Biometri är kroppsmått och beräkningar relaterade till mänskliga egenskaper. Biometrisk autentisering (eller realistisk autentisering) används inom datavetenskap som en form av identifiering och åtkomstkontroll. Det används också för att identifiera individer i grupper som är under övervakning.

Biometriska identifierare är de särskiljande, mätbara egenskaper som används för att märka och beskriva individer. Biometriska identifierare kategoriseras ofta som fysiologiska egenskaper som är relaterade till kroppens form. Exempel inkluderar, men är inte begränsade till, fingeravtryck, handflatans vener, ansiktsigenkänning, DNA, handavtryck, handgeometri, irisigenkänning, näthinna och lukt/doft.

Biometrisk identifieringsteknik omfattar datavetenskap, optik och akustik samt andra fysikaliska vetenskaper, biologiska vetenskaper, biosensorer och biostatistiska principer, säkerhetsteknik och artificiell intelligens samt många andra grundvetenskaper och innovativa tillämpningstekniker. Det är en komplett tvärvetenskaplig teknisk lösning.

Under senare år, med utvecklingen av artificiell intelligens, har biometrisk identifieringsteknik blivit mer mogen. För närvarande är ansiktsigenkänningsteknik den mest representativa tekniken för biometri.

Ansiktsigenkänning

Ansiktsigenkänningsprocessen inkluderar ansiktsinsamling, ansiktsdetektering, extrahering av ansiktsdrag och ansiktsmatchning. Ansiktsigenkänningsprocessen använder olika tekniker som AdaBoos-algoritmen, faltningsneurala nätverk och stödvektormaskiner inom maskininlärning.

Processen för ansiktsigenkänning

För närvarande har de traditionella svårigheterna med ansiktsigenkänning, inklusive ansiktsrotation, ocklusion, likhet etc., förbättrats avsevärt, vilket avsevärt förbättrar noggrannheten i ansiktsigenkänningen. 2D-ansikte, 3D-ansikte, multispektralt ansikte Varje läge har olika scenarier för anpassning till förvärv, datasäkerhetsgrad och integritetskänslighet etc., och tillägget av djupinlärning av stordata gör att 3D-ansiktsigenkänningsalgoritmen kompletterar defekterna i 2D-projektion. Den kan snabbt identifiera en persons identitet, vilket har lett till ett visst genombrott för tillämpningen av tvådimensionell ansiktsigenkänning.

Samtidigt används biometrisk detekteringsteknik för närvarande som en nyckelteknik för att förbättra säkerheten för ansiktsigenkänning, vilket effektivt kan motstå förfalskningsbedrägerier som foton, videor, 3D-modeller och protesmasker, och oberoende fastställa identiteten hos användarna. För närvarande, med den snabba utvecklingen av ansiktsigenkänningsteknik, har många innovativa applikationer som smarta enheter, onlinefinansiering och ansiktsbetalning blivit alltmer populära, vilket ger snabbhet och bekvämlighet till allas liv och arbete.

Igenkänning av handavtryck

Handavtrycksigenkänning är en ny typ av biometrisk igenkänningsteknik som använder människokroppens handavtryck som målfunktion och samlar in biologisk information genom multispektral avbildningsteknik. Multispektral handavtrycksigenkänning kan betraktas som en modell för biometrisk igenkänningsteknik som kombinerar multimodalitet och flera målfunktioner. Denna nya teknik kombinerar de tre identifierbara egenskaperna hudspektrum, handavtryck och vener för att ge mer riklig information samtidigt och öka urskiljbarheten hos målfunktionerna.

I år har Amazons handflatsigenkänningsteknik, kodnamnet Orville, börjat testa. Skannern hämtar först en uppsättning infraröda polariserade originalbilder, med fokus på handflatans yttre egenskaper, såsom linjer och veck. När den andra uppsättningen polariserade bilder hämtas igen fokuserar den på handflatans struktur och inre egenskaper, såsom vener, ben, mjukvävnader etc. Råbilderna bearbetas initialt för att ge en uppsättning bilder som innehåller händerna. Dessa bilder är väl upplysta, i fokus och visar handflatan i en specifik orientering, i en specifik pose, och märkta som vänster- eller högerhänt.

För närvarande kan Amazons teknik för igenkänning av handflatavtryck verifiera personlig identitet och slutföra betalningar på bara 300 millisekunder, och kräver inte att användarna lägger händerna på skannern, utan bara viftar och skanna utan beröring. Felfrekvensen för denna teknik är cirka 0,0001 %. Samtidigt är igenkänningen av handflatavtryck en dubbel verifiering i det inledande skedet – första gången för att erhålla externa egenskaper och andra gången för att erhålla interna organisatoriska egenskaper. Jämfört med andra biometriska tekniker är den säkerhetsmässigt förbättrad.

Utöver ovanstående biometriska egenskaper populariseras även irisigenkänningstekniken. Den falska igenkänningsgraden för irisigenkänning är så låg som 1/1000000. Den använder huvudsakligen egenskaperna hos irisens livslängdsinvarians och skillnad för att identifiera identiteter.

För närvarande råder enighet i branschen om att igenkänningen av en enda modalitet har flaskhalsar både vad gäller igenkänningsprestanda och säkerhet, och multimodal fusion är ett viktigt genombrott inom ansiktsigenkänning och till och med biometrisk igenkänning – inte bara genom multifaktorer. Sättet att förbättra igenkänningsnoggrannheten kan också i viss mån förbättra scenanpassningsförmågan och integritetssäkerheten hos biometrisk teknik. Jämfört med den traditionella single-mode-algoritmen kan den bättre möta den ekonomiska nivån av falsk igenkänningsgrad (så låg som en på tio miljoner), vilket också är den viktigaste trenden i utvecklingen av biometrisk identifiering.

Multimodalt biometriskt system

Multimodala biometriska system använder flera sensorer eller biometri för att övervinna begränsningarna hos unimodala biometriska system. Till exempel kan irisigenkänningssystem äventyras av åldrande irisar och elektronisk fingeravtrycksigenkänning kan försämras av slitna eller skurna fingeravtryck. Medan unimodala biometriska system begränsas av integriteten hos deras identifierare, är det osannolikt att flera unimodala system kommer att drabbas av identiska begränsningar. Multimodala biometriska system kan hämta informationsmängder från samma markör (dvs. flera bilder av en iris eller skanningar av samma finger) eller information från olika biometriska system (vilket kräver fingeravtrycksskanningar och, med hjälp av röstigenkänning, ett talat lösenord).

Multimodala biometriska system kan slå samman dessa unimodala system sekventiellt, samtidigt, en kombination därav, eller i serie, vilket hänvisar till sekventiella, parallella, hierarkiska respektive seriella integrationslägen.

CHANCCTVhar utvecklat en serie avbiometriska linserför ansiktsigenkänning, handavtrycksigenkänning samt fingeravtrycksidentifiering och irisidentifiering. Till exempel är CH3659A ett 4k-objektiv med låg distorsion som designades för 1/1,8-tums sensorer. Det har heltäckande glas och kompakta designer med bara 11,95 mm TTL. Det fångar ett horisontellt synfält på 44 grader. Detta objektiv är idealiskt för handavtrycksigenkänning.