ACADEMIA NAȚIONALĂ DE INFORMAȚII „MIHAI VITEAZUL” ȘCOALA DOCTORALĂ „INFORMAȚII ȘI SECURITATE NAȚIONALĂ” REFERAT DE CERCETARE ȘTIINȚIFICĂ NR. 1 TEMA:… [301758]

ACADEMIA NAȚIONALĂ DE INFORMAȚII

„MIHAI VITEAZUL”

ȘCOALA DOCTORALĂ

„INFORMAȚII ȘI SECURITATE NAȚIONALĂ”

REFERAT DE CERCETARE ȘTIINȚIFICĂ NR. 1

TEMA: BIOMETRIA – ISTORIC SI NOTIUNI GENERALE

CONDUCĂTOR DE DOCTORAT

Lect. univ. Dr. Ella CIUPERCĂ

DOCTORAND: [anonimizat]-Antonio BÂDEA

BUCUREȘTI, 2015

TEMA TEZEI DE DOCTORAT:

“Aplicabilitatea biometriei în intelligence”

REFERAT DE CERCETARE ȘTIINȚIFICĂ NR. 1:

TEMA: “Biometria – Istoric și metodele de identificare specifice”

REFERAT DE CERCETARE ȘTIINȚIFICĂ NR. 2:

TEMA:

REFERAT DE CERCETARE ȘTIINȚIFICĂ NR. 3:

TEMA:

CUPRINS

INTRODUCERE………………………………………………………………………….……

Capitolul I –Biometria ………………………………………………….…….

1.1. Scurt glosar al termenilor din domeniul biometriei ……………………………………

1.2. Istoricul biometriei ………………………………………………………………………

1.2.1 Scurt istoric al biometriei …………………………………….

1.2.2 Biometria în decursul istoriei ……………………………………………

1.3. Metode biometrice ……………………………………………………………

1.3.1 Descrierea metodelor biometrice ……………………………………

1.3.2 Identificarea amprentei digitale ……………………………………………………

1.3.3 Identificarea amprentei palmare ……………………………………

1.3.4 Identificarea geometriei mâinii ……………………………………………

1.3.5 Identificarea facială ………………………………………………………….

1.3.6 Identificarea irisului………………………………………………………….

1.3.7 Identificarea vocală ……………………………………………………………

1.3.8 Identificarea semnăturii dinamice …………………………………………………….

1.3.9 Identificarea modelelor vasculare …………………………………………………….

1.4 Aspecte geostrategice…………………………………………………………………29

1.4.1 Importanța geostrategică a [anonimizat]……………………29

1.4.2 Dobrogea – nucleu fluvial maritim…………………………………………32

1.4.3 Amenajări portuare românești………………………………………………34

[anonimizat]………………49

2.1 Caracteristici strategice fluviale…………………………………………………………49

2.1.1 Valori și interese……………………………………………………………….51

2.1.2 Factori de insecuritate…………………………………………………….…..57

2.1.3 Factori de securitate……………………………………………………….….60

2.1.4 Surse și resurse de securitate…………………………………………………..63

2.1.5 Integrare NATO și UE…………………………………………………………65

2.2 Caracteristici strategice maritime……………………………………………………….68

2.2.1 Valori și interese……………………………………………………………….68

2.2.2 Factori de insecuritate…………………………………………………………70

2.2.3 Factori de securitate………………………………………………………..….74

2.2.4 Surse și resurse de securitate…………………………………………………..76

2.2.5 Integrare NATO și UE…………………………………………………………79

2.3 [anonimizat]………………………………………………80

[anonimizat]-PONTICE…………………………………..……………………….…93

3.1 Mediul de securitate……………………………………………………………………..93

3.1.1 Tendințe în evoluția mediului de securitate………………………………..….94

3.2 Valori și interese de securitate…………………………………………………………..96

3.2.1 Valori de securitate……………………………………………………………97

3.2.2 Specificul intereselor navale ale României………………..………………..…98

3.3 Factori de insecuritate………………………………………………………………….104

3.4 Factori de securitate……………………………………………………………………109

3.5 Forțe și mijloace de securitate………………………………………………………….110

3.5.1 Instituții de securitate fluvială………………………………………………..110

3.5.2 Instituții de securitate maritimă………………………………..…………….110

3.6 Management……………………………………………………………………………147

3.7 Surse și resurse…………………………………………………………………………147

3.7.1 Resursele pentru securitate și apărare danubiano-pontice……………………147

3.7.2 Resursele umane. Profesionalizarea sectorului de apărare…………………147

3.7.3 Resurse material și financiare ale infrastructurii strategice…………..……147

3.8 Cooperare europeană și eurasiatică de securitate…………………………….……147

3.8.1 Strategia de Securitate a Uniunii Europene…………………..………………147

3.8.2 Obiectivele strategice ale securității danubiano-pontice……………………147

3.9 Viziuni de securitate…………………………………………………………………..147

3.9.1 Zonele de interes maritime ale României……………………….…………147

3.9.2 Scenarii posibile în arealul de securitate danubiano-pontic……………..…147

3.9.3 România-afirmare ca putere maritimă regională………………………..……147

CONCLUZII ȘI PROPUNERI……………..……………………………………………197

BIBLIOGRAFIE SELECTIVĂ……………………………………….…………………199

ANEXE……………………………………………………………………………………200

INTRODUCERE

Metodele biometrice reprezintă mai mult decât o simplă scanare facială. Unele metode biometrice, cum ar fi scanarea amprentei digitale, au fost deja implementate în produse comerciale, accesibile oricui, ca de exemplu laptopurile sau telefoanele. Există un număr mare de metode biometrice precum: scanarea retinei, a irisului și de recunoastere vocală. Punctul comun este că fiecare metodă generează un identificator unic bazat pe sistemul biometric folosit specific fiecărui individ. Timbrul vocal, modelul retinal sau cel al irisului, amprentele papilare, toate acestea sunt unice pentru fiecare persoană în parte putând fi utilizate pentru identificare. În cazul anumitor obiective cu grad ridicat de securitate, este utilizată o combinație de metode biometrice pentru identificarea indivizilor ce solicită acces în zone restricționate.

Capitolul I – Biometria

Scurt glosar al termenilor din domeniul biometriei

Ce este biometria? Biometria este un termen general folosit pentru a descrie în mod alternativ o caracteristică sau un proces. Ca și caracteristică definește o caracteristică biologică (anatomică și fiziologică) și comportamentală măsurabilă care poate fi utilizată pentru recunoașterea automată. Ca și proces definește metode automate de recunoaștere unui individ pe baza unor caracteristici biologice (anatomice și fiziologice) și comportamentale măsurabile.

Ce este o caracteristică biometrică biologică? O caracteristică biometrică bazată în primul rând pe o caracteristică anatomică sau fiziologică, mai degrabă decât pe un comportament învățat. Toate caracteristicile biometrice depind oarecum de caracteristici atât comportamentale cât și biologice. Exemple de modalități biometrice pentru care caracteristicile biologice pot domina includ amprenta digitală și geometria mâinii.

Ce este o caracteristică biometrică comportamentală? O caracteristică biometrică care este învățată și dobândită de-a lungul timpului, mai degrabă decât una bazată în primul rând pe biologie. Toate caracteristicile biometrice depind oarecum atât de caracteristici comportamentale cât și biologice. Exemple de modalități biometrice pentru care caracteristicile comportamentale pot domina includ recunoașterea semnăturii și dinamica apăsării unor taste.

Ce sunt datele biometrice? Însumează date informatice create în timpul unui proces biometric. Aceasta cuprinde observații obținute prin senzori, mostre biometrice, modele, modele și / sau scoruri de similaritate. Date biometrice este folosit pentru a descrie informațiile colectate în timpul unei înregistrări, verificări, sau unui proces de identificare.

Ce este un eșantion biometric? Informații sau date digitale obținute de la un dispozitiv ce acționează ca senzor biometric. Exemple sunt imagini faciale sau ale irisului; modele fonice; amprente digitale, palmare, vasculare; ADN-ul etc.

Ce este sistem biometric? Componentele individuale multiple (cum ar fi senzori, algoritmul de potrivire, și de afișare a rezultatelor) care se combină pentru a produce un sistem complet operațional. Un sistem biometric este un sistem automatizat capabil: să genereze un eșantion biometric de la un utilizator final; să extragă și să prelucreze datele biometrice obținute din eșantionul biometric; să stocheze informațiile extrase intr-o baza de date; să compare datele biometrice cu datele conținute în unul sau mai multe eșantioane de referință; să decidă cât de bine se potrivesc și să indice dacă s-a realizat sau nu o identificare sau o verificare a identității .

Un sistem biometric poate fi o componentă a unui sistem mai mare.

Istoricul biometriei

Scurt istoric al biometriei

Termenul "biometrie" provine din cuvintele grecești "bios" (viață) și "metron" (a masura). Sisteme biometrice automatizate au devenit disponibile doar în ultimele decenii, ca urmare a progreselor semnificative în domeniul de procesare a computerului. Multe dintre aceste noi tehnici automate, cu toate acestea, se bazează pe idei care au fost concepute inițial sute, chiar mii de ani în urmă.

Unul dintre cele mai vechi și mai de bază exemple de o caracteristică care este utilizată pentru recunoașterea de către om este fața. De la începutul civilizației, oamenii au folosit pentru a identifica fețele cunoscute (familiare) și necunoscute (nefamiliare). Această sarcină simplă a devenit din ce în ce mai provocatoare odată cu creșterea populației și apariția metodelor mai convenabile de călătorie care au introdus mai multe persoane noi în comunitățile odată mici. Conceptul de recunoaștere om-la-om este, de asemenea, regăsit în biometria bazată pe comportamentele predominante, cum ar fi recunoașterea timbrului vocal și a ținutei. Indivizii folosesc aceste caracteristici, oarecum inconștient, pentru a recunoaște persoanele cunoscute în viața de zi cu zi.

Alte caracteristici au fost, de asemenea, utilizate în întreaga istorie a civilizației ca un mijloc mai formal de recunoaștere. Câteva exemple sunt:

Într-o peșteră cu o vechime estimată de cel puțin 31.000 de ani, pereții sunt decorați cu picturi care se consideră a fi create de oamenii preistorici care au trăit acolo. Încadrând aceste picturi, sunt numeroase amprente palmare care par "a acționa ca o semnătură personală, unică" a persoanei care le-a realizat.

Există, de asemenea, dovezi ca amprentele digitale au fost folosite ca marcă a unei persoane la fel de devreme ca 500 î.Hr. "Tranzacții de afaceri babiloniene sunt înregistrate pe tăblițe de lut care includ amprentele digitale."

Joao de Barros, un explorator spaniol și scriitor, a scris că comercianții chinezi timpurii foloseau amprentele pentru decontarea tranzacțiilor comerciale. Părinți chinezi utilizau, de asemenea, amprentele digitale și ale picioarelor pentru a diferenția copiii unul de altul.

În istoria timpurie a Egiptului, comercianții erau identificați după descriptori fizici astfel încât să se poată face diferența între comercianții de încredere cu reputație cunoscută și tranzacții anterioare de succes, și cei noi pe piață.

De la mijlocul anilor 1800, odată cu creșterea rapidă a orașelor din cauza revoluției industriale și a agriculturii mai productive, a apărut o nevoia de a identifica persoanele. Comercianții și autoritățile s-au confruntat cu populațiile din ce în ce mai mari și mai mobile și nu mai puteau să se bazeze doar pe propriile experiențe și cunoștințe locale. Influențat de scrierile lui Jeremy Betham și alte gânditori utilitarieni, instanțele de judecată din această perioadă au început să codifice concepte de drept care se regăsesc și astăzi. Îndeosebi, sistemele de drept au încercat să trateze infractorii aflați la prima abatere cu mai multă îngăduință și infractori recidiviști mai aspru. Aceasta a creat nevoia pentru un sistem formal de înregistrare a infracțiunilor, împreună cu trăsături măsurabile de identitate ale infractorului. Primul dintre cele două abordări a fost sistemul Bertillon de măsurare a diferitelor dimensiuni corporale, originar din Franța. Aceste măsurători au fost scrise pe carduri, și puteau fi sortate după înalțime, lungimea brațelor sau orice alt parametru. Acest domeniu a fost numit antropometrie. Cealaltă abordare a fost utilizarea oficială a amprentelor digitale de către poliție. Acest proces a apărut în America de Sud, Asia, și Europa. Până la sfârșitul anilor 1800 a fost dezvoltată o metodă pentru indexarea amprentelor digitale care a furnizat posibilitatea de a accesa înregistrările, similar metodei Bertillon, dar care a fost bazată pe o individualizare metric – dactiloscopică mai mare. Primul astfel de sistem robust de indexare a amprentelor a fost dezvoltat în India de Azizul Haque pentru Edward Henry, Inspector General al Poliției din Bengal, India. Acest sistem, denumit Sistemul Henry, și variațiuni ale sale sunt încă în uz și astăzi pentru clasificarea amprentelor digitale.

Sisteme biometrice adevărate au început să apară în a doua jumătate a secolului XX, care coincide cu apariția sistemelor informatice. Domeniul a cunoscut o explozie de activitate în anii 1990 și a început să iasă la suprafață în aplicațiile de zi cu zi, la începutul anilor 2000.

Biometria în decursul istoriei

1858 – Este întegistrată prima captură sistematică a imagini mâinii în scopuri de identificare

Sir William Herschel, care lucra pentru Serviciul Public al Indiei, a înregistrat o amprentă palmară pe partea din spate a unui contract pentru fiecare lucrător, pentru a putea să distingă angajații de alte persoane care ar putea să susțină că sunt angajați în zilele de salariu. Aceasta a fost prima înregistrare sistematică a imagini mâinii și degetelor care au fost luate în scopuri de identificare.

1870 – Bertillon dezvoltă antropometria pentru a identifica persoanele

Alphonse Bertillon a dezvoltat "Bertillonage" sau antropometria, o metodă de identificare a persoanelor pe baza înregistrărilor detaliate ale măsurătorilor corpului, descrieri fizice și fotografii. Infractori recidiviști ofereau adesea diferite pseudonime atunci când arestați. Bertillon a remarcat că, deși aceștia își puteau schimba numele, nu puteau schimba anumite elemente ale corpului. Autoritățile polițienești din întreaga lume au utilizat sistemul său, până când utilizarea sa a încetat atunci când s-a descoperit că unii oameni au aceleași măsurători.

1892 – Galton dezvoltă un sistem de clasificare pentru amprente

Sir Francis Galton a scris un studiu detaliat al amprentelor digitale în care a prezentat un sistem de clasificare nou, folosind amprentele de la toate cele zece degete. Caracteristicile, utilizate de Galton pentru a identifica persoanele sunt folosite și astăzi. Aceste detalii sunt adesea menționate ca detaliile lui Galton.

1894 – „Tragedia lui Pudd'nhead Wilson” este publicată

În „Tragedia lui Pudd'nhead Wilson”, autorul Mark Twain menționează utilizarea amprentelor digitale pentru identificare. În poveste, un om chemat în judecată solicită compararea amprentelor sale digitale cu cele rămase la locul crimei pentru a dovedi nevinovăția lui.

1896 – Henry dezvoltă un sistem de clasificare a amprentelor digitale

Sir Edward Henry, Inspector General al Poliției din Bengal, a fost în căutarea unei metode de identificare pentru a pune în aplicare în corelație sau pentru a înlocui antropometria. Henry l-a consultat pe Sir Francis Galton cu privire la amprentare ca metodă de identificare a infractorilor. Odată ce sistemul de amprentare a fost implementat, unul dintre angajații lui Henry, Azizul Haque, a dezvoltat o metodă de clasificare și stocare a informațiilor, astfel încât căutarea putea fi efectuată cu ușurință și eficient. Sir Henry a realizat mai târziu prima bază de date dactiloscopice britanice in Londra. Sistemul de clasificare Henry, cum a ajuns să fie cunoscut, a fost precursorul sistemului de clasificare folosit timp de mai mulți ani de către Biroul Federal de Investigații (FBI) și alte organizații de drept penal care efectuează căutări dactiloscopice.

1903 – Închisorile de stat din New York au început să utilizeze amprentele

„Comisia Servicilor Publice din New York a stabilit practica de amprentare solicitanților pentru a împiedica persoane mai bine calificate să susțină testele în locul lor.” Această practică a fost adoptată de către sistemul penitenciar de stat din New York, unde au fost folosite amprentele „pentru identificarea infractorilor în 1903. În 1904 sistemul de amprentare a fost extins atunci când penitenciarul american din Leavenworth, Kansas, și St. Louis, Missouri cât și Departamentul de Poliție au stabilit birouri de amprentare digitală. În primul trimestru al secolului XX, din ce în ce mai multe birouri de identificare ale poliției locale au implementat sisteme de amprentare digitale. Nevoia tot mai mare și cererea din partea oficialilor poliției pentru o bază de date națională și pentru un centru de stocare a înregistrărilor dactiloscopice a condus o hotarâre a Congresului, care la 1 iulie 1921 a instituit divizia de identificare a FBI.”

1903 – Sistemul Bertillon se prăbușește

Doi bărbați, despre care s-a aflat mai târziu că sunt gemeni identici, au fost încarcerați la penitenciarul american din Leavenworth, Kansas, și s-au dovedit a avea aproape aceleași măsurători folosind sistemul Bertillon. Deși baza aceastei povești a fost ulterior contestată, povestea a fost folosit pentru a argumenta că măsurătorile Bertillon erau inadecvate pentru a diferenția aceste două persoane.

1936 – Se propune conceptul de utilizare amprentei irislui pentru identificare

Oftalmologul Frank Burch a propus conceptul de utilizare a irisului ca o metodă de recunoaștere a unei persoane.

1960 – Recunoașterea facială devine semi-automatizată

Primul sistem semi-automat de recunoaștere facială a fost dezvoltat de către Woodrow W. Bledsoe sub contractat de guvernul SUA. Acest sistem solicita administratorului să identifice caracteristici, cum ar fi ochii, urechile, nasul și gura din fotografii. Acest sistem bazat exclusiv pe capacitatea de a extrage elemente caracteristice utilizabile. Acesta calcula distanțe și rapoarte până la un punct comun de referință, care era comparat cu datele de referință.

1960 – Este creat primul model fonic al vorbirii

Profesorul suedez, Gunnar Fant, a publicat un model de care descrie componentele fiziologice de producție fonică a vorbirii. Descoperirile sale s-au bazat pe analiza cu raze X a persoanelor care emit sunete specificate. Aceste descoperiri au fost folosite pentru a întelege mai bine componentele biologice ale vorbirii, un concept crucial pentru recunoașterea vorbitorului.

1963 – Lucrarea de cercetare a lui Hughes despre automatizarea amprentării digitale este publicată

1965 – Începe cercetarea recunoașterii automate a semnăturii

North American Aviation a dezvoltat primul sistem de recunoaștere a semnăturii în 1965.

1969 – FBI face demersuri încât recunoașterea amprentelor digitale să devină un proces automatizat

În 1969, Biroul Federal de Investigații (FBI) a solicitat dezvoltarea unui sistem pentru a automatiza procesul de identificare a amprentelor, care devenise copleșitoare și necesita multe ore pentru realizare. FBI-ul a contractat Institutul National de Standarde si Tehnologie (NIST), pentru a studia procesul de automatizarea a identificării amprentelor. NIST a identificat două provocări-cheie: (1) scanarea cardurilor conținând amprentele dactiloscopice și punctele caracteristice de identificare și (2) compararea și potrivirea listelor punctelor caracteristice de identificare.

1970 – Recunoașterea facială mai face un pas spre automatizare

Goldstein, Harmon și Lesk au folosit 21 de markeri subiectivi specifici cum ar fi culoarea parului si grosimea buzelor pentru a automatiza recunoașterea facială. Problema cu ambele soluții timpurii a fost că măsurătorile și locațiile au fost calculate manual.

1970 – Componentele comportamentale ale vorbirii sunt identificate

Modelul fonic original al producției verbale, dezvoltat în 1960, a fost extins de către Dr. Joseph Perkell, care a folosit raze X de mișcare incluzând limba și maxilarul în studiu. Modelul a oferit o înțelegere mai detaliată a componentelor complexe comportamentale si biologice ale vorbirii.

1974 – Primele sisteme comerciale de identificare a geometriei mâinii devin disponibile

Primele sisteme comerciale de recunoașterea geometriei mâinii au devenit disponibile la începutul anilor 1970, fără îndoială, primul dispozitiv biometric disponibil comercial după primele implementări ale amprentării la sfârșitul anilor 1960. Aceste sisteme au fost implementate pentru trei scopuri principale: controlul accesului fizic; timp și prezență; identificare personală.

1975 – FBI finanțează dezvoltarea senzorilor și a tehnologiei de extracție a detaliilor precise

FBI-ul a finantat dezvoltarea de scanere și tehnologii de extracție a detaliilor precise, care a condus la dezvoltarea unui cititor prototip. În acest moment, doar punctele caracteristice au fost depozitate, din cauza costului ridicat al stocării digitale. Acești cititori timpurii au folosit tehnici capacitive pentru a colecta caracteristicile amprentelor digitale. În următoarele decenii, NIST s-a axat pe și a condus evoluția metodelor automate de amprentare digitalizare a amprentelor impregnate și a efectelelor de compresie a imaginii asupra calitații imaginii, clasificarea, extracția de detalii precise, și de potrivire. Munca celor de la NIST a condus la dezvoltarea algoritmului M40, primul algoritm de potrivire operațional utilizat la FBI. Folosit pentru a restrânge căutarea umană, acest algoritm a produs un set semnificativ mai mic de imagini, care au fost apoi furnizate tehnicienilor umani instruiți și de specialitate pentru evaluare. Evoluțiile au continuat să îmbunătățească tehnologia de amprentare disponibilă.

1976 – Primul sistem prototip de recunoaștere a vorbitorului este dezvoltat

Texas Instruments a dezvoltat un sistem prototip de recunoaștere a vorbitorului care a fost testat de către Forțele Aeriene SUA și MITRE Corporation.

1977 – Brevetul este acordat pentru stocarea de informațiilor dinamice ale semnăturii

A fost acordat un brevet către Veripen Inc. pentru un "aparat de identificare personală", care a fost capabil să obțină informații despre presiunea dinamică. Acest dispozitiv a permis capturarea digitală a caracteristicilor dinamice ale semnăturii unui individ. Dezvoltarea acestei tehnologii a dus la testarea verificării automate a scrierii de mână (efectuată de MITRE Corporation) pentru Electronic Systems Division din cadrul Aviației Americane.

1980 – Este înființat NIST Speech Group

Institutul Național de Standarde și Tehnologie (NIST) a dezvoltat NIST Speech Group pentru a studia și a promova utilizarea tehnicilor de procesare a vorbirii. Din 1996, în cu finanțare de la Agenția Națională de Securitate (NSA), NIST Speech Group a găzduit evaluări anuale – NIST Speaker Recognition Evaluation Workshop – pentru a încuraja dezvoltarea continuă a comunității de studiu a recunoașterii vorbitorului.

1985 – Se propune conceptul că nu există două iris-uri la fel

Doctorii Leonard Flom și Aran Safir, oftalmologi, au propus ideea că nu există două iris-uri la fel.

1985 – Este acordat brevetul pentru identificarea mâinii

Comercializarea datelor geometrice ale mâinii datează de la începutul anilor 1970, cu una dintre primele implementări de la Universitatea din Georgia în 1974. Armata SUA a început testarea utilizării geometriei mâinii în sectorul bancar în 1984. Aceste implementări anterioare utilizau identificarea mâinii patentată de David Sidlauskas.

1986 – Este publicat standardul punctelor caracteristice ale amprentei digitale

Biroul National de Standarde (BNS) – acum Institutul National de Standarde si Tehnologie (NIST) – a publicat, în colaborare cu ANSI, un standard pentru schimbul de date cu privire la punctele caracteristice ale amprentelor digitale (ANSI / BNS-ICST 1-1986). Aceasta a fost prima versiune de interconectare a standardelor amprentelor digitale utilizate de către agențiile de aplicare a legii din jurul lumii folosită și astăzi.

1986 – Este acordat brevetul pentru folosirea irisului în vederea identificării

Doctorilor Leonard Flom și Aran Safir le-a fost acordat un brevet pentru conceptul lor, prin care irisul putea fi utilizat pentru identificare. Dr. Flom l-a abordat pe Dr. John Daugman pentru a dezvolta un algoritm în vederea automatizării identificării irisului uman.

1988 – Primul sistem semi-automat de recunoaștere facială este implementat

În 1988, Divizia Lakewood a Los Angeles County Sheriff Department a început, folosind desene compozite (sau imagini video) ale unui suspect, să efectueze căutări în baza de date cu fotografii digitalizate ale infractorilor.

1988 – Este dezvoltată tehnica Eigenface pentru recunoașterea facială

Kirby și Sirovich au aplicat principiul analizei componentelor principale, o tehnică standard din algebra liniară, pentru rezolvarea problemei recunoașterii faciale. Acest lucru a fost piatra de temelie, pentru că a arătat că mai puțin de o sută de valori au fost necesare pentru a aproxima o imagine facială aliniată și normalizată corespunzător.

1991 – Începe pionieratul detectării faciale, făcând posibilă recunoașterea facială în timp real

Turk și Pentland au descoperit că în timp ce utilizau tehnicile Eigenfaces, că eroarea reziduală putea fi utilizată pentru a detecta fețele în imagini. Rezultatul acestei descoperiri a însemnat că recunoașterea cu acuratețe, in timp real, automatizată a feței era posibilă. Ei au descoperit ca acest lucru era oarecum limitat de factori de mediu, dar descoperirea a stârnit interesul în dezvoltarea recunoașterii faciale.

1992 – Este inființat Consorțiul Biometric în cadrul Guvernului SUA

Agenția Națională de Securitate a inițiat formarea Consorțiului Biometriei și a avut loc prima reuniune din octombrie 1992. Consorțiul a fost preluat în 1995 de către Consiliul de politică de securitate, care a fost desființat în 2001.

Participarea în cadrul Consorțiului a fost limitată inițial la agențiile guvernamentale; membrii sectorului privat și mediului academic, au fost limitați la a participa în calitate de observatori. Consorțiul a oferit în curând statutul de membru astfel încât să includă aceste comunități și a dezvoltat numeroase grupuri de lucru pentru a iniția și / sau pentru a extinde eforturile de testare, dezvoltare a standardelor, interoperabilitatea și cooperarea guvernului. Cu explozia activitățlori biometrice la începutul anilor 2000, activitatea acestor grupuri de lucru a fost integrată în alte organizații (cum ar fi INCITS, ISO, Subcomisia pentru biometrie a NSTC), cu scopul de a extinde și de a accelera activitățile și impactul acestora. Consorțiul în sine rămâne activ ca o legatură cheie și forum de discuții între guvern, industrie și comunitățile academice.

1993 – Este demarată dezvoltarea unei unități prototip de identificare a iris-ului

Agenția Nucleară de Apărare a inceput sa lucreze cu IriScan Inc. pentru a produce și a testa o unitate prototip de recunoaștere a iris-ului.

1993 – Este inițiat programul FacE REcognition Technology (FERET)

Evaluarea FacE REcognition Technology (FERET) a fost sponsorizată între 1993 și 1997 de către Defense Advanced Research Products Agency (DARPA), precum și de DoD Counterdrug Technology Development Program într-un efort de a încuraja dezvoltarea unor algoritmi și atehnologiei necesare recunoașterii faciale. Această evaluare a vizat prototipuri ale sistemelor de recunoaștere facială și a propulsat recunoaștera facială de la începuturile sale spre o piață de produse comerciale.

1994 – Este patentat primul algoritm de identificare a iris-ului

Droctorului John Daugman i-a fost acordat un brevet pentru algoritmi săi de recunoaștere a iris-ului. Deținut de Iridian Technologies, succesorul IriScan Inc. – acest brevet este piatra de temelie a majorității produselor comerciale de recunoaștere a iris-ului de până în prezent.

1994 – Are loc competiția Integrated Automated Fingerprint Identification System (IAFIS)

Următoarea etapă în automatizarea amprentării digitale a avut loc la sfârșitul competiției Integrated Automated Fingerprint Identification System (IAFIS). Concursul identifica și cercetata trei provocări majore: (1) obținerea amprentei digitale, (2) extracția locală a caracteristicilor crestelor, și (3) potrivirea modelelor caracteristice ale crestelor. Sistemele model prezentate au fost evaluate pe baza unor cerințe specifice de performanță. Lockheed Martin a fost selectat pentru a construi IAFIS-ul pentru FBI.

1994 – Este evaluat sistemul de identificare palmară Palm System

Primul sistem automat cunoscut de identificare a amprentelor (AFIS) construit pentru a realiza amprente palmare este considerat a fi fost construit de o companie din Ungaria, cunoscut sub numele RECOWARE Ltd. La sfârșitul 1994, experții din Statele Unite ale Americii evaluează acest sistem de recunoaștere palmară, RECOderm, în Ungaria și invită RECOWARE Ltd. în 1995 Asociația Internațională Pentu Identificare (IAI) ținută la Costa Mesa, California. Tehnologia de identificare a amprentelor digitale și palmare încorporate în sistemul RECOderm a fost cumparată de Lockheed Martin Information Systems în 1997.

1994 – Este implementat INSPASS

Serviciul de Imigrare și Naturalizare Accelerată (INSPASS) a constituit o implementare a biometriei care a permis călătorilor să ocolească liniile de imigrație în aeroporturile selectate de pe întreg teritoriul Statelor Unite, până când a fost întreruptă la finele anului 2004. Călătorii autorizați primeau un card codificat conținând datele lor biometrice ale mâinii. În loc să fie prelucrați de către un inspector de imigrare, călătorii INSPASS prezentat jetoanele lor (carduri) cu informațiile codificate și mâinile la dispozitivul biometric. La verificarea identității susținute, individul primea accesul către poarta vamală, ocolind astfel liniile de inspecție lungi și fiind accelerată intrarea în SUA.

1995 – Prototipul de identificare a iris-ului devine disponibil ca produs comercial

Proiectul comun între Agenția Nucleară de Apărare și Iriscan a dus la apariția primului produs comercial de identificare a iris-ului.

1996 – Recunoașterea geometriei mâinii este implementată la Jocurile Olimpice

O utilizare publică majoră a geometriei mâinii a avut loc în 1996 la Jocurile Olimpice de la Atlanta unde sistemele de identificare a geometriei mâinii au fost puse în aplicare pentru a controla și a proteja accesul fizic în Satul Olimpic. Aceasta a fost o realizare semnificativă, deoarece sistemele s-au ocupat de înscrierea a peste 65.000 de persoane. Peste 1 milion de tranzacții au fost procesate într-o perioadă de 28 de zile.

1996 – NIST începe să găzduiască evaluări anuale de recunoaștere a vorbitorului

Sub finanțare de la Agenția Națională de Securitate, Institutul Național de Standarde și Tehnologie (NIST), Speech Group a început să gazduiască evaluări anuale din anul 1996. Atelierul NIST de Evaluare a Recunoașterii Vorbitorului își propune să încurajeze dezvoltarea continuă a comunității de recunoaștere a vorbitorului.

1997 – Este publicat primul standard comercial generic de interoperabilitate biometrică

Sponsorizat de NSA, Human Authentication API (HA-API) a fost publicat ca primul standard comercial, generic de interoperabilitate biometrică și s-a axat pe facilitarea integrării și pe a permite independența interschimbabilității și furnizării. A fost un progres în domeniul biometriei, fiind reuniți comercianți care lucrează împreună pentru a avansa industria prin standardizare și a fost precursorul activităților ulterioare de standardizare biometrică.

1998 – FBI lanseaza CODIS (baza de date medico-legală conținând monstre ADN)

FBI-ul a lansat Combined DNA Index System (CODIS) pentru a stoca digital, căuta și prelua markeri ADN în scopuri medico-legale de aplicare a legii. Secvențierea fiind un proces de laborator care durează între 40 minute și câteva ore.

1999 – Este lansat un studiu cu privire la compatibilitatea datelor biometrice cu aparatele prin intermediul cărora pot fi citite documentele de călătorie

Technical Advisory Group on Machine Readable Travel Documents (TAG/MRTD) din cadrul Organizației Internaționale a Aviației Civile (ICAO) a inițiat un studiu pentru a determina „compatibilitatea tehnologiilor biometrice disponibile în prezent, cu emiterea și inspecția proceselor relevante pentru MRTD și cuantificarea acestor compatibilități pentru a determina dacă una sau mai multe tehnologii ar putea / ar trebui adoptate ca standard internațional pentru aplicarea în MRTD.”

1999 – Devin operaționale componente majore ale IAFIS din cadrul FBI

IAFIS, sistemul de identificare la scară largă a zece amprente digitale deținut de FBI, a devenit operațional. Înainte de elaborarea standardelor asociate cu acest sistem, o amprentă colectată într-un sistem nu putea fi comparată cu amprente din alt sistem. Dezvoltarea acestui sistem a abordat problemele asociate cu comunicarea și schimburile de informații între sistemele de sine stătătoare, precum și introducerea unei rețele naționale de stocare electronică a amprentelor digitale la FBI. IAFIS este utilizat pentru verificări ale istoricului penal și identificarea amprentelor latente descoperite la locul crimei. Acest sistem oferă amprentarea automatizata și capabilitățile de căutare latente, stocarea electronică a imaginii amprentelor digitale și imaginilor faciale, și schimbul electronic de amprente și răspunsuri de căutare.

2000 – Are loc pentru prima dată Face Recognition Vendor Test (FRVT 2000)

Mai multe agenții guvernamentale ale SUA au sponsorizat Face Recognition Vendor Test (FRVT) în 2000. FRVT 2000 a servit ca primul evaluare tehnologică la scară largă a mai multor sisteme biometrice disponibile în comert. Alte conferințe FRVT au avut loc în 2002 și 2006, iar modelul FRVT a fost utilizat pentru a efectua evaluări ale amprentelor digitale (2003) și recunoașterea irisului (2006). Scopul principal al FRVT este de a evalua performanța pe baze de date de mari dimensiuni.

2000 – Este publicată prima lucrare care descrie folosirea modelelor vasculare pentru identificare

Această lucrare descrie tehnologia care avea să devină primul sistem comercial disponibil de recunoaștere a modelelor vasculare în 2000. Tehnologia folosește modelul vaselor de sânge subcutanate de pe partea din spate a mâinilor pentru a obține recunoașterea individului.

2000 – Universitatea West Virginia înființează un program de studiu al biometriei

Universitatea West Virginia (WVU) și FBI, în consultare cu asociațiile profesionale, cum ar fi Asociația Internațională pentru Identificare, au înființat program de licență în Sisteme biometrice în 2000. În timp ce multe universități au avut mult timp cursuri legate de datele biometrice, aceasta este primul program bazat pe biometrie. WVU încurajează participanții la program să obțină o dublă diplomă în inginerie informatică și sisteme biometrice, deoarece diploma pentru specializarea în sisteme biometrice nu este acreditată.

2001 – Recunoașterea facială este folosită la Super Bowl-ul din Tampa, Florida

Un sistem de recunoaștere facială a fost instalat la Super Bowl în ianuarie 2001, în Tampa, Florida, intr-o incercare de a identifica eventuale persoane date în urmărire care intră în stadion. Demonstrația nu a gasit nici un individ dat în urmărire, dar a reușit să confunde o duzină iubitorii de sport nevinovați. Mass-media și anchetele ulterioare ale Congresului au servit pentru a introduce atât elementele biometrice integrate cât și preocupările asociate acesteia asupra confidențialtății în conștiința publicului larg.

2002 – Este înființată Comisia pentru standarde ISO / IEC pentru elementele biometrice integrate

Organizația Internațională de Standardizare (ISO) a stabilit ISO / IEC JTC1 Subcomisia 37 (JTC1 / SC37) pentru a sprijini standardizarea tehnologiilor biometrice generice. Subcomitetul elaborează standarde pentru a promova interoperabilitatea și schimbul de date între aplicații și sisteme.

2002 – Este înființat Comitetul Tehnic M1 pentru Biometrie

Comitetul tehnic M1 pentru Biometrie este Grupul American Tehnic Consultativ (TAG) la JTC1 / SC37. Acest rapoarte tehnice ale comisiilor sunt trimise către Comitetul Internațional privind Standardele Tehnologiei Informației (INCITS), o organizație acreditată de Institutul American Național al Standardelor (ANSI), care facilitează dezvoltarea de standarde în rândul organizațiilor acreditate.

2003 – Începe activitatea de coordonare formală de către Guvernul SUA a activității biometrice activități

Consiliul Național de Știință și Tehnologie, un consiliu cu statut de cabinet a Guvernului SUA a stabilit un subcomitet pentru a coordona activitățile în domeniul biometriei precum cercetare și dezvoltare, politică, mobilizare și colaborarea internațională.

2003 – ICAO adoptă planul de a integra elemente biometrice în documente de călătorie citibile automatizat

“Pe data de 28 mai 2003 Organizația Aviației Civile Internaționale (ICAO) a adoptat un plan global, armonizat pentru integrarea de informații de identificare biometrică în pașapoarte și documente de călătorie citibile automatizat (MRTD) … Recunoașterea facială a fost selectată ca fiind interoperabil biometric la nivel global pentru confirmarea asistată automat a identității cu MRTD.”

2003 – Este înființat Forumul Biometric European

“Forumul Biometric European este o organizație europeană independentă, susținută de Comisia Europeană a cărui viziune de ansamblu este de a stabili Uniunea Europeană ca lider mondial în biometrie prin abordarea barierelor din calea adoptării și fragmentarea de pe piață. Forumul de asemenea, acționează ca o forță motrice pentru coordonarea, susținerea și consolidarea organismelor naționale. „

2004 – Programul US-VISIT devine operațional

United States Visitor and Immigrant Status Indication Technology (US-VISIT) este piatra de temelie a eliberării vizelor DHS și strategia de intrare / ieșire. Programul US-VISIT este un continuum de măsuri de securitate care începe în afara țării la Departamentul statului care emite vize și continuă prin sosirea în și plecarea din SUA. Utilizarea datelor biometrice (cum ar fi amprentele digitale fară cerneală, în format digital și fotografii în format digital) se face pentru identificarea vizitatorilor care au nevoie de viză la fiecare pas pentru a se asigura că persoana care a trecut frontiera SUA este aceeași persoană care a primit viza. Pentru călătorii Visa Waiver, obținerea datelor biometrice are loc mai întâi în portul de intrare in SUA. Prin verificarea datele biometrice ale unui călător comparându-se cu bazele sale de date, US-VISIT verifică dacă călătorul a fost anterior declarat inadmisibil, este un risc de securitate cunoscut (inclusiv dat în urmărire sau cu mandate de arestare), sau a depășit în prealabil termenii unei vize. Aceste proceduri de intrare / ieșire abordează nevoia critică pentru securitatea strictă și angajamentul american de a facilita călătoriile pentru milioanele de vizitatori legitimi primiți în fiecare an pentru a desfășura afaceri, a învăța, a se vedea de familie sau a vizita țara.

2004 – DOD implementează ABIS

Sistemul automat de identificare biometrică (ABIS) este un sistem al Departamentului de Apărare (DoD) implementat pentru a îmbunătăți capacitatea Guvernului SUA de a urmării și de a identifica amenințările de securitate națională. Sistemele de colectare asociate includ abilitatea de a colecta, de la combatanți inamici, insurgenții capturați și alte persoane de interes, zece amprente digitale complete, până la cinci fotografii din unghiuri diferite, probe de voce, imagini ale iris-ului și un tampon oral pentru a colecta ADN-ul.

2004 – Este introdusă directiva prezidențială care solicită introducerea cardurilor de identificare la nivelul guvernului pentru toți angajații și contractorii federali

În 2004, presedintele Bush a emis Directiva Presidentială de Securitate 12 (HSPD-12) pentru o carte de identificare obligatorie la nivelul personalului guvernului, pe care toate departamentele guvernamentale, federale și agențiile o vor emite angajaților și contractanților care solicită accesul în facilități și sisteme federale . Ulterior, Standardul de Procesare a Informațiilor Federale (FIPS) 201, Verificarea Identității Personale (PIV) a angajaților federali și subcontractorilor specifică cerințele tehnice și operaționale pentru sistemul PIV și cardul de identificare. NIST Special Publication 800-76 (Biometric Data Specification for Personal Identity Verification) care este un document de însoțire a FIPS 201, descrie modul în care standardul va achiziționa, formata și stoca imaginile dactiloscopice și template-urile pentru colectarea și formatarea imaginii faciale; și specificații pentru dispozitivele biometrice folosite pentru a colecta și a citi imagini ale amprentelor digitale. Publicația precizează că cele două amprente vor fi stocate pe cardul de identificare ca șabloane ale punctelor caracteristice.

2004 – Prima baze de date națională automatizată a amprentelor palmare este realizată în SUA

În 2004, Connecticut, Rhode Island și California au realizat baze de date la nivel de stat conținând amprente palmare care permit agențiilor de aplicare a legii din fiecare stat să-și prezinte amprente palmare latente neidentificate pentru a fi căutate în baza de date a infractorilor cunoscuți a celorlalte state.

2004 – Începe Marea Competiție în Domeniul Recunoșterii Faciale

Marea Competiție în Domeniul Recunoașterii Faciale (FRGC) este o competiție sponsorizată de guvernul SUA pentru a dezvolta algoritmi în vederea îmbunătățirii domeniilor specifice identificate ca fiind de interes în recunoașterea facială. Cercetatorii participanți analizează datele furnizate pentru a rezolva problema identificată și apoi discuta diferite abordări și rezultatele lor – o abordare care conduce la îmbunătățirea tehnologiei. Participarea la această provocare demonstrează o extindere expansivă a cunoștințelor și interesului în această tehnică biometrică.

2005 – Expiră patentul pentru conceptul de recunoaștere a irisului

Brevetul care acoperă conceptul de bază al recunoașterii irisului a expirat în 2005, oferind oportunități de marketing pentru alte companii care au dezvoltat proprii lor algoritmi de recunoaștere a irisului. Cu toate acestea, brevetul privind punerea în aplicare a IrisCodes de recunoaștere irisului dezvoltat de Dr. Daugman nu va expira până în 2011.

2005 – “Iris on the Move” este anunțat la Conferința Consorțiului Biometriei

La Conferința Consorțiului Biometriei din 2005, Sarnoff Corporation a prezentat “Iris on the move”, o culme a sistemelor de cercetare și prototip sponsorizat de Intelligence Technology Innovation Center (ITIC), și anterior de către Defense Advanced Research Projects Agency (DARPA). Sistemul permite colectarea de imagini ale irisului de la persoane care trec printr-un portal.

Metode biometrice

Descrierea metodelor biometrice

Metodele biometrice au apărut din necesitatea unor măsuri de securizare în vederea identificării indivizilor. Indiferent că este vorba despre armată, organizații guvernamentale, bănci sau alte entități, există nevoia reală de securitate în ceea ce privește identitatea indivizilor.

Aceste metode sunt utilizate pe scară largă în domeniul aplicațiilor de acces, unde acuratețea identificării sau a verificării individului este esentială pentru asigurarea gradului de securitate. Succesul implementării depinde de selecția celui / celor mai potrivite sisteme de recunoaștere pentru aplicații specifice, generându-se astfel soluții personalizate în concordanță cu nivelul impus de securitate.

Un individ se poate identifica într-un sistem, pe baza a trei elemente: un obiect pe care îl detine (cheie, card); cunoștințe secrete (parole, coduri PIN) sau trasături biometrice (amprente papilare, forma feței, amprenta vocală sau modele ale irisului).

Majoritatea metodelor de autentificare utilizate la scară largă prezintă vulnerabilități și dezavantaje: cheile se pot pierde, parolele pot fi uitate sau aflate de persoane care nu ar avea dreptul să le posede. Trăsăturile anatomice nu pot fi copiate ușor și nici pierdute. Utilizarea autentificării biometrice este soluția ideală pentru a asigura securitatea datelor permițând renunțarea definitivă la folosirea parolelor și la riscurile presupuse de acestea, de a fi deconspirate sau uitate.

Trăsătura metodelor biometrice de a realiza legătura între individ și acțiune sau tranzacție oferă avantajul prevenirii utilzării de către persoane neautorizate, eliminând astfel posibilele fraude în sistem.

Sistemele de acces bazate pe carduri pot controla accesul, dar nu pot face legătura între card și persoana care îl folosește, acesta putând fi pierdut, împrumutat sau reprodus. Sistemele de acces care utilizează PIN-uri (numere de identificare personală) presupun ca un singur individ să știe acel cod specific care îi poate autoriza accesul , dar nici aici nu se poate face o legatură între cel care a introdus pinul și cel care beneficiază efectiv.

Prin intermediul biometriei se pot elimina aceste dezavantaje, ceea ce duce implicit la reducerea eforturilor administrative.

Standardele biometrice cele mai frecvente sunt : imagini ale crestei de frecare (imagini latente și exemple de amprente: digitale, palmare și plantare); caracteristici ale creastei de frecare; imagini ale feței; imagini ale irisului; ADN-ul; cicatrici, semne, tatuaje; imagini ale părților corpului; probe criminalistice; eșantioane de recunoaștere vocală; cheiloscopii (printuri ale buzelor); imagini model ale rănilor; amprenta dentară și alte caracteristici de identificare medicale și fizice; metadate asociate tuturor celor de mai sus. În continuare vom detalia metodele cele mai frecvente și populare.

Identificarea amprentei digitale

Identificarea amprentelor digitale este una dintre metodele biometrice cele mai cunoscute și mediatizate. Din cauza unicității și coerenței lor în timp, amprentele digitale au fost folosite pentru identificare de peste un secol, mai recent, devenind un proces automatizat din cauza progreselor în capacitățile de calcul. Identificare amprentelor digitale este populară datorită usurinței inerente de achiziție, numeroase surse (zece degete) fiind disponibile pentru colectare și utilizarea / colectarea lor de de către serviciile de aplicare a legii și imigrației.

O amprentă digitală apare de obicei ca o serie de linii întunecate care reprezintă porțiunea înaltă de piele, creasta de frecare, în timp ce șanțurile pielii dintre aceste culmi apar ca spațiu alb și sunt partea adâncite și superficiale în comparație cu creasta de frecare. Identificarea amprentelor digitale se bazează în principal pe detalii precise, locația și direcția, de capetele și bifurcațile de-a lungul traseului unei creste. Imaginile din Figura 1 prezintă exemple de caracteristici dactiloscopice: (a) două tipuri de puncte caracteristice și (b) exemple de alte caracteristici detaliate utilizate uneori în timpul clasificării automate și a extracției punctelor caracteristice.

Tipurile de informații care pot fi colectate de la o impresie prin frecare a unei creste de amprentă includ fluxul de frecare al crestelor (detaliu de nivel 1), prezența sau absența unor caracteristici de-a lungul căilor individuale de frecare a crestelor și succesiunea lor (detaliu de nivel 2), și detalii complicate ale unei singure creste (detaliu de nivel 3). Recunoașterea se bazează de obicei pe primul și al doilea nivel de detaliere sau doar pe ultimul.

Tehnologia AFIS exploatează unele dintre aceste caracteristici dactiloscopice. Creste de frecare nu curg întotdeauna continuu pe parcursul unui model și de multe ori duc la caracteristici specifice, cum ar fi sfârșitul crestelor, creste care se bifurcă și puncte sau alte informații. AFIS este conceput pentru a interpreta fluxul de crestele globale pentru a atribui o clasificare a amprentelor digitale și apoi a extrage detalii caracteristice – un subset din totalul de informații disponibile și totuși acestea să constituie informații suficiente pentru a căuta în mod eficient într-o bază mare de date conținând amprente digitale.

Figura 1. Detalii și caracteristici ale amprentei digitale

O varietate de tipuri de senzori – optici, capacitivi, ultrasunete și termici – sunt folosiți pentru colectarea imaginii digitale a suprafeței amprentei digitale. Senzori optici captează o imagine a amprentei digitale și sunt cei mai frecvenți senzori folosiți astăzi. Senzorul capacitiv determină fiecare valoarea fiecărui pixel bazat pe presiunea măsurată, făcută posibilă din cauza spațiului de aer (șanț) care are presiune semnificativ mai mică decât suprafața degetului (creasta de frecare a pielii). Alți senzori captează imaginea amprentei digitale prin utilizarea ultrasunetelor de înaltă frecvență sau dispozitive optice care utilizează prisme pentru a detecta schimbarea reflexiei luminii legate de amprenta digitală. Scanere termice necesită trecerea degetului pe o suprafață pentru a măsura diferența de temperatură în timp astfel încât să poată crea o imagine digitală.

Cele două categorii principale de tehnici de potrivire dactiloscopică sunt cele bazate pe potrivirea punctelor caracteristice și pe potrivirea de model. Potrivirea modelelor, pur și simplu compară două imagini pentru a vedea cât de similare sunt. Potrivirea de model este utilizată de obicei în sistemele de amprentare pentru a detecta duplicate. Tehnica de recunoaștere cea mai utilizată pe scară largă, de potrivire pe baza unor detalii precise, se bazează pe punctele caracteristice descrise mai sus, în special localizarea și direcția fiecărui punct.

De peste un secol, amprentele digitale au fost una dintre cei mai utilizate metode de recunoaștere umană; sistemele biometrice automate au fost disponibile doar în ultimii ani. Determinarea și angajamentul industriei de amprentare, evaluările și nevoile statelor, organismele de standardizare organizate au dus la următoarea generație în recunoașterea amprentelor digitale, care promite dispozitive mai rapide de achiziție a informației, de calitate mai bună a acesteia și o precizie mai mare și mai multă fiabilitate. Deoarece amprentele au un nivel de acceptare, în general mai mare, la nivelul publicului larg, a instituților de aplicare a legii, precum și a comunităților științifice din domeniul criminalisticii, acestea vor continua să fie utilizate împreună cu sistemele guvernamentale vechi și vor fi utilizate în noi sisteme, evoluând astfel în aplicații care necesită date biometrice de încredere.

Identificarea amprentei palmare

Recunoașterea amprentei palmare implementează multe din aceleasi caracteristici de potrivire care au permis recunoașterea amprentelor digitale ca fiind una dintre datele biometrice cele mai cunoscute și cele mai bune mediatizate. Atât elementele biometrice ale amprentei palmare cât și digitale sunt reprezentate de informațiile prezentate într-o impresie papilară. Aceste informații combină fluxul de creastă, caracteristicile crestei și structura crestei, porțiunii ridicate a epidermei. Datele reprezentate de impresiile acestor creste permit o determinare că zonele corespunzătoare impresiei crestelor, fie provin din aceeași sursă sau nu ar fi putut fi făcute de aceeași sursă. Deoarece amprentele digitale și palmare au atât unicitate și permanență, acestea au fost utilizate de peste un secol ca o formă de identificare cu acuratețe crescută. Cu toate acestea, recunoașterea amprentei palmare a fost mai lentă în a deveni automatizată din cauza unor restricții în capacitățile și tehnologiile de scanare instantanee.

Identificarea amprentei palmare, la fel ca de identificarea a amprentelor digitale, se bazează pe ansamblul de informații prezentate într-o impresie lasată de crestele papilare. Aceste informații includ fluxul crestelor de frecare, prezența sau absența de caracteristici de-a lungul căilor individuale de coamă și secvențele lor, și piese complicate lasate de o singură creastă. Pentru a înțelege acest concept de recunoaștere, trebuie să înțelegem mai întâi fiziologia crestelor și șanțurilor unei amprente digitale sau palmare. Când este înregistrată, o amprentă digitală sau palmară apare ca o serie de linii întunecate care reprezintă porțiunea de piele crestată, în timp ce șanțul dintre aceste muchii apare ca un spațiu alb și este partea adancă, superficială a pielii în timpil frecării crestelor . Acest lucru este prezentat în Figura 2.

Figura 2. Crestele amprentei (liniile intunecate) și șanțurile amprentei (liniile albe)

Tehnologia de recunoaștere a amprentei palmare exploatează unele dintre aceste caracteristici ale palmei. Crestele de frecare nu curg întotdeauna continuu pe parcursul unui model și de multe ori duc la caracteristici specifice, cum ar fi încheierea crestelor sau împărțirea acestora și puncte. Un sistem de recunoaștere a amprentei palmare este proiectat pentru a interpreta fluxul de crestele globale pentru a atribui o clasificare și apoi se extrage detaliul caracteristic – un subset din totalul de informații disponibile, dar conținând suficiente informații pentru a căuta în mod eficient într-o bază de date mare de amprente palmare. Punctele caracteristice sunt limitate la locația, direcția și orientarea capetelor crestelor și bifurcații de-a lungul unui traseu de creastă. Imaginile din Figura 3 prezintă o reprezentare regiunilor palmei, două tipuri de puncte caracteristice, și exemple de alte caracteristici detaliate utilizate în timpul clasificarării automate și de extracție a punctelor caracteristice.

Figura 3. Amprentă palmară și Detaliu care prezintă două tipuri de puncte caracteristice și alte caracteristici

O varietate de tipuri de senzori – capacitivi , optici, ultrasunete și termici – pot fi utilizați pentru colectarea imaginii digitale a unei suprafețe palmare; cu toate acestea, metodologiile tradiționale de scanare automatizată au fost lente în a se adapta la zonele mai mari de captare necesare pentru digitizarea amprentelor palmare. Provocări pentru senzorii care încearcă să obțină imagini ale amprentei palmare de înaltă rezoluție sunt încă în curs de soluționare și în ziua de azi. Una dintre cele mai comune metode, care utilizează senzorul capacitiv, determină fiecare valoare a pixelilor bazat pe capacitatea măsurată, făcută posibilă datorită unui spațiu de aer (șanț) care are o presiune semnificativ mai mică decât suprafața ridicată a dermei (creastă). Alți senzori de captare a imagini palmare utilizează ultrasunete de înaltă frecvență sau dispozitive optice care utilizează prisme pentru a detecta schimbarea reflexiei luminii în legătură cu palma. Scanerele termice necesită o trecere a palmei pe o suprafață pentru a măsura diferența de temperatură în timp pentru a putea crea o imagine digitală. Senzori capacitivi, optici și cu ultrasunete necesită doar plasarea palmei pe dispozitiv.

Unele sisteme de recunoaștere palmară scanează întreaga palmă, în timp ce altele necesită palmele să fie segmentate în zone mai mici pentru a optimiza performanța. Maximizarea fiabilității în cadrul unui sistem de amprentare digitală sau palmară poate fi mult îmbunătățit prin căutarea de seturi de date mai mici. În timp ce sistemele de amprente digitale împart de multe ori în porțiuni bazate pe numărul degetului sau modelul de clasificare, sisteme palmare partajează registrele bazate pe locația unei zone de frecare a crestelor. Examinatorii sunt foarte calificați în recunoașterea porțiunii de mână de la care o probă latentă a fost obținută. Căutarea numai după această regiune într-o bază de date cu imagini palmare, mai degrabă decât întreaga bază de date, maximizează fiabilitatea căutarea amprentei palmare latente.

Asemănător amprentelor digitale, cele trei categorii principale de tehnici de potrivire a amprentelor palmare sunt potrivire pe baza detaliilor precise / punctelor caracteristice, potrivire pe bază de corelare și de potrivire bazată pe creastă. Potrivirea bazată pe detalii precise / puncte caracteristice, este tehnica cel mai des utilizată și se bazează pe punctele caracteristice descrise mai sus, în special localizarea, direcția și orientarea fiecărui punct. Potrivirea pe bază de corelare implică pur și simplu alinierea imaginilor palmare și suprapunera lor pentru a determina dacă crestele din cele două imagini de palmare corespund. Potrivirea pe baza de modelului creastei urmăresc caracteristici reper, cum ar fi porii de sudoare, atributele spațiale și caracteristicile geometrice ale crestelor, și / sau analiza texturii locale, toate fiind supleanți la extragerea punctelor caracteristice. Această metodă este o metodă mai rapidă de potrivire și depășește unele dintre dificultățile asociate cu extragerea punctelor caracteristice din imagini de proastă calitate.

Avantajele și dezavantajele fiecărei abordări variază în funcție de algoritmul utilizat și senzorul implementat. Potrivirea bazată pe puncte caracteristice atinge de obicei o acuratețe a recunoașterii mai mare, cu toate că nu este la fel de eficientă cu imagini de calitate scăzută și nu profită de caracteristicile texturale sau vizuale ale palmei. Prelucrarea folosind tehnici bazate pe puncte caracteristice poate fi, de asemenea, ineficientă din cauza timpului asociat cu extracția punctelor caracteristice. Potrivirea pe bază de corelare este de multe ori mai rapid în a procesa, dar este mai puțin tolerantă la variații elastice, de rotație și de translatie dar și a zgomotului (imperfecțiunilor) din imagine. Unele caracteristici de potrivire bazate pe creastă sunt instabile sau necesită un senzor de înaltă rezoluție pentru a obține imagini de calitate. Caracterul distinctiv al caracteristicilor bazate pe creastă este semnificativ mai mic decât cele ale punctelor caracteristice.

Chiar dacă ratele de eroare totale sunt în scădere atunci când se compară direct datele de înscriere scanate cu datele de verificare, sunt încă necesare îmbunătățiri în compararea dintre scanate și baza de date latente. Datele indică faptul că sistemele multi-biometrice complet integrate de amprentare digitală și palmară sunt utilizate pe scară largă pentru identificarea și verificarea subiecților în domeniul penal, precum și în aplicații de acces de securitate. Dar există încă provocări semnificative în a echilibrara precizia cu costul sistemelor. Precizia potrivirii imaginilor poate fi îmbunătățită prin construirea de baze de date mai mari și prin utilizarea puterii mai mari de procesare, dar apoi costurile de achiziționare și de întreținere vor crește cu siguranță o dată ce sistemele devin mai mari și mai sofisticate. Provocările viitoare necesită echilibrarea nevoii de mai multă putere de procesare cu imbunatatirea algoritmului tehnologic pentru a produce sisteme care sunt accesibile pentru toate nivelurile de aplicare a legii.

Identificarea geometriei mâinii

Recunoașterea geometriei mâinii este, din perspectivă biometrică, cea mai implementată metodă, debutând pe piață la sfârșitul anilor 1980. Sistemele sunt implementate pe scară largă pentru ușurința de utilizare, de acceptare publică și datorită capabilități de integrare. Unul dintre neajunsurile caracteristicii geometriei mâinii este că nivelul de unicitate nu este foarte ridicat, limitând aplicațiile sistemului geometriei mâinii doar pentru sarcini de verificare.

Dispozitivele folosesc un concept simplu măsurarea și înregistrarea lungimii, lățimii, grosimii și suprafeței mâinii unei persoane în timp ce aceaasta este plasată pe o placă (Figura 4). Sisteme de geometria mâinii folosesc un aparat de fotografiat pentru a captura o imagine a siluetei mâinii (Figura 5).

Figura 4. Vedere din partea inferioară

Mâna a subiectului este plasat pe placa, cu palma în jos, și ghidată de cinci cuie care detectează atunci când o parte este la loc său.

Figura 5. Silueta imaginii mâinii

Datele rezultate din captura din partea de sus a mâinii, realizată de către un aparat de fotografiat cu dispozitiv de acționare la încărcare (CCD), inclusiv exemplu măsurători ale distanțelor caracteristice.

Imaginea surprinde atât suprafața superioară a mâinii și o imagine laterală care este capturată cu ajutorul unei oglinzi în unghi (Figura 6). La captarea imaginii siluetă, 31.000 de puncte sunt analizate și 90 de măsurători sunt efectuate; măsurătorile variază de la lungimea degetelor, de distanța dintre degetele, la înălțimea sau grosimea mâinii și degetlor (Figura 7). Acest informații sunt stocate în nouă biți de date, un număr extrem de redus în comparație cu nevoile de stocare a altor sisteme biometrice.

Figura 6. Imaginea mâinii inclusiv a oglinzii, Figura 7. Exemplu de măsurători ale distanțelor

așa cum este văzută de camera CCD

Procesul de înscriere într-un sistem de geometrie a mâinii necesită de obicei captarea a trei imagini secvențiale ale mâinii, care sunt evaluate și măsurate pentru a crea un șablon de caracteristici ale utilizatorului. La prezentarea unei cereri, sistemul găsește șablonul asociat cu acea identitate; solicitantul pune mâna pe placă și sistemul preia o imagine și creează un șablon de verificare pentru a fi comparat cu șablonul realizat la înscrierea în sistem. Un scor de similaritate este produs și, în funcție de pragul sistemului, cererea este fie acceptată sau respinsă.

Sistemele de recunoaștere a geometriei mâinii sunt utilizate la scară largă pentru aplicații de acces fizic, de urmărire a prezenței și de verificare personală. S-a găsit o nișă de piață durabilă prin utilizarea în aplicații de securitate și responsabilitate. Ușurința de utilizare, autonomia, precum și cerințele de date mici le fac o alegere populară pentru cei care au nevoie de sisteme de verificare.

Identificarea facială

Oamenii folosesc adesea fețele pentru a recunoaște persoanele și progresele în capacitatea de calcul de-a lungul ultimelor decenii permite automatizarea unei recunoașteri similare. Primii algoritmi de recunoaștere a feței foloseau modele geometrice simple, dar procesul de recunoaștere sa s-a dezvoltat acum într-o știință a reprezentărilor matematice sofisticate și proceselor de potrivire. Progrese majore și inițiative în ultimii zece la cincisprezece ani au propulsat tehnologia de recunoaștere a feței în centrul atenției. Recunoașterea feței poate fi folosită atât pentru verificare cât și pentru identificare (set deschis și set închis).

Există două abordări predominante ale problemei recunoașteri faciale: geometrice (bazată pe trăsături) și fotometrice (bazată pe imagine). Pe măsură ce interesul cercetatorilor în recunoașterea feței a continuat, au fost creați mulți algoritmi diferiți, dintre care trei au fost studiați în literatura de specialitate din domeniul recunoașterii faciale: Analiza Componentelor Principale (PCA), Analiza liniară discriminantă (LDA) și Potrivirea elastică a pachetelor grafice (EBGM).

Analiza Componentelor Principale / Principal Components Analysis (PCA), care mai este denumită și tehnica Eigenfaces, este tehnica inventată de Kirby și Sirivich în 1988. Cu PCA, monstra și imaginea etalon din baza de date trebuie să fie de aceeași mărime și trebuie mai întâi normalizată pentru a alinia ochii și gura subiecților din ambele imagini. Apoi PCA reduce dimensiunea datelor prin intermediul elementelelor de bază a comprimării datelor și dezvăluie cea mai eficientă structură dimensională a modelelor faciale. Această reducere în dimensiuni elimină informații care nu sunt utile și descompune precis structura feței în componente ortogonale (necorelate) cunoscute sub numele de Eigenfaces. Fiecare imagine a feței poate fi reprezentată ca o sumă ponderată (vector caracteristic) din Eigenfaces, care sunt stocate într-o gamă 1D. O imagine monstră este comparată cu o imagine etalon prin măsurarea distanței dintre vectorii lor caracteristici respectivi. Abordarea PCA necesită de de fiecare dată prezentarea facială frontală și completă altfel performanțele obținute sunt slabe. Avantajul principal al acestei tehnici este că poate reduce datele necesare pentru a identifica persoana la 1/1000 din datele prezentate.

Figura 8. Metoda Eihgenfaces: vectori caracteristici sunt derivați folosind Eigenface

Analiza liniară discriminantă / Linear Discriminant Analysis (LDA) este o abordare statistică de clasificare a mostrelor de clase necunoscute bazată adaptarea pe probe de clase cunoscute. Această tehnică are scopul maximizării variației între clase (de exemplu, între utilizatori) și a minimiza variația în cadrul clasei (de exemplu, în cadrul utilizatorului) . În Figura 9, unde fiecare bloc reprezintă o clasă, există variații mari între clase, dar puține variații în clase. Atunci când se ocupă cu date faciale de mari dimensiuni, aceasta tehnica se confruntă cu problema dimensiunii mici a probei care apare în cazul în care există un număr mic de monstre disponibile, în comparație cu dimensiunea mare a probei inițiale.

Figura 9. Exemplu de 6 clase folosind obținute LDA

Potrivirea elastică a pachetelor grafice / Elastic Bunch Graph Matching (EBGM) se bazează pe conceptul că imaginile reale ale feței au multe caracteristici neliniare care nu sunt abordate prin metodele de analiză liniară discutate mai devreme, cum ar fi variațiile de iluminare (iluminat exterior vs. fluorescent de interior), postură (stând drept vs. stând aplecat) și de exprimare (zâmbet vs. încruntare). O transformare în sinusoidă Gabor creează o arhitectură dinamică care proiectează fața pe o grilă elastică. Jetul Gabor este un nod pe grila elastică, notate prin cercuri pe imaginea de mai jos, care descrie comportamentul de imaginii în jurul unui anumit pixel. Acesta este rezultatul unei convoluții a imaginii cu un filtru Gabor, care este utilizat pentru a detecta forme și să extragă caracteristici utilizând procesarea imaginii. (O convoluție exprimă cantitatea de suprapunere de funcții și amestecarea funcțiilor.) Recunoașterea se bazează pe similaritatea răspunsului filtrului Gabor la fiecare nod Gabor. Această metodă bazată biologie folosind filtre Gabor și este un proces executat în cortexul vizual al mamiferelor mari. Dificultatea aceastei metode este cerința de localizare a reperelor precise, care poate fi uneori realizată prin combinarea metodelor APC și LDA.

Figura 10. Potrivirea pachetelor grafice

Industria de recunoaștere facială pe bază de calculator a avanst foarte mult în ultimul deceniu; cu toate acestea, necesitatea unor sisteme de precizie mai mare rămâne de actualitate. Prin determinarea și angajamentul industriei, evaluări guvernamentale și organismele de standardizare organizate, creșterea și progresul vor continua, ridicând standardele pentru tehnologia de recunoaștere facială.

Identificarea irisului

Recunoașterea irisului este procesul de recunoaștere a unei persoane prin analizarea modelului aleator al irisului (Figura 11). Metoda automată de recunoaștere a irisului este relativ nouă, existând un brevet abia din 1994.

Figura 11. Diagrama irisului

Irisul este un muschi in interiorul ochiului care reglează dimensiunea pupilei și astfel controlează cantitatea de lumină care intră în ochi. Este porțiunea a ochiului cu colorit bazat pe cantitatea pigmentului de melatonină din mușchi (Figura 12).

Figura 12. Structura irisului

Deși coloritul și structura irisului este genetică, detaliile cu privire la model nu sunt. Irisul se dezvoltă în timpul creșterii prenatale printr-un proces de formare care presupune strangerea și plierea membranei țesutului. Înainte de naștere, apare degenerarea, antrenând deschiderea pupilei și apariția modelelor aleatoare, unice ale irisului. Deși identice genetic, irisurile unui individ sunt unice și structural distincte, factor ce permite să fie utilizate în scopuri de recunoaștere a individului.

Înainte ca recunoașterea irisului să aibă loc, irisul este localizat folosind caracteristici de reper. Aceste caracteristici de reper și forma distinctă a irisului permit capturarea de imagini, izolarea caracteristică și extracția. Localizarea irisului este un pas important în recunoașterea irisului, deoarece dacă este făcută în mod necorespunzător, zgomotul rezultat (de exemplu: gene, reflecții, pupila și pleoapele) în imagine poate duce la performanțe slabe.

Figura13. Liniile albe indică localizarea irisului și limitele pleoapelor

Imagistica irisului necesită utilizarea unui aparat de fotografiat digital de înaltă calitate. Camere de identificare a irisului comerciale de astăzi folosesc de obicei lumina infrarosie pentru a ilumina irisului, fără a provoca prejudicii sau disconfort subiectului.

La imagistica irisului, o sinusoida 2D Gabor filtrează și conturează segmentele irisului în fazori (vectori). Acești fazori includ informații privind orientarea și frecvența spațială ("ce-ul" din imaginie) și poziția acestor zone ("unde-ul" din imaginie). Aceste informații sunt utilizate pentru a contura IrisCode-ul (Figurile 14 și 15).

Figura 14. Localizarea irisurilor cu IrisCodes

Figura 15. Reprezentarea imagistică a IrisCodes

Modele irisului sunt descrise de un IrisCode utilizând informațiile colectate prin fazori. Faza nu este afectată de contrast, camera sau nivelurile de iluminare. Caracteristica fazei unui iris poate fi descrisă cu ajutorul a 256 de octeți de date, folosind un sistem de coordonate polare. De asemenea, incluși în descrierea irisului sunt octeți de control care sunt utilizați pentru excluderea genelor, reflecțiilor și altor date nedorite.

Pentru a efectua recunoașterea, două IrisCodes sunt comparate. Diferența dintre două IrisCodes – Distanța Hamming (HD) – este folosită ca un test de independență statistică între cele două IrisCode-uri. Dacă HD indică faptul că mai puțin de o treime din octeții din IrisCodes sunt diferiți, IrisCode-ul nu trece testul de semnificație statistică, indicând faptul că IrisCode-urile sunt din aceleași iris. Prin urmare, conceptul cheie pentru recunoașterea irisului este un eșecul la testul de independență statistică.

Așa cum sa discutat mai sus, recunoașterea irisului utilizează musculara irisului pentru a efectua verificări. Recunoașterea retiniana folosește modelul unic al vaselor de sange de pe retina unui individ de pe partea din spate a ochiului. Figura de mai jos ilustrează structura ochiului.

Figura 16. Structura ochiului

Ambele tehnici implică capturarea unei imagini de înaltă rezoluție a irisului sau retinei, folosind un aparat de fotografiat digital. În obținerea acestor imagini, este necesară o formă de iluminare. Ambele tehnici folosesc lumina NIR (infrarosu apropiat) . Deși în condiții de siguranță într-un sistem corect proiectat, siguranța ochilor este o preocupare majoră pentru toate sistemele care luminează ochii. Deoarece infraroșul are energie suficientă pentru a provoca efecte fotochimice, principalul potențial de detriorare este modalitatea termică. Când NIR este produs folosind diode electroluminiscente, lumina rezultată este incoerentă. Orice risc pentru siguranța ochilor este la distanță cu o singură sursă LED folosind tehnologia LED de azi. Mai multe iluminatoare LED pot, cu toate acestea, produce leziuni oculare dacă nu sunt atent proiectate și utilizate.

După ce abia au devenit automatizate și disponibile în ultimul deceniu, conceptul de recunoaștere a irisului și industria sunt încă relativ noi, deci nevoia de cercetare și testare continuă rămâne. Prin determinarea și angajamentul industriei, evaluări guvernamentale și organismelor de standardizare organizate, creșterea și progresul vor continua ridicarea standardelor pentru tehnologia de recunoaștere a irisului.

Identificarea vocală

Recunoașterea vorbitorului, sau vocală, este o metodă biometrică care utilizează vocea unui individ pentru scopuri de recunoaștere. (Este o tehnologie diferită de "recunoașterea vorbirii", care recunoaște cuvinte care sunt articulate, care nu este o metodă biometrică.) Procesul de recunoaștere vocală se bazează pe caracteristicile influențate atât de structura fizică a tractului vocal a unui individ cât și de caracteristicile comportamentale ale individului.

O alegere populară pentru autentificarea de la distanță, datorită disponibilității dispozitivelor de colectare a probelor de vorbire (de exemplu, rețele telefonice și microfoanelor de calculator) și usurința de integrare, recunoașterea vorbitorului este diferită de alte metode biometrice în care probele de vorbire sunt capturate dinamic sau într-o perioadă de timp, cum ar fi câteva secunde. Analiza are loc pe un model în care schimbările în timp sunt monitorizate, ceea ce este similar cu alte date biometrice comportamentale, cum ar fi semnătura dinamică, mersul și recunoașterea dinamicii apăsării tastelor.

Componenta fiziologică a recunoașterii vocale este legată de forma fizică a tractului vocal al unui individ, care constă în caile respiratorii și cavitățile țesuturilor moi din care sunetele vocale provin. Pentru a produce un discurs, aceste componente lucrează în combinație cu mișcarea fizică a maxilarului, limbii, laringelui și rezonanțele din pasajele nazale. Modelele acustice ale vorbirii provin din caracteristicile fizice ale căilor respiratorii. Mișcarea gurii si pronunția sunt componente comportamentale ale acestei metode biometrice.

Există două forme de recunoaștere vocală: dependente de text (modul constrâns) și independente de text (modul fără restricții). Într-un sistem care folosește discursul “dependent de text”, individul spune fie o frază fixă (parolă) sau determinată (“Vă rugăm spuneți numerele «33-54-63» ”), frază care este programată în sistem și poate îmbunătăți performanța în special cu utilizatorii cooperanți. Un sistem ”independent de text” nu are nici o cunoaștere în avans a formulării prezentatorului și este mult mai flexibil în situațiile în care individul care depune proba poate fi inconștient de colectare sau nu dorește să coopereze, lucru care poate constitui o provocare.

Eșantioanele vocale sunt sub formă de undă cu timpul pe axa orizontală și intensitatea sonoră pe axul vertical. Sistemul de recunoaștere vocală analizează frecvența conținutului discursului și compară caracteristicile, cum ar fi calitatea, durata, intensitatea dinamică și timbrul semnalului.

Figura 17. Monstră vocală: Semnalul de intrare a vocii (partea de sus a imaginii) arată intensitatea de intrare în raport cu timpul. Imaginea de jos (albastru) prezintă informațiile spectrale a semnalului vocii. Această informație este reprezentată prin afișarea timpului în raport cu variațiile de frecvență.

În sistemele dependente de text, în timpul fazei de colectare sau înscriere, persoana spune un cuvânt sau o frază scurtă (exprimare), de obicei, realizată cu un microfon care poate fi la fel de simplu ca un telefon. Proba de voce este convertită dintr-un format analogic într-un format digital, caracteristicile vocii individului sunt extrase, iar apoi este creat un model. Cele mai multe sisteme de verificare vocală dependente de text folosesc conceptul de Modele Ascunse ale lui Markov / Hidden Markov Models (HMM), modele de bază aleatoare, care oferă o reprezentare statistică a sunetelor produse de individ. HMM reprezintă variațiile de bază și modificările temporale în timp găsite în stadiile de vorbire folosind calitatea / durata / dinamica intensității / caracteristicile timbrului menționate mai sus. O altă metodă este Modelul Amestecului Gaussian / Gaussian Mixture Model, un model de identificare a stării în strânsă legătură cu HMM, care este adesea folosit pentru aplicații independente de text fără restricții . Ca și HMM, această metodă folosește vocea pentru a crea un număr de stări vector reprezentând diferitele forme ale sunetului, care sunt caracteristice fiziologiei și comportamentului individului. Toate aceste metode compară asemănările și deosebirile dintre vocea de intrare și starile vocii stocate pentru a produce o decizie de recunoaștere.

După înscriere, în timpul fazei de recunoaștere, aceleași caracteristici calitate / durată / intensitate sonoră / ton sunt extrase din proba prezentată și comparate cu modelul de identitate solicitată sau ipotetică și cu modelele altor vorbitori. Modelele celorlalți vorbitori (sau “contra-vorbitori”) conțin „stări” ale unei varietăți de indivizi, neincluzând identitstea solicitată sau ipotetică. Eșantionul de voce de intrare și modelele inscrise sunt comparate pentru a produce un „raport de probabilitate”, indicând probabilitatea că proba de intrare a venit de la vorbitorul revendicat sau ipotetic. Dacă intrarea vocală aparține identității revendicate sau ipotetice, scorul va reflecta proba să fie mai asemănătoare cu modelul identității revendicate sau ipotetice decât a modelului „contra-vorbitor”.

Figura 18. Verificarea vorbitorului

Punerea în aplicare aparent ușoară a sistemelor de recunoaștere vocală contribuie la slăbiciunea majoră a procesului – susceptibilitatea canalului de transmisie și variabilitatea microfonului și a zgomotului. Sistemele se pot confrunta cu probleme atunci când utilizatorii finali au obținut eșantionul de pe un telefon fix cu conexiune clară și încercarea de verificare se face cu ajutorul unui telefon mobil zgomotos. Incapacitatea de a controla factorii care afectează sistemul de intrare poate reduce în mod semnificativ performanța. Sistemele de verificare vocală, cu excepția celor care solicită fraze solicitate aleatoriu, sunt, de asemenea, sensibile la atacuri spoofing prin utilizarea vocii înregistrate. Măsurile anti-spoofing care necesită rostirea unui cuvânt sau a unei expresii specifice și aleatoare sunt puse în aplicare pentru a combate această slăbiciune. De exemplu, un sistem poate solicita o frază generată aleator, cum ar fi „33-54-63”, pentru a preveni un atac de la un eșantion vocal preînregistrat. Utilizatorul nu poate anticipa eșantionul aleatoriu, care va fi necesar și, prin urmare, nu poate încerca cu succes un atac de tip spoofing folosind un „playback” asupra sistemului.

Cercetarea curentă în domeniul recunoașteri vocale prin folosirea „textului independent” este în principal axată pe trecerea dincolo de analiza spectrală de nivel scăzut discutată anterior. Deși nivelul spectral de informații este încă forța motrice din spatele recunoașteri, fuziunea caracteristicilor de nivel superior cu informațiile spectrale de nivel scăzut devine o tehnică de laborator populară. (Exemple de caracteristici de nivel superior sunt: caracteristici prozodice, cum ar fi ritmul, viteza, modularea și intonația, bazate pe tipul de personalitate și influenta parentală, precum semantică, idiolecte, pronunții și idiosincrazii, legate de locul de naștere, statutul socio-economic și nivelul de educație). Caracteristicile de nivel mai mare pot fi combinate cu informațiile spectrale de bază de nivel scăzut pentru a îmbunătăți performanța sistemelor de recunoaștere vocală “independente de text”.

Identificarea semnăturii dinamice

“Semnătura dinamică” este o metodă biometrică care utilizează, în scopuri de recunoaștere, caracteristicile anatomice și comportamentale care le prezintă individul, atunci când semnează numele lui sau a ei (sau scrie o frază). Dispozitive de captare a semnăturii dinamice nu ar trebui să fie confundate cu sistemele electronice de captare a semnăturii care sunt folosite pentru a capta o imagine grafică a semnăturii și care sunt comune în locații unde comercianții au nevoie de semnături pentru a autoriza tranzacții.

Datele obținute dinamic cum ar fi direcția, cadența, presiunea și forma semnăturii unui individ pot permite scrierii de mână să fie un indicator fiabil al identității unui individ (de exemplu, măsurători ale datelor obținute, în comparație cu cele ale probelor de potrivire, sunt o metodă biometrică de încredere pentru identificarea scriitorului).

Recunoaștere semnăturii dinamice folosește mai multe caracteristici în analiza scrierii de mână a unui individ. Aceste caracteristici variază în utilizare și importanță de la furnizor la furnizor și sunt colectate folosind tehnologii de contact sensibil, cum ar fi PDA-uri sau tablete digitializate.

Figura 19. Reprezentarea semnăturii dinamice: Un individ semnează pe tableta sensibilă de contact, sunt observate și prelucrate pentru comparație diverse măsurători.

Cele mai multe dintre caracteristicile utilizate sunt caracteristici dinamice, mai degrabă decât caracteristici statice și geometrice, deși unele companii includ, de asemenea aceste caracteristici in analizele lor. Caracteristicile dinamice comune includ viteza, accelerația, timpul, presiunea și direcția scrierii semnaturii, toate analizate în direcțiile coordonatelor X, Y și Z . Figura 20 ilustrează aceste caracteristici dinamice înregistrate ale semnăturii. Pozițiile coordonatelor X și Y sunt folosite să reflecte modificările apărute în viteză pe direcțiile respective (indicate prin linii albe și galbene) în timp ce coordonata Z (linia roșie) este utilizată pentru a indica modificările de presiune în raport cu timpul.

Figura 20. Imaginea grafică a caracteristicilor semnăturii dinamice

Unii algoritmi de recunoaștere semnăturii dinamice includ o funcție de învățare pentru a ține cont de schimbările naturale sau modificărilor care apar în semnătura unui individ în timp.

Caracteristicile utilizate pentru recunoașterea semnăturii dinamice sunt aproape imposibil de a se replica. Spre deosebire de o imagine grafică a semnăturii, care poate fi replicată de un falsificator instruit, o manipulare a calculatorului sau o fotocopie, caracteristicile dinamice sunt complexe și unice pentru stilul scrierii de mână a individului. În ciuda acestui avantaj major al recunoașterii semnăturii dinamice, caracteristicile au o variabilitate istorică mare intra-clasă (ceea ce înseamnă că semnătura proprie unui individ poate varia de la colectare la colectare), făcând de multe ori dificilă recunoașterea semnăturii dinamice. Cercetarile recente au raportat ca probele statice de scris pot fi analizate cu succes pentru a depăși această problemă.

Verificarea semnăturii dinamice este o metodă biometrică care poate fi integrată cu ușurință în sistemele existente, din cauza disponibilității și prevalenței de digitalizare a semnăturii și acceptarea de către public a colectării caracteristice. Ca dezavantaj, recunoașterea semnăturii poate fi utilizată numai în scopul verificării și variabilitatea intra-clasă poate provoca o performanță scăzută pentru anumite aplicații. O nevoie de îmbunătățiri continue în produsele actuale va ajuta la dezvoltarea și aplicarea acestei tehnologii.

Identificarea modelelor vasculare

Recunoasterea modelelor vasculare, de asemenea denumită în mod obișnuit model venos de autentificare, este o metodă biometrică destul de nouă în materie de sisteme instalate. Folosind lumina infraroșie apropiată, imagini reflectate sau transmise ale vaselor de sânge ale mâinii sau degetului sunt derivate și folosite pentru recunoașterea personală. Diferiți furnizori folosesc diferite părți ale mâinii, palmei sau degetelor, dar se bazează pe o metodologie similară. Cercetatorii au stabilit ca modelul vascular al corpului uman este unic pentru o anumită persoană și nu se schimbă o dată cu vârsta persoanei. Tehnologia se presupune că: este dificil de falsificat – modele vasculare sunt dificil de a fi recreate, deoarece acestea sunt în interiorul mâinii și, pentru unele abordări, sângele trebuie sa curgă prin ele pentru a înregistra o imagine; nu necesită contact – utilizatorii nu ating suprafața de detectare, care abordează probleme legate de igienă și îmbunătățește nivelul de acceptare al utilizatorilor; are utilizări multe și variate – în Japonia este folosită în ATM-uri, spitale și universități. Aplicatiile includ verificarea identității, controlul accesului fizic cu nivel ridicat de securitate, acces la rețele de date cu nivel ridicat de securitate, precum și de control al accesului la POS-uri; este capabil de potrivire 1:1 și 1: din mai mulți – modele vasculare ale utilizatorilor sunt comparate cu carduri inteligente de identitate personalizate / carduri inteligente sau împotriva unei baze de date conținând multe modele vasculare deja scanate.

Pentru identificarea vasculară palmară raze infraroșu apropiat generate de o banca de diode emițătoare de lumină (LED-uri) penetrează pielea palmei. Având în vedere diferența de absorbție a vaselor de sânge și a altor țesuturi, razele infraroșu reflectate produc o imagine pe senzor. Imaginea este digitizată și prelucrată ulterior prin tehnici de procesare a imaginilor care produc modelul vascular extras. Din modelul vascular extras, diverse date obținute, cum ar fi punctele de ramificare a vaselor, grosimea vaselor și unghiurile de ramificare sunt extrase și stocate ca șablon.

Principiul de bază al tehnologiei identificării modelelor vasculare este prezentat în Figurile 21 și 22. Raze infraroșu apropiat generate de o banca de LED-uri penetrează degetul sau mâna și sunt absorbite de hemoglobina din sânge. Zonele în care razele sunt absorbite (vene) apar ca zone întunecate similare cu o umbră într-o imagine preluată de un dispozitiv acționat la încărcare (CCD). Procesarea imaginii poate construi apoi un model vascular din imaginea obținută. Apoi acest model este digitalizat și comprimat, astfel încât să poată fi înregistrat ca șablon.

Figura 21. Transmisia imaginii unei mâini Figura 22. Principiul transmiterii imaginii

Recunoașterea modelelor vasculare a obținut sponsorizare de la companii care și-au dezvoltat reputația pentru dezvoltarea de produse care concurează cu succes pe piețele mondiale. Se pare că există unele testări și validări de către terți. Munca de standardizare va trebui să se realizeze înainte ca această tehnologie să poată crește până la acceptarea la scară mai largă.

Concluzii