူးပျော့များ စသည်တို့ကို အာရုံစိုက်သည်။ အကြမ်းထည်ရုပ်ပုံများကို လက်များပါရှိသော ရုပ်ပုံတစ်အုပ်ကို ပေးစွမ်းရန်အတွက် ကနဦးလုပ်ဆောင်ခြင်းဖြစ်သည်။ ဤပုံများသည် အလင်းရောင်ကောင်းစွာရပြီး အာရုံစူးစိုက်မှုတွင် လက်ဖဝါးကို တိကျသောဦးတည်ချက်ဖြင့် ပြသထားပြီး၊ တိကျသောကိုယ်ဟန်ဖြင့် လက်ဝဲ သို့မဟုတ် ညာသန်ဟု တံဆိပ်တပ်ထားသည်။

လက်ရှိတွင်၊ Amazon ၏ လက်ဗွေအသိအမှတ်ပြုနည်းပညာသည် ကိုယ်ရေးကိုယ်တာအထောက်အထားကို 300 မီလီစက္ကန့်အတွင်းသာ ငွေပေးချေမှုကို ပြီးမြောက်အောင် လုပ်ဆောင်နိုင်ပြီး၊ သုံးစွဲသူများအနေဖြင့် ၎င်းတို့၏လက်ကို စကင်န်ဖတ်စက်ပေါ်တွင် တင်ထားရန် မလိုအပ်ဘဲ လက်ဝှေ့ယမ်းကာ အဆက်အသွယ်မလုပ်ဘဲ စကင်န်လုပ်ရုံသာဖြစ်သည်။ ဤနည်းပညာ၏ ကျရှုံးမှုနှုန်းမှာ 0.0001% ခန့်ဖြစ်သည်။ တစ်ချိန်တည်းမှာပင်၊ လက်ဗွေကို အသိအမှတ်ပြုခြင်းသည် ကနဦးအဆင့်တွင် နှစ်ထပ်အတည်ပြုခြင်းဖြစ်သည် - ပြင်ပသွင်ပြင်လက္ခဏာများရရှိရန် ပထမအကြိမ်နှင့် ဌာနတွင်းအဖွဲ့အစည်းဆိုင်ရာလက္ခဏာများရရှိရန် ဒုတိယအကြိမ်ဖြစ်သည်။ လုံခြုံရေးအရ အခြားသော biometric နည်းပညာများနှင့် နှိုင်းယှဉ်ပါက ပိုမိုကောင်းမွန်လာပါသည်။

အထက်ပါ biometric အင်္ဂါရပ်များအပြင် iris recognition နည်းပညာသည်လည်း ခေတ်စားလာပါသည်။ မျက်ဝန်း အသိအမှတ်ပြုမှု မှားယွင်းသော အသိအမှတ်ပြုမှုနှုန်းသည် 1/1000000 အထိ နည်းပါးသည်။ ၎င်းသည် အထောက်အထားများကို ဖော်ထုတ်ရန်အတွက် အဓိကအားဖြင့် iris life invariance နှင့် ခြားနားချက်ကို အသုံးပြုသည်။

လက်ရှိတွင်၊ စက်မှုလုပ်ငန်းတွင် အများသဘောတူချက်မှာ တစ်ခုတည်းသောပုံစံကို အသိအမှတ်ပြုခြင်းသည် အသိအမှတ်ပြုမှုစွမ်းဆောင်ရည်နှင့် လုံခြုံရေး နှစ်ခုစလုံးတွင် ပိတ်ဆို့မှုများရှိနေပြီး Multi-modal fusion သည် face recognition နှင့် biometric recognition တို့တွင် အရေးပါသော အောင်မြင်မှုတစ်ခုဖြစ်သည်—Multi-factor The way မှတဆင့်သာမက၊ အသိအမှတ်ပြုမှု တိကျမှုကို မြှင့်တင်ရန် biometric နည်းပညာ၏ မြင်ကွင်းကို လိုက်လျောညီထွေရှိမှုနှင့် ကိုယ်ရေးကိုယ်တာလုံခြုံရေးကို အတိုင်းအတာတစ်ခုအထိ တိုးတက်စေနိုင်သည်။ သမားရိုးကျ single-mode algorithm နှင့် နှိုင်းယှဉ်ပါက၊ ၎င်းသည် biometric ခွဲခြားသတ်မှတ်ခြင်း၏ အဓိကလမ်းကြောင်းဖြစ်သည့် ဘဏ္ဍာရေးအဆင့် မှားယွင်းသောအသိအမှတ်ပြုမှုနှုန်း (ဆယ်သန်းတွင်တစ်သန်းအထိ) ကို ပိုမိုကောင်းမွန်စွာဖြည့်ဆည်းပေးနိုင်သည်။

Multimodal biometric စနစ်

Multimodal biometric စနစ်များသည် ပုံမှန်မဟုတ်သော ဇီဝမက်ထရစ်စနစ်များ၏ ကန့်သတ်ချက်များကို ကျော်လွှားရန် အာရုံခံကိရိယာများ သို့မဟုတ် ဇီဝတိုင်းတာမှုအများအပြားကို အသုံးပြုပါသည်။ ဥပမာအားဖြင့် မျက်ဝန်းမှတ်မိခြင်းစနစ်များသည် အသက်အရွယ်ကြီးရင့်သော မျက်ဝန်းများနှင့် အီလက်ထရွန်းနစ်လက်ဗွေအသိအမှတ်ပြုခြင်းအား ယိုယွင်းပျက်စီးစေသော သို့မဟုတ် ဖြတ်ထားသော လက်ဗွေများကြောင့် ပိုဆိုးသွားနိုင်သည်။ unimodal biometric စနစ်များကို ၎င်းတို့၏ identifier ၏ ခိုင်မာမှုဖြင့် ကန့်သတ်ထားသော်လည်း၊ unimodal systems အများအပြားသည် တူညီသောကန့်သတ်ချက်များမှ ခံစားရလိမ့်မည် မဟုတ်ပါ။ Multimodal biometric စနစ်များသည် တူညီသော အမှတ်အသားမှ အချက်အလက်အစုံ (ဆိုလိုသည်မှာ၊ မျက်ဝန်းတစ်ခု၏ ပုံအများအပြား သို့မဟုတ် တူညီသောလက်ချောင်းစကင်န်များ) သို့မဟုတ် မတူညီသော biometrics (လက်ဗွေစကင်န်လိုအပ်ခြင်းနှင့် အသံမှတ်မိခြင်း စကားဝှက်ကိုအသုံးပြုခြင်း) တို့မှ အချက်အလက်အစုံကို ရယူနိုင်ပါသည်။

Multimodal biometric စနစ်များသည် အဆိုပါ unimodal စနစ်များကို ဆက်တိုက်၊ တပြိုင်နက်တည်း၊ ယင်း၏ ပေါင်းစပ်မှု သို့မဟုတ် အစီအစဥ်အလိုက်၊ ဆက်တိုက်၊ အပြိုင်၊ အထက်အောက် နှင့် အမှတ်စဉ် ပေါင်းစပ်မှုမုဒ်များကို အသီးသီး ပေါင်းစပ်နိုင်သည်။

CHANCCCTVစီးရီးတစ်ခု တီထွင်ခဲ့သည်။biometric မှန်ဘီလူးများမျက်နှာမှတ်မိခြင်း၊ လက်ဗွေအသိအမှတ်ပြုခြင်းအပြင် လက်ဗွေဖော်ထုတ်ခြင်းနှင့် မျက်ဝန်းခွဲခြားခြင်းအတွက်ဖြစ်သည်။ ဥပမာအားဖြင့် CH3659A သည် 1/1.8'' အာရုံခံကိရိယာများအတွက် ဒီဇိုင်းထုတ်ထားသည့် 4k low distortion မှန်ဘီလူးဖြစ်သည်။ ၎င်းတွင် 11.95mm TTL မျှသာရှိသော မှန်များနှင့် ကျစ်လစ်သော ဒီဇိုင်းများအားလုံးကို ပါရှိသည်။ ၄င်းသည် 44 ဒီဂရီ အလျားလိုက် မြင်ကွင်းကို ဖမ်းယူသည်။ ဤမှန်ဘီလူးသည် လက်ဖဝါးနှိပ်ခြင်းကို အသိအမှတ်ပြုရန်အတွက် စံပြဖြစ်သည်။