Biometryczna Identyfikacja Tożsamości

Transkrypt

1 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 1/33 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr zimowy 2015/16

2 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 2/33 Podatność sensorów na ataki Podatność sensorów na ataki

3 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 3/33 Podatność sensorów na ataki Imitacje wykorzystywane w IAiIS PW oraz NASK

4 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 4/33 Podatność sensorów na ataki Eksperymenty PW/NASK, 2005 r. A. Czajka, A. Pacut, Iris aliveness detection, BioSec 2nd Workshop, Bruksela, 20 stycznia Wydruk tęczówki: obrazy pobrane kamerą IrisCUBE, wydruk laserowy, atramentowy oraz odbitka fotograficzna 2. Testowano dwa komercyjne systemy rozpoznawania tęczówki 3. Weryfikacja: wszystkie kamery zaakceptowały wydruki (System A: 73,1%, System B: 15,6%)

5 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 5/33 Podatność sensorów na ataki Eksperymenty PW/NASK, 2008 r. Wynik działania przykładowego systemu dostępnego na rynku (zakupionego w lutym 2008 r.): czas udanej weryfikacji wydruku oka krótszy (!) niż czas weryfikacji oka żywego

6 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 6/33 Podatność sensorów na ataki

7 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 7/33 Systematyka fałszerstw 1. Obraz statyczny papierowy wydruk tęczówki obraz na ekranie monitora hologram 2. Obraz dynamiczny off-line: z wykorzystaniem wiedzy a priori on-line: z wykorzystaniem wiedzy a posteriori 3. Sztuczne oko model z tworzywa żywe oko + szkła kontaktowe 4. Prawdziwe oko martwa tkanka działanie pod przymusem

8 oka 1. Obiekt statyczny, pomiar pasywny cechy dwuwymiarowe: analiza częstotliwościowa, temperatura cechy trójwymiarowe: analiza kształtu gałki ocznej, struktury mięśnia tęczówki analiza tzw. odbić Purkiniego (odbicia od soczewki i źrenicy) 2. Obiekt dynamiczny, pomiar pasywny spontaniczne ruchy źrenicy (tzw. hippus, ok. 0.5 Hz) 3. Obiekt statyczny, pomiar aktywny analiza stymulowanych odbić światła analiza charakterystyki absorpcyjnej tkanki przy oświetlaniu światłem o różnej długości fali 4. Obiekt dynamiczny, pomiar aktywny odruch bezwarunkowy: dynamika zmian wielkości źrenicy pod wpływem zmiany natężenia światła świadome działanie: podążanie za punktem, mrugnięcia c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 8/33

9 Przykład odbić Purkiniego (obraz wykonany kamerą LG Iris Access 2000) c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 9/33

10 Przykład obrazu termicznego oka (obraz wykonany kamerą FLIR w Laboratorium Biometrii IAiIS PW) c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 10/33

11 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 11/33 oka Omówienie wybranych podejść 1. Obiekt statyczny, pomiar pasywny cechy dwuwymiarowe: analiza częstotliwościowa Dodatkowa literatura: Adam Czajka, Database of Iris Printouts and its Application: Development of Liveness Detection Method for Iris Recognition, The 18th International Conference on Methods and Models in Automation and Control (MMAR2013), Miedzyzdroje, Poland, August 26-29, 2013 Andrzej Pacut, Adam Czajka, Aliveness detection for iris biometrics, 2006 IEEE International Carnahan Conference on Security Technology, 40th Annual Conference, October 17-19, Lexington, Kentucky, IEEE 2006

12 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 12/33 Analiza częstotliwościowa 1. Możliwość wykorzystania tego samego zdjęcia, które służy rozpoznawaniu tęczówki testowanie żywotności dodatkowy składnik oceny jakości zdjęcia

13 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 13/33 Analiza częstotliwościowa 2. Wymagana segmentacja tęczówki łatwa dla zdjęć autentycznych tęczówek nieprzewidywalna dla zdjęć imitacji

14 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 14/33 Analiza częstotliwościowa 3. Okienkowanie widma, np. poprzez zdefiniowanie f 0, f 1 oraz df 4. Określenie wskaźnika żywotności, np. q = max F (f 1, f 1 + df) max F (f 0, f 0 + df)

15 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 15/33 Analiza częstotliwościowa * Transformata Fouriera dla obrazów obróconych Niech f(x) : R 2 R, gdzie x = [x 1, x 2 ] T reprezentuje obraz, a f (x) = f(r 1 x) będzie obróconą wersją tego obrazu, gdzie R jest macierzą obrotu. Dwuwymiarowa transformata Fouriera obróconego obrazu: F (u 1, u 2 ) = f (x 1, x 2 )e 2πi(u 1x 1 +u 2 x 2 ) dx 1 dx 2 lub (upraszczając zapis) F (u) = f (x)e 2πiuT x dx, gdzie u = [u 1, u 2 ] T

16 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 16/33 Analiza częstotliwościowa * Transformata Fouriera dla obrazów obróconych Wstawmy f(r 1 x) zamiast f (x), dokonajmy zamiany u Ru oraz skorzystajmy z własności R T = R 1 dla macierzy obrotu: F (Ru) = f(r 1 x)e 2πi(Ru)T x dx = Czyli: = = f(r 1 x)e 2πiuT R T x dx = 2πiu T R }{{ 1 x } f(r }{{ 1 y x } )e dx = F (u) y F (Ru) = F (u) lub F (u) = F (R 1 u)

17 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 17/33 oka Omówienie wybranych podejść 3. Obiekt statyczny, pomiar aktywny analiza stymulowanych odbić światła Dodatkowa literatura: Andrzej Pacut, Adam Czajka, Aliveness detection for iris biometrics, 2006 IEEE International Carnahan Conference on Security Technology, 40th Annual Conference, October 17-19, Lexington, Kentucky, IEEE 2006

18 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 18/33 Analiza stymulowanych odbić 1. Oświetlenie dodatkowymi źródłami podczerwieni

19 2. Weryfikacja położenia odbić lokalizacja odbić (filtr LoG laplasjan gaussowski) indeksacja odbić określenie wzajemnego położenia odbić: konstrukcja drzewa rozpinającego eliminacja fałszywych odbić (usunięcie zbyt krótkich i zbyt długich krawędzi drzewa) 3. Porównanie otrzymanej sekwencji położeń z zadaną przez system c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 19/33 Analiza stymulowanych odbić

20 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 20/33 oka Omówienie wybranych podejść 4. Obiekt dynamiczny, pomiar aktywny odruch bezwarunkowy: dynamika zmian wielkości źrenicy pod wpływem zmiany natężenia światła Dodatkowa literatura: Adam Czajka, Pupil Dynamics for Iris Liveness Detection, IEEE Transactions on Information Forensics and Security, Vol. 10(4), str , kwiecień 2015 Adam Czajka, Andrzej Pacut, Marcin Chochowski, Method of Eye Aliveness Testing and Device for Eye Aliveness Testing, US Patent No. 8,061,842, 2011 Andrzej Pacut, Adam Czajka, Aliveness detection for iris biometrics, 2006 IEEE International Carnahan Conference on Security Technology, 40th Annual Conference, October 17-19, Lexington, Kentucky, IEEE 2006

21 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 21/33 Analiza dynamiki źrenicy Model Clynes a i Kohn a; cechy żywotności: wzmocnienia (K i, K r ), stałe czasowe (T 1, T 2, T 3 ) oraz opóźnienia (τ 1, τ 2 )

22 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 22/33 Analiza dynamiki źrenicy Identyfikacja modelu gdzie: φ = argmin φ Φ N (ŷ i;φ y i ) 2 i=1 φ = [K i, K r, T 1, T 2, T 3, τ 1, τ 2 ] T cechy żywotności Φ zbiór możliwych wartości φ φ wyliczone wartości cech żywotności ŷ i;φ wyjście modelu (dla konkretnych wartości φ) y i rzeczywista (zaobserwowana) zmiana wielkości źrenicy N długość obserwacji

23 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 23/33 Analiza dynamiki źrenicy Przetwarzanie wyjścia modelu 1. Klasyfikacja przykład: wykorzystanie Maszyny Wektorów Podpierających (SVM Support Vector Machine) w przestrzeni parametrów φ (dwie klasy: oko autentyczne lub imitacja) 2. Określenie jakości dopasowania ( goodness of fit ) znormalizowana odległość średnio-kwadratowa gdzie ȳ oznacza średnią y. GoF = 1 ŷ φ y ŷ φ ȳ

24 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 24/33 Analiza dynamiki źrenicy 1. Pytanie 1: Jak symulować imitacje? statyczne obiekty zadanie trywialne symulacja użycia pod przymusem trudne do wykonania 2. Pytanie 2: Czy powinniśmy polegać jedynie na odpowiedzi klasyfikatora? błędy klasyfikacji (zawsze możliwe) mogą doprowadzić do akceptacji modeli znacznie odbiegających od rzeczywistych obserwacji 3. Pytanie 3: Jak długo musimy obserwować oko? dłuższe czasy obserwacji zwiększają dokładność, ale wydłużają proces rozpoznawania

25 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 25/33 Analiza dynamiki źrenicy Pytanie 1: Jak symulować imitacje?

26 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 26/33 Analiza dynamiki źrenicy Pytanie 2: Czy powinniśmy polegać jedynie na odpowiedzi klasyfikatora? Classifier: linear SVM. Observation time: 5 sec. Correct reaction of the eye Odd (or no) reaction of the eye ACCEPT SVM decision REJECT REJECT ACCEPT REJECT REJECT Goodness of fit: normalized root mean square error (NRMSE)

27 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 27/33 Analiza dynamiki źrenicy Pytanie 3: Jak długo musimy obserwować oko?

28 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 28/33 Ocena błędów w testowaniu żywotności Propozycje zawarte w ISO/IEC APCER: Attack Presentation Classification Error Rate proporcja liczby prezentacji będących atakami ale nierozpoznanych przez system do całkowitej liczby ataków odpowiada wskaźnikowi FMR w rozpoznawaniu biometrycznym 2. NPCER: Normal Presentation Classification Error Rate proporcja liczby autentycznych prezentacji błędnie uznanych za ataki do całkowitej liczby autentycznych prezentacji odpowiada wskaźnikowi FNMR w rozpoznawaniu biometrycznym

29 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 29/33 Analiza dynamiki źrenicy Wyniki dla liniowej SVM

30 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 30/33 Analiza dynamiki źrenicy Wyniki dla SVM z jądrem wielomianowym

31 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 31/33 Analiza dynamiki źrenicy Wyniki dla SVM z jądrem gaussowskim

32 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 32/33 Dokładność proponowanych metod na tle systemów komercyjnych Metoda Stopień Stopień Możliwości akceptacji odrzucenia wykrycia fałszerstwa imitacji (%) żywych Obraz Obraz Model Działanie oczu (%) statyczny dynamiczny oka pod przymusem System A (2003) 73,1 0,0 System B (2004) 15,6 0,0 System C (2008) > 0 0,0 System D (2013) > 0 0,0 FA 0,0 / 5,0* 2,80 / 0,0* + CLR 0,0** 0,0 + PD 0,0*** 0,0 + +/ +/? Baza danych: 569 wydruków w rozdzielczościach 300 oraz 600 dpi dla 29 różnych tęczówek + imitacje dynamiczne: spontaniczne oscylacje (hippus) dla 50 różnych tęczówek * wyniki oceny z wykorzystaniem dodatkowych wydruków tęczówek, które w 100% zostały zaakceptowane przez komercyjny system A ** wynik uzyskany dla konfiguracji, w której odblaski pojawiały się poza źrenicą *** wynik uzyskany zarówno dla wydruków jak i spontanicznych oscylacji źrenicy

33 c Adam Czajka, IAiIS PW, wersja: 27 listopada 2015, 33/33 Przykładowe pytanie egzaminacyjne Zmiana wielkości źrenicy jest czynnikiem zmniejszającym dokładność biometrii tęczówki. W jaki sposób tę własność oka można wykorzystać do zwiększenia dokładności rozpoznawania tożsamości?