बायोमेट्रिक्स म्हणजे मानवी वैशिष्ट्यांशी संबंधित शारीरिक मोजमाप आणि गणना. बायोमेट्रिक प्रमाणीकरण (किंवा वास्तविक प्रमाणीकरण) हे संगणकशास्त्रामध्ये ओळख आणि प्रवेश नियंत्रणाचा एक प्रकार म्हणून वापरले जाते. निगराणीखाली असलेल्या गटांमधील व्यक्तींना ओळखण्यासाठी देखील याचा उपयोग होतो.

बायोमेट्रिक ओळखचिन्हे म्हणजे व्यक्तींना ओळखण्यासाठी आणि त्यांचे वर्णन करण्यासाठी वापरली जाणारी विशिष्ट, मोजता येण्याजोगी वैशिष्ट्ये. बायोमेट्रिक ओळखचिन्हे अनेकदा शारीरिक वैशिष्ट्ये म्हणून वर्गीकृत केली जातात, जी शरीराच्या आकाराशी संबंधित असतात. उदाहरणांमध्ये बोटांचे ठसे, तळहाताच्या शिरा, चेहरा ओळख, डीएनए, तळहाताचा ठसा, हाताची भूमिती, बुबुळ ओळख, रेटिना आणि गंध/वास यांचा समावेश होतो, पण ते एवढ्यापुरतेच मर्यादित नाहीत.

बायोमेट्रिक ओळख तंत्रज्ञानामध्ये संगणकशास्त्र, प्रकाशिकी आणि ध्वनिकी तसेच इतर भौतिक विज्ञान, जीवशास्त्र, बायोसेन्सर्स आणि जैवसांख्यिकीची तत्त्वे, सुरक्षा तंत्रज्ञान, कृत्रिम बुद्धिमत्ता तंत्रज्ञान आणि इतर अनेक मूलभूत विज्ञान व नाविन्यपूर्ण उपयोजन तंत्रज्ञान यांचा समावेश होतो. हे एक संपूर्ण बहुविद्याशाखीय तांत्रिक समाधान आहे.

अलिकडच्या वर्षांत, कृत्रिम बुद्धिमत्तेच्या विकासामुळे, बायोमेट्रिक ओळख तंत्रज्ञान अधिक परिपक्व झाले आहे. सध्या, चेहरा ओळख तंत्रज्ञान हे बायोमेट्रिक्सचे सर्वात प्रातिनिधिक उदाहरण आहे.

चेहरा ओळखणे

चेहरा ओळखण्याच्या प्रक्रियेमध्ये चेहरा संकलन, चेहरा शोधणे, चेहऱ्याची वैशिष्ट्ये काढणे आणि चेहऱ्याची जुळवणी करणे यांचा समावेश असतो. चेहरा ओळखण्याच्या प्रक्रियेत मशीन लर्निंगमधील अडाबूस अल्गोरिदम, कन्व्होल्यूशनल न्यूरल नेटवर्क आणि सपोर्ट व्हेक्टर मशीन यांसारख्या विविध तंत्रज्ञानाचा वापर केला जातो.

चेहरा ओळखण्याची प्रक्रिया

सध्या, चेहरा फिरवणे, अडथळा, साम्य इत्यादी पारंपरिक चेहरा ओळखण्याच्या अडचणींमध्ये मोठ्या प्रमाणात सुधारणा झाली आहे, ज्यामुळे चेहरा ओळखण्याची अचूकता मोठ्या प्रमाणात वाढली आहे. २डी चेहरा, ३डी चेहरा, मल्टी-स्पेक्ट्रल चेहरा या प्रत्येक पद्धतीमध्ये डेटा मिळवण्याच्या आणि जुळवून घेण्याच्या वेगवेगळ्या पद्धती, डेटा सुरक्षेची पातळी आणि गोपनीयतेची संवेदनशीलता इत्यादी बाबी असतात. तसेच, बिग डेटाच्या डीप लर्निंगच्या समावेशामुळे ३डी चेहरा ओळखण्याचा अल्गोरिदम २डी प्रोजेक्शनमधील त्रुटी दूर करतो आणि व्यक्तीची ओळख त्वरित पटवू शकतो, ज्यामुळे द्विमितीय चेहरा ओळखण्याच्या क्षेत्रात एक महत्त्वपूर्ण प्रगती झाली आहे.

त्याच वेळी, चेहरा ओळखण्याची सुरक्षा सुधारण्यासाठी बायोमेट्रिक शोध तंत्रज्ञान सध्या एक प्रमुख तंत्रज्ञान म्हणून वापरले जात आहे, जे फोटो, व्हिडिओ, 3D मॉडेल आणि कृत्रिम मुखवटे यांसारख्या बनावट फसवणुकीला प्रभावीपणे रोखू शकते आणि वापरकर्त्याची ओळख स्वतंत्रपणे निश्चित करू शकते. सध्या, चेहरा ओळख तंत्रज्ञानाच्या जलद विकासामुळे, स्मार्ट उपकरणे, ऑनलाइन वित्त आणि फेस पेमेंट यांसारखे अनेक नाविन्यपूर्ण अनुप्रयोग अधिकाधिक लोकप्रिय झाले आहेत, ज्यामुळे प्रत्येकाच्या जीवनात आणि कामात वेग आणि सोय आली आहे.

तळहाताच्या ठशांची ओळख

पामप्रिंट ओळख ही एक नवीन प्रकारची बायोमेट्रिक ओळख तंत्रज्ञान आहे, जे मानवी शरीराच्या तळहाताच्या ठशाला लक्ष्य वैशिष्ट्य म्हणून वापरते आणि मल्टीस्पेक्ट्रल इमेजिंग तंत्रज्ञानाद्वारे जैविक माहिती गोळा करते. मल्टी-स्पेक्ट्रल पामप्रिंट ओळखीला बायोमेट्रिक ओळख तंत्रज्ञानाचे एक मॉडेल मानले जाऊ शकते, जे बहु-पद्धती आणि अनेक लक्ष्य वैशिष्ट्यांना एकत्र आणते. हे नवीन तंत्रज्ञान त्वचेचा स्पेक्ट्रम, तळहाताचा ठसा आणि शिरा या तीन ओळखण्यायोग्य वैशिष्ट्यांना एकत्र करून एकाच वेळी अधिक विपुल माहिती प्रदान करते आणि लक्ष्य वैशिष्ट्यांची भेदक्षमता वाढवते.

या वर्षी, ॲमेझॉनच्या 'ऑर्व्हिल' सांकेतिक नावाने ओळखल्या जाणाऱ्या तळहात ओळखण्याच्या तंत्रज्ञानाची चाचणी सुरू झाली आहे. हा स्कॅनर प्रथम तळहाताच्या बाह्य वैशिष्ट्यांवर, जसे की रेषा आणि घड्यांवर लक्ष केंद्रित करून, इन्फ्रारेड पोलराइज्ड मूळ प्रतिमांचा एक संच मिळवतो; पुन्हा पोलराइज्ड प्रतिमांचा दुसरा संच मिळवताना, तो तळहाताची रचना आणि अंतर्गत वैशिष्ट्ये, जसे की शिरा, हाडे, मऊ उती इत्यादींवर लक्ष केंद्रित करतो. हात असलेल्या प्रतिमांचा एक संच मिळवण्यासाठी सुरुवातीला या मूळ प्रतिमांवर प्रक्रिया केली जाते. या प्रतिमा सुस्पष्ट, फोकसमध्ये असतात आणि त्या तळहात एका विशिष्ट दिशेत, एका विशिष्ट स्थितीत दाखवतात, तसेच त्यांना डाव्या किंवा उजव्या हाताचे म्हणून लेबल केलेले असते.

सध्या, ॲमेझॉनचे तळहाताच्या ठशांची ओळख पटवणारे तंत्रज्ञान केवळ ३०० मिलिसेकंदात वैयक्तिक ओळख पडताळू शकते आणि पेमेंट पूर्ण करू शकते. यासाठी वापरकर्त्यांना स्कॅनिंग डिव्हाइसवर हात ठेवण्याची आवश्यकता नसते, फक्त हात हलवून स्पर्श न करता स्कॅन करता येते. या तंत्रज्ञानाचा अयशस्वी होण्याचा दर सुमारे ०.०००१% आहे. त्याच वेळी, तळहाताच्या ठशांची ओळख ही सुरुवातीच्या टप्प्यात दुहेरी पडताळणी आहे – पहिल्यांदा बाह्य वैशिष्ट्ये मिळवण्यासाठी आणि दुसऱ्यांदा संस्थेची अंतर्गत वैशिष्ट्ये मिळवण्यासाठी. सुरक्षेच्या बाबतीत, हे इतर बायोमेट्रिक तंत्रज्ञानापेक्षा सुधारित आहे.

वरील बायोमेट्रिक वैशिष्ट्यांव्यतिरिक्त, आयरीस ओळख तंत्रज्ञान देखील लोकप्रिय होत आहे. आयरीस ओळखीचा चुकीच्या ओळखीचा दर १/१०००००० इतका कमी आहे. ओळख पटवण्यासाठी हे प्रामुख्याने आयरीसच्या आयुष्यभरातील अपरिवर्तनीयता आणि भिन्नतेच्या वैशिष्ट्यांचा वापर करते.

सध्या, उद्योगातील सर्वसाधारण मत असे आहे की, एकाच पद्धतीच्या ओळखीमध्ये ओळख कामगिरी आणि सुरक्षा या दोन्ही बाबतीत अडथळे आहेत, आणि बहु-पद्धतींचे एकत्रीकरण (मल्टी-मोडल फ्यूजन) हे चेहरा ओळख आणि अगदी बायोमेट्रिक ओळखीमध्ये एक महत्त्वपूर्ण प्रगती आहे—कारण ते केवळ बहु-घटकीय मार्गाने ओळखीची अचूकता सुधारत नाही, तर बायोमेट्रिक तंत्रज्ञानाची दृश्य अनुकूलता आणि गोपनीयता सुरक्षा देखील काही प्रमाणात सुधारू शकते. पारंपारिक एकल-पद्धतीच्या अल्गोरिदमच्या तुलनेत, ते आर्थिक स्तरावरील चुकीच्या ओळखीचा दर (एक कोटीत एक इतका कमी) अधिक चांगल्या प्रकारे गाठू शकते, आणि हाच बायोमेट्रिक ओळख विकासाच्या मुख्य प्रवाहाचा भाग आहे.

बहुविध बायोमेट्रिक प्रणाली

बहुविध बायोमेट्रिक प्रणाली एकविध बायोमेट्रिक प्रणालींच्या मर्यादांवर मात करण्यासाठी अनेक सेन्सर्स किंवा बायोमेट्रिक्सचा वापर करतात. उदाहरणार्थ, वाढत्या वयामुळे बुबुळ ओळखणाऱ्या प्रणालींमध्ये अडथळा येऊ शकतो आणि झिजलेल्या किंवा कापलेल्या बोटांच्या ठशांमुळे इलेक्ट्रॉनिक बोटांच्या ठशांची ओळख पटवण्याची प्रक्रिया बिघडू शकते. जरी एकविध बायोमेट्रिक प्रणाली त्यांच्या ओळखकर्त्याच्या अखंडतेमुळे मर्यादित असल्या तरी, अनेक एकविध प्रणालींना सारख्याच मर्यादा येतील याची शक्यता कमी आहे. बहुविध बायोमेट्रिक प्रणाली एकाच मार्करकडून माहितीचे संच (उदा., बुबुळाच्या अनेक प्रतिमा, किंवा एकाच बोटाचे स्कॅन) किंवा वेगवेगळ्या बायोमेट्रिक्सकडून माहिती (ज्यासाठी बोटांच्या ठशांचे स्कॅन आणि आवाज ओळखण्याच्या प्रणालीचा वापर करून, बोललेला पासकोड आवश्यक असतो) मिळवू शकतात.

बहुविध बायोमेट्रिक प्रणाली या एकविध प्रणालींना अनुक्रमे अनुक्रमिक, समांतर, पदानुक्रमिक आणि क्रमिक एकीकरण पद्धती म्हणून संबोधून, एकापाठोपाठ एक, एकाच वेळी, दोन्हींच्या संयोजनाने किंवा मालिकेत एकत्र करू शकतात.

चानसीसीटीव्हीमालिका विकसित केली आहेबायोमेट्रिक लेन्सचेहरा ओळखण्यासाठी, तळहाताच्या ठशांची ओळख पटवण्यासाठी तसेच बोटांच्या ठशांची आणि बुबुळांची ओळख पटवण्यासाठी. उदाहरणार्थ, CH3659A ही एक 4k कमी डिस्टॉर्शन असलेली लेन्स आहे जी 1/1.8'' सेन्सर्ससाठी डिझाइन केली गेली होती. यात केवळ 11.95mm TTL सह संपूर्ण काचेचे आणि कॉम्पॅक्ट डिझाइन आहे. हे 44 अंशांचे क्षैतिज दृश्यक्षेत्र कॅप्चर करते. ही लेन्स तळहाताच्या ठशांची ओळख पटवण्यासाठी आदर्श आहे.