മനുഷ്യ സ്വഭാവസവിശേഷതകളുമായി ബന്ധപ്പെട്ട ശരീര അളവുകളും കണക്കുകൂട്ടലുകളുമാണ് ബയോമെട്രിക്സ്. കമ്പ്യൂട്ടർ സയൻസിൽ തിരിച്ചറിയലിനും ആക്‌സസ് നിയന്ത്രണത്തിനുമുള്ള ഒരു രൂപമായി ബയോമെട്രിക് പ്രാമാണീകരണം (അല്ലെങ്കിൽ റിയലിസ്റ്റിക് പ്രാമാണീകരണം) ഉപയോഗിക്കുന്നു. നിരീക്ഷണത്തിലുള്ള ഗ്രൂപ്പുകളിലെ വ്യക്തികളെ തിരിച്ചറിയാനും ഇത് ഉപയോഗിക്കുന്നു.

വ്യക്തികളെ ലേബൽ ചെയ്യാനും വിവരിക്കാനും ഉപയോഗിക്കുന്ന വ്യതിരിക്തവും അളക്കാവുന്നതുമായ സവിശേഷതകളാണ് ബയോമെട്രിക് ഐഡന്റിഫയറുകൾ. ശരീരത്തിന്റെ ആകൃതിയുമായി ബന്ധപ്പെട്ട ഫിസിയോളജിക്കൽ സവിശേഷതകളായി ബയോമെട്രിക് ഐഡന്റിഫയറുകളെ പലപ്പോഴും തരംതിരിക്കുന്നു. വിരലടയാളം, കൈപ്പത്തിയിലെ സിരകൾ, മുഖം തിരിച്ചറിയൽ, ഡിഎൻഎ, കൈപ്പത്തിയിലെ പ്രിന്റ്, കൈ ജ്യാമിതി, ഐറിസ് തിരിച്ചറിയൽ, റെറ്റിന, ഗന്ധം/ഗന്ധം എന്നിവ ഉദാഹരണങ്ങളിൽ ഉൾപ്പെടുന്നു, എന്നാൽ അവയിൽ മാത്രം പരിമിതപ്പെടുന്നില്ല.

കമ്പ്യൂട്ടർ സയൻസ്, ഒപ്റ്റിക്സ്, അക്കോസ്റ്റിക്സ്, മറ്റ് ഭൗതിക ശാസ്ത്രങ്ങൾ, ജൈവ ശാസ്ത്രങ്ങൾ, ബയോസെൻസറുകൾ, ബയോസ്റ്റാറ്റിസ്റ്റിക്സ് തത്വങ്ങൾ, സുരക്ഷാ സാങ്കേതികവിദ്യ, കൃത്രിമ ബുദ്ധി സാങ്കേതികവിദ്യ, മറ്റ് നിരവധി അടിസ്ഥാന ശാസ്ത്രങ്ങൾ, നൂതന ആപ്ലിക്കേഷൻ സാങ്കേതികവിദ്യകൾ എന്നിവ ബയോമെട്രിക് തിരിച്ചറിയൽ സാങ്കേതികവിദ്യയിൽ ഉൾപ്പെടുന്നു. ഇത് ഒരു സമ്പൂർണ്ണ ബഹുമുഖ സാങ്കേതിക പരിഹാരമാണ്.

സമീപ വർഷങ്ങളിൽ, കൃത്രിമബുദ്ധിയുടെ വികാസത്തോടെ, ബയോമെട്രിക് തിരിച്ചറിയൽ സാങ്കേതികവിദ്യ കൂടുതൽ പക്വത പ്രാപിച്ചിരിക്കുന്നു. നിലവിൽ, മുഖം തിരിച്ചറിയൽ സാങ്കേതികവിദ്യയാണ് ബയോമെട്രിക്സിന്റെ ഏറ്റവും കൂടുതൽ പ്രതിനിധി.

മുഖം തിരിച്ചറിയൽ

മുഖം തിരിച്ചറിയൽ പ്രക്രിയയിൽ മുഖം ശേഖരണം, മുഖം കണ്ടെത്തൽ, മുഖം സവിശേഷത വേർതിരിച്ചെടുക്കൽ, മുഖം പൊരുത്തപ്പെടുത്തൽ തിരിച്ചറിയൽ എന്നിവ ഉൾപ്പെടുന്നു. മുഖം തിരിച്ചറിയൽ പ്രക്രിയയിൽ മെഷീൻ ലേണിംഗിൽ AdaBoos അൽഗോരിതം, കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്ക്, സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ തുടങ്ങിയ വിവിധ സാങ്കേതികവിദ്യകൾ ഉപയോഗിക്കുന്നു.

മുഖം തിരിച്ചറിയൽ പ്രക്രിയ

നിലവിൽ, മുഖം ഭ്രമണം, ഒക്ലൂഷൻ, സാമ്യം മുതലായവ ഉൾപ്പെടെയുള്ള പരമ്പരാഗത മുഖം തിരിച്ചറിയൽ ബുദ്ധിമുട്ടുകൾ വളരെയധികം മെച്ചപ്പെടുത്തിയിട്ടുണ്ട്, ഇത് മുഖം തിരിച്ചറിയലിന്റെ കൃത്യതയെ വളരെയധികം മെച്ചപ്പെടുത്തുന്നു. 2D മുഖം, 3D മുഖം, മൾട്ടി-സ്പെക്ട്രൽ മുഖം ഓരോ മോഡിനും വ്യത്യസ്ത ഏറ്റെടുക്കൽ അഡാപ്റ്റേഷൻ സാഹചര്യങ്ങൾ, ഡാറ്റ സുരക്ഷാ ബിരുദം, സ്വകാര്യതാ സംവേദനക്ഷമത മുതലായവയുണ്ട്, കൂടാതെ വലിയ ഡാറ്റയുടെ ആഴത്തിലുള്ള പഠനം ചേർക്കുന്നത് 3D മുഖം തിരിച്ചറിയൽ അൽഗോരിതം 2D പ്രൊജക്ഷന്റെ പോരായ്മകളെ പൂരകമാക്കുന്നു, ഇത് ഒരു വ്യക്തിയുടെ ഐഡന്റിറ്റി വേഗത്തിൽ തിരിച്ചറിയാൻ കഴിയും, ഇത് ദ്വിമാന മുഖം തിരിച്ചറിയലിന്റെ പ്രയോഗത്തിന് ഒരു പ്രത്യേക വഴിത്തിരിവ് കൊണ്ടുവന്നു.

അതേസമയം, മുഖം തിരിച്ചറിയലിന്റെ സുരക്ഷ മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഒരു പ്രധാന സാങ്കേതികവിദ്യയായി ബയോമെട്രിക് കണ്ടെത്തൽ സാങ്കേതികവിദ്യ നിലവിൽ ഉപയോഗിച്ചുവരുന്നു, ഇത് ഫോട്ടോകൾ, വീഡിയോകൾ, 3D മോഡലുകൾ, പ്രോസ്തെറ്റിക് മാസ്കുകൾ തുടങ്ങിയ വ്യാജ തട്ടിപ്പുകളെ ഫലപ്രദമായി ചെറുക്കാനും ഓപ്പറേറ്റിംഗ് ഉപയോക്താക്കളുടെ ഐഡന്റിറ്റി സ്വതന്ത്രമായി നിർണ്ണയിക്കാനും കഴിയും. നിലവിൽ, മുഖം തിരിച്ചറിയൽ സാങ്കേതികവിദ്യയുടെ ദ്രുതഗതിയിലുള്ള വികസനത്തോടെ, സ്മാർട്ട് ഉപകരണങ്ങൾ, ഓൺലൈൻ ധനകാര്യം, മുഖം പണമടയ്ക്കൽ തുടങ്ങിയ നിരവധി നൂതന ആപ്ലിക്കേഷനുകൾ കൂടുതൽ പ്രചാരത്തിലായിട്ടുണ്ട്, ഇത് എല്ലാവരുടെയും ജീവിതത്തിലും ജോലിയിലും വേഗതയും സൗകര്യവും നൽകുന്നു.

കൈപ്പത്തി തിരിച്ചറിയൽ

മനുഷ്യശരീരത്തിന്റെ കൈപ്പത്തിയെ ലക്ഷ്യ സവിശേഷതയായി ഉപയോഗിക്കുന്നതും മൾട്ടിസ്പെക്ട്രൽ ഇമേജിംഗ് സാങ്കേതികവിദ്യയിലൂടെ ജൈവ വിവരങ്ങൾ ശേഖരിക്കുന്നതുമായ ഒരു പുതിയ തരം ബയോമെട്രിക് തിരിച്ചറിയൽ സാങ്കേതികവിദ്യയാണ് പാംപ്രിന്റ് റെക്കഗ്നിഷൻ. മൾട്ടി-മോഡാലിറ്റിയും ഒന്നിലധികം ലക്ഷ്യ സവിശേഷതകളും സംയോജിപ്പിക്കുന്ന ബയോമെട്രിക് തിരിച്ചറിയൽ സാങ്കേതികവിദ്യയുടെ ഒരു മാതൃകയായി മൾട്ടി-സ്പെക്ട്രൽ കൈപ്പത്തി തിരിച്ചറിയലിനെ കണക്കാക്കാം. ഈ പുതിയ സാങ്കേതികവിദ്യ സ്കിൻ സ്പെക്ട്രത്തിന്റെ മൂന്ന് തിരിച്ചറിയാവുന്ന സവിശേഷതകൾ, പാം പ്രിന്റ്, സിര സിരകൾ എന്നിവ സംയോജിപ്പിച്ച് ഒരേസമയം കൂടുതൽ സമൃദ്ധമായ വിവരങ്ങൾ നൽകുകയും ലക്ഷ്യ സവിശേഷതകളുടെ വ്യതിരിക്തത വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.

ഈ വർഷം, ആമസോണിന്റെ കൈപ്പത്തി തിരിച്ചറിയൽ സാങ്കേതികവിദ്യയായ ഓർവില്ലെ പരീക്ഷണം ആരംഭിച്ചു. വരകളും മടക്കുകളും പോലുള്ള കൈപ്പത്തിയുടെ ബാഹ്യ സവിശേഷതകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ച്, സ്കാനർ ആദ്യം ഇൻഫ്രാറെഡ് പോളറൈസ്ഡ് ഒറിജിനൽ ഇമേജുകളുടെ ഒരു കൂട്ടം നേടുന്നു; രണ്ടാമത്തെ പോളറൈസ്ഡ് ഇമേജുകൾ വീണ്ടും നേടുമ്പോൾ, അത് കൈപ്പത്തിയുടെ ഘടനയിലും സിരകൾ, അസ്ഥികൾ, മൃദുവായ ടിഷ്യുകൾ തുടങ്ങിയ ആന്തരിക സവിശേഷതകളിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. കൈകൾ അടങ്ങിയ ഒരു കൂട്ടം ചിത്രങ്ങൾ നൽകുന്നതിന് അസംസ്കൃത ചിത്രങ്ങൾ തുടക്കത്തിൽ പ്രോസസ്സ് ചെയ്യുന്നു. ഈ ചിത്രങ്ങൾ നന്നായി പ്രകാശമുള്ളതും, ഫോക്കസിൽ ഉള്ളതും, കൈപ്പത്തിയെ ഒരു പ്രത്യേക ഓറിയന്റേഷനിൽ, ഒരു പ്രത്യേക പോസിൽ, ഇടത് അല്ലെങ്കിൽ വലത് കൈ എന്ന് ലേബൽ ചെയ്തതുമാണ്.

നിലവിൽ, ആമസോണിന്റെ പാംപ്രിന്റ് റെക്കഗ്നിഷൻ സാങ്കേതികവിദ്യയ്ക്ക് വ്യക്തിഗത ഐഡന്റിറ്റി പരിശോധിച്ച് 300 മില്ലിസെക്കൻഡിനുള്ളിൽ പേയ്‌മെന്റ് പൂർത്തിയാക്കാൻ കഴിയും, കൂടാതെ ഉപയോക്താക്കൾ സ്കാനിംഗ് ഉപകരണത്തിൽ കൈ വയ്ക്കേണ്ടതില്ല, സമ്പർക്കമില്ലാതെ കൈ വീശി സ്കാൻ ചെയ്യുക. ഈ സാങ്കേതികവിദ്യയുടെ പരാജയ നിരക്ക് ഏകദേശം 0.0001% ആണ്. അതേസമയം, പാംപ്രിന്റ് റെക്കഗ്നിഷൻ പ്രാരംഭ ഘട്ടത്തിൽ ഇരട്ട പരിശോധനയാണ് - ബാഹ്യ സവിശേഷതകൾ നേടുന്നതിന് ആദ്യമായി, ആന്തരിക സംഘടനാ സവിശേഷതകൾ നേടുന്നതിന് രണ്ടാമത്തേത്. സുരക്ഷയുടെ കാര്യത്തിൽ മറ്റ് ബയോമെട്രിക് സാങ്കേതികവിദ്യകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, മെച്ചപ്പെട്ടു.

മുകളിൽ പറഞ്ഞ ബയോമെട്രിക് സവിശേഷതകൾക്ക് പുറമേ, ഐറിസ് തിരിച്ചറിയൽ സാങ്കേതികവിദ്യയും ജനപ്രിയമാക്കിക്കൊണ്ടിരിക്കുന്നു. ഐറിസ് തിരിച്ചറിയലിന്റെ തെറ്റായ തിരിച്ചറിയൽ നിരക്ക് 1/1000000 വരെ കുറവാണ്. ഐറിസ് ജീവിത മാറ്റത്തിന്റെയും വ്യത്യാസത്തിന്റെയും സവിശേഷതകളാണ് ഐറിസ് തിരിച്ചറിയാൻ ഇത് പ്രധാനമായും ഉപയോഗിക്കുന്നത്.

നിലവിൽ, വ്യവസായത്തിലെ ഏകീകൃത അഭിപ്രായം, ഒരൊറ്റ രീതി തിരിച്ചറിയലിന് തിരിച്ചറിയൽ പ്രകടനത്തിലും സുരക്ഷയിലും തടസ്സങ്ങളുണ്ടെന്നാണ്, കൂടാതെ മൾട്ടി-മോഡൽ ഫ്യൂഷൻ മുഖം തിരിച്ചറിയലിലും ബയോമെട്രിക് തിരിച്ചറിയലിലും ഒരു പ്രധാന വഴിത്തിരിവാണ് - മൾട്ടി-ഫാക്ടർ വഴി മാത്രമല്ല. തിരിച്ചറിയൽ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനുള്ള വഴി ബയോമെട്രിക് സാങ്കേതികവിദ്യയുടെ രംഗ പൊരുത്തപ്പെടുത്തലും സ്വകാര്യതാ സുരക്ഷയും ഒരു പരിധിവരെ മെച്ചപ്പെടുത്തും. പരമ്പരാഗത സിംഗിൾ-മോഡ് അൽഗോരിതവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ഇതിന് സാമ്പത്തിക തലത്തിലുള്ള തെറ്റായ തിരിച്ചറിയൽ നിരക്ക് (പത്ത് ദശലക്ഷത്തിൽ ഒന്ന് വരെ) നന്നായി നിറവേറ്റാൻ കഴിയും, ഇത് ബയോമെട്രിക് തിരിച്ചറിയലിന്റെ വികസനത്തിന്റെ പ്രധാന പ്രവണത കൂടിയാണ്.

മൾട്ടിമോഡൽ ബയോമെട്രിക് സിസ്റ്റം

മൾട്ടിമോഡൽ ബയോമെട്രിക് സിസ്റ്റങ്ങൾ യൂണിമോഡൽ ബയോമെട്രിക് സിസ്റ്റങ്ങളുടെ പരിമിതികളെ മറികടക്കാൻ ഒന്നിലധികം സെൻസറുകളോ ബയോമെട്രിക്സോ ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, ഐറിസ് തിരിച്ചറിയൽ സംവിധാനങ്ങൾ പ്രായമാകുന്ന ഐറിസുകൾ മൂലം അപകടത്തിലാകാം, കൂടാതെ ഇലക്ട്രോണിക് ഫിംഗർപ്രിന്റ് തിരിച്ചറിയൽ പഴകിയതോ മുറിഞ്ഞതോ ആയ വിരലടയാളങ്ങൾ മൂലം വഷളാകാം. യൂണിമോഡൽ ബയോമെട്രിക് സിസ്റ്റങ്ങൾ അവയുടെ ഐഡന്റിഫയറിന്റെ സമഗ്രതയാൽ പരിമിതപ്പെടുത്തിയിട്ടുണ്ടെങ്കിലും, നിരവധി യൂണിമോഡൽ സിസ്റ്റങ്ങൾക്ക് സമാനമായ പരിമിതികൾ ഉണ്ടാകാൻ സാധ്യതയില്ല. മൾട്ടിമോഡൽ ബയോമെട്രിക് സിസ്റ്റങ്ങൾക്ക് ഒരേ മാർക്കറിൽ നിന്ന് (അതായത്, ഒരു ഐറിസിന്റെ ഒന്നിലധികം ചിത്രങ്ങൾ, അല്ലെങ്കിൽ ഒരേ വിരലിന്റെ സ്കാനുകൾ) അല്ലെങ്കിൽ വ്യത്യസ്ത ബയോമെട്രിക്സുകളിൽ നിന്ന് (ഫിംഗർപ്രിന്റ് സ്കാനുകൾ ആവശ്യമാണ്, ശബ്ദ തിരിച്ചറിയൽ ഉപയോഗിച്ച്, ഒരു സ്പോക്കൺ പാസ്‌കോഡ് ആവശ്യമാണ്) വിവരങ്ങൾ നേടാൻ കഴിയും.

മൾട്ടിമോഡൽ ബയോമെട്രിക് സിസ്റ്റങ്ങൾക്ക് ഈ യൂണിമോഡൽ സിസ്റ്റങ്ങളെ ക്രമാനുഗതമായോ, ഒരേസമയം, അവയുടെ സംയോജനമായോ, അല്ലെങ്കിൽ പരമ്പരയായോ സംയോജിപ്പിക്കാൻ കഴിയും, ഇവ യഥാക്രമം ക്രമാനുഗതമായ, സമാന്തരമായ, ശ്രേണിപരമായ, സീരിയൽ സംയോജന മോഡുകളെ സൂചിപ്പിക്കുന്നു.

CHANCCTVഒരു പരമ്പര വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്ബയോമെട്രിക് ലെൻസുകൾമുഖം തിരിച്ചറിയൽ, കൈപ്പത്തി തിരിച്ചറിയൽ, വിരലടയാള തിരിച്ചറിയൽ, ഐറിസ് തിരിച്ചറിയൽ എന്നിവയ്ക്കായി. ഉദാഹരണത്തിന് CH3659A ഒരു 4k ലോ ഡിസ്റ്റോർഷൻ ലെൻസാണ്, ഇത് 1/1.8'' സെൻസറുകൾക്കായി രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നു. 11.95mm TTL ഉള്ള എല്ലാ ഗ്ലാസ്, കോം‌പാക്റ്റ് ഡിസൈനുകളും ഇതിൽ ഉൾപ്പെടുന്നു. ഇത് 44 ഡിഗ്രി തിരശ്ചീന വ്യൂ ഫീൽഡ് പകർത്തുന്നു. ഈ ലെൻസ് കൈപ്പത്തി തിരിച്ചറിയലിന് അനുയോജ്യമാണ്.