生体認証ポイント

セキュリティシステムは、個人を識別するために、個人の特徴をデータベースと比較する必要があります。個人の虹彩、指紋、顔、またはその他の特徴をスキャンし、スキャン内の重要な場所に一連の生体認証ポイントを描画します。たとえば、顔のスキャンの場合、生体認証ポイントは各耳たぶの先端と両目の角に配置されます。スキャンのすべてのポイント (数百に及ぶ可能性があります) 間で行われた測定値が集計され、数値の「スコア」 (かなり大きくなる場合があります) が生成されます。このスコアは個人ごとに異なりますが、データベース内の顔のスキャンの集計されたスコアとすばやく簡単に比較して、一致があるかどうかを判断できます。^{[引用が必要]}

カメラを使用したセキュリティ システムでは、近年、人物認識が最も一般的な識別方法の 1 つになっています。個人を正しく識別するには、その人物の画像を、多数の人物の画像を含むデータベースと比較する必要があります。ただし、各画像全体をピクセルごとに比較するのは、非常に時間がかかり、コストのかかるプロセスになります。この問題を解決するために、生体認証が使用されます。生体認証では、画像全体を比較するのではなく、重要な場所に生体認証ポイントを配置し、すべてのポイント間で測定を行い、結果を「スコア」にまとめます。スコアは、ファイル上のすべての画像から簡単に取得してデータベースに保存できます。新しい人物の画像が取得された場合、識別を成功させるために必要なのは、システムが画像の生体認証に基づいてスコアをまとめ、この新しいスコアをデータベース内のスコアと比較することだけです。これは、最新のコンピューターやラップトップでは簡単な作業です。

認識システムの目標は、「未知の」人物の画像が与えられたときに、「既知の」またはトレーニング画像のグループ内で同じ人物の写真を見つけることです。難しいのは、このプロセスをリアルタイムで実行できるようにすることです。生体認証システムは、人物の画像またはビデオを自動的に識別します。次の 2 つのモードで動作できます。

• 個人の検証または認証: 個人の現在の画像が、識別する人物の保存された画像と比較されます。システムは、人物の身元を確認または否定します。
• ID または人物認識: 見知らぬ人の画像をデータベース内の既知の人物の画像と比較し、身元を判定します。

科学者にとって、生体認証とは生物の物理的特性を測定する科学であり、エンジニアにとって、生体認証とは行動特性や生物学的特性に基づいて個人を自動的に認識することです。

認識調査において個人の適切な行動特性と生物学的特性を測定し、これらのデータを学習手順中に保存された生体認証参照データと比較することにより、特定のユーザーの身元が判定されます。

生体認証特性とは、測定可能で、個人の自動認識を目的として、識別可能な繰り返し可能な生体認証特徴を抽出できる個人の生物学的または行動的特性です。例としては顔が挙げられます。

キャプチャ デバイスで記録されたこの特性は、生体認証特性の生体認証サンプル表現と比較できます。

生体認証特徴は生体認証サンプルから抽出された情報であり、生体認証参照との比較に使用できます。例としては、目と鼻の距離や鼻のサイズなど、顔の写真から抽出された特徴的な測定値があります。

生体認証サンプルから生体認証の特徴を抽出する目的は、生体認証の認識に役立たない情報を取り除くことです。これにより、比較が高速化され、生体認証のパフォーマンスが向上し、プライバシー上の利点も得られます。

生体認証特性と派生した生体認証機能によって人物を認識できるようにするには、まず学習フェーズを実施する必要があります。

この手順は登録と呼ばれ、生体認証データ主体（登録される人物）の登録データ レコードの作成と、生体認証登録データベースへの保存で構成されます。登録データ レコードは、1 つまたは複数の生体認証参照と、名前や従業員番号などの任意の非生体認証データで構成されます。

認識の目的で、生体認証データ主体（認識される人物）は生体認証キャプチャ デバイスに自身の生体認証特性を提示し、認識生体認証サンプルを生成します。

この認識生体認証サンプルから、生体認証特徴抽出ソフトウェアは生体認証特徴を作成し、生体認証登録データベースの 1 つまたは複数の生体認証テンプレートと比較します。生体認証サンプルの統計的性質により、通常、完全に一致することはありません。そのため、決定プロセスでは、比較スコアが調整可能なしきい値を超えた場合にのみ、生体認証データ対象を生体認証テンプレートに割り当て、認識を確認します。

正確な比較を行い、一致があるかどうかを判断するには、システムで形状またはポイントの測定値をデータベースの情報と比較する必要があります。このプロセスは、識別力があり、計算が速く、保存が簡潔で、姿勢に依存せず、効率的に一致する必要があります。

頭の形状は球面調和関数に基づいています。人間の頭のグリッドは球にマッピングされ、その後、球面調和関数の基本で拡張されます。顔認識では、目の間の距離など、さまざまなポイント間の関係が比較されます。

体には異なる種類のポイントが使用されますが、頭の場合と同様に、これらのポイント間の距離が測定されます。このシステムを作成するために使用されたデータベースのスキャンから、いわゆる人体測定ランドマークが 73 個抽出されました。これらはポイント間の距離です。ランドマークは主要な骨関節構造を識別し、体をセグメント化し、主要な体節と関節の解剖学的な基準軸システムを作成するのに十分です。ポーズに依存せず、カメラの視野内で見つけやすい間隔を持つこれらのポイントは、1 つの大きな骨で接続されています。これらは、手首から肘、肘から肩、d3 ヒップから膝など、12 個の距離の生体測定ベクトルを形成します。これらの距離のユークリッド距離は、さまざまなポーズで不変です。あごから膝などの距離は避けられます。すべての測定値はミリメートル (mm) 単位です。 ${\displaystyle d}$${\displaystyle P1}$${\displaystyle P2}$${\displaystyle d=||Pi-Pj||}$

コンピュータ ビジョン ベースのシステムでは、ランドマーク ポイントの測定に多少の誤差が生じます。これは、イメージング システム、イメージ後処理、および 3D 計算アルゴリズムの複雑な機能です。簡単にするために、システムではこのプロセスを分析せず、ランドマークの位置で同等の誤差を指定し、この誤差が認識装置に与える影響を調べます。

生体認証ポイントはカメラ システムによる識別に役立ちますが、距離を比較できるように事前に生成されたデータベースの存在に依存します。

セキュリティ システムにおける人物認識の最も一般的な用途の他に、 Kinectではペアレンタル コントロールにも使用できます。たとえば、取得された新しいデータを以前保存されたデータと比較し、認識された人物が未成年かどうかを判断します。

生体認証による身体部位の選択

Kinect 年齢認証

SANS 研究所 InfoSec 閲覧室

人間の識別

CAESARプロジェクト

身体からのシルエットベースの人物識別

人体測定と生体力学 NASA プロジェクト