Технологии сканирования и распознавания радужной оболочки и сетчатки глаза - надежные методы биометрической идентификации. Они обладают различными характеристиками, которые оказывают сильное влияние на их производительность в зависимости от условий окружающей среды и целей внедрения. Оба биометрических метода используют бесконтактные сканеры, но между распознаванием радужной оболочки и сканированием сетчатки глаза есть и заметные различия. Одно из этих различий заключается в том, что распознавание радужной оболочки считается неинвазивным методом, а сканирование сетчатки глаза - инвазивным, так как во время процесса сканирования в глаза попадают лучи видимого света.

Эти биометрические технологии идентификации часто неправильно воспринимаются как одно и то же, несмотря на их отдельные отличия. В этой статье мы обсудим различия между этими двумя технологиями, которые сегодня активно внедряют в системы .

Сканирование сетчатки глаза

Сетчатка глаза человека представляет собой тончайшую ткань, состоящую из нервных клеток, расположенных в задней части глаза. Из-за сложного расположения капилляров, питающих сетчатку кровью, сетчатка каждого человека является уникальной. Сеть кровеносных сосудов в сетчатке настолько сложна, что отличается даже у идентичных близнецов. Рисунок сетчатки может измениться в результате развития таких заболеваний как, например, сахарный диабет или глаукома, однако, в остальных случаях сетчатка, как правило, остается неизменной с момента рождения до самой смерти.

Биометрическая технология сканирования сетчатки используется для отображения уникального рисунка сетчатки человека. Кровеносные сосуды внутри сетчатки поглощают свет с большей интенсивностью, чем окружающие ткани, поэтому их легко идентифицировать. Сканирование сетчатки глаза осуществляется путем проецирования невоспринимаемого глазом луча инфракрасного света в глаз человека через окуляр сканера. Поскольку кровеносные сосуды сетчатки абсорбируют этот свет интенсивнее, чем остальные части глаза, во время сканирования создается определенный узор, который преобразуется в компьютерный код и сохраняется в базе данных. Сканирование сетчатки также имеет медицинское применение. Такие инфекционные заболевания как СПИД, сифилис, малярия, ветряная оспа, а также такие наследственные заболевания как лейкемия, лимфома и серповидно-клеточная анемия оказывают свое воздействие на глаза. Беременность также влияет на глаза. Кроме того, признаки хронических заболеваний, таких как хроническая сердечная недостаточность или атеросклероз, также сначала проявляются в глазах.

Значение

Биометрические системы идентификации на основе сканирования сетчатки глаз в основном используются в государственных учреждениях с высокой степенью защиты, таких как ФБР, ЦРУ и NASA. Одна из причин, почему биометрические решения идентификации на основе считывания сетчатки глаз не были широко распространены - это их высокая стоимость.

Распознавание радужной оболочки глаз

Радужная оболочка глаза человека представляет собой тонкую круглую структуру глаза, которая отвечает за контроль размера и диаметра зрачков и, следовательно, количество света, попадающего на сетчатку. "Цвет глаз" - это цвет именно радужной оболочки глаза.

Распознавание радужной оболочки глаз представляет собой автоматизированный метод биометрической идентификации, который использует математические методы для распознавания уникального рисунка радужной оболочки глаз того или иного человека.

В отличие от сканирования сетчатки глаза, для распознавания радужной оболочки применяется технология использования едва уловимой инфракрасной подсветки, позволяющей получить изображения сложной структуры радужной оболочки глаза. Сотни миллионов людей в странах по всему миру, в целях безопасности и удобства, уже зарегистрированы в системах распознавания радужной оболочки глаза.

Значение

Использование биометрической технологии распознавания радужной оболочки глаза для идентификации пациентов в здравоохранении стремительно растет - вслед за применением в сфере пограничного контроля, в системах контроля доступа и . Благодаря сочетанию надежности, точности, скорости и относительно низким затратам (плюс тот факт, что технология является бесконтактной и неинвазивные), технология распознавания радужной оболочки глаз приобретает все большую популярность в качестве решения индивидуальной идентификации в широком спектре отраслей промышленности. Еще одним преимуществом радужной оболочки глаза в целях идентификации является неизменность ее структуры в течение десятилетий после первоначальной регистрации.

Вывод

В заключение, давайте рассмотрим различия между технологиями распознавания радужной оболочки и сканирования сетчатки глаза:

• Точность сканирования сетчатки может зависеть от заболевания; структура радужной оболочки является более стабильной.
• Распознавание радужной оболочки похоже на фотосъемку и может быть сделано с расстояния; в то же время сканирование сетчатки требует очень близкого приближения глаза к окуляру.
• Распознавание радужной оболочки получило более широкое признание в коммерческой среде, чем сканирование сетчатки глаза.
• В то время как обе эти технологии являются бесконтактными, сканирование сетчатки глаза считается инвазивной технологией, поскольку подразумевает попадание в глаза лучей видимого света, тогда как распознавание радужной оболочки является неинвазивным.

Важно понимать различия между сканированием сетчатки глаза и распознаванием радужной оболочки, если вы планируете инвестировать в биометрию и ожидаете высокую отдачу от инвестиций. Мы надеемся, что смогли четко указать на различия между этими двумя современными .

Источник blog.m2sys.com. Перевод статьи выполнила администратор сайта Елена Пономаренко

Технология сканирования радужной оболочки глаза была впервые предложена в 1936 году офтальмологом Франком Буршем. Он заявил, что радужная оболочка глаза каждого человека является уникальной. Вероятность ее совпадения составляет примерно 10 в минус 78-ой степени, что значительно выше, чем при дактилоскопии. Согласно теории вероятности, за всю историю человечества еще не было двух людей, у которых бы совпал узор глаза. В начале 90-х Джон Дафман из компании Iridian Technologies запатентовал алгоритм для обнаружения различий радужной оболочки глаза. На данный момент этот способ биометрической аутентификации является одним из наиболее эффективных и производится с помощью специального сенсора - иридосканера.

Радужная оболочка глаза - это тонкая подвижная диафрагма со зрачком в центре, которая расположена за роговицей перед хрусталиком глаза. Она образовывается ещё до рождения человека и не меняется на протяжении всей жизни. По текстуре радужная оболочка напоминает сеть с большим количеством кругов, при этом ее рисунок очень сложен, что позволяет отобрать порядка 200 точек, с помощью которых обеспечивается высокая степень надежности аутентификации.

Сканер радужной оболочки глаза часто ошибочно называют сканером сетчатки. Отличие заключается в том, что сетчатка расположена внутри глаза и просканировать ее оптическим сенсором невозможно, только с помощью инфракрасного излучения. При этом анализируется не сама сетчатка, а узор кровеносных сосудов глазного дна. Называть подобный сенсор иридосканером неправильно, так как iris – это радужка, сетчатка же имеет название retina.

В основе иридосканера современного смартфона лежит высококонтрастная камера, подобная обычной камере. Иногда роль сканера радужной оболочки может выполнять и обычная фронтальная камера. Процесс аутентификации начинается с получения детального изображения глаза человека. Для этой цели используют монохромную камеру с неяркой подсветкой, которая чувствительна к инфракрасному излучению и позволяет работать в условиях недостаточной освещенности. Обычно делается серия из нескольких фотографий, так как зрачок чувствителен к свету и постоянно меняет свой размер. Затем из полученных фотографий выбирается одна наиболее удачная, определяются границы радужки и контрольная область. К каждой точке выбранной области применяют специальные фильтры, чтобы извлечь фазовую информацию и преобразовать рисунок оболочки в цифровой формат. Очки и контактные линзы, даже цветные, не влияют на качество аутентификации.

Внедрение сканера радужной оболочки глаза в смартфоны началось в 2015 году. Первыми его стали устанавливать китайские и японские производители. В частности первопроходцем был ViewSonic V55, так и не поступивший в массовую продажу. Из самых новых устройств, оснащенных иридосканером, можно выделить Samsung Galaxy S8, однако его сканер с легкостью удалось обмануть хакерам, распечатавшим фотографию на принтере и положившим на нее контактную линзу.

Биометрия и безопасность

Предыдущей части статьи был дан анализ истории развития систем машинного зрения, рассмотрены основные направления разработки программного и аппаратного обеспечения в данной области информационных систем. Следует особо отметить, что большинство современных разработчиков компьютерного интеллекта делают ставку на разработку приложений для использования их на персональных компьютерах или устройствах, близких к ним по вычислительным характеристикам. Вычислительные мощности современных персональных компьютеров позволяют моделировать большинство процессов обработки и анализа двухмерной цифровой информации (к которой относятся и изображения), включая системы реального времени. Поэтому многие коммерческие системы машинного зрения построены на базе персональных компьютеров.

Одним из ключевых направлений, активно использующих технологию компьютерного зрения, являются биометрические системы идентификации личности. Понятие «биометрия» - так называется раздел биологии, занимающийся количественными биологическими экспериментами с привлечением методов математической статистики - появилось лишь в конце XIX века, хотя сама наука имеет древнее происхождение. В середине 70-х годов ХХ века интерес к биометрии вновь возрос в связи с созданием так называемых биометрических систем безопасности, основанных на измерении уникальных биологических, физиологических и поведенческих характеристик, индивидуальных для каждого человека. Иногда эти характеристики еще называют биологическим кодом человека.

Преимущество биометрических систем идентификации, по сравнению с традиционными (например, PIN-кодовыми системами или системами доступа по паролю), заключается в том, что идентифицируется не какой-то внешний предмет, принадлежащий человеку, а собственно сам человек. Анализируемые характеристики неразрывно связаны с человеком, их невозможно потерять, передать, забыть и крайне сложно подделать. К тому же эти характеристики практически не подвержены износу и не требуют замены или восстановления.

Первоначально такие измерительные системы были весьма дорогими из-за высокой стоимости регистрирующей и вычислительной техники. Совершенствование технологии производства регистрирующей аппаратуры и последние достижения в области микропроцессоров существенно удешевили и расширили рынок биометрических систем. Поэтому уже сейчас многие организации за рубежом частично или полностью перешли на биометрические системы для обеспечения физической и информационной безопасности. Физическую безопасность гарантируют системы идентификации личности и контроля доступа, информационную - системы безопасности компьютерных сетей, персональных компьютеров и т.п. Об актуальности разработки систем второго типа хочется сказать особо. Современные коммуникационные технологии, к которым относится и Интернет с видеоконференциями, делают многих ответственных лиц, а следовательно, и специалистов доступными для каждого, у кого есть компьютер, подключенный к Глобальной сети. Сейчас консультации врачей или юристов, конференции бизнес-партнеров вполне могут проходить в режиме online в виртуальном информационном пространстве, в то время как клиенты или партнеры по бизнесу находятся за тысячи километров друг от друга. В этом случае одну из ключевых ролей начинают играть конфиденциальность и полномочия по оказанию консультационных услуг или ведению переговоров. А участившиеся в последнее время попытки взломов, фальсификаций событий, хищений информации и пр., предпринимаемые хакерами, делают эти проблемы особенно злободневными. Поэтому радует, что биометрические технологии позволяют преодолеть эти сложности.

С позиции технологии машинного зрения распознавание личности может проходить на двух различных по сложности уровнях - это верификация и идентификация. Верификация, или, как ее еще называют, аутентификация, - это процесс признания или непризнания подлинности определенной личности, основанный на том, что система заранее знает личность, подлинность которой она должна подтвердить. Иначе говоря, перед системой ставится простой вопрос: «Я - это именно тот, кто я есть?» В вышеописанном контексте задачей идентификации является ответ на вопрос: «Кто я такой?», то есть установление личности. Даже из такого упрощенного объяснения понятно, что задача идентификации гораздо сложнее в решении. Из практики известно, что ее сложность возрастает нелинейно по мере роста количества пользователей в системе распознавания.

Достоверное распознавание личности является критичным во многих повседневных ситуациях. Например, если нужно контролировать права доступа пользователей к определенной информации, чтобы предотвратить их порчу или потерю.

Для оценки степени надежности биометрических систем используют такие понятия, как ошибки первого и второго рода. Ошибка первого рода, или FAR (false acception rate), характеризует вероятность того, что незарегистрированный или неавторизованный пользователь сможет быть распознан биометрической системой как зарегистрированный. Ошибка второго рода, или FRR (false rejection rate), характеризует вероятность того, что зарегистрированный в биометрической системе пользователь не будет пропущен этой системой. Как правило, все биометрические системы сравниваются в плане надежности именно по этим характеристикам.

На сегодняшний день биометрия является одной из быстро развивающихся отраслей информационных технологий, где активно работают около сотни частных фирм (www.biometricgroup.com), правительственных организаций и лабораторий. Их деятельность координируется Биометрическим консорциумом (http://www.biometrics.org/). Сформировался специфический рынок биометрических аппаратных устройств и программных продуктов, а также услуг по их поддержке, тестированию и адаптации. Созданы многочисленные эталонные базы данных для сравнения надежности технологий.

К основным биометрическим технологиям, имеющим в своем арсенале машинное зрение, относят распознавание личности по отпечаткам пальцев, геометрии лица, геометрии кисти руки, радужной оболочке или сетчатке глаза, геометрии рисунка вен, по подписи и др. Биометрия на современном этапе может решать проблемы, связанные с ограничением доступа к информации и обеспечением персональной ответственности за ее сохранность, обеспечением допуска только сертифицированных специалистов, предотвращением проникновения злоумышленников на охраняемые территории и в помещения вследствие подделки, кражи документов (карт, паролей), организацией учета доступа и посещаемости сотрудников, а также ряд других проблем. Рассмотрим далее, на каких основных принципах построены наиболее популярные биометрические системы, а также выясним, как обучают компьютер видеть и различать людей.

Распознавание по отпечаткам пальцев

етод распознавания личности, основанный на анализе отпечатков пальцев, является самой старой методикой биометрической идентификации. Упоминание об определении личности путем сравнения отпечатков пальцев относится к концу XIV века. Генри Фаулд предложил в 1880 году научно обоснованную методику идентификации личности на основе сопоставления папиллярных рисунков пальцев рук. Это открытие легло в основу современной теории и практики идентификации человека по отпечаткам пальцев. Метод прижился в криминалистике и до сих пор широко используется в наши дни. В основе метода лежат особенности структуры кожи человека, состоящей из двух слоев. Самым интересным с точки зрения криминалистов является нижний слой, который образован множеством папилляров (от лат. papilla - сосок) с отверстиями потовых желез наверху. Папилляры располагаются по всему телу человека хаотично, а на пальцах образуют папиллярные узоры - уникальную упорядоченность в виде рельефных линий.

Отпечатки, как правило, регистрируют одним из двух способов: с помощью чернил с последующей оцифровкой изображений или с помощью специального сканера. В основе системы распознавания личности по отпечаткам пальцев лежит сравнение папиллярных узоров пальцев с эталонными, хранящимися в базе данных. И если раньше такое сравнение делали вручную, то теперь эта задача передана компьютеру. Технология распознавания, которую закладывают в компьютер, заключается в отыскании характерных признаков (особенностей) рисунков папиллярных линий. К таким особенностям, в частности, относятся начала и окончания папиллярных линий, узлы их слияния и разветвления. Выделяют три типа папиллярных рисунков: дуги, завитки и петли - и два типа макроособенностей: дельты и центры. Папиллярные линии обладают индивидуальностью, устойчивостью и восстанавливаемостью. Индивидуальность состоит в том, что совокупность папиллярных линий, образующих узор, по их конфигурации, местоположению, взаиморасположению является уникальной и не повторяется в другом узоре. Устойчивость папиллярных линий заключается в неизменности внешнего строения узора от рождения до смерти. Замечательно свойство восстанавливаемости папиллярных линий, согласно которому при поверхностном нарушении кожного покрова папиллярные линии восстанавливаются в прежнем виде. Данные свойства позволяют осуществлять практически 100-процентную идентификацию личности по отпечаткам пальцев рук.

Примерная схема работы алгоритмов компьютерного зрения по анализу папиллярных линий для решения задачи распознавания пользователей приведена на следующем рисунке:

При построении современных систем распознавания личности по отпечаткам пальцев возникают две важные и неоднозначные проблемы: проблема больших объемов данных, с которыми приходится работать, и проблема удешевления технологии, что неизбежно ведет к снижению качества регистрируемых данных.

Для пояснения первой проблемы рассмотрим простой пример. По разным оценкам, база отпечатков ФБР США содержит около 70 млн. отпечатков пальцев. Такие объемы данных приводят к значительным вычислительным затратам и могут снизить общую надежность системы, поэтому разработчики систем компьютерного зрения ввели классификацию отпечатков пальцев по типам. Существует алгоритм, классифицирующий отпечатки пальцев по пяти типам, а именно: завиток, правая петля, левая петля, арка и дуга. Алгоритм также способен разделять папиллярные линии по четырем направлениям: 0°, 45°, 90° и 135° - посредством фильтрования центральной части отпечатка пальца с помощью банка Gabor-фильтров (осевых фильтров). После такой обработки полученная информация сохраняется в виде определенной структуры, в результате чего получается так называемый код отпечатка, который используется для классификации. Такой подход значительно упрощает работу алгоритмов принятия решения и существенно повышает надежность распознавания.

Проблема снижения качества исходных данных свойственна не только системам распознавания отпечатков пальцев, но и многим другим системам, однако именно здесь ее актуальность не вызывает сомнений. Производители биометрических систем стремятся максимально снизить себестоимость предлагаемых решений, причем легче всего это сделать за счет снижения затрат на аппаратуру ввода и регистрации информации. При этом снижение качества исходных данных обусловлено как снижением затрат на аппаратуру регистрации, так и степенью чувствительности самой аппаратуры к загрязнению пальцами оптических каналов ввода цифровой информации. Поэтому все современные системы этого класса включают так называемые алгоритмы повышения качества исходных изображений. Целью этих алгоритмов является повышение четкости (резкости) папиллярной структуры и устранение различного рода помех. В настоящее время разработаны алгоритмы повышения качества отпечатка пальца, которые могут адаптивно улучшать четкость папиллярных линий и структуру борозд изображения исходного отпечатка. Эти алгоритмы основаны на оценке локальной ориентации папиллярной линии и пространственной частоте структуры борозд. Экспериментальные результаты показывают, что включение алгоритмов повышения качества позволяет значительно улучшить точность идентификации.

Говоря о надежности современных коммерческих систем распознавания личности по отпечаткам пальцев, можно привести следующие среднестатистические характеристики: FAR - 0,001%, FRR - около 0,01%.

Каковы же недостатки столь надежной, как кажется на первый взгляд, технологии? Оказывается, эти системы не только весьма чувствительны к загрязнениям, но и плохо распознают отпечатки при сухой коже, а также у определенной категории лиц со слабо выраженными папиллярными рисунками, в частности у людей азиатского происхождения. При включении этой категории лиц в оценочную базу данных ошибки первого рода составляют уже от 10 до 20%, что характеризует данные системы не с лучшей стороны. Кроме того, отпечатком пальца можно легко завладеть, нанести его на пленку и предъявить системе для распознавания. Иными словами, эти системы являются слабо защищенными, уязвимыми и требуют комплексирования информации с другими методами распознавания личности в составе общей биометрической системы. Также хочется отметить еще один, скорее субъективный, недостаток этих систем, доставшийся им в наследство от криминалистики. Большинство населения (особенно это касается России) негативно относится к предъявлению своих отпечатков пальцев, считая это нарушением права на частную жизнь.

Завершить обзор данных систем хочется на оптимистической ноте. В настоящее время это наиболее дешевые системы на рынке биометрии - от 100 до 1000 долл. К тому же цены продолжают достаточно быстро снижаться, что делает эти системы по соотношению «цена/качество» весьма привлекательными.

Распознавание по радужной оболочке глаза

тот вид биометрического распознавания является одним из самых надежных. Причиной тому - генетически обусловленная уникальность радужной оболочки глаза, которая различается даже у близнецов. Изначально радужную оболочку глаза рассматривали в качестве инструмента для диагностики различных заболеваний, а также для определения предрасположенности к ним человека. В частности, было обнаружено, что при определенных заболеваниях на радужной оболочке глаза появляются так называемые пигментные пятна. Именно поэтому для уменьшения влияния этого фактора на результат распознавания при построении биометрических систем пользуются черно-белыми (полутоновыми) изображениями.

Основным источником информации для идентификации этим способом служит специфическая ткань, которая окончательно формируется у плода к 8-му месяцу беременности и делает видимым деление радужной оболочки на радиальные сектора. Другие визуальные характеристики включают такие признаки, как кольца, борозды, веснушки и область короны. Из радужной оболочки 11-миллиметрового диаметра современные алгоритмы обработки и анализа информации позволяют получить в среднем 3,4 бит информации на 1 мм2 площади. Плотность извлекаемой информации такова, что радужная оболочка имеет 266 уникальных точек идентификации по сравнению с 10-60 точками для других биометрических методов.

Характерным преимуществом указанных систем, например по сравнению с системами идентификации по геометрии лица, является еще и то, что последние в большей степени зависят от многих косвенных факторов, в частности от мимики, прически, макияжа, грима и пр.

Возвращаясь к рассматриваемой технологии, можно с уверенностью сказать, что уникальность рисунка радужной оболочки глаза позволяет создавать высоконадежные системы для биометрической идентификации личности.

Попробуем представить, как работает этот класс систем с точки зрения алгоритмов компьютерного зрения. Захват видеоизображения глаза осуществляется регистрирующей аппаратурой на расстоянии до одного метра. Далее, не вдаваясь глубоко в детали алгоритмического построения такой системы, обработку и анализ информации можно условно разделить на следующие элементы: подсистему захвата радужной оболочки, подсистему выделения зрачка, подсистему сбора и подсчета признаков радужной оболочки и подсистему принятия решения. Первые две подсистемы в своей работе опираются на два фактора: круглую форму радужки и зрачка и хороший уровень контраста радужки на фоне белка глаза. В настоящее время существует несколько способов быстрого обнаружения окружностей на изображении. К наиболее известным из них относится метод, построенный на преобразовании Hough. Основной проблемой, с которой можно столкнуться при распознавании по радужной оболочке глаза, является загораживающий эффект верхнего века, которое может закрывать часть глаза, что приводит к частичной потере информации. Для принятия решения в таких системах используют предварительно построенные эталоны авторизованных пользователей, с которыми полученные данные сравниваются в соответствующем признаковом пространстве в зависимости от поставленной задачи верификации или идентификации.

Как уже отмечалось выше, системы, построенные на распознавании радужной оболочки глаза, являются одними из самых надежных. Приведем некоторые наиболее показательные статистические данные, свидетельствующие о точности этого метода, полученные автором из научных информационных источников. Равная норма ошибки (ERR) - точка, в которой вероятность пропуска незарегистрированного пользователя равна вероятности ложного отказа в допуске зарегистрированному пользователю, - для систем этого класса составляет 1 к 1,2 млн.

Существующие алгоритмические решения могут идентифицировать пользователя даже при условии затенения (или повреждения) радужной оболочки, но не более, чем на 2/3, то есть по оставшейся 1/3 изображения возможна идентификация с ошибкой 1 к 100 тыс.

Задача всех биометрических технологий - определить поддельные образцы, предъявленные для идентификации. В данном случае технология сканирования радужной оболочки имеет несколько «степеней защиты», а именно: обнаружение изменения/замены зрачка, считывание информации, отраженной от роговицы, обнаружение контактных линз на роговице, использование инфракрасного освещения, чтобы определить состояние ткани глаза. Может, именно поэтому автору не удалось найти описания случаев взлома вышеописанной технологии.

Следует отметить, что ввиду высокой степени точности и надежности данный тип систем является весьма дорогостоящим. Цена системы может доходить до 10 тыс. долл.

Распознавание по геометрии лица

дним из бурно развивающихся в настоящее время технологических направлений в биометрии является распознавание по геометрии лица. Действительно, вряд ли кто оспорит тот факт, что лицо является одним из наиболее доступных и естественных для идентификации объектов. Человек постоянно использует этот биометрический метод, позволяющий ему без труда отыскивать среди толпы знакомое лицо. Понять биометрическую логику человека и построить систему на схожих принципах - такую задачу ставят перед собой алгоритмисты этих систем.

К преимуществам таких систем можно отнести: дистанционное функционирование (не требуется физический контакт пользователя с системой), естественность предъявления лица для большинства людей, гигиеничность (например, по сравнению со снятием отпечатков пальцев), скрытность (при необходимости) и т.п. Следует отметить и такое преимущество, как доступность данных для подобной системы идентификации. Так, для системы, обеспечивающей безопасность аэропорта или банка, возможно, достаточно будет ввести в ее базу данных одну фотографию лица разыскиваемого человека или даже его фоторобот. При таких же условиях обеспечить безопасность на базе других биометрических систем невозможно в принципе. Например, процесс сбора отпечатков пальцев либо сканирование радужной оболочки глаза в условиях вокзала или аэропорта потребует целого штата сотрудников с высокотехнологичным оборудованием, а кроме того отнимет много времени у проверяемых пассажиров.

С позиции машинного зрения технология сканирования лица основана на том, что некоторые части лица менее других изменяются со временем. К ним относятся верхние края глазниц, скулы и уголки рта. Иными словами, большинство существующих методов анализируют центральную часть лица, оставляя без внимания такие изменяющиеся части, как прическа или борода.

Различают два принципиально разных подхода к аппаратной реализации данного типа систем - это построение систем монокулярного и бинокулярного зрения. Первый тип систем дешевле в реализации, предусматривает наличие одной регистрирующей камеры и работает с двухмерной цифровой информацией. В настоящее время в связи с бурным развитием Интернет-технологий рынок буквально завален так называемыми Web-камерами, стоимость которых варьируется в диапазоне от 40 до 100 долл. Многие разработчики биометрических систем опираются только на информацию, получаемую от этих камер. Как показывает опыт, на базе данных камер можно успешно построить систему, которая при формате входного изображения 320Ѕ240 будет достаточно надежно распознавать от 10 до 100 человек в задачах идентификации (с FAR = 0,01% и FRR = 0,2%), что весьма неплохо для различного рода бытовых или игровых приложений типа биометрического screensaver или для системы доступа к закрытым, например для детей, директориям на компьютере. Помимо относительной дешевизны, преимуществом данного типа устройств ввода является наличие цвета, который зачастую используется разработчиками как признак для быстрого поиска лица на изображении. Кроме описанных устройств, на рынке существует большое количество полупрофессиональных и профессиональных камер стоимостью от 100 до 3000 долл. Построенные на таких устройствах ввода (камера плюс фреймграббер) программы биометрической идентификации гораздо надежнее по причине более высокого качества оптики и разрешающей способности аппаратуры регистрации. Однако стоимость таких систем достаточно высока, так как только за оборудование нужно заплатить до 5000 долл. Второй тип систем предусматривает наличие двух камер полупрофессионального или профессионального класса. Основная цель таких систем - восстановление пространственной формы объектов, в частности поверхности лица, и решение задачи измерений в полученном трехмерном пространстве. К сожалению, Web-камеры не обеспечивают хоть сколько-нибудь пригодного качества для восстановления трехмерной формы. Системы бинокулярного зрения априори достаточно дорогие, но их высокая стоимость обусловлена качеством, которое значительно превосходит качество, предлагаемое системами монокулярного зрения. Системы данного типа, согласно опубликованным результатам научных исследований, могут обеспечить FAR = 0,001% и FRR = 0,01%. Однако следует отметить, что на данный момент автору не известна ни одна стереоскопическая биометрическая система, построенная на алгоритмах машинного зрения.

Как и во всех биометрических технологиях, в технологии сканирования лица можно выделить четыре основных этапа: регистрацию (сканирование) объекта, извлечение индивидуальной информации из объекта, формирование шаблона и сравнение текущего шаблона с базой данных.

Процедура сканирования лица зависит от используемой системы. Одни биометрические системы требуют предъявления лица с разных сторон для подробного его изучения. При этом пользователю предлагается повертеть головой в поле зрения камеры. Другие биометрические системы предлагают пользователю поместить лицо внутрь специальной полупрозрачной маски. Третьи используют различные ухищрения типа системы зеркал для обеспечения строгой ориентации лица. Как правило, процедура сканирования лица сильно коррелирует со степенью конфиденциальности системы. В результате сканирования лица формируется последовательность изображений.

После завершения процедуры сканирования происходит извлечение признаковой информации о регистрируемом лице. Иными словами, индивидуальные особенности каждого лица описываются на языке шаблонов. Этот способ позволяет значительно снизить размерность пространства признаков и тем самым значительно ускорить поиск и уменьшить размеры базы данных.

Установление подлинности происходит следующим образом. Пользователь становится (или садится) перед камерой на несколько секунд. Происходит сканирование лица, данные обрабатываются, и выдается разрешение или отказ на вход. Последняя операция тесно связана с поставленной задачей верификации или идентификации.

Анализируя надежность таких систем, следует отметить их слабую защищенность. Зачастую их можно обмануть, предъявив фотографию зарегистрированного пользователя или его трехмерную модель. Поэтому системы данного класса, как правило, используются в совокупности с другими биометрическими системами.

Распознавание по сетчатке глаза

аряду с технологией распознавания по радужной оболочке, просмотр сетчатки глаза также является наиболее точной и надежной биометрической технологией. Несмотря на относительную сложность технологии просмотра сетчатки глаза (необходимо наличие специальной инфракрасной аппаратуры для подсветки глазного дна), этот биометрический метод идентификации давно известен. Саймон и Голдштейн в 1935 году доказали уникальность дерева кровеносных сосудов глазного дна для каждого индивидуума. Дальнейшие исследования подтвердили, что эти узоры сосудов отличаются даже у близнецов. За исключением некоторых типов дегенеративных болезней глаза или случаев серьезной травмы головы, рисунок распределения кровеносных сосудов достаточно устойчив в течение всей жизни человека.

Принцип регистрации глазного дна не прост, что является одним из недостатков, ограничивающих применение этого метода. Согласно публикациям, лишь 80-90% пользователей могут с первого раза пройти процедуру регистрации, заключающуюся в сканировании через зрачок информации о сетчатке. Для этого пользователь должен приблизить глаз к регистрирующему устройству на расстояние не более чем 1-1,5 см. При сканировании пользователь видит вращающийся зеленый свет. Рисунок сетчатки измеряется в более чем 400 точках. Для сравнения: в идентификации по отпечатку пальца используется не более 30-40 точек-миниатюр, что достаточно для регистрации, создания шаблона и процесса проверки. Это объясняет высокую точность технологии сканирования сетчатки по сравнению с другими биометрическими методами.

Вероятность пропуска незарегистрированного пользователя (вероятность ошибки первого рода) при сканировании сетчатки глаза составляет 0,0001%. При этом вероятность ошибки второго рода достаточно высока - порядка 0,1%. Это объясняется тем, что первоначально данные системы были разработаны по военному заказу, где к ошибкам первого рода предъявляют самые жесткие ограничения. При этом подразумевается, что пользователи могут повторить процедуру аутентификации несколько раз. Видимо ввиду указанных обстоятельств данные системы в настоящее время не имеют широкого распространения в невоенных сегментах рынка охранных систем.

Так же как и системы распознавания по радужной оболочке глаза, устройства распознавания по сетчатке являются одними из самых дорогих - их средняя стоимость составляет 4000 долл. Кроме того, непопулярными их делает сложная процедура регистрации.

Список биометрических систем, использующих компьютерное зрение, не заканчивается рассмотренными технологиями. Идет поиск новых информационных источников для создания более надежных систем распознавания личности. Так, распознавание может производиться по походке, по динамическим характеристикам почерка и т.п. Главное, что объединяет все подобные методы, - это то, что компьютер способен не только видеть человека, его образ, но и узнавать его и служить ему. Причем зачастую это по силам простому персональному компьютеру, который сейчас стоит недалеко от читателя и ждет, когда его научат видеть мир глазами человека.

Биометрические системы: pro et contra

Иометрия, как и многие другие современные технологии, имеет своих сторонников и противников. Основным доводом противников этих технологий является тот факт, что биологический код человека может использоваться различными силовыми ведомствами в целях, напрямую не связанных с вопросами доступа и системами безопасности. «Таким образом, - заявляют противники, - практически любой человек или организация, имеющая доступ к базе данных, будет владеть информацией о каждом из нас, что нарушает гражданские права и свободу личности. Известно, что любой биологический код несет в себе избыточную информацию о его владельце. Имея доступ к такой информации, можно с легкостью организовать систему тотальной слежки за населением со всеми вытекающими отсюда последствиями. Все это может привести к созданию глобальной сети наблюдения». Опасение вызывает и тот факт, что биометрические сканеры не могут, например, распознавать, по своей воле человек снимает, например, деньги со счета или ему угрожают.

Подведем итог всему вышесказанному. Как видно из этого обзора основных типов биометрических систем, биометрический код человека является уникальным. Несмотря на это неоспоримым остается тот факт, что его сложно уберечь от подделок, а тем более сохранить в тайне. Использование биометрических систем может стать успешным только при соблюдении следующих условий. Во-первых, необходимо, чтобы входные информационные потоки поступали от определенного лица в реальном масштабе времени с целью их проверки, то есть необходима защита от подделки или фальсификации исходных данных. Во-вторых, обязательно наличие в базе данных информации о персоне, с которой предполагается вести сравнение. Последнее условие справедливо как для задачи идентификации, так и для задачи верификации пользователя. Его невыполнение, особенно в случае идентификации, будет означать абстрактный поиск максимально близкого к предъявляемому лицу пользователя, что может приводить к ошибкам. Эти условия являются обязательными для успешной работы любой биометрической системы.

Безусловно, биометрические устройства продолжают совершенствоваться, становясь по мере развития технологии все более точными и надежными. Поскольку биометрические технологии уже получили достаточно широкое распространение, можно надеяться, что спрос на них будет расти, начнется их использование в различных областях повседневной жизни человека. В частности, многие фирмы, работающие на рынке систем безопасности, уже ведут работы по включению алгоритмов машинного зрения в функциональность своих систем. Сейчас весьма сложно делать какие-либо прогнозы о глубине проникновения технологии машинного зрения в нашу повседневную жизнь. Скорее всего, прежде чем войти в наш быт, биометрия будет шлифоваться на уровне технологий рынка систем безопасности, промышленных и домашних роботов, различных приложений для Интернета и пр. И только когда станет ясно, что этим технологиям можно доверять, а их надежность и конфиденциальность достигнут высокого уровня, биометрические системы станут повсеместно используемыми и незаменимыми в нашей жизни.

КомпьютерПресс 8"2002

Возможно, вы видели такое в фильмах про спецагентов: человек подходит к закрытой двери какой-нибудь секретной лаборатории, нажимает кнопочку, его глаз сканируется каким-то лучом, дверь открывается, и он попадает внутрь. Подобные технологии существуют уже сейчас, они начинают применяться в мобильных устройствах и в будущем получат широкое распространение.

Сканер радужной оболочки глаза уже используется в смартфонах Microsoft Lumia 950 и Lumia 950 XL. Он также будет у смартфона Galaxy Note 7, анонс которого состоится в начале августа.

Как работает этот сканер, для чего он нужен и нужен ли вообще?

Радужная оболочка глаза предопределяет цвет глаз человека. Если рассмотреть глазное яблоко вблизи, на его поверхности можно заметить линии, формирующие определённый рисунок. Этот рисунок уникален у любого человека и разный для каждого глаза (у правого он один, у левого совершенно другой). Он очень сложный и со временем практически не меняется - точно так же, как отпечатки пальцев. Сканер радужной оболочки предназначен для считывания этого рисунка и сопоставления его с ранее сохранёнными рисунками.

Для сканирования рисунка радужной оболочки глаза применяется излучение, близкое к инфракрасному. Оно, во-первых, позволяет сканеру работать даже в темноте, а во-вторых, считывает рисунок намного точнее, чем излучение видимого спектра света. Очки и контактные линзы не препятствуют прохождению лучей света, поэтому не оказывают отрицательное влияние на качество распознавания. По завершению сканирования рисунок переводится в код, а этот код сравнивается с ранее сохранённой записью. Если коды совпадают, происходит разблокировка устройства.

Биометрический сканер, предназначенный для разблокировки Galaxy Note 7, будет работать сложнее. Судя по имеющемуся у компании Samsung патенту, в нём объединены несколько сенсоров - датчик, считывающий рисунок радужной оболочки глаз, а также камера, распознающая лицо пользователя. Проще говоря, разблокировать Galaxy Note 7 можно будет лишь одним взглядом на фронтальную камеру.

Разблокировка при помощи сканирования лица камерой появилась в Android два года назад и доступна на большинстве смартфонов, но почти не используется из-за большой погрешности распознавания. Кроме того, она не работает в темноте.

Существует ещё одна схожая технология - сканирование сетчатки глаза. Сетчатка расположена внутри глазного яблока и тоже строго индивидуальна у каждого человека. Сканирование сетчатки производится только с близкого расстояния, что неудобно - для разблокировки смартфона пользователю пришлось бы подносить его прямо к глазу.

Сканер радужной оболочки глаза лучше, чем сканер отпечатков пальцев?

Он удобнее. Для сканирования отпечатка пальца вам нужно прикасаться к поверхности смартфона, причём ваши руки должны быть чистыми и сухими. Сканеру радужной оболочки глаза трогать не нужно - он считывает нужные данные с относительно большого расстояния.

Сканеры отпечатков пальцев начали использоваться в смартфонах около десяти лет назад, но стали популярны лишь после появления в айфонах. Сейчас их устанавливают даже в недорогие смартфоны. Сканер радужной оболочки глаза сейчас используются только в Lumia 950 и Lumia 950 XL, но эта технология станет намного более распространённой после выхода Galaxy Note 7. Если пользователи оценят её удобство, она появится на десятках новых моделей смартфонов.

Одной из наиболее важных проблем при использовании сетчатки глаза для распознавания личности является движение головы или глаза во время сканирования. Из-за этих движений может возникнуть смещение, вращение и масштабирование относительно образца из базы данных (рис. 1).

Рис. 1. Результат движения головы и глаза при сканировании сетчатки.

Влияние изменения масштаба на сравнение сетчаток не так критично, как влияние других параметров, поскольку положение головы и глаза более или менее зафиксировано по оси, соответствующей масштабу. В случае, когда масштабирование всё же есть, оно столь мало, что не оказывает практически никакого влияния на сравнение сетчаток. Таким образом, основным требованием к алгоритму является устойчивость к вращению и смещению сетчатки.

Алгоритмы аутентификации по сетчатке глаза можно разделить на два типа: те, которые для извлечения признаков используют алгоритмы сегментации (алгоритм, основанный на методе фазовой корреляции; алгоритм, основанный на поиске точек разветвления) и те, которые извлекают признаки непосредственно с изображения сетчатки (алгоритм, использующий углы Харриса).

1. Алгоритм, основанный на методе фазовой корреляции

Суть алгоритма заключается в том, что при помощи метода фазовой корреляции оцениваются смещение и вращение одного изображения относительно другого. После чего изображения выравниваются и вычисляется показатель их схожести.

В реализации метод фазовой корреляции работает с бинарными изображениями, однако может применяться и для изображений в 8-битном цветовом пространстве.

Пусть и – изображения, одно из которых сдвинуто на относительно другого, а и – их преобразования Фурье, тогда:

Где – кросс-спектр;
– комплексно сопряженное

Вычисляя обратное преобразование Фурье кросс-спектра, получим импульс-функцию:

Найдя максимум этой функции, найдём искомое смещение.

Теперь найдём угол вращения при наличии смещения , используя полярные координаты:

Данная техника не всегда показывает хорошие результаты на практике из-за наличия небольших шумов и того, что часть сосудов может присутствовать на одном изображении и отсутствовать на другом. Чтобы это устранить применяется несколько итераций данного алгоритма, в том числе меняется порядок подачи изображений в функцию и порядок устранения смещения и вращения. На каждой итерации изображения выравниваются, после чего вычисляется их показатель схожести, затем находится максимальный показатель схожести, который и будет конечным результатом сравнения.

Показатель схожести вычисляется следующим образом:

2. Алгоритм, использующий углы Харриса

Данный алгоритм, в отличие от предыдущего, не требует сегментации сосудов, поскольку может определять признаки не только на бинарном изображении.

В начале изображения выравниваются при помощи метода фазовой корреляции, описанного в предыдущем разделе. Затем на изображениях ищутся углы Харриса (рис. 2).

Рис. 2. Результат поиска углов Харриса на изображениях сетчатки.

Пусть найдена M+1 точка, тогда для каждой j-й точки её декартовы координаты преобразуются в полярные и определяется вектор признаков где

Модель подобия между неизвестным вектором и вектором признаков размера N в точке j определяется следующим образом:

Где – константа, которая определяется ещё до поиска углов Харриса.

Функция описывает близость и похожесть вектора ко всем признакам точки j.

Пусть вектор – вектор признаков первого изображения, где размера K–1, а вектор – вектор признаков второго изображения, где размера J–1, тогда показатель схожести этих изображений вычисляется следующим образом:

Нормировочный коэффициент для similarity равняется

Коэффициент в оригинальной статье предлагается определять по следующему критерию: если разница между гистограммами изображений меньше заранее заданного значения, то = 0.25, в противном случае = 1.

3. Алгоритм, основанный на поиске точек разветвления

Данный алгоритм, как и предыдущий, ищет точки разветвления у системы кровеносных сосудов. При этом он более специализирован на поиске точек бифуркации и пересечения (рис. 3) и намного более устойчив к шумам, однако может работать только на бинарных изображениях.

Рис. 3. Типы признаков (слева – точка бифуркации, справа – точка пересечения).

Для поиска точек, как на рис. 3, сегментированные сосуды сжимаются до толщины одного пикселя. Таким образом, можно классифицировать каждую точку сосудов по количеству соседей S:

1. если S = 1, то это конечная точка;
2. если S = 2, то это внутренняя точка;
3. если S = 3, то это точка бифуркации;
4. если S = 4, то это точка пересечения.

3.1. Алгоритм сжатия сосудов до толщины одного пикселя и классификация точек разветвления

Вначале выполняется поиск пикселя, являющегося частью сосуда, сверху вниз слева направо. Предполагается, что каждый пиксель сосуда может иметь не более двух соседних пикселей сосудов (предыдущий и следующий), во избежание двусмысленности в последующих вычислениях.

Далее анализируются 4 соседних пикселя найденной точки, которые ещё не были рассмотрены. Это приводит к 16 возможным конфигурациям (рис. 4). Если пиксель в середине окна не имеет соседей серого цвета, как показано на рис. 4 (a), то он отбрасывается и ищется другой пиксель кровеносных сосудов. В других случаях это либо конечная точка, либо внутренняя (не включая точки бифуркации и пересечения).

Рис. 4. 16 возможных конфигураций четырёх соседних пикселей (белые точки – фон, серые – сосуды). 3 верхних пикселя и один слева уже были проанализированы, поэтому игнорируются. Серые пиксели с крестиком внутри также игнорируются. Точки со стрелочкой внутри – точки, которые могут стать следующим центральным пикселем. Пиксели с чёрной точкой внутри – это конечные точки.

На каждом шаге сосед серого цвета последнего пикселя помечается как пройденный и выбирается следующим центральным пикселем в окошке 3 x 3. Выбор такого соседа определяется следующим критерием: наилучший сосед тот, у которого наибольшее количество непомеченных серых соседей. Такая эвристика обусловлена идеей поддержания однопиксельной толщины в середине сосуда, где большее число соседей серого цвета.

Из вышеизложенного алгоритма следует, что он приводит к разъединению сосудов. Также сосуды могут разъединиться ещё на этапе сегментации. Поэтому необходимо соединить их обратно.

Для восстановления связи между двумя близлежащими конечными точками определяются углы и как на рис. 5, и если они меньше заранее заданного угла то конечные точки объединяются.

Рис. 5. Объединение конечных точек после сжатия.

Чтобы восстановить точки бифуркации и пересечения (рис. 6) для каждой конечной точки вычисляется её направление, после чего производится расширение сегмента фиксированной длины Если это расширение пересекается с другим сегментом, то найдена точка бифуркации либо пересечения.

Рис. 6. Восстановление точки бифуркации.

Точка пересечения представляет собой две точки бифуркации, поэтому для упрощения задачи можно искать только точки бифуркации. Чтобы удалить ложные выбросы, вызванные точками пересечения, можно отбрасывать точки, которые находится слишком близко к другой найденной точке.

Для нахождения точек пересечения необходим дополнительный анализ (рис. 7).

Рис. 7. Классификация точек разветвления по количеству пересечений сосудов с окружностью. (a) Точка бифуркации. (b) Точка пересечения.

Как видно на рис. 7 (b), в зависимости от длины радиуса окружность с центром в точке разветвления может пересекаться с кровеносными сосудами либо в трех, либо в четырёх точках. Поэтому точка разветвления может быть не правильно классифицирована. Чтобы избавиться от этой проблемы используется система голосования, изображённая на рис. 8.

Рис. 8. Схема классификации точек бифуркации и пересечения.

В этой системе голосования точка разветвления классифицируется для трёх различных радиусов по количеству пересечений окружности с кровеносными сосудами. Радиусы определяются как: где и принимают фиксированные значения. При этом вычисляются два значения и означающие количество голосов за то, чтобы точка была классифицирована как точка пересечения и как точка бифуркации соответственно:

Где и – бинарные значения, указывающие идентифицирована ли точка с использованием радиуса как точка пересечения либо как точка бифуркации соответственно.

В случае если то тип точки не определён. Если же значение отличаются друг от друга, то при точка классифицируется как точка пересечения, в противном случае как точка бифуркации.

3.2. Поиск преобразования подобия и определение метрики схожести

После того, как точки найдены, необходимо найти преобразование подобия. Это преобразование описывается 4 параметрами – смещение по оси и , масштаб и вращение соответственно.

Само преобразование определяется как:

Где – координаты точки на первом изображении
– на втором изображении

Для нахождения преобразования подобия используются пары контрольных точек. Например, точки определяют вектор где – координаты начала вектора, – длина вектора и – направление вектора. Таким же образом определяется вектор для точек Пример представлен на рис. 9.

Рис. 9. Пример двух пар контрольных точек.

Параметры преобразования подобия находятся из следующих равенств:

Пусть количество найденных точек на первом изображения равняется M, а на втором N, тогда количество пар контрольных точек на первом изображении равно а на втором Таким образом, получаем возможных преобразований, среди которых верным выбирается то, при котором количество совпавших точек наибольшее.

Поскольку значение параметра S близко к единице, то T можно уменьшить, отбрасывая пары точек, неудовлетворяющие следующему неравенству:

Где – это минимальный порог для параметра
– это максимальный порог для параметра
– пара контрольных точек из
– пара контрольных точек из

После применения одного из возможных вариантов выравнивания для точек и вычисляется показатель схожести:

Где – пороговая максимальная дистанция между точками.
В случае если то

В некоторых случаях обе точки могут иметь хорошее значение похожести с точкой . Это случается, когда и находятся близко друг к другу. Для определения наиболее подходящей пары вычисляется вероятность схожести:

Где

Если то

Чтобы найти количество совпавших точек строится матрица Q размера M x N так, что в i-й строке и j-м столбце содержится

Затем в матрице Q ищется максимальный ненулевой элемент. Пусть этот элемент содержится в -й строке и -м столбце, тогда точки и определяются как совпавшие, а -я строка и -й столбец обнуляются. После чего опять ищется максимальный элемент. Поиск таких максимумов повторяется до тех пор, пока все элементы матрицы Q не обнулятся. На выходе алгоритма получаем количество совпавших точек C.

Метрику схожести двух сетчаток можно определить несколькими способами:

Где – параметр, который вводится для настройки влияния количества совпавших точек;
f выбирается одним из следующих вариантов:

Метрика нормализуется одним из двух способов:

Где и – некоторые константы.

3.3. Дополнительные усложнения алгоритма

Метод, основанный на поиске точек разветвления, можно усложнить, добавляя дополнительные признаки, например углы, как на рис. 10.

Рис. 10. Углы, образованные точками разветвления, в качестве дополнительных признаков.

Также можно применять шифр гаммирования. Как известно, сложение по модулю 2 является абсолютно стойким шифром, когда длина ключа равна длине текста, а поскольку количество точек бифуркации и пересечения не превышает порядка 100, но всё же больше длины обычных паролей, то в качестве ключа можно использовать комбинацию хешей пароля. Это избавляет от необходимости хранить в базе данных сетчатки глаза и хеши паролей. Нужно хранить только координаты, зашифрованные абсолютно стойким шифром.

Заключение

Аутентификация по сетчатке действительно показывает точные результаты. Алгоритм, основанный на методе фазовой корреляции, не допустил ни одной ошибки при тестировании на базе данных VARIA. Также алгоритм был протестирован на неразмеченной базе MESSIDOR с целью проверки алгоритма на ложные срабатывания. Все найденные алгоритмом пары похожих сетчаток были проверены вручную. Они действительно являются одинаковыми. На сравнение кровеносных сосудов двух сетчаток глаз из базы VARIA уходит в среднем 1.2 секунды на двух ядрах процессора Pentium Dual-CoreT4500 с частотой 2.30 GHz. Время исполнения алгоритма получилось довольно большое для идентификации, но оно приемлемо для аутентификации.

Также была предпринята попытка реализации алгоритма, использующего углы Харриса, но получить удовлетворительных результатов не удалось. Как и в предыдущем алгоритме, возникла проблема в устранении вращения и смещения при помощи метода фазовой корреляции. Вторая проблема связана с недостатками алгоритма поиска углов Харриса. При одном и том же пороговом значении для отсева точек, количество найденных точек может оказаться либо слишком большим либо слишком малым.

В дальнейших планах стоит разработка алгоритма, основанного на поиске точек разветвления. Он требует гораздо меньше вычислительных ресурсов по сравнению с алгоритмом, основанном на методе фазовой корреляции. Кроме того, существуют возможности для его усложнения в целях сведения к минимуму вероятности взлома системы.

Другим интересным направлением в дальнейших исследованиях является разработка автоматических систем для ранней диагностики заболеваний, таких как глаукома, сахарный диабет, атеросклероз и многие другие.

P.s. по немногочисленным просьбам выкладываю