You are here: TUTWiki>Tietoturva/Tutkielmat>TyoLuettelo?>2007-14

Veli-Matti Luukko:

Metriikka biometriikassa

Johdanto

Biometriikassa henkilöllisyys varmennetaan mittaamalla ihmisen fyysisiä ominaisuuksia. Tässä tutkielmassa perehdytään siihen mitä varsinainen metriikka on biometriikassa. Tutkielmassa perehdytään tarkemmin miten biometrinen järjestelmä mittaa yksilöivään tunnistukseen riittävät tiedot ihmisestä. Tutkittavana kohteena tässä on kasvotunnistuksen kaksi eri teknologiaa, iiristunnistus sekä lyhyesti sormenjälkitunnistus.

Yleistä biometriikan metriikasta

Biometriikassa tunnisteet tallennetaan erilaisina malleina. Mallit voivat olla vektoreita, graafeja, matriiseja jne. Mallien tarkoituksena on se, että käyttäjä tunnistettaisiin, vaikka olosuhteet, kuten valaistus, ruumiinosan kulma tai etäisyys saattavat vaihdella tunnistusta tehtäessä. Järjestelmissä malleihin yritetään tallentaa mahdollisimman kuvaavat piirteet henkilöstä, jolla säästytään siltä että järjestelmän pitäisi tallentaa koko kuva tunnistettavan henkilön ruumiinosasta. Mallit vievät huomattavasti vähemmän tallennustilaa ja niiden läpikäyminen on nopeampaa kuin isojen kuvien.

Metriikka eri tunnistusmenetelmissä

Biometrisissä järjestelmissä käytettävä metriikka on lähes poikkeuksetta erittäin monimutkaista, ja yhdenkin järjestelmän läpikäyminen perusteellisesti olisi todella haastava tehtävä. Tästä syystä tässä tutkielmassa käydään läpi vain pääpiirteet muutamista eri järjestelmistä. Järjestelmissä käytettävissä metriikoissa on suuria eroavaisuuksia toisiinsa nähden, vaikkakin monista järjestelmistä löytyy myös samankaltaisia matemaattisia laskutoimituksia.

Kasvontunnistus

Vuosien saatossa on kehitelty monia erilaisia kasvontunnistusmenetelmiä. Kasvojen tunnistuksessa usein tarkastellaan kasvonpiirteiden kuten huulien, silmien, nenän ja kulmakarvojen muotoa sekä niiden sijaintia toisiinsa nähden. Kasvojen tunnistus voi olla niin kaksi- kuin kolmiulotteista. Kolmiulotteisessa kasvontunnistuksessa kasvojen varjoista ja meikkauksesta johtuvat sävyerot eivät vaikuta tunnistukseen. Kaksiulotteisessa kuvassa taas kasvojen intensiteettivaihtelut antavat tärkeää tietoa kasvojentunnistuksen kannalta. [6] Tässä tutkielmassa tutustutaan tarkemmin Eigenface-menetelmään sekä graafimenetelmään, josta on tutkittavana kaupallinen ZN-face-järjestelmä. Nämä molemmat ovat kaksiulotteisia tunnistusmenetelmiä.

Eigenface

Eigenface-menetelmää sanotaan ensimmäiseksi luotettavaksi kasvontunnistusmenetelmäksi.[1] Se on nopea ja yksinkertainen, sekä rajoitetuissa olosuhteissa tarkka kasvojentunnistusmenetelmä, eikä se vaadi geometrista tietoa kasvoista, kuten kolmiulotteisia mittauksia. Tunnistuksessa on ideana laskea kasvokuvien joukon vaihtelu, jota käytetään hyväksi piirteiden esittämisessä ja kasvojen vertailussa. Eigenface-menetelmässä syötetyistä kasvokuvista vähennetään piirreavaruuden ulottuvuuksia pääkomponenttianalyysillä. Tällä analyysilla on tarkoituksena löytää kuvasta huomattavasti pienempi aliavaruus, jossa piirrevektori voidaan approksimoida mahdollisimman hyvin. Tarkoituksena on siis saada kasvokuvasta kaikki oleellinen tieto irti ja esittää tämä tieto mahdollisimman pienellä määrällä informaatiota. [4]

Eigenface-nimi tulee ominaisvektorista, joka on piirrejoukko, mikä esittää kasvokuvien keskenäisen variaation. Jokainen yksittäinen kasvokuva voidaan esittää näiden ”ominaiskasvojen” lineaarikombinaationa. Lisäksi kasvokuvia voidaan approksimoida käyttämällä eigenface- joukosta vain tietty määrä parhaita ominaisvektoreita, eli niitä joilla on suurin vaihtelevuus kasvokuvien joukossa.

Käytännössä eigenface-menetelmässä kasvojen syöttäminen järjestelmään käy seuraavasti:

  1. Hankitaan kasvokuvat, eli opetusjoukko
  2. Lasketaan eigenfacet opetusjoukoista. Näistä säilytetään tietty määrä parhaita eli niitä joilla on suurimmat arvot.
  3. Jokaiselle henkilölle lasketaan painokertoimet projisoimalla kasvokuva eigenface-piirreavaruuteen

Eigenface-menetelmässä syötettäessä uusi kuva järjestelmään, se projisoidaan eigenface-piirreavaruuteen ja saatua piirrevektoria voidaan vertailla tietokannassa oleviin malleihin esimerkiksi euklidisen etäisyyden avulla.

biom-m-eigenface.jpg
Muutama Eigenface kuva.[6]

Eigenface-menetelmässä on se ongelma, että opetusvaiheessa on vaatimus vähintään kahdesta kasvokuvasta jokaista henkilöä kohden. Tämä siitä syystä, että voidaan arvioida luokan sisäistä vaihtelua ulkoisen vaihtelun suhteen. Joissain tapauksissa tämä ei ole ongelma, ennemminkin vain hankaluustekijä, mutta joissain tietyissä tapauksissa, kuten esimerkiksi rikostutkinnassa voi olla saatavilla vain yksi ainoa kasvokuva.[6]

Graafi

Tässä kappaleessa tutustutaan nimenomaan kaupalliseen ZN-face kasvontunnistus järjestelmään. Järjestelmällä päästään n. 99% luotettavuuteen. ZN-face:ssa on käytössä elastinen graafinsovitusmenetelmä, jossa kasvoja käsitellään joustavan graafin avulla. Aluksi kuvan pisteistä muodostetaan tiheä neliömäinen graafi, joille lasketaan piirrevektorit Gabor-aaltofunktioiden avulla. Gabor-aaltofunktioiden hyviä puolia ovat niiden reagoiminen reunaviivoihin sekä invarianttius kuvan globaalin intensiteetin ja kontrastin muutoksille. Hahmontunnistuksessa turhat piirteet kuten pään asennot ja ilmeet eivät vaikuta niin paljon Gabor-aaltofunktioiden ansiosta.[3]

Graafiesityksen hyviä puolia ovat:
  • Tiedon pakkaaminen. Graafi voidaan tallentaa huomattavasti pienempään tilaan, kuin normaali harmaasävykuva. Yksi graafi vie tilaa vain 1.6 kB.
  • Skaalaus. Graafeja voidaan muuttaa huomattavasti helpommin kuin normaaleja harmaasävykuvia. Skaalausta tarvitaan esimerkiksi kuvan koon tai sen perspektiivin muuttamisessa.
  • Jakautuneisuus. Graafissa yhden solmun puuttuminen ei haittaa tunnistusta, sillä harmaasävykuvan piirteet ovat
jakautuneet usealle eri solmulle. Tästä seuraa graafin epäherkkyys häiriöille.

Karakteristiset visuaaliset piirteet kiinnitetään solmukohtiin ja niiden informaatio koostuu globaaleista epätarkoista sekä paikallisista, suuremman tarkkuuden omaavista piirteistä. Graafista poistetaan informaatiosisällöttömät pysty- ja vaakarivit ja vain harva objektin mukaan keskitetty graafi tallennetaan.

Tunnistusvaiheessa kuvasta muodostetaan adaptiivisesti tallennettuun malligraafiin sopiva valmiiksi harva graafi. Identiteetin tarkistus tehdään muodostamalla samankaltaisuusarvo, jota verrataan referenssigraafeille laskettuihin. Kasvo hyväksytään, jos niiden ero ylittää hyväksymiskynnyksen.

Graafiesityksessä kuva-alue koostuu kaksiulotteisesta taulukosta solmuja, jossa jokainen solmu koostuu eri piirteitä tunnistavasta neuronista. Yksinkertaisimmillaan piirretyypit voivat olla vaikkapa kuvan intensiteettiarvoja, mutta yleensä käytetään monimutkaisia suodatukseen perustuvia tyyppejä.

ZN-face-järjestelmä ei tunnista henkilöä automaattisesti kaikkien henkilöiden joukosta, vaan henkilön on ensin ilmoitettava järjestelmälle, kuka hän väittää olevansa, jonka jälkeen järjestelmä tarkistaa tunnistettavan henkilön henkilöllisyyden tästä henkilöstä tehtyjen graafien avulla.[3]

biom-m-graafi.jpg
Mallintallennuksessa käytetty, sekä ZN-menetelmällä luotu graafi.[3]

Iiristunnistus

Iiristunnistus on yksi luotettavimmista nykyään käytettävistä biometrisista tunnisteista. Iiristunnistuksen virheen todennäköisyys on vain 1/1 200 000. Iiristunnistuksen luotettavuus perustuu siihen, että iiriksessä on 247 toisistaan riippumatonta muuttujaa. Esimerkiksi sormenjäljessä niitä on arviolta 20-60. Iiristunnistuksen hyvänä puolena on myös se, että iiris säilyy muuttumattomana läpi eliniän, toisin kuin esimerkiksi kasvot, jotka muuttuvat huomattavasti ihmisen ikääntyessä. [2]

Iiriksestä luodaan tunnistuksessa 512 tavuinen vektori, josta 256 tavua käytetään iiriksen piirteisiin ja toiset 256 tavua kontrollointiin. Iiriskuvion monimutkaisuuden vuoksi sillä on tunnistuksen kannalta suuri informaatio tiheys, noin 3.2 bittiä/mm2.[5]

Tunnistuksessa silmän kuvauksen jälkeen kuvasta etsitään sekä iiriksen että pupillin keskikohta ja säde, sillä pupillin keskikohta saattaa olla hieman eri kuin iiriksen. Myös iiristunnistuksessa käytetään Gabor-funktioita suodattamaan iiriksen piirteet, joista muodostuu piirrevektori. Tunnistuksessa ei käytetä ollenkaan amplitudia piirteenä, koska tällöin piirteisiin vaikuttaisi turhan paljon ulkoisia tekijöitä, joita ovat esimerkiksi valaistus sekä kuvan kontrasti. Käyttämällä pelkkää vaiheinformaatiota saavutetaan se etu, että huonosti kohdennettujen kuvien tapauksessa ei pääse syntymään riskiä väärästä tunnistuksesta. Epätarkasti kuvattujen iiriskuvien tuloksena syntyneiden piirrevektorien tilastolliset ominaisuuden ovat vastaavat kuin niiden, jotka olisivat kuvattu tarkasti. Tämä estää mahdollisuuden tehdä sekaannus huonosti kohdennettujen kuvien kanssa.[6]

Iiristunnistuksessa merkittävä ongelma on silmän kuvaaminen siten, etttä kuvaaminen on helppoa ja vaivatonta, mutta silti saadaan kuva joka on tarpeeksi laadukas, jotta siitä voidaan tehdä tunnistus. Silmän kaarevuudesta johtuen kuvaan tulee helposti heijastuksia eri valonlähteistä, jolloin tunnistuminen vaikeutuu.

Iiriksestä luotu vektori koostuu siis kahdesta osasta. Ensimmäiseen 256 tavuun eli 2048 bittiin, jota kutsutaan piirrevektoriksi, tallennetaan iiriksen piirteitä. Jälkimmäiseen 256 tavuun, jota kutsutaan peitevektoriksi, tallennetaan tieto siitä voidaanko kyseistä kohtaa piirrevektorista käyttää tunnistukseen., vai onko siinä liikaa häiriötä. Tunnistuksessa verrataan piirrevektorien samankaltaisuutta biteittäin niissä kohdissa mitkä ovat peitevektorien mukaan käytettävissä tunnistukseen. Iiriksestä muodostetun vektorin jälkeen tunnistus on ainostaan bittien vertailua XOR- ja AND-operaattoreilla. XOR-operaattorilla tarkistetaan kahden bitin vastaavuus ja AND-operaattorilla varmistetaan, voidaanko näitä bittejä käyttää tunnistukseen. Tunnistukseen riittää, että 68% biteistä täsmää. Nykyaikaiset koneet pystyvät tekemään miljoonia iirisvertailuja sekunnissa.[6]

Sormenjälkitunnistus

Sormenjälkitunnistukseen on kaksi tapaa: kuvioiden tunnistaminen ja pienten yksilöllisten ominaisuuksien tunnistaminen. Tunnistuksen jälkeen näitä kuvia verrataan tietokannasta löytyviin sormenjälkiin tietyllä algoritmillä.[7] Tarkemmin sormenjäljistä verrataan siis joko kuvioita tai ominaisuuksia, joista seuraavaksi siis hieman lisää.

Kuviot

Kuviontunnistamisessa tutkitaan sen nimen mukaisesti koko sormenjälkeä, ja tunnistetaan siitä yksi kolmesta erilaisesta päämuodosta, jotka ovat kaari, silmukka ja kierre.

Yksilölliset ominaisuudet

Toinen tapa tutkia sormenjälkeä on tunnistaa siitä sille pieniä yksilöllisiä ominaisuuksia. Tällaisia on myös kolme kappaletta: sormenjälkiuran loppuminen, sen haarautuminen tai yksinäinen lyhyt ura muiden pitkien urien välissä.

Lähteet

Print version |  PDF  | History: r3 < r2 < r1 | 
Topic revision: r3 - 17 Nov 2009 - 02:34:40 - NikoHeikura?
 

TUTWiki

Copyright © by the contributing authors. All material on this collaboration platform is the property of the contributing authors.
Ideas, requests, problems regarding TUTWiki? Send feedback