Iris Erkennung: Erhellende Perspektiven zur Iriserkennung in der Computer Vision
Von Fouad Sabry
()
Über dieses E-Book
Was ist Iriserkennung
Iriserkennung ist eine automatisierte Methode zur biometrischen Identifizierung, die mathematische Mustererkennungstechniken auf Videobildern einer oder beider Iris einer Person verwendet Augen, deren komplexe Muster einzigartig und stabil sind und aus einiger Entfernung gesehen werden können. Die Unterscheidungskraft aller biometrischen Technologien hängt von der Menge an Entropie ab, die sie kodieren und beim Abgleich verwenden können. Die Iriserkennung ist in dieser Hinsicht außergewöhnlich und ermöglicht die Vermeidung von „Kollisionen“ selbst bei Kreuzvergleichen über große Populationen hinweg. Die größte Einschränkung besteht darin, dass die Bildaufnahme aus Entfernungen von mehr als einem oder zwei Metern oder ohne Kooperation sehr schwierig sein kann. Die Technologie befindet sich jedoch in der Entwicklung und die Iriserkennung kann sogar aus einer Entfernung von bis zu 10 Metern oder im Live-Kamera-Feed durchgeführt werden.
Ihre Vorteile
(I) Erkenntnisse und Validierungen zu den folgenden Themen:
Kapitel 1: Iriserkennung
Kapitel 2: Netzhautscan
Kapitel 3: John Daugman
Kapitel 4: Biometrische Punkte
Kapitel 5: Überprüfung der Augenvene
Kapitel 6: Biometrisches Gerät
Kapitel 7: Private Biometrie
Kapitel 8: Aadhaar
Kapitel 9: Biometrie in Schulen
Kapitel 10: Aadhaar Act
(II) Beantwortung der häufigsten öffentlichen Fragen über die Iriserkennung.
(III) Beispiele aus der Praxis für den Einsatz der Iriserkennung in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen zur Iriserkennung jeglicher Art hinausgehen möchten.
Mehr von Fouad Sabry lesen
Wirtschaftswissenschaft [German]
Ähnlich wie Iris Erkennung
Titel in dieser Serie (100)
Gamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenFarbraum: Erkundung des Spektrums von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenHadamard-Transformation: Enthüllung der Leistungsfähigkeit der Hadamard-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHarris Eckendetektor: Enthüllung der Magie der Bildmerkmalserkennung Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFilterbank: Einblicke in die Filterbanktechniken von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbzuordnung: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenLeast Squares: Optimierungstechniken für Computer Vision: Methoden der kleinsten Quadrate Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenFarbprofil: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenEpipolare Geometrie: Erschließung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Optische Braille-Erkennung: Ermöglichung der Barrierefreiheit durch visuelle Intelligenz Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenObjekterkennung: Fortschritte, Anwendungen und Algorithmen Bewertung: 0 von 5 Sternen0 BewertungenVisuelles Sensornetzwerk: Erkundung der Leistungsfähigkeit visueller Sensornetzwerke in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAutomatische Zielerkennung: Fortschritte in Computer-Vision-Techniken zur Zielerkennung Bewertung: 0 von 5 Sternen0 BewertungenGesichtserkennungssystem: Erschließen Sie die Kraft der visuellen Intelligenz Bewertung: 0 von 5 Sternen0 BewertungenJäger der Digitalen Schatten: Wie OSINT Analysten Menschen im Internet aufspüren Bewertung: 0 von 5 Sternen0 BewertungenPhysikalisches Rechnen: Erforschung von Computer Vision im Physical Computing Bewertung: 0 von 5 Sternen0 BewertungenBildabruf: Erschließen Sie die Kraft visueller Daten Bewertung: 0 von 5 Sternen0 BewertungenIntelligente Kamera: Revolutionierung der visuellen Wahrnehmung mit Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAutomatische Bildanmerkung: Verbesserung des visuellen Verständnisses durch automatisiertes Tagging Bewertung: 0 von 5 Sternen0 BewertungenDie besten KI-Tools: Ein Leitfaden von JvS Creative Possibilities Bewertung: 0 von 5 Sternen0 BewertungenIntelligente Zeichenerkennung: Förderung der maschinellen Wahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenOptische Zeichenerkennung: Erschließen Sie die Leistungsfähigkeit von Computer Vision für die optische Zeichenerkennung Bewertung: 0 von 5 Sternen0 BewertungenErweiterte Realität: Erkundung der Grenzen von Computer Vision in Augmented Reality Bewertung: 0 von 5 Sternen0 BewertungenPersonenzähler: Erschließung von Erkenntnissen durch visuelle Analysen Bewertung: 0 von 5 Sternen0 BewertungenUmgebungsintelligenz: Die dunklen Räume erhellen und die Fortschritte in der künstlichen allgemeinen Intelligenz beschleunigen Bewertung: 0 von 5 Sternen0 BewertungenAphelion-Software: Vision freischalten: Erkundung der Tiefen der Aphelion-Software Bewertung: 0 von 5 Sternen0 BewertungenMaker-Projekte mit JavaScript: Mit Espruino und JavaScript aus Alltagsobjekten intelligente Maschinen bauen Bewertung: 0 von 5 Sternen0 BewertungenDigitale Synapsen: Eine Reise durch Künstliche Intelligenz und ChatGPT Bewertung: 0 von 5 Sternen0 BewertungenSmartphones als digitale Nahkörpertechnologien: Zur Kybernetisierung des Alltags Bewertung: 0 von 5 Sternen0 BewertungenPersonalbilanz Lesebogen 70 Flügelschlag eines Schmetterling: Netz und Takt Bewertung: 0 von 5 Sternen0 BewertungenMensch und Künstliche Intelligenz: Herausforderungen für Kultur, Wirtschaft und Gesellschaft Bewertung: 0 von 5 Sternen0 BewertungenNanosensor: Entwicklung eines vernetzten intelligenten Nanosensors, um die Gehirnchemie zu beleuchten und den Krebs frühzeitig zu erkennen Bewertung: 0 von 5 Sternen0 BewertungenDigitale Forensik: Wie die digitale Forensik dazu beiträgt, die Arbeit der Tatortermittlung in die reale Welt zu bringen Bewertung: 0 von 5 Sternen0 BewertungenGrundlagen und Anwendung von Information Security Awareness: Mitarbeiter zielgerichtet für Informationssicherheit sensibilisieren Bewertung: 0 von 5 Sternen0 BewertungenGestenerkennung: Die Sprache der Bewegung erschließen Bewertung: 0 von 5 Sternen0 BewertungenVerkehrszeichenerkennung: Erschließen Sie die Macht der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Iris Erkennung
0 Bewertungen0 Rezensionen
Buchvorschau
Iris Erkennung - Fouad Sabry
Kapitel 1: Iriserkennung
Die Iriserkennung ist eine automatisierte Methode der biometrischen Identifizierung, bei der mathematische Mustererkennungstechniken auf Videobildern einer oder beider Iris der Augen einer Person verwendet werden. Die komplizierten Muster der Iris eines Individuums sind einzigartig, bleiben konsistent und können aus angemessener Entfernung beobachtet werden. Der Grad der Entropie ist direkt proportional zu den Unterscheidungsfähigkeiten aller biometrischen Technologien. Einer der größten Nachteile ist, dass es sehr schwierig sein kann, ein Bild in einer Entfernung von mehr als ein oder zwei Metern oder ohne Zusammenarbeit aufzunehmen.
Iriserkennung und Netzhautscan, zwei unterschiedliche Arten von okulären biometrischen Technologien, werden oft miteinander verwechselt. Bei der Iriserkennung werden die einzigartigen Muster auf der Iris einer Person verwendet, während bei der Netzhauterkennung die einzigartigen Muster auf den Blutgefäßen einer Person verwendet werden. Bei der Iriserkennung wird Videokameratechnologie in Kombination mit einem milden Nahinfrarotlicht verwendet, um Fotos von den komplizierten, detailreichen Strukturen der Iris zu sammeln, die für die Außenwelt sichtbar sind. Eine Person oder jemand, der vorgibt, diese Person zu sein, kann mithilfe digitaler Vorlagen identifiziert werden, die mit mathematischen und statistischen Techniken kodiert sind. Diese Vorlagen werden aus den Mustern selbst generiert. Matcher-Module scannen Datenbanken mit registrierten Vorlagen mit Geschwindigkeiten, die in Millionen von Vorlagen pro Sekunde pro CPU (mit einem Kern) gemessen werden, und mit sehr niedrigen Raten falscher Vorlagenübereinstimmungen.
Mindestens 1,5 Milliarden Menschen auf der ganzen Welt (darunter 1,2 Milliarden indische Bürger im Rahmen des UIDAI/Aadhaar-Programms) wurden in Iris-Erkennungssysteme für nationale Ausweise, elektronische Behördendienste, Leistungsverteilung, Sicherheit und Komfortzwecke wie passfreie automatisierte Grenzübertritte eingeschrieben. der Iris als inneres und geschütztes, aber äußerlich sichtbares Organ des Auges.
Trotz der Tatsache, dass John Daugman die ersten tatsächlichen Algorithmen zur Iriserkennung entwickelte und patentierte, die ersten Arbeiten darüber veröffentlichte und die ersten Live-Demonstrationen davon gab, hat die Idee, die zu dieser Erfindung führte, eine viel längere Geschichte und profitiert derzeit von den Beiträgen einer großen Anzahl anderer aktiver wissenschaftlicher Mitwirkender. In einem 1953 veröffentlichten klinischen Lehrbuch schrieb F.H. Adler, der das 1949 verfasst hatte: Die winzige Architektur der Iris weist bei jedem untersuchten Thema Unterschiede auf, so wie Fingerabdrücke für jede einzelne Person einzigartig sind. [Seine Eigenschaften] bestehen aus einer Reihe verschiedener variabler Elemente, und die möglichen Permutationen und Kombinationen dieser Komponenten sind nahezu grenzenlos.
Später in den 1980er Jahren gelang es zwei amerikanischen Augenärzten namens L. Flom und Aran Safir, die Vermutung von Adler und Doggart patentieren zu lassen, dass die Iris als menschliches Erkennungsmerkmal dienen könnte. Da ihnen jedoch ein tatsächlicher Algorithmus oder eine Implementierung fehlte, um die Aufgabe auszuführen, blieb ihr Patent trotz ihres Erfolgs mutmaßlich. Diese Theorie lässt sich bis ins Jahr 1892 zurückverfolgen, als ein Franzose namens A. Bertillon ein Buch mit dem Titel Tableau de l'iris humain
veröffentlichte, in dem er einige Feinheiten aufzeichnete. Irismuster wurden im alten Ägypten, in Chaldäa in Babylonien und im antiken Griechenland verwendet, wie Steininschriften, bemalte Keramikartefakte und die Schriften von Hippokrates belegen. Irismuster wurden verwendet, um eine Vielzahl von Dingen zu erahnen, einschließlich der Zukunft, der Vergangenheit und verschiedener Aspekte der Gegenwart. (Die Praxis der Iris-Weissagung wird auch heute noch unter dem Namen Iridologie
praktiziert.)
Das grundlegende Konzept, das Daugmans Algorithmen zugrunde liegt, ist die These, dass das Scheitern eines Tests der statistischen Unabhängigkeit als solide Grundlage für die Mustererkennung in Situationen dienen kann, in denen eine ausreichende Menge an Entropie (ausreichende Freiheitsgrade der zufälligen Variation) in den Daten vorhanden ist, die aus verschiedenen Klassen von Stichproben gesammelt wurden. Im Jahr 1994 reichte er eine Patentanmeldung für die Grundlagen der Iriserkennung sowie der zugrunde liegenden Computer-Vision-Algorithmen für Bildverarbeitung, Merkmalsextraktion und Matching ein. Gleichzeitig veröffentlichte er diese Techniken in einem Paper. IriScan, Iridian, Sarnoff, Sensar, LG-Iris, Panasonic, Oki, BI2, IrisGuard, Unisys, Sagem, Enschede, Securimetrics und L-1, das sich jetzt im Besitz des französischen Unternehmens Morpho befindet, sind nur einige der Unternehmen, die diese Algorithmen für den breiten Einsatz lizenziert haben. IriScan war ein Start-up, das von Flom, Safir und Daugman gegründet wurde.
Diese Algorithmen sind auch heute noch die Grundlage für alle wichtigen öffentlichen Implementierungen der Iriserkennung, und sie gehören routinemäßig zu den besten Performern bei NIST-Tests, obwohl sie im Laufe der Jahre einer Vielzahl von Verbesserungen unterzogen wurden (Implementierungen, die von L-1, MorphoTrust und Morpho eingereicht wurden, für die Daugman als Chief Scientist für die Iriserkennung tätig ist). Aber die Forschung zu vielen Facetten dieser Technologie und zu alternativen Methoden ist explodiert, und es gibt jetzt eine schnell wachsende akademische Literatur über Optik, Photonik, Sensorik, Biologie, Genetik, Ergonomie, Schnittstellen, Entscheidungstheorie, Kodierung, Kompression, Protokoll, Sicherheit, Mathematik und Hardware-Facetten dieser Technologie. Auch diese Technologie ist Gegenstand vieler Debatten.
Die überwiegende Mehrheit dieser Algorithmen wurde an Flughäfen als Alternative zur Vorlage eines Reisepasses und zur Durchführung von Sicherheitskontrollen anhand von Watchlists eingesetzt. In den ersten Jahren dieses Jahrhunderts begannen am Amsterdamer Flughafen Schiphol und an zehn Flughafenterminals im Vereinigten Königreich große Einsätze eines Programms namens IRIS, was für Iris Recognition Immigration System
steht. Diese Einsätze ermöglichten es Vielreisenden, ihre Iris anstelle ihres Reisepasses vorzulegen. Entlang der Grenze zwischen den Vereinigten Staaten und Kanada sowie an vielen anderen Grenzen gibt es ähnliche Systeme. Alle 32 Flughäfen, 32 Landhäfen und 32 Seehäfen in den Vereinigten Arabischen Emiraten verwenden diese Algorithmen, um Sicherheitskontrollen bei Besuchern durchzuführen, die für die Einreise in das Land ein Visum benötigen. Die Zahl der Iris-Quervergleiche stieg in nur zehn Jahren auf 62 Billionen, als Ergebnis eines gründlichen Scans einer riesigen Beobachtungsliste, die von den GCC-Staaten entwickelt wurde. Mehr als 1,2 Milliarden Iriscodes und Fingerabdrücke indischer Bürger wurden in einer Datenbank gespeichert, die von der Unique Identification Authority of India (UIDAI) geführt wird, um einen nationalen Personalausweis zu erstellen und Betrugsfälle im Zusammenhang mit der Verteilung staatlicher Leistungen zu reduzieren.
Irismelanin, das auch als Chromophor bezeichnet wird, besteht hauptsächlich aus zwei verschiedenen heterogenen Makromolekülen, die Eumelanin (braun-schwarz) und Phäomelanin (gelb-rötlich) genannt werden. Der folgende Vergleich zwischen diesen beiden bildgebenden Verfahren liefert weitere Informationen über diese beiden Arten von Melanin. Darüber hinaus wurde eine neue Technik zur Extraktion von Merkmalen zur Kodierung von VW-Irisbildern vorgestellt, die eine alternative Strategie für multimodale biometrische Systeme darstellen könnte.
Um zu beginnen, muss das System zunächst die inneren und äußeren Ränder der Iris in einem Bild eines Auges sowie die Pupille und den Limbus lokalisieren. Zusätzliche Unterprogramme suchen nach Hindernissen und beseitigen diese, z. B. Augenlider, Wimpern und spiegelnde Reflexionen, die oft Teile der Iris verbergen können. Nachdem der Satz von Pixeln, der nur die Iris enthält, unter Verwendung eines Gummiblattmodells normalisiert wurde, um Änderungen in der Größe der Pupille zu berücksichtigen, wird er als nächstes verarbeitet, um ein Bitmuster zu extrahieren, das die Informationen kodiert, die zum Vergleich der beiden Bilder der Iris erforderlich sind.
Eine Gabor-Wavelet-Transformation wird immer dann verwendet, wenn eine von Daugmans Techniken verarbeitet wird. Das Endprodukt ist eine Sammlung komplexer ganzer Zahlen, die Informationen über die Amplitude und Phase des Irismusters an jedem lokalen Ort vermitteln. Der Großteil der Amplitudeninformation wird in den von Daugman entwickelten Algorithmen weggeworfen, und die 2048 Bits, die zur Beschreibung eines Irismusters verwendet werden, bestehen aus Phaseninformationen (komplexe Vorzeichenbits der Gabor-Wavelet-Projektionen). Durch das Eliminieren der Amplitudeninformationen wird sichergestellt, dass die Vorlage nicht wesentlich durch Änderungen der Beleuchtungs- oder Verstärkungseinstellungen an der Kamera verändert wird, was wiederum die Fähigkeit der biometrischen Vorlage erhöht, über einen längeren Zeitraum verwendet zu werden.
Eine Vorlage, die durch das Abbilden einer Iris gebildet wurde, wird dann mit Vorlagen verglichen, die in einer Datenbank gespeichert wurden. Dies kann entweder zur Identifizierung (Eins-zu-Viele-Vorlagenabgleich) oder zur Verifizierung (Eins-zu-Eins-Vorlagenabgleich) erfolgen. Wenn die Hamming-Distanz kleiner als die Entscheidungsschwelle ist, ist eine positive Identifizierung erfolgt, da es statistisch extrem unwahrscheinlich ist, dass zwei verschiedene Personen zufällig in so vielen Bits übereinstimmen können, angesichts der hohen Entropie der Iris-Vorlagen. Ist die Hamming-Distanz größer als die Entscheidungsschwelle, liegt eine negative Identifizierung vor.
Es wird gesagt, dass die Iris des Auges die beste Komponente des menschlichen Körpers ist, die für die