Biometri er kroppsmål og beregninger knyttet til menneskelige egenskaper. Biometrisk autentisering (eller realistisk autentisering) brukes i informatikk som en form for identifikasjon og tilgangskontroll. Den brukes også til å identifisere individer i grupper som er under overvåking.

Biometriske identifikatorer er de særegne, målbare egenskapene som brukes til å merke og beskrive individer. Biometriske identifikatorer blir ofte kategorisert som fysiologiske egenskaper som er relatert til kroppens form. Eksempler inkluderer, men er ikke begrenset til, fingeravtrykk, håndflateårer, ansiktsgjenkjenning, DNA, håndflateavtrykk, håndgeometri, irisgjenkjenning, netthinnen og lukt/duft.

Biometrisk identifiseringsteknologi involverer informatikk, optikk og akustikk og andre fysiske vitenskaper, biologiske vitenskaper, biosensorer og biostatistikkprinsipper, sikkerhetsteknologi og kunstig intelligensteknologi og mange andre grunnleggende vitenskaper og innovative applikasjonsteknologier. Det er en komplett tverrfaglig teknisk løsning.

De siste årene, med utviklingen av kunstig intelligens, har biometrisk identifiseringsteknologi blitt mer moden. For tiden er ansiktsgjenkjenningsteknologi den mest representative for biometri.

Ansiktsgjenkjenning

Prosessen med ansiktsgjenkjenning inkluderer ansiktsinnsamling, ansiktsgjenkjenning, ansiktstrekk og ansiktsgjenkjenning. Ansiktsgjenkjenningsprosessen bruker ulike teknologier som AdaBoos-algoritme, konvolusjonelt nevralt nettverk og støttevektormaskin i maskinlæring.

Prosessen med ansiktsgjenkjenning

For tiden er de tradisjonelle ansiktsgjenkjenningsvanskene inkludert ansiktsrotasjon, okklusjon, likhet, etc. blitt kraftig forbedret, noe som i stor grad forbedrer nøyaktigheten av ansiktsgjenkjenning. 2D-ansikt, 3D-ansikt, multispektralt ansikt Hver modus har forskjellige scenarier for innhentingstilpasning, datasikkerhetsgrad og personvernfølsomhet, etc., og tillegget av dyp læring av big data gjør at 3D-ansiktsgjenkjenningsalgoritmen supplerer defektene i 2D-projeksjon, Det kan raskt identifisere identiteten til en person, noe som har brakt et visst gjennombrudd for bruken av todimensjonal ansiktsgjenkjenning.

Samtidig brukes den biometriske deteksjonsteknologien for tiden som en nøkkelteknologi for å forbedre sikkerheten til ansiktsgjenkjenning, som effektivt kan motstå falske svindel som bilder, videoer, 3D-modeller og protesemasker, og uavhengig bestemme identiteten til driftsbrukere. For tiden, med den raske utviklingen av teknologi for ansiktsgjenkjenning, har mange innovative applikasjoner som smarte enheter, nettfinansiering og ansiktsbetaling blitt stadig mer populære, noe som gir hastighet og bekvemmelighet til alles liv og arbeid.

Håndflateavtrykkgjenkjenning

Palmprint recognition er en ny type biometrisk gjenkjenningsteknologi, som bruker håndflateavtrykket til menneskekroppen som målfunksjon, og samler inn biologisk informasjon gjennom multispektral bildeteknologi. Multispektral håndflateavtrykksgjenkjenning kan betraktes som en modell av biometrisk gjenkjenningsteknologi som kombinerer multimodalitet og flere målfunksjoner. Denne nye teknologien kombinerer de tre identifiserbare egenskapene hudspekter, håndflateavtrykk og vener for å gi mer rikelig informasjon på en gang og øke gjenkjenneligheten til målfunksjonene.

I år har Amazons håndflategjenkjenningsteknologi, kodenavnet Orville, begynt å teste. Skanneren får først et sett med infrarøde polariserte originalbilder, med fokus på de ytre egenskapene til håndflaten, som linjer og folder; når du henter det andre settet med polariserte bilder igjen, fokuserer det på håndflatens struktur og indre funksjoner, som årer, bein, bløtvev osv. De rå bildene blir først behandlet for å gi et sett med bilder som inneholder hender. Disse bildene er godt opplyste, i fokus og viser håndflaten i en spesifikk orientering, i en bestemt positur, og merket som venstre- eller høyrehendt.

For øyeblikket kan Amazons håndflategjenkjenningsteknologi verifisere personlig identitet og fullføre betaling på bare 300 millisekunder, og krever ikke at brukere legger hendene på skanneenheten, bare vinker og skanner uten kontakt. Feilfrekvensen for denne teknologien er omtrent 0,0001%. Samtidig er håndflateavtrykksgjenkjenningen en dobbel verifisering i den innledende fasen – første gang for å oppnå eksterne egenskaper, og andre gang for å oppnå interne organisatoriske egenskaper. Sammenlignet med andre biometriske teknologier når det gjelder sikkerhet, forbedret.

I tillegg til de biometriske egenskapene ovenfor, blir også irisgjenkjenningsteknologi populært. Den falske gjenkjenningsfrekvensen for irisgjenkjenning er så lav som 1/1000000. Den bruker hovedsakelig egenskapene til iris-livsinvarians og forskjell for å identifisere identiteter.

For øyeblikket er konsensus i bransjen at anerkjennelsen av en enkelt modalitet har flaskehalser i både gjenkjennelsesytelse og sikkerhet, og multimodal fusjon er et viktig gjennombrudd innen ansiktsgjenkjenning og til og med biometrisk gjenkjenning – ikke bare gjennom multifaktor The way for å forbedre gjenkjenningsnøyaktigheten kan også forbedre scenetilpasningsevnen og personvernsikkerheten til biometrisk teknologi til en viss grad. Sammenlignet med den tradisjonelle enkeltmodusalgoritmen, kan den bedre møte den falske gjenkjenningsraten på finansnivå (så lavt som én av ti millioner), som også er hovedtrenden for utviklingen av biometrisk identifikasjon.

Multimodalt biometrisk system

Multimodale biometriske systemer bruker flere sensorer eller biometri for å overvinne begrensningene til unimodale biometriske systemer. For eksempel kan irisgjenkjenningssystemer bli kompromittert av aldrende iris og elektronisk fingeravtrykkgjenkjenning kan forverres av utslitte eller kuttede fingeravtrykk. Mens unimodale biometriske systemer er begrenset av integriteten til deres identifikator, er det lite sannsynlig at flere unimodale systemer vil lide av identiske begrensninger. Multimodale biometriske systemer kan hente sett med informasjon fra samme markør (dvs. flere bilder av en iris, eller skanninger av samme finger) eller informasjon fra forskjellige biometriske data (krever fingeravtrykkskanning og, ved hjelp av stemmegjenkjenning, et talt passord).

Multimodale biometriske systemer kan smelte sammen disse unimodale systemene sekvensielt, samtidig, en kombinasjon av disse, eller i serie, som refererer til henholdsvis sekvensielle, parallelle, hierarkiske og serielle integrasjonsmoduser.

CHANCCTVhar utviklet en serie medbiometriske linserfor ansiktsgjenkjenning, håndflateavtrykksgjenkjenning samt fingeravtrykksidentifikasjon og irisidentifikasjon. For eksempel er CH3659A en 4k lav forvrengningslinse som ble designet for 1/1,8''-sensorer. Den har alle glass og kompakte design med kun 11,95 mm TTL. Den fanger 44 grader horisontalt synsfelt. Dette objektivet er ideelt for håndflateavtrykkgjenkjenning.