Biometrische Daten umfassen Körpermaße und Berechnungen, die mit menschlichen Merkmalen in Zusammenhang stehen. Biometrische Authentifizierung (oder realistische Authentifizierung) wird in der Informatik zur Identifizierung und Zugangskontrolle eingesetzt. Sie dient auch der Identifizierung von Personen in überwachten Gruppen.

Biometrische Merkmale sind charakteristische, messbare Eigenschaften, die zur Kennzeichnung und Beschreibung von Personen verwendet werden. Sie werden häufig als physiologische Merkmale kategorisiert, die mit der Körperform zusammenhängen. Beispiele hierfür sind unter anderem Fingerabdrücke, Handvenen, Gesichtserkennung, DNA, Handflächenabdrücke, Handgeometrie, Iriserkennung, Netzhaut und Geruch.

Biometrische Identifikationstechnologien umfassen Informatik, Optik und Akustik sowie weitere physikalische Wissenschaften, Biowissenschaften, Biosensorik und biostatistische Prinzipien, Sicherheitstechnik, künstliche Intelligenz und viele weitere Grundlagenwissenschaften sowie innovative Anwendungstechnologien. Es handelt sich um umfassende, multidisziplinäre technische Lösungen.

In den letzten Jahren hat sich die biometrische Identifikationstechnologie mit der Entwicklung künstlicher Intelligenz deutlich weiterentwickelt. Aktuell ist die Gesichtserkennung die repräsentativste biometrische Methode.

Gesichtserkennung

Die Gesichtserkennung umfasst die Erfassung, Erkennung und Extraktion von Gesichtsmerkmalen sowie den Abgleich der Gesichter. Dabei kommen verschiedene Technologien des maschinellen Lernens zum Einsatz, darunter der AdaBoos-Algorithmus, Convolutional Neural Networks (CNNs) und Support Vector Machines (SVMs).

Der Prozess der Gesichtserkennung

Die traditionellen Schwierigkeiten der Gesichtserkennung, wie Gesichtsrotation, Verdeckung und Ähnlichkeit, wurden inzwischen deutlich verbessert, was die Genauigkeit der Gesichtserkennung erheblich steigert. 2D-, 3D- und multispektrale Gesichtserkennungsmethoden unterscheiden sich in ihren Anwendungsszenarien, dem Datensicherheitsgrad und der Sensibilität für den Datenschutz. Durch die Integration von Deep Learning in Big Data kann der 3D-Gesichtserkennungsalgorithmus die Schwächen der 2D-Projektion ausgleichen und die Identität einer Person schnell identifizieren. Dies stellt einen Durchbruch für die Anwendung der zweidimensionalen Gesichtserkennung dar.

Gleichzeitig wird die biometrische Erkennungstechnologie als Schlüsseltechnologie zur Verbesserung der Sicherheit der Gesichtserkennung eingesetzt. Sie kann Fälschungen wie Fotos, Videos, 3D-Modelle und künstliche Masken wirksam bekämpfen und die Identität der Nutzer zuverlässig feststellen. Mit der rasanten Entwicklung der Gesichtserkennungstechnologie erfreuen sich viele innovative Anwendungen wie Smart Devices, Online-Finanzdienstleistungen und Gesichtserkennung beim Bezahlen zunehmender Beliebtheit und erleichtern den Alltag und die Arbeit.

Handflächenerkennung

Die Handflächenerkennung ist eine neuartige biometrische Erkennungstechnologie, die den Handabdruck als Zielmerkmal nutzt und mithilfe multispektraler Bildgebung biologische Informationen erfasst. Die multispektrale Handflächenerkennung kann als Modell einer biometrischen Erkennungstechnologie betrachtet werden, die verschiedene Modalitäten und Zielmerkmale kombiniert. Diese neue Technologie vereint die drei identifizierbaren Merkmale Hautspektrum, Handflächenabdruck und Venenverlauf, um gleichzeitig mehr Informationen bereitzustellen und die Unterscheidbarkeit der Zielmerkmale zu verbessern.

In diesem Jahr hat Amazon seine Handflächenerkennungstechnologie mit dem Codenamen Orville in die Testphase aufgenommen. Der Scanner erfasst zunächst eine Reihe von Infrarot-Polarisationsbildern, die die äußeren Merkmale der Handfläche wie Linien und Falten zeigen. Bei der Aufnahme einer zweiten Reihe von Polarisationsbildern fokussiert er auf die Handflächenstruktur und innere Merkmale wie Venen, Knochen, Weichteile usw. Die Rohbilder werden zunächst verarbeitet, um eine Reihe von Bildern mit Händen zu erzeugen. Diese Bilder sind gut ausgeleuchtet, scharf und zeigen die Handfläche in einer bestimmten Ausrichtung und Pose. Sie sind als links- oder rechtshändig gekennzeichnet.

Amazons Handflächenerkennungstechnologie kann derzeit die Identität verifizieren und Zahlungen in nur 300 Millisekunden abschließen. Nutzer müssen ihre Hände nicht auf das Scannergerät legen, sondern können einfach kontaktlos winken und scannen. Die Fehlerrate dieser Technologie liegt bei etwa 0,0001 %. Die Handflächenerkennung führt zudem eine doppelte Verifizierung durch: Zuerst werden äußere Merkmale, dann interne organisatorische Merkmale erfasst. Im Vergleich zu anderen biometrischen Technologien bietet sie somit eine höhere Sicherheit.

Neben den oben genannten biometrischen Merkmalen gewinnt auch die Iriserkennungstechnologie zunehmend an Bedeutung. Die Fehlalarmrate der Iriserkennung liegt bei nur 1/1.000.000. Sie nutzt hauptsächlich die Beständigkeit und die individuellen Unterschiede der Iris zur Identifizierung von Personen.

Derzeit herrscht in der Branche Einigkeit darüber, dass die Erkennung mit nur einem Modalitätsmerkmal sowohl hinsichtlich der Erkennungsleistung als auch der Sicherheit an ihre Grenzen stößt. Die multimodale Fusion stellt daher einen wichtigen Durchbruch in der Gesichtserkennung und sogar in der biometrischen Erkennung dar. Durch die Verbesserung der Erkennungsgenauigkeit mittels Multifaktor-Analyse lassen sich zudem die Anpassungsfähigkeit an verschiedene Situationen und die Datenschutzsicherheit biometrischer Technologien bis zu einem gewissen Grad steigern. Im Vergleich zu herkömmlichen Einzelmodalitätsalgorithmen kann die erforderliche Falscherkennungsrate im Finanzbereich (bis zu 1 zu 10 Millionen) deutlich besser eingehalten werden, was gleichzeitig den Haupttrend in der Entwicklung biometrischer Identifikationstechnologien darstellt.

Multimodales biometrisches System

Multimodale biometrische Systeme nutzen mehrere Sensoren oder biometrische Merkmale, um die Einschränkungen unimodaler Systeme zu überwinden. So kann beispielsweise die Iriserkennung durch alternde Iris beeinträchtigt werden, und die elektronische Fingerabdruckerkennung kann durch abgenutzte oder verletzte Fingerabdrücke verschlechtert werden. Unimodale biometrische Systeme sind zwar durch die Integrität ihres Identifikators begrenzt, es ist jedoch unwahrscheinlich, dass mehrere unimodale Systeme dieselben Einschränkungen aufweisen. Multimodale biometrische Systeme können Informationen vom selben Marker (z. B. mehrere Bilder einer Iris oder Scans desselben Fingers) oder Informationen von verschiedenen biometrischen Merkmalen (Fingerabdruckscans und, bei Spracherkennung, ein gesprochener Passcode) gewinnen.

Multimodale biometrische Systeme können diese unimodalen Systeme sequenziell, gleichzeitig, in einer Kombination davon oder in Reihe fusionieren, was sich auf sequentielle, parallele, hierarchische bzw. serielle Integrationsmodi bezieht.

CHANCTVhat eine Reihe vonbiometrische LinsenFür Gesichts-, Handflächen-, Fingerabdruck- und Iriserkennung. Beispielsweise ist das CH3659A ein 4K-Objektiv mit geringer Verzeichnung, das für 1/1,8-Zoll-Sensoren entwickelt wurde. Es besteht vollständig aus Glas und zeichnet sich durch ein kompaktes Design mit nur 11,95 mm TTL aus. Es erfasst ein horizontales Sichtfeld von 44 Grad. Dieses Objektiv ist ideal für die Handflächenerkennung.