Цветная контактная линза с напечатанной текстурой радужной оболочки другого человека, высококачественная напечатанная фотография радужной оболочки, реалистичный протез глаза или синтезированное искусственным интеллектом изображение радужной оболочки — все это имеет одну общую черту: они могут обмануть систему распознавания радужной оболочки, которая фокусируется только на сопоставлении шаблонов.
В индустрии такие методы имеют стандартный термин: атака предъявления. Независимо от того, насколько высока точность распознавания системы, если она не может отличить настоящий человеческий глаз от подделки перед камерой, ее безопасность будет фундаментально скомпрометирована. Международный стандарт ISO/IEC 30107-3 перечисляет обнаружение атак предъявления (PAD), широко известное как обнаружение живости, как независимый пункт оценки для биометрических систем.
Homsh недавно завершила исследования, разработку и практическую проверку собственной системы обнаружения атак предъявления радужной оболочки HOMSH-PAD. Протестированная на независимом наборе данных из 18 516 изображений, система достигла показателя равной ошибки обнаружения (D-EER) в 0,50%.
I. Сначала проверьте подлинность, затем подтвердите личность
Являясь независимым модулем, расположенным перед рабочим процессом распознавания, HOMSH-PAD работает следующим образом: после того, как устройство захватывает изображение глаза, система сначала определяет радужную оболочку и выводит оценку подлинности с помощью сети глубокого обучения. Только изображения, подтвержденные как настоящие человеческие глаза, переходят к этапу распознавания; те, которые идентифицированы как атаки, немедленно отклоняются.
Текущая версия охватывает четыре основных типа методов атак: текстурированные цветные контактные линзы, напечатанные изображения радужной оболочки, протезы глаз и радужные оболочки, синтезированные искусственным интеллектом. Среди них протезы глаз и напечатанные изображения радужной оболочки имеют нулевой процент пропусков при тестировании; процент пропусков для радужных оболочек, синтезированных искусственным интеллектом, составляет 0,08%. Система поддерживает эффективное обнаружение даже для новых узоров контактных линз, никогда не встречавшихся во время обучения — это означает, что модель изучила общие признаки атак, а не просто запомнила конкретные шаблоны.
Простое объяснение тестовых данных
Из 1000 различных попыток атак примерно 993 блокируются;
Из 1000 легитимных пользователей примерно 3 ошибочно отклоняются.
II. За цифрами: соревнование в области дисциплины данных
Область обнаружения живости радужной оболочки давно страдает от постоянной проблемы: модели демонстрируют впечатляющие показатели в лаборатории, но часто терпят неудачу при развертывании в реальных сценариях. Команда исследований и разработок Homsh считает, что проблема обычно заключается не в самой модели, а в обучающих данных — скрытые статистические лазейки, случайно коррелированные с истинными/ложными метками, позволяют модели использовать «короткие пути» вместо изучения фактических характеристик атак.
Для решения этой проблемы команда разработала методологию управления доменом обучающих данных для систематического обнаружения и устранения таких лазеек перед хранением данных и началом обучения. Всего было использовано 75 919 изображений радужной оболочки от 10 750 субъектов для обучения, калибровки и тестирования, с полностью непересекающимися группами субъектов в трех наборах данных — каждый глаз в тестовом наборе никогда не видел модель во время обучения. Эта методология является основным независимым инновационным проектом и защищена патентными заявками.
Все метрики рассчитываются в соответствии с международным стандартом ISO/IEC 30107-3. Порог принятия решения определяется на независимом калибровочном наборе, без доступа к тестовому набору на протяжении всего процесса.
III. Инженерный дизайн, разработанный для реального развертывания
HOMSH-PAD полностью разработан для практического развертывания:
● Легковесный: Модель имеет размер около 30 МБ, способна выполнять вывод в реальном времени на ЦП и совместима со всеми форм-факторами, от встроенных терминалов контроля доступа до серверов.
● Простота интеграции: Интеграторам нужно только вводить необработанные захваченные изображения; вся предварительная обработка выполняется внутри SDK, что позволяет интегрировать его всего несколькими строками кода.
● Калибруемый: Поддерживает однократную перекалибровку порога с использованием реальных образцов пользователей с места развертывания, что позволяет настроить частоту ложных отказов для фактической группы пользователей.
● Безопасность с отказоустойчивостью: Некорректные входные данные по умолчанию классифицируются как атаки, не оставляя «серой зоны» для злоумышленников.
IV. Завершение последнего элемента головоломки
В то время как движок распознавания радужной оболочки отвечает на вопрос «кто это», HOMSH-PAD отвечает на вопрос «является ли это реальным человеком». В совокупности они позволяют решениям Homsh для распознавания радужной оболочки полностью соответствовать все более явным требованиям к обнаружению живости в сценариях с высоким уровнем безопасности, таких как государственное управление, общественная безопасность и финансы.
В дальнейшем команда продолжит расширять библиотеку образцов атак, завершать несколько раундов проверки стабильности обучения и продвигать полную интеграцию устройств с универсальными продуктами для распознавания радужной оболочки, а также авторитетные сторонние оценки.
