بیومتریک‌ها اندازه‌گیری‌ها و محاسبات بدن مربوط به ویژگی‌های انسانی هستند. احراز هویت بیومتریک (یا احراز هویت واقع‌گرایانه) در علوم کامپیوتر به عنوان شکلی از شناسایی و کنترل دسترسی استفاده می‌شود. همچنین برای شناسایی افراد در گروه‌هایی که تحت نظارت هستند نیز کاربرد دارد.

شناسه‌های بیومتریک، ویژگی‌های متمایز و قابل اندازه‌گیری هستند که برای برچسب‌گذاری و توصیف افراد استفاده می‌شوند. شناسه‌های بیومتریک اغلب به عنوان ویژگی‌های فیزیولوژیکی مرتبط با شکل بدن طبقه‌بندی می‌شوند. نمونه‌هایی از جمله اثر انگشت، رگ‌های کف دست، تشخیص چهره، DNA، اثر کف دست، هندسه دست، تشخیص عنبیه، شبکیه و بو/عطر از جمله این موارد هستند، اما محدود به این موارد نمی‌شوند.

فناوری شناسایی بیومتریک شامل علوم کامپیوتر، اپتیک و آکوستیک و سایر علوم فیزیکی، علوم زیستی، حسگرهای زیستی و اصول آمار زیستی، فناوری امنیتی و فناوری هوش مصنوعی و بسیاری دیگر از علوم پایه و فناوری‌های کاربردی نوآورانه است. این یک راه‌حل فنی چند رشته‌ای کامل است.

در سال‌های اخیر، با توسعه هوش مصنوعی، فناوری شناسایی بیومتریک بالغ‌تر شده است. در حال حاضر، فناوری تشخیص چهره، نماینده‌ترین نمونه بیومتریک است.

تشخیص چهره

فرآیند تشخیص چهره شامل جمع‌آوری چهره، تشخیص چهره، استخراج ویژگی‌های چهره و تشخیص تطبیق چهره است. فرآیند تشخیص چهره از فناوری‌های مختلفی مانند الگوریتم AdaBoos، شبکه عصبی کانولوشن و ماشین بردار پشتیبان در یادگیری ماشین استفاده می‌کند.

فرآیند تشخیص چهره

در حال حاضر، مشکلات تشخیص چهره سنتی از جمله چرخش چهره، انسداد، شباهت و غیره به میزان قابل توجهی بهبود یافته است که این امر دقت تشخیص چهره را تا حد زیادی افزایش می‌دهد. چهره دو بعدی، چهره سه بعدی، چهره چند طیفی هر حالت سناریوهای انطباق اکتساب، درجه امنیت داده‌ها و حساسیت به حریم خصوصی و غیره متفاوتی دارد و افزودن یادگیری عمیق داده‌های بزرگ باعث می‌شود الگوریتم تشخیص چهره سه بعدی نقص‌های تصویر دو بعدی را جبران کند و بتواند به سرعت هویت یک فرد را شناسایی کند که این امر پیشرفت خاصی را برای کاربرد تشخیص چهره دو بعدی به ارمغان آورده است.

در عین حال، فناوری تشخیص بیومتریک در حال حاضر به عنوان یک فناوری کلیدی برای بهبود امنیت تشخیص چهره مورد استفاده قرار می‌گیرد که می‌تواند به طور مؤثر در برابر جعل و کلاهبرداری مانند عکس، فیلم، مدل‌های سه‌بعدی و ماسک‌های پروتز مقاومت کند و به طور مستقل هویت کاربران عملیاتی را تعیین کند. در حال حاضر، با توسعه سریع فناوری تشخیص چهره، بسیاری از برنامه‌های نوآورانه مانند دستگاه‌های هوشمند، امور مالی آنلاین و پرداخت چهره به طور فزاینده‌ای محبوب شده‌اند و سرعت و راحتی را برای زندگی و کار همه به ارمغان می‌آورند.

تشخیص اثر کف دست

تشخیص اثر کف دست نوع جدیدی از فناوری تشخیص بیومتریک است که از اثر کف دست بدن انسان به عنوان ویژگی هدف استفاده می‌کند و اطلاعات بیولوژیکی را از طریق فناوری تصویربرداری چند طیفی جمع‌آوری می‌کند. تشخیص اثر کف دست چند طیفی را می‌توان به عنوان مدلی از فناوری تشخیص بیومتریک در نظر گرفت که چندوجهی بودن و ویژگی‌های هدف چندگانه را ترکیب می‌کند. این فناوری جدید سه ویژگی قابل شناسایی طیف پوست، اثر کف دست و رگ‌های خونی را ترکیب می‌کند تا اطلاعات فراوان‌تری را در یک زمان ارائه دهد و قابلیت تشخیص ویژگی‌های هدف را افزایش دهد.

امسال، فناوری تشخیص کف دست آمازون، با نام رمز Orville، آزمایش خود را آغاز کرده است. این اسکنر ابتدا مجموعه‌ای از تصاویر اصلی قطبی‌شده مادون قرمز را دریافت می‌کند و بر ویژگی‌های خارجی کف دست، مانند خطوط و چین‌ها تمرکز می‌کند؛ هنگام دریافت مجموعه دوم تصاویر قطبی‌شده، دوباره بر ساختار کف دست و ویژگی‌های داخلی آن، مانند رگ‌ها، استخوان‌ها، بافت‌های نرم و غیره تمرکز می‌کند. تصاویر خام در ابتدا پردازش می‌شوند تا مجموعه‌ای از تصاویر حاوی دست‌ها ارائه شود. این تصاویر به خوبی روشن، فوکوس شده و کف دست را در جهت خاص، در حالت خاص و با برچسب دست چپ یا راست نشان می‌دهند.

در حال حاضر، فناوری تشخیص کف دست آمازون می‌تواند هویت شخصی را تأیید کند و پرداخت را تنها در ۳۰۰ میلی‌ثانیه انجام دهد و نیازی نیست که کاربران دست خود را روی دستگاه اسکن قرار دهند، فقط کافی است دست خود را تکان دهند و بدون تماس اسکن کنند. میزان شکست این فناوری حدود ۰.۰۰۰۱٪ است. در عین حال، تشخیص کف دست در مرحله اولیه یک تأیید دوگانه است - بار اول برای به دست آوردن ویژگی‌های خارجی و بار دوم برای به دست آوردن ویژگی‌های داخلی سازمان. در مقایسه با سایر فناوری‌های بیومتریک از نظر امنیتی، بهبود یافته است.

علاوه بر ویژگی‌های بیومتریک فوق، فناوری تشخیص عنبیه نیز در حال رواج است. میزان تشخیص اشتباه در تشخیص عنبیه به پایین ۱/۱۰۰۰۰۰۰ است. این فناوری عمدتاً از ویژگی‌های تغییرناپذیری و تفاوت عمر عنبیه برای شناسایی هویت استفاده می‌کند.

در حال حاضر، اجماع در صنعت این است که تشخیص تک حالتی، هم از نظر عملکرد تشخیص و هم از نظر امنیت، دارای تنگناهایی است و ادغام چند حالتی، یک پیشرفت مهم در تشخیص چهره و حتی تشخیص بیومتریک است - نه تنها از طریق چند عاملی. روشی برای بهبود دقت تشخیص، می‌تواند سازگاری صحنه و امنیت حریم خصوصی فناوری بیومتریک را نیز تا حدودی بهبود بخشد. در مقایسه با الگوریتم تک حالتی سنتی، می‌تواند نرخ تشخیص نادرست در سطح مالی (به میزان یک در ده میلیون) را بهتر برآورده کند، که این نیز روند اصلی توسعه شناسایی بیومتریک است.

سیستم بیومتریک چندوجهی

سیستم‌های بیومتریک چندوجهی از حسگرها یا بیومتریک‌های چندگانه برای غلبه بر محدودیت‌های سیستم‌های بیومتریک تک‌وجهی استفاده می‌کنند. به عنوان مثال، سیستم‌های تشخیص عنبیه می‌توانند با پیر شدن عنبیه‌ها به خطر بیفتند و تشخیص اثر انگشت الکترونیکی می‌تواند با اثر انگشت‌های فرسوده یا بریده بدتر شود. در حالی که سیستم‌های بیومتریک تک‌وجهی به دلیل یکپارچگی شناسه خود محدود هستند، بعید است که چندین سیستم تک‌وجهی از محدودیت‌های یکسانی رنج ببرند. سیستم‌های بیومتریک چندوجهی می‌توانند مجموعه‌ای از اطلاعات را از یک نشانگر یکسان (یعنی چندین تصویر از یک عنبیه یا اسکن‌های یک انگشت) یا اطلاعات را از بیومتریک‌های مختلف (که نیاز به اسکن اثر انگشت و با استفاده از تشخیص صدا، یک کد عبور گفتاری دارد) به دست آورند.

سیستم‌های بیومتریک چندوجهی می‌توانند این سیستم‌های تک‌وجهی را به صورت متوالی، همزمان، ترکیبی از آنها یا به صورت سری، که به ترتیب به حالت‌های ادغام متوالی، موازی، سلسله مراتبی و سریالی اشاره دارند، با هم ترکیب کنند.

تلویزیون سی‌سی‌تی‌وییک سری از موارد را توسعه داده استلنزهای بیومتریکبرای تشخیص چهره، تشخیص کف دست و همچنین شناسایی اثر انگشت و شناسایی عنبیه. به عنوان مثال، CH3659A یک لنز 4k با اعوجاج کم است که برای سنسورهای 1/1.8 اینچ طراحی شده است. این لنز دارای طراحی تمام شیشه‌ای و جمع و جور با TTL تنها 11.95 میلی‌متر است. این لنز میدان دید افقی 44 درجه را ثبت می‌کند. این لنز برای تشخیص کف دست ایده‌آل است.