Eine farbige Kontaktlinse, gedruckt mit der Iris-Textur einer anderen Person, ein hochauflösendes gedrucktes Iris-Foto, ein realistisches Prothese-Auge,oder ein KI-synthetisiertes Irisbild alle diese teilen eine Sache gemeinsam: sie können ein Iris-Erkennungssystem täuschen, das sich nur auf Muster-Matching konzentriert.
In der Industrie gibt es einen Standardbegriff für solche Methoden: Presentation Attack.wenn es vor der Kamera nicht zwischen einem echten menschlichen Auge und einem Fälschung unterscheiden kannDie internationale Norm ISO/IEC 30107-3 hat die Presentation Attack Detection (PAD), allgemein bekannt als Liveness Detection, aufgeführt.als unabhängiges Evaluierungspunkt für biometrische Systeme.
Homsh hat kürzlich die Forschungs- und Entwicklung und praktische Verifizierung seines selbst entwickelten Iris-Präsentations-Angriffserkennungssystems HOMSH-PAD abgeschlossen.Das System erreicht eine Erkennungsfehlerquote (D-EER) von 0.50 Prozent.
I. Zuerst die Echtheit überprüfen, dann die Identität bestätigen
Als unabhängiges Modul vor dem Erkennungs-Arbeitsablauf arbeitet das HOMSH-PAD wie folgt:Das System lokalisiert zunächst die Iris und gibt über ein Deep-Learning-Netzwerk einen Echtheitswert ausNur Bilder, die als echte menschliche Augen bestätigt wurden, werden in die Erkennungsphase überführt; diejenigen, die als Angriffe identifiziert wurden, werden sofort abgelehnt.
Die aktuelle Version umfasst vier Haupttypen von Angriffsmethoden: texturisierte farbige Kontaktlinsen, gedruckte Irisbilder, Prothesen und KI-synthetisierte Iris.Prothetische Augen und gedruckte Irisbilder haben eine Null-Fehlerrate bei TestsDie Fehlerquote bei AI-synthetisierten Irisen liegt bei 0,08%.Das System hält eine wirksame Erkennung auch für neue Kontaktlinsenmuster aufrecht, die während des Trainings noch nie gesehen wurden. Dies bedeutet, dass das Modell die gemeinsamen Merkmale von Angriffen gelernt hat, anstatt sich nur bestimmte Muster auswendig zu lernen.
Einfache Interpretation der Prüfdaten
Von 1.000 verschiedenen Angriffsanstrengungen werden ungefähr 993 blockiert.
Von 1.000 legitimen Nutzern werden etwa 3 falsch abgelehnt.
II. Hinter den Zahlen: Ein Wettbewerb der Datendisziplin
Das Feld der Iris-Lebensdetektion ist seit langem von einem anhaltenden Problem geplagt: Modelle liefern im Labor beeindruckende Messwerte, scheitern jedoch häufig, wenn sie in realen Szenarien eingesetzt werden.Das Forscher- und Entwicklerteam von Homsh ̊ glaubt, dass das Problem normalerweise nicht im Modell selbst liegt., aber in den Trainingsdaten lassen sich durch versehentliche Korrelation mit wahr/falsch-Bezeichnungen versteckte statistische Verknüpfungen dem Modell ermöglichen, "Verknüpfungen" zu wählen, anstatt die tatsächlichen Merkmale von Angriffen zu erlernen.
Um dies anzugehen, hat das Team eine Methodik zur Governance von Trainingsdaten-Domänen entwickelt, um solche Abkürzungen systematisch zu erkennen und zu beseitigen, bevor Daten gespeichert und das Training beginnt.919 Irisbilder von 10750 Probanden wurden für Ausbildung, Kalibrierung und Prüfung eingesetzt.bei vollständig nicht überlappenden Probandengruppen in den drei DatensätzenDiese Methodik ist die unabhängige Kerninnovation des Projekts und wurde durch Patentanmeldungen geschützt.
Alle Kennzahlen werden gemäß der internationalen Norm ISO/IEC 30107-3 berechnet.ohne Exposition gegenüber dem Prüfsatz während des gesamten Verfahrens.
III. Technisches Design für den Einsatz in der realen Welt
HOMSH-PAD ist vollständig für den praktischen Einsatz ausgelegt:
●Leichtgewicht:Das Modell hat eine Größe von ca. 30 MB, ist in der Lage, Echtzeit-Inferenzen auf einer CPU zu machen und ist mit allen Formfaktoren von eingebetteten Zugangskontrollterminals bis zu Servern kompatibel.
●Einfach zu integrieren:Die Integratoren müssen nur Roherzeugnisse eingeben; die gesamte Vorverarbeitung erfolgt intern durch das SDK, wodurch die Integration mit nur wenigen Codezeilen ermöglicht wird.
●Kalibrierbar:Unterstützt die Neukalibrierung der Schwellenwerte mit einem Klick unter Verwendung von echten Benutzerproben vom Bereitstellungsort, so dass die falsche Ablehnungsrate an die tatsächliche Benutzergruppe angepasst werden kann.
●Ausfallsicherheit:Abnormale Eingaben werden standardmäßig als Angriffe klassifiziert, so dass keine "graue Zone" für Angreifer bleibt, die sie ausnutzen können.
IV. Das letzte Teil des Puzzles
Während die Iris-Erkennungsmaschine antwortet: "Wer ist das?", antwortet HOMSH-PAD: "Ist das eine echte Person?"Sie ermöglichen es Homsh's Iris-Erkennungslösungen, die immer expliziteren Anforderungen an die Lebenszeit-Erkennung von Hochsicherheits-Szenarien wie Regierungsangelegenheiten vollständig zu erfüllen., öffentliche Sicherheit und Finanzen.
In Zukunft wird das Team die Angriffsprobenbibliothek erweitern, mehrere Runden der Stabilitätsprüfung durchführen,und die vollständige Einbindung von Geräten in All-in-One-Iris-Erkennungsprodukte sowie autorisierte Bewertungen von Drittanbietern voranzutreiben.
