Een gekleurde contactlens bedrukt met de iristextuur van iemand anders, een high-definition afgedrukte irisfoto, een realistisch oogprothese of een door AI gesynthetiseerde irisafbeelding - ze hebben allemaal één ding gemeen: ze kunnen een irisherkenningssysteem voor de gek houden dat zich alleen richt op het matchen van patronen.
In de branche hebben dergelijke methoden een standaardterm: Presentation Attack. Hoe hoog de herkenningsnauwkeurigheid van een systeem ook is, als het voor de camera geen onderscheid kan maken tussen een echt menselijk oog en een namaak, komt de veiligheid ervan fundamenteel in gevaar. De internationale norm ISO/IEC 30107-3 heeft Presentation Attack Detection (PAD), algemeen bekend als liveness-detectie, vermeld als een onafhankelijk evaluatie-item voor biometrische systemen.
Homsh heeft onlangs de R&D en praktische verificatie voltooid van zijn zelfontwikkelde detectiesysteem voor irispresentatieaanvallen, HOMSH-PAD. Het systeem is getest op een onafhankelijke dataset van 18.516 beelden en behaalt een Detection Equal Error Rate (D-EER) van 0,50%.
I. Controleer eerst de authenticiteit en bevestig vervolgens de identiteit
Als onafhankelijke module die vóór de herkenningsworkflow wordt geplaatst, werkt HOMSH-PAD als volgt: nadat het apparaat een oogbeeld heeft vastgelegd, lokaliseert het systeem eerst de iris en voert een authenticiteitsscore uit via een deep learning-netwerk. Alleen beelden waarvan is bevestigd dat ze echte menselijke ogen zijn, gaan door naar de herkenningsstap; degenen die als aanvallen worden geïdentificeerd, worden onmiddellijk afgewezen.
De huidige versie omvat vier belangrijke soorten aanvalsmethoden: getextureerde gekleurde contactlenzen, afgedrukte irisafbeeldingen, prothetische ogen en door AI gesynthetiseerde irissen. Onder hen hebben prothetische ogen en afgedrukte irisbeelden een nul-misslagpercentage bij het testen; het gemiste percentage voor AI-gesynthetiseerde irissen bedraagt 0,08%. Het systeem blijft effectief detecteren, zelfs voor nieuwe contactlenspatronen die nog nooit zijn waargenomen tijdens de training. Dit betekent dat het model de gemeenschappelijke kenmerken van aanvallen heeft geleerd, in plaats van eenvoudigweg specifieke patronen te onthouden.
Duidelijke interpretatie van de testgegevens
Van de 1.000 verschillende aanvalspogingen worden er ongeveer 993 geblokkeerd;
Van de 1.000 legitieme gebruikers worden er ongeveer 3 ten onrechte afgewezen.
II. Achter de cijfers: een wedstrijd van datadiscipline
Het detectieveld voor irislevendheid wordt al lang geplaagd door een hardnekkig probleem: modellen leveren indrukwekkende meetgegevens in het laboratorium, maar falen vaak wanneer ze in praktijkscenario's worden ingezet. Het R&D-team van Homsh is van mening dat het probleem meestal niet in het model zelf ligt, maar in de trainingsgegevens: verborgen statistische snelkoppelingen die per ongeluk zijn gecorreleerd met waar/onwaar-labels zorgen ervoor dat het model 'snelkoppelingen' kan maken in plaats van de werkelijke kenmerken van aanvallen te leren.
Om dit aan te pakken heeft het team een trainingsdatadomeinbeheermethodologie ontwikkeld om dergelijke sluiproutes systematisch te detecteren en te elimineren voordat gegevens worden opgeslagen en de training begint. Er werden in totaal 75.919 irisbeelden van 10.750 proefpersonen gebruikt voor training, kalibratie en testen, met volledig niet-overlappende groepen proefpersonen in de drie datasets; elk oog in de testset werd tijdens de training nooit door het model gezien. Deze methodologie is de belangrijkste onafhankelijke innovatie van het project en is beschermd door patentaanvragen.
Alle statistieken worden berekend in overeenstemming met de internationale norm ISO/IEC 30107-3. De beslissingsdrempel wordt bepaald op een onafhankelijke kalibratieset, zonder blootstelling aan de testset gedurende het hele proces.
III. Technisch ontwerp gebouwd voor implementatie in de echte wereld
HOMSH-PAD is volledig ontworpen voor praktische inzet:
●Lichtgewicht:Het model is ongeveer 30 MB groot, kan in realtime conclusies trekken op een CPU en is compatibel met alle vormfactoren, van ingebouwde toegangscontroleterminals tot servers.
●Eenvoudig te integreren:Integrators hoeven alleen onbewerkte vastgelegde beelden in te voeren; alle voorverwerking wordt intern afgehandeld door de SDK, waardoor integratie met slechts een paar regels code mogelijk is.
●Kalibreerbaar:Ondersteunt herkalibratie van de drempelwaarde met één klik met behulp van echte gebruikersvoorbeelden van de implementatielocatie, waardoor het percentage valse afwijzingen kan worden afgestemd op de daadwerkelijke gebruikersgroep.
●Faalveilige beveiliging:Abnormale invoer wordt standaard als aanval geclassificeerd, waardoor er geen “grijs gebied” overblijft waar aanvallers misbruik van kunnen maken.
IV. Het laatste stukje van de puzzel voltooien
Terwijl de irisherkenningsengine antwoordt “wie dit is”, antwoordt HOMSH-PAD “of dit een echt persoon is”. Gecombineerd zorgen ze ervoor dat de irisherkenningsoplossingen van Homsh volledig kunnen voldoen aan de steeds explicietere vereisten voor livenessdetectie van scenario's met een hoog beveiligingsniveau, zoals overheidszaken, openbare veiligheid en financiën.
In de toekomst zal het team de bibliotheek met aanvalsvoorbeelden blijven uitbreiden, meerdere rondes van verificatie van de trainingsstabiliteit voltooien en de volledige apparaatintegratie bevorderen met alles-in-één irisherkenningsproducten en gezaghebbende evaluaties van derden.
