Идентификация по сосудам на пальце

Волею судеб поступил в один из Российских вузов. На дипломе было решено исследовать одно из направлений биометрической идентификации – идентификацию по рисунку вен ладони. На начальных стадиях было задумано предоставить к защите работающую модель устройства (но все оказалось не так просто).

Для начала нужно было понять, что же собой представляет данный метод и за счет каких средств осуществляется его реализация. Как уже писалось в статье:

«Рисунок вен формируется благодаря тому, что гемоглобин крови поглощает ИК излучение. В результате, степень отражения уменьшается, и вены видны на камере в виде черных линий. Специальная программа на основе полученных данных создает цифровую свертку. Не требуется контакта человека со сканирующим устройством».

На рисунке ниже изображен график поглощения ИК-излучения насыщенной кислородом крови и крови без кислорода.

Выбор метода

Существует два метода получения изображения рисунка вен ладони. Метод отражения (Reflection) позволяет разместить все компоненты устройства в одном корпусе, за счет чего уменьшается размер. Также снижается психологический барьер (не нужно никуда засовывать руку). Метод пропускания ИК-света (Transmission) заключается в установке ИК-подсветки с тыльной стороны ладони, а сама камера с фильтром устанавливается со стороны ладони и принимает ИК-излучение, проходящее через всю ладонь. С помощью метода пропускания получаемые изображения более детализированные.

Железо

За основу получения изображений рисунка вен ладони был выбран метод отражения. Для начала на листке бумаги была набросана предварительная модель устройства. Оно должно измерять расстояние от самого устройства до ладони идентифицируемого, измерять температуру поверхности руки (для статистики, захотелось иметь такой функционал), включать и выключать ИК-подсветку. В качестве камеры остановился на веб-камере Logitech B910. Испытания моделей устройства, а их было аж 4, выявили недостатки трех предыдущих камер. Первая модель была с камерой LinkSprite JPEG Color Camera TTL Interface. Процесс передачи изображения на ПК ограничивался скоростью порта, пришлось от нее отказаться. Также были проверены еще 2 noname веб-камеры, но получаемые изображения были очень плохого качества. Далее буду описывать только последнюю модель.

Был составлен список компонентов:

1. Arduino Project Enclosure — небольшой корпус для Arduino проектов
2. Infrared Thermometer — MLX90614 — ИК-термометр
3. USB HUB — для подключения камеры и arduino одному кабелю
4. ORduino Nano — ATMega168
5. Infrared Proximity Sensor — Sharp GP2Y0A21YK — ИК-датчик расстояния (от 10 до 80см)
6. Logitech B910 HD Webcam
7. 2 транзистора
8. 2 резистора 4.7кОм, 6-470Ом
9. 6 ИК-диодов 850нм
10. Фототранзистор (для измерения засветки прибора посторонним светом, в экспериментах не участвовал, но планировался)
11. USB B разъем
12. IR Filter 850nm
13. USB-кабель

Схема подключения тут (с физикойэлектротехникой на вы, за последствия не ручаюсь). Процесс сборки заключался в выпиливании в центре корпуса окружности меньшего диаметра чем ИК-фильтр. Затем фильтр был приклеен на клей (супер-момент). Сначала вместо супер-момента пользовался клеющим пистолетом, но камера сильно нагревалась (особенность Logitech B910) и клей переставал держать. Выпиливалось отверстие для ИК-термометра. Также из коробки от ИК-фильтра было сделано «крепление» для сенсора расстояния. Камера была разобрана и минимизирована за счет удаления корпуса и каркаса, осталась только плата. С объектива камеры был удален ИК-фильтр, который не пропускал ИК лучи (процесс удаления фильтра можно посмотреть тут). Далее камера была также установлена на дно корпуса с помощью клея. Вокруг камеры симметрично установил ИК-диоды. Чтобы не было засветки от диодов на объективе камеры, от объектива нарастил из остатков корпуса и двухстороннего скотча, что то вроде кожуха до ИК-фильтра.

Сборка:

В сборке устройство имеет вид:

ПО

Arduino

Управление всеми компонентами устройства (кроме камеры) должна осуществлять arduino. Это датчик расстояния, температурный датчик и ИК-подсветка. В совокупности алгоритм работы заключается в следующем:

• с ПК поступает команда о старте работы датчика расстояния и температурного датчика с последующим выводом их значений в порт
• как только значение датчика совпадают с занесенными значениями в ПК, происходит отключение датчика расстояния (его луч делает засветку на получаемых изображениях)

Далее если значения совпали:

• включается ИК-подсветка
• делается снимок
• выключается ИК-подсветка
• переход к начальному этапу

PC

Полученные с устройства изображения должны далее как то обрабатываться и распознаваться. Для написания ПО для ПК была выбрана программная среда Matlab. В качестве инструмента распознавания использовался стандартный компонент Matlab Neural Network Toolbox. Но перед тем как подавать изображения для обучения и распознавания их нужно обработать, а именно выделить основные признаки.

Получаемые изображения с устройства:

Можете себе представить, какими же были снимки с предыдущих моделей? Да, не ахти.
Далее были попытки улучшения изображения для выделения вен, поиски фильтров. Тяжело это делать когда не знаешь как, что то получалось, что то нет. Но наткнувшись на сайте pudn.com на алгоритм выделения вен мелькнула надежда. Для того чтобы его скачать, нужно было сначала поделиться какими-нибудь своими наработками. Пришлось отправлять лабу сделанную в матлабе по фазиматематике (fuzzy logic). Через день получил письмо с возможностью скачать (40 поинтов). Алгоритм был написан студентом из поднебесной (спасибо тебе, кто бы ты ни был).

После подстройки алгоритма под себя:

Не плохо, да? Это тоже самое изображение, но уже что то. Теперь осталось набить базу эталонными изображениями и обучить сеть. После обучения выяснилось, что инвариантность изображений очень маленькая. Оказалось что на моей руке вены отчетливо различаются, а на некоторых руках качество изображений мягко говоря «не очень». На каждую руку было собрано по 100 эталонных изображений. В качестве отрицательной выборки использовались зашумленные изображения и изображения без рук (локти, кулаки и т.п.). В выборку были включены руки двух человек.

После обучения приступили к проверке устройства. Ошибки второго рода имеют место быть. Пришлось снижать порог совпадения с эталонами. В следствии чего иногда бывали ложные пропуски. На практике же, ошибки второго рода случались из-за неправильного расположения руки перед устройством, либо за счет смазывания получаемых снимков из-за движения рук. Тут не хватило времени на эксперименты.

Выводы

Тут можно лишь сказать, что тема интересная и она до конца не раскрылась из-за нехватки времени и необходимых навыков. Также не успел проверить устройство на «неживые сравнения». Не был задействован фототранзистор (для подстройки камеры под освещение) и датчик температуры (хотя информация с него получалась, но никак не учитывалась).

Исходники для arduino и matlab есть, но стыдно показывать, ибо писалпереписывал очень торопясь успеть, попутно переделывая устройство.

Используемые источники

1. Nadort, A. The Hand Vein Pattern Used as a Biometric Feature [Text]: Literature thesis for Master of Science programmed Physics of Life / A. Nadort, — Amsterdam: Medical Natural Sciences at the Free University, 2007. – 179 с.
2. Fuksis, R. Palm Vein Biometrics Based on Palm Infrared Imaging and Complex Matched Filtering [Text]: The 12th ACM Workshop on Multimedia and Security / R. Fuksis, M. Pudzs, M. Greitans, — Rome, 2009. – 27 с.

Любая биометрическая идентификация – это вероятность. Чем меньше меняются со временем биометрические характеристики, чем более стабильны условия фиксации параметров для идентификации, чем больше самих уникальных биометрических параметров – тем более точные результаты идентификации могут быть получены. Рассмотрим способы биометрической идентификации с учетом этой точки зрения.

Отпечаток пальца

Один из наиболее бюджетных и точных методов идентификации. Для его использования требуется специальное оборудование, но оно, как и программное обеспечение, относительно недорогое. К тому же для него не требуется мощных вычислительных ресурсов. При реализации биометрической идентификации по отпечаткам пальцев необходимо учитывать требования ФЗ-128 «О государственной дактилоскопической регистрации в Российской Федерации», а также значительную зависимость этого метода идентификации от внешних факторов (вплоть до отказа в идентификации). Например, влажная или мокрая поверхность рук, термические или химические ожоги, порезы, мозоли и т. д. Рисунок отпечатков пальцев по требованиям ИКАО является дополнительным, необязательным параметром, который может быть записан на чип биометрического паспорта. Для получения визы некоторые страны, требуют регистрацию рисунка папиллярного узора для каждого пальца. Если ограничить число регистрируемых отпечатков, то возрастает вероятность мошенничества. Например, зарегистрировать отпечатки пальцев одной руки на себя, а отпечатки пальцев другой руки – на кого-то другого. Широкое использование идентификации по отпечаткам пальцев привело к появлению многочисленных способов обмана дактилоскопических решений. Практически каждый год появляются новые алгоритмы и сканирующие устройства, которые позволяют выявить такие попытки. Это емкостные и ультразвуковые сканеры, 3D-отпечаток пальца, интеграция с различными датчиками, например, с датчиком температуры. По некоторым критериям российские алгоритмы входят в пятерку лучших по международным тестам*. Метод применяется для идентификации пользователей в информационных системах, для учета рабочего времени или при совершении финансовых транзакций на незначительные суммы. Ввиду простоты использования этот метод стал широко применяться для упрощения доступа к мобильным устройствам.

Лицо

Большой интерес к этому методу идентификации привел к появлению значительного числа отечественных и зарубежных компаний-разработчиков. Российские алгоритмы регулярно становятся лидерами по разным авторитетным международным тестам**.

Популярность данного метода идентификации обусловлена несколькими факторами. Во-первых, у многих банков уже имеются базы фотографий клиентов и мошенников, которые не надо собирать, а можно использовать при внедрении данного метода. Однако практика показывает, что из-за низкого качества возможно использовать не более 50% имеющихся фотографий, а в некоторых случаях даже менее чем 10%. Во-вторых, кажущаяся простота реализации и невысокая стоимость оборудования. Такой упрощенный подход сильно влияет на качество идентификации и, как следствие, на негативную оценку результатов внедрения. Для получения качественного изображения лица, не просто пригодного для анализа, а удовлетворяющего всем требованиям – углы поворота и наклона головы, равномерность освещения, достаточно крупное изображение лица и т. д. (специально не указываю конкретные параметры, так как они для каждого решения свои), – требуется согласованное оборудование, его настройка и размещение. В-третьих, завышенные ожидания. Нет, никто никого не обманывает. Заявленные показатели точности и скорости обработки достигаются на тестовых данных. Но в жизни, к сожалению, условия фото- и видеосъемки значительно хуже. Как следствие, более низкие результаты. Вот оценка точности этого метода, которую дал руководитель компании, предлагающей одно из лидирующих решений биометрии по лицу: «При размере базы до 1000 изображений точность распознавания достигает 97%»***. Такой объем клиентской базы мал для любого банка, и даже при этом достигаемая точность идентификации не позволит пока еще использовать биометрию по лицу для подтверждения финансовых транзакций. Однако заявленная в этой же статье точность для 500 млн шаблонов позволяет применять такие решения при оценке кредитного риска. Скоринговая модель оценки заемщика базируется на вероятности различных событий и достоверности данных, а достигаемая скорость сравнения в такой системе укладывается в основной цикл принятия решения.

Еще одним перспективным направлением использования данного метода является потоковая идентификация людей. В этом случае можно оперативно вычислить входящего в магазин воришку или преступника на транспорте. Возможность возникновения ошибки в этом случае компенсируется организационными мерами. Например, проверкой документов или более пристальным наблюдением за поведением идентифицированного лица. Метод хорошо подходит для сбора в маркетинговых целях информации о возрасте и поле посетителей. На точность идентификации влияет отличие в оптических характеристиках фото-видеокамер, а так же результаты пластических операций и возрастные изменения, которые современные алгоритмы не всегда могут хорошо учитывать. Фотография для биометрической идентификации по лицу по требованию ИКАО является обязательной для использования в биометрических паспортах.

Радужная оболочка глаз

Не надо путать идентификацию по сетчатке и радужной оболочке глаза. Это два разных метода. Отличие заключается в том, что:

• сканирование сетчатки требует приближения глаза к окуляру, а современные камеры позволяют распознать рисунок радужной оболочки с расстояния в несколько метров;
• точность сканирования сетчатки может зависеть от заболевания; структура радужной оболочки более стабильна;
• сканирование сетчатки глаза считается инвазивной технологией, поскольку предполагает проникновение в глаза лучей света, а распознавание радужной оболочки является неинвазивным методом.

Нет достоверных медицинских заключений о влиянии этих методов сканирования на здоровье человека. Считаются допустимыми редкие, нерегулярные случаи идентификации людей такими способами, например при пересечении границы, и не рекомендуется их частое использование, например в СКУД.

Высокая точность идентификации этого метода достигается за счет большого числа индивидуальных параметров, а также за счет одновременного сканирования радужной оболочки сразу двух глаз. Малое число компаний, которые предлагают решения идентификации по радужной оболочке глаз, приводит к низкой конкуренции и высокой стоимости оборудования и программного обеспечения. Еще одним недостатком данного метода является необходимость адаптации сканирующего оборудования под различный рост людей. В результате приходится устанавливать сразу несколько камер сканирования или крепить их на пантографах или манипуляторах, что делает конструкцию менее надежной и более дорогой. К достоинствам метода идентификации по радужной оболочке глаз относится высокая стабильность ее биометрических характеристик, которые формируются в первые годы жизни и практически не меняются на протяжении десятилетий.

Использование инфракрасного излучения для сканирования позволяет проводить идентификацию в условиях плохой освещенности. Этот метод идентификации сложно подделать. По требованию ИКАО он является дополнительным необязательным параметром, который может быть записан на чип биометрического паспорта.

Вены ладони

Как ни странно, во многих крупных компаниях не знакомы с данным методом биометрической идентификации. Основан он на принципе разной степени отражения инфракрасных лучей от кровеносных сосудов и других внутренних органов. По стоимости этот метод дешевле идентификации по радужной оболочке глаз и по лицу. В отличие от последнего идентификация по венам ладони более точна и надежна, сопоставима с точностью идентификации по радужной оболочке для одного глаза. Стабильность получаемых результатов идентификации объясняется тем, что русла кровеносных сосудов не изменяются с возрастом. Их форма и расположение мало зависят от различных заболеваний, например варикоза или тромбоза. Это обеспечивает стабильные результаты идентификации на протяжении многих лет. На результаты сканирования вен практически не влияют внешние условия, например, когда руки мокрые, замерзшие или грязные. Эта особенность позволяет успешно использовать метод для идентификации на производстве. Несмотря на то что этот метод относится к кооперативной идентификации (надо поднести руку к сканеру), он является бесконтактным. Не требуется непосредственное касание, что более гигиенично по сравнению с идентификацией по отпечатку пальца. Проведены медицинские исследования и получены заключения, что данный метод идентификации абсолютно безвреден для человека. Оборудование для сканирования рисунка вен производится несколькими компаниями в Японии, Европе и России. Принцип сканирования кровеносных сосудов используется не только для идентификации по венам ладони, но и, например, по венам пальца. В фалангах пальца значительно меньше кровеносных сосудов, и такая идентификация менее точна по сравнению с идентификацией по венам ладони. Для повышения точности предлагается проводить идентификацию одновременно по нескольким пальцам.

Так как в обычных условиях рисунок вен невозможно увидеть, то и создание муляжа для обмана такого решения является трудоемкой задачей. Вены не оставляют следов на поверхности, их нельзя сфотографировать обычным фотоаппаратом или записать на диктофон. На текущий момент это самый надежный метод биометрической идентификации, который не удалось обмануть при помощи различных муляжей. Он широко распространен в Японии. В России применяется в финансовом секторе, в СКУД и для учета рабочего времени. Благодаря высокой точности идентификации и возможности функционирования в сложных внешних условиях данный метод находит применение в самых различных областях: в специализированных СКУД, ритейле, управлении доступом к информационным системам, строительстве и других отраслях производства. В последнее время получила широкое распространение интеграция данного метода идентификации с дополнительным внешним оборудованием контроля состояния здоровья сотрудников. Например, с приборами определения содержания паров алкоголя в выдыхаемом воздухе. Хорошие результаты его использования продемонстрированы на автотранспортных предприятиях и на опасном производстве.

Голос

В отличие от других рассмотренных биометрических параметров голос является динамически изменяемым. Алгоритмы идентификации по нему были сложными и требовали больших трудозатрат на разработку. Технические параметры аппаратуры не позволяли передать аудиосигнал без искажений и помех, в результате чего качество идентификации оказывалось недостаточным для коммерческого использования. Этим объясняется малое число компаний, которые занимались разработкой таких решений. Ситуация кардинально изменилась с массовым распространением мобильных устройств и с цифровой системой обработки речи.

Это по времени совпало с появлением алгоритмов, основанных на нейронных сетях. Число компаний-разработчиков стало значительно больше, а возможность дистанционной идентификации клиентов по голосу сделала этот метод привлекательным для заказчиков. Биометрическая идентификация по голосу и лицу используется в Единой биометрической системе, которая начнет функционировать с середины 2018 г.

К недостаткам данного метода относится значительное время идентификации (несколько десятков секунд), а также низкая вероятность идентификации в случае одновременного разговора нескольких людей или повышенного шума.

Метод может быть хорошим дополнением к другим способам биометрической идентификации или использоваться для подтверждения личности говорящего. Отсутствие визуального контроля в сочетании с легкостью аудиозаписи, ее воспроизведением или программным синтезом голоса не гарантирует того, что общение происходит с живым человеком. Для противодействия таким методам обмана разрабатываются специальные алгоритмы. Одним из направлений развития анализа голоса является синтаксический разбор речи. Метод широко используется в контакт-центрах и системах дистанционного банковского обслуживания.

Потребности в точной идентификации, текущие ограничения удобства и возможностей различных методов идентификации приводят к разработке бимодальных решений. Например, идентификации по лицу и по венам ладони или голосу. Работы в этом направлении ведутся как зарубежными, так и отечественными компаниями. В ближайшее время мы увидим несколько таких решений.

* https://www.nist.gov Proprietary Fingerprint Template Evaluation II (PFTII) results
https://biolab.csr.unibo.it Published Results Fingerprint Verification
** https://www.nist.gov Ongoing Face Recognition Vendor Test (FRVT) Part 1: Verification
https://megaface.cs.washington.edu FaceScrub Results
*** https://style.rbc.ru «Нас скоро всех оцифруют, какое там будет прайваси?»