IrisCode

Z WikiKnihovna
Přejít na: navigace, hledání

Autor:Jonáš Prstek

Klíčová slova: biometrie, identifikace, autentizace
Synonyma: ---

Související pojmy:

nadřazené - autentizace, biometrie, identifikace
podřazené - ---

IrisCode je algoritmus, který na základě snímku oka vytváří unikátní kód, sloužící ke zpětnému rozlišení specifické duhovky. Název pochází z anglického slova pro duhovku. Jde o první algoritmus svého druhu, používaný od roku 1994. Od doby uvedení IrisCode přišlo několik dalších firem s vlastními algoritmy pro rozlišování duhovek, které se prodávají pod jinými obchodními názvy.

Historie konceptu, vlastnosti duhovky

Duhovka je barevná část oka zvnějšku překrytá rohovkou s kruhovým otvorem uprostřed, který nazýváme zornicí a který podobně jako clona fotoaparátu ovlivňuje množství světla, které proniká dále do oka přes bezprostředně následující čočku. Je to jediný vnitřní orgán, který je vidět zvnějšku lidského těla. Vzhled duhovky každého jedince je dán částečně geneticky a částečně náhodně (stochasticky, snad chaoticky). To, co z duhovky vidíme, jsou drobné cévy a pigment, které dohromady dávají vzor unikátní pro každého jedince. Poprvé si toho všiml již ve 30. letech 20. století oftalmolog Frank Burch, technologiím však trvalo šest dekád, než dospěly k praktickému využití tohoto jevu k identifikaci jednotlivců. Oftalmologové Aran Safir a Leonard Flom si tento princip v roce 1987 patentovali a o dva roky později k projektu přizvali matematika Johna Daugmana, profesora z Harvardské univerzity. Ten formuloval tři vlastnosti, které duhovku předurčují k tomu, aby se stala ideálním předmětem identifikace člověka.

  1. Jedná se o vnitřní orgán, na který téměř nepůsobí žádné vnější vlivy.
  2. Je prakticky nemožné ji úmyslně chirurgicky pozměnit bez vážného rizika poškození zraku.
  3. Fyziologicky reaguje na světlo, což umožnuje přírodní test na umělé padělky.[1] 

Tyto vlastnosti vedly Daugmana k vyvinutí IrisCode, počítačovému otisku duhovky.

Elektronické rozeznávání duhovky

Pro potřeby elektronického zpracování duhovky se pro někoho snad poněkud překvapivě pracuje s černobílými snímky duhovky. Je to proto, že samotná struktura duhovky je natolik specifická a unikátní, že vyhodnocování barvy by bylo redundantní, nehledě na velmi pravděpodobné technické komplikace. Algoritmus vytváření IrisCode zjednodušeně probíhá následovně: program na snímku přesně vymezí pozici duhovky a zornice a rozdělí ji na sektory. Toto se dá udělat několika způsoby, nejčastěji se tak děje čtyřmi:

  • rozdělením mezikruží duhovky na více kocentrických mezikruží,
  • rozdělením mezikruží na jeho výseče,
  • rozdělení současně oběma předešlými způsoby, tedy na větší množství výsečí mezikrůží různých poloměrů,
  • pomocí polární transformace, která mezikruží duhovky převede na snáze zpracovatelný obdélník postupem podobným polární projekci v kartografii. [2][3]

Vlastnosti IrisCode

Výsledný obraz je zpracován (odbornější termín pro tento postup je Gaborova vlnová demodulace) a vytvoří tak 2048 bitů dat a stejný počet bitů maskovacích, které dohromady dávají 512 bytů IrisCode.[4] IrisCode se dá použít pro pozitivní identifikaci (verifikaci), to znamená, že dá za pravdu člověku, který se za sebe vydává. Zároveň se dá použít pro identifikaci negativní, tedy že dá za pravdu člověku, který není ten, o koho se jedná, pokud tímto člověkem skutečně není. Součástí zpracování IrisCode je výpočet tzv. Hamming Distance, což je míra odlišnosti dvou duhovek. Jak je vidno v materiálu na straně 1159, počítání s různými hodnotami Hamming Distance vede k různé rozlišovací kvalitě celého postupu, např. při počítání s HD 0,25 se jen jednou z 13,5 miliard pokusů stane, že by systém propustil duhovku, kterou propustit neměl. Skenování duhovky je identifikační technika budoucnosti s velmi nízkou chybovostí oproti jiným biometrickým údajům, např. otisk prstu má míru chybovosti 1:500, přičemž sken duhovky vykazuje chybovost 1:131 000(chybovost je definována jako bod, ve kterém se na grafu při určitém rozlišení protnou křivky chybných přístupu a chybných odmítnutí)[1]. Díky objevu takto silného biometrického údaje a rozvoji a zlevňování potřebné technologie můžeme do budoucna s jistotou počítat s masivní celosvětovou implementací snímacích i čtecích zařízení pro všemožné potřeby identifikace osob. 

Problémy IrisCode

IrisCode, přes své nesporné výhody, čelí několika problémům: prvním je spíše teoretický problém původního Dougmanova algoritmu IrisCode, týkající se zmíněné Hamming Distance. Hamming Distance vnímá všechny bity IrisCode jako stejně užitečné, počítá tedy vzdálenost od nejbližšího IrisCode porovnáním všech bitů, což celkově komplikuje algoritmus autentizace, resp. rozlišováním "sedících" a "nesedících" distribucí Hamming Distance. Výzkumníci se snaží zjistit, nakolik je IrisCode "křehký", tzn. zda lze kód osekat o neužitečné bity při současném zachování stávajících kvalit kódu[5]. Druhý, pravděpodobně vážnější potíž s IrisCodem se týká možnosti obejít autentizaci prostřednictvím reverzního inženýrství kódu, tj. sestavení obrazu oka z IrisCode. Tato možnost je zřejmě ještě otázkou budoucnosti, jednak protože obrazy syntetických duhovek ošálí algoritmus jen v omezeném procentu případů, nehledě na zjevnou nepraktičnost užití vytištěných digitálních očí při nasazení v terénu proti běžně používaným skenerům.[6]

Poznámky

  1. 1,0 1,1 DAUGMAN, J.G. High confidence visual recognition of persons by a test of statistical independence. IEEE Transactions on Pattern Analysis and Machine Intelligence.[online] vol. 15, issue 11, s. 1148-1161. DOI: 10.1109/34.244676. [cit. 2014-07-25] Dostupné z: <http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=244676> Chybná citace: Neplatná značka <ref>; název „daugman1“ použit vícekrát s různým obsahem
  2. HE, Zhaofeng, et al. Boosting ordinal features for accurate and fast iris recognition. In: Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on. IEEE, 2008. p. 1-8. [cit. 2014-07-25] Dostupné z:<http://www.cbsr.ia.ac.cn/users/zfhe/files/papers/CVPR08.pdf>
  3. TISSE, Christel-loic, et al. Person identification technique using human iris recognition. In: Proc. Vision Interface. 2002. p. 294-299. [cit. 2014-07-25] Dostupné z: <ftp://77.70.71.31/V/Arc/Projects/Diplomna/Diplomna/Classified/6%20-%20Person%20Identification%20Technique%20Using%20Human%20Iris%20Recognition.pdf>
  4. DAUGMAN, J. Probing the Uniqueness and Randomness of IrisCodes: Results From 200 Billion Iris Pair Comparisons. Proceedings of the IEEE. 2006, vol. 94, issue 11, s. 1927-1935. DOI: 10.1109/JPROC.2006.884092.[cit. 2014-07-25] Dostupné z: http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=4052470
  5. HOLLINGSWORTH, Karen P.; BOWYER, Kevin W.; FLYNN, Patrick J. The best bits in an iris code. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2009, 31.6: 964-973. [cit. 2014-07-25] Dostupné z:<http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4586380>
  6. ZETTER, Kim. Reverse-Engineered Irises Look So Real, They Fool Eye-Scanners. In: Wired.com [online]. [cit. 2014-07-25]. Dostupné z: http://www.wired.com/2012/07/reverse-engineering-iris-scans/

Použité zdroje

DAUGMAN, J.G. High confidence visual recognition of persons by a test of statistical independence. IEEE Transactions on Pattern Analysis and Machine Intelligence.[online] vol. 15, issue 11, s. 1148-1161. DOI: 10.1109/34.244676. [cit. 2014-07-25] Dostupné z: <http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=244676>

DAUGMAN, J. Probing the Uniqueness and Randomness of IrisCodes: Results From 200 Billion Iris Pair Comparisons. Proceedings of the IEEE. 2006, vol. 94, issue 11, s. 1927-1935. DOI: 10.1109/JPROC.2006.884092.[cit. 2014-07-25] Dostupné z: http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=4052470

HE, Zhaofeng, et al. Boosting ordinal features for accurate and fast iris recognition. In: Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on. IEEE, 2008. p. 1-8. [cit. 2014-07-25] Dostupné z:<http://www.cbsr.ia.ac.cn/users/zfhe/files/papers/CVPR08.pdf>

HOLLINGSWORTH, Karen P.; BOWYER, Kevin W.; FLYNN, Patrick J. The best bits in an iris code. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2009, 31.6: 964-973. [cit. 2014-07-25] Dostupné z:<http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4586380>

TISSE, Christel-loic, et al. Person identification technique using human iris recognition. In: Proc. Vision Interface. 2002. p. 294-299. [cit. 2014-07-25] Dostupné z: <ftp://77.70.71.31/V/Arc/Projects/Diplomna/Diplomna/Classified/6%20-%20Person%20Identification%20Technique%20Using%20Human%20Iris%20Recognition.pdf>

ZETTER, Kim. Reverse-Engineered Irises Look So Real, They Fool Eye-Scanners. In: Wired.com [online]. [cit. 2014-07-25]. Dostupné z: http://www.wired.com/2012/07/reverse-engineering-iris-scans/