IT-Sicherheit Kapitel 8IT-Sicherheit Kapitel 8.3 Fingerabdruckerkennung Anika Pflug, M.Sc....

IT-Sicherheit

Kapitel 8.3

Fingerabdruckerkennung

Anika Pflug, M.Sc.

Sommersemester 2014

1tt.12.jjjj IT-Sicherheit – Kapitel 8 - Biometrie

Einführung

2tt.12.jjjj

Features von Fingerabdrücken

IT-Sicherheit – Kapitel 8 - Biometrie

• Einzigartige Struktur der Haut

• Forensische Identifikation (Latente Abdrücke)

• Hohe Akzeptanz und weite Verbreitung: Notebooks Personalausweis Einreise in die USA

Sensoren

3tt.12.jjjj

Datenaufnahme


Tinte auf Papier: Forensik, EntwicklungsländerEinfachste Mittel, keine automatische Suche

Optische Sensoren: Grenzkontrolle & Ausweise, GeldautomatenHohe Qualität möglich, latente Abdrücke auf Scheibe, idR relativ groß

Kapazitive Sensoren: Notebooks, MäuseKompakt, anfällig für statische Entladungen und Druck

Vorverarbeitung

4tt.12.jjjj

Bildverbesserung


Kontrastoptimierung: Histogrammspreizung

Erosion und Dilation: Erzeugung homogener Linienmuster

Verdünnung: Skelettierung

Quelle: Wikipedia

Grundmuster

5tt.12.jjjj

Erste Klassifizierung


Quelle: http://scioly.org/wiki/images/f/f3/Fingerprint_patterns.gif

Arch: 5% Loops: 60-65%Whorl: 30-35%

• Abhängig vom Finger

• Viele Unter-Kategorien: Pocket Loop, Ulnar, Loop Double Loop…

Singular Points

6tt.12.jjjj

Dreh- und Angelpunkte bei Fingerabdrücken


Quelle: Chul-Hyun Park, Joon-Jae Lee, Mark J.T. Smith, Kil-Houm

Park, Singular point detection by shape analysis of directional fields

in fingerprints, Pattern Recognition, Volume 39, Issue 5, May 2006,

Pages 839-855

Core: Die Lininen erreichen eine maximale Krümmung

Delta: Drei Linien verschiedener Orientierung treffen sich

Singular Points

7tt.12.jjjj

Pointcare index


Quelle: http://www2.informatik.hu-berlin.de/Forschung_Lehre/algorithmenII/Lehre/SS2004/Biometrie/04Fingerprint/html/poincare.jpg

Whorl Loop Delta

Minutien

8tt.12.jjjj

Kleinigkeiten machen den Unterschied


Quelle: Keogh, E. An Overview of the Science of Fingerprints. Anil Aggrawal's Internet Journal of Forensic Medicine and Toxicology, 2001; Vol. 2, No. 1

Minutien

9tt.12.jjjj

Kleinigkeiten machen den Unterschied


(x, y, Θ, t) = Position, lokale Orientierung und Typ

Θ

(x,y)

TypPosition Orientierung

Vergleich

10tt.12.jjjj

Vom Feature zur Identität


Feature Extraction

ComparisonData Collection Score

0, 84

Angriffe

11tt.12.jjjj

Künstliche Abdrücke aus Silikon oder Latex


Angriffe

12tt.12.jjjj

Aktivierung Latenter Abdrücke mit Wärme


Lösungen?

13tt.12.jjjj

Lebenderkennung


• Latenten Abdruck beim nächsten Bild berücksichtigen• Schweißdrüsen detektieren• Herzschlag erfassen• OCT-Scans (teure Hardware)

Oder auch Venenerkennung

Lösungen?

14tt.12.jjjj

Qualitätsmetriken


Positionierung des Fingers hat einen wichtigen Einfluss auf die Sample-Qualität

Lösung: Sensoren für mehrere Finger

Lösungen?

15tt.12.jjjj

Qualitätsmetriken


Qualitätsmetriken

16tt.12.jjjj

Forschung an der HDA


Erkennung von schlechter Qualität durch Self-Organizing Maps (Kohonen Netze)

Qualitätsmetriken

17tt.12.jjjj

Forschung an der HDA


Erkennung von schlechter Qualität durch Self-Organizing Maps (Kohonen Netze)

Wir generieren ein „Wörterbuch“ aus Bildblöcken und können nun jedem Block eine Position mit einem Qualitätswert zuordnen

Lösungen?

18tt.12.jjjj

Qualitätsmetriken


ROC nach Qualität:

Eine Kurve pro Qualitätsstufe

Je besser die Qualitär derBilder, je besser diePerformance

Lösungen?

19tt.12.jjjj

Qualitätsmetriken


Error Reject Curve:

(1) Lege Ziel-FNMR fest(2) Berechne alle Genuine

scores(3) Berechne

Qualitätsmetrik für jedes Bild

(4) Berechne FNMR, wenn X% der schlechtesten Bilder weg gelassen werden

Lösungen?

20tt.12.jjjj

Qualitätsmetriken


„Ideallinie“:Wenn alle Fehler durch

schlechte Qualität kommen würden, sähe

die Kurve so aus

Je näher an der Ideallinie, desto besserkann das System die Qualität

vorhersagen.

Ausblick

21tt.12.jjjj

Aktuelle Forschung


• Lebenderkennung bzw. Erkennung von Fake-Fingern• Erkennung von veränderten Fingerabdrücken• Qualitätssicherung von Fingerbildern• Indexierung für Suche in großen Datenbanken

Exkurs: Venenerkennung

22tt.12.jjjj

Genereller Ansatz



23tt.12.jjjj

Muster aus Blutgefäßen


• Spoofing nur schwer möglich• Unsichtbar und geschützt unterhalb der

Hautoberfläche• Keine Latenten Abdrücke• Mit einfachen Mitteln aufzunehmen• Berührungsfreie Sensoren


24tt.12.jjjj

Genereller Ansatz


Aufnahme der Bilder

Kontrastverbesserung

Segmentierung

Skelettierung


25tt.12.jjjj

Minutien für Venen


Minutien-Extraktion von Venenmustern:


26tt.12.jjjj

Chain Codes


Quelle: Pflug et al. Feature Extraction from Vein Images using Spatial Information and Chain Codes, ISTR 2011


27tt.12.jjjj

Einfluss von Umweltfaktoren


Krankheitsbedingt:• Thrombosen• Infektionen• Erhöhter Oxyglobin-spiegel• Hyopthenar hammer syndrom

Umweltbedingt:• Außenthemeratur• Pose der Hand/des Fingers• Nikotinkonsum

IT-Sicherheit Kapitel 8IT-Sicherheit Kapitel 8.3 Fingerabdruckerkennung Anika Pflug, M.Sc....

Documents

Transcript of IT-Sicherheit Kapitel 8IT-Sicherheit Kapitel 8.3 Fingerabdruckerkennung Anika Pflug, M.Sc....