ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΒΙΟΜΗΧΑΝΙΚΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΜΕΑΣ ΥΠΟΛΟΓΙΣΤΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ. Πτυχιακή Εργασία

Transcript

1 ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΒΙΟΜΗΧΑΝΙΚΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΜΕΑΣ ΥΠΟΛΟΓΙΣΤΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Πτυχιακή Εργασία ΜΕΛΕΤΗ, ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΠΤΥΞΗ ΕΦΑΡΜΟΓΗΣ ΛΟΓΙΣΜΙΚΟΥ ΓΙΑ ΤΟΝ ΕΛΕΓΧΟ ΤΗΣ ΕΙΣΟΔΟΥ ΣΕ ΠΡΟΣΤΑΤΕΥΜΕΝΟ ΧΩΡΟ ΜΕ ΤΗ ΒΟΗΘΕΙΑ ΤΟΥ ΠΡΟΣΩΠΟΥ ΚΑΙ ΤΟΥ ΔΑΚΤΥΛΙΚΟΥ ΑΠΟΤΥΠΩΜΑΤΟΣ Πάντος Λαέρτης (ΑΕM:2440) Επιβλέπων Καθηγητής: Δρ. Θεόδωρος Παχίδης ΚΑΒΑΛΑ Νοέμβριος 2013

2 Περίληψη Η παρούσα πτυχιακή εργασία εκπονήθηκε στο τμήμα Βιομηχανικής Πληροφορικής του ΤΕΙ Καβάλας και αφορά την ανάπτυξη λογισμικού που παρέχει τη δυνατότητα έλεγχού πρόσβασης σε συγκεκριμένο χώρο, με την αναγνώριση του προσώπου και του δακτυλικού αποτυπώματος με τη χρήση ενός απλού υπολογιστή με Web camera και συσκευής ανάγνωσης δακτυλικών αποτυπωμάτων (Fingerprint reader or scanner). Καταγράφει και καταχωρεί με συγκεκριμένο τρόπο σε μια βάση δεδομένων τις εικόνες των προσώπων και τα δακτυλικά αποτυπώματα των ατόμων που θα έχουν δικαίωμα πρόσβασης σε ένα προστατευμένο χώρο. Στη συνέχεια μπορεί να ταυτοποιεί σε πραγματικό χρόνο αν κάποιο άτομο έχει δικαίωμα πρόσβασης στο συγκεκριμένο χώρο με τη βοήθεια εικόνας που θα λαμβάνεται από το πρόσωπο του και το δακτυλικό του αποτύπωμα. Πραγματοποιείται πειραματική μελέτη του ποσοστού ταυτοποίησης των ορθών και των εσφαλμένων προσπαθειών εισόδου στον προστατευμένο χώρο ατόμων που έχουν δικαίωμα πρόσβασης και ατόμων που στερούνται αυτού του δικαιώματος. Σκοπός της πτυχιακής αυτής εργασίας είναι η απόκτηση γνώσεων και δεξιοτήτων σε θέματα που αφορούν στην ανάπτυξη μιας ολοκληρωμένης εφαρμογής λογισμικού, η απόκτηση γνώσεων σε θέματα που αφορούν μεθοδολογίες και αλγόριθμους για την αναγνώριση προσώπων και δακτυλικά αποτυπώματα, η απόκτηση γνώσεων και εμπειρίας σε θέματα που αφορούν τη χρήση βιομετρικών στοιχείων για ένα πλήθος εφαρμογών και στις εφαρμογές λογισμικού που χρησιμοποιούνται σε αυτά. 1

3 Abstract This thesis elaborated in Computer and Informatics Engineering Department, Eastern Macedonia and Thrace Institute of Technology and concerns the development of a complete software application that provides the ability to control access to a specific area based on face recognition and fingerprint and using a simple computer web camera and fingerprint reader (Fingerprint reader or scanner). Data as personal data, face images and fingerprints of persons are recorded in a particular way in a database and are used in accessing a protected area. The system can identify in real time whether a person can access to this area with the help of his face image and his fingerprint. Experimental study concerning the rate of correct identification and false attempts to enter in the protected area of persons is performed correspondingly. The purpose of this final project is to obtain knowledge and skills on issues related to the development of an integrated software application, knowledge on issues related to methodologies and algorithms for facial recognition and fingerprint identification, knowledge and experience in concepts related to the use of biometric data for a different number of applications. 2

4 Ευχαριστίες Θα ήθελα πραγματικά να ευχαριστήσω τον επιβλέποντα καθηγητή Παχίδη Θεόδωρο για την από απόσταση υποστήριξη και βοήθεια. Επίσης θα ήθελα να ευχαριστήσω τον αδελφό μου Κλέαρχο και όλους τους φίλους για την υπομονή τους που δέχτηκαν να πειραματιστώ με την εφαρμογή μου σε αυτούς. 3

5 Περιεχόμενα ΚΕΦΑΛΑΙΟ 1 Εισαγωγή... 7 ΚΕΦΑΛΑΙΟ 2 Βιομετρική Ορισμός Βιομετρικής Τα στάδια της Βιομετρικής Αναγνώρισης Βασικοί τύποι Βιομετρικής Φυσιολογικές Ψυχολογικές μέθοδοι Συνοπτική ανάλυση Βιομετρικών τύπων Σάρωση Φωνής (Voice Scan) Σάρωση Ίριδας Ματιού Σάρωση Αμφιβληστροειδούς Χιτώνα (Retina Scan) Σάρωση Χεριού DNA Σάρωση Υπογραφής Αναγνώριση τρόπου πληκτρολόγησης Αναγνώριση Tρόπου βαδίσματος Βιομετρικά Συστήματα Συμπεράσματα ΚΕΦΑΛΑΙΟ 3 Δακτυλικό Αποτυπώμα Ιστορία Δακτυλικών Αποτυπωμάτων Δημιουργία Δακτυλικών Αποτυπωμάτων Αισθητήρες Δακτυλικών Αποτυπωμάτων Χαρακτηριστικά Σημεία των Δακτυλικών Αποτυπωμάτων Προβλήματα αναγνώρισης δακτυλικών αποτυπωμάτων Μεθοδολογία Αναγνώρισης Δακτυλικών Αποτυπωμάτων Το δακτυλικό αποτύπωμα ως εικόνα (Δημιουργία προτύπου) Προεπεξεργασία (Preprocessing) Κανονικοποίηση εικόνας

6 3.6.4 Προσανατολισμός Παρυφών (ridges) Συχνότητα Κορυφογραμμών (ridges) Βελτίωση Εικόνας Με Gabor Φίλτρα Κατωφλίωση και Λέπτυνση (Binarization & Thinning) Εντοπισμός Πυρήνα Εικόνας Δακτυλικού Αποτυπώματος Εξαγωγή Χαρακτηριστικών Βασισμένο στην Κατευθυντικοτητα της Γραμμής 58 ΚΕΦΑΛΑΙΟ 4 Αναγνώριση Προσώπου Εισαγωγή Χαρακτηριστικά προσώπου Ανίχνευση Προσώπου Συστήματα εντοπισμού προσώπου Συστήματα εντοπισμού προσώπου πραγματικού χρόνου Περιγραφή του προβλήματος της Ανίχνευσης Προσώπου Μέθοδοι Ανίχνευσης/Εντοπισμού Προσώπου Μικρό Ιστορικό των κυριότερων Mεθόδων Aνίχνευσης Μέθοδοι Bασισμένες στην Eμφάνιση Ανίχνευση Προσώπου κατά Viola & Jones Επιλογή Χαρακτηριστικών με την AdaΒoost Σύνοψη του Συστήματος Ανίχνευσης Προσώπου Τεχνικές βελτίωσης Εικόνας Αναγνώριση Πρόσωπού Το πρόβλημα της Αναγνώρισης Προσώπων Αναλυτική περιγραφή αλγορίθμων Ανάλυση Κύριων Συνιστωσών (Principal Component Analysis, PCA) Μαθηματική ανάλυση αλγορίθμου Γραμμική Διακρίνουσα Ανάλυση (Linear Discriminant Analysis, LDA)

7 ΚΕΦΑΛΑΙΟ 5 Ανάπτυξη Λογισμικού Περιεχόμενο Απαιτήσεων Έγγραφο Ορισμού Απαιτήσεων Ορισμός Εισαγωγή Ορισμοί και Συντομεύσεις Απατήσεις Εξωτερικών Διαπροσωπικών Χρήστη Μη Λειτουργικές Απατήσεις Έγγραφο Προδιαγραφής Απαιτήσεων Λογισμικού Η βάση της εφαρμογής Κώδικας Καταχώρησης και Αναγνώρισης Δακτυλικού Αποτυπώματος Υλοποίηση κώδικα Καταχώρησης και Αναγνώρισης Προσώπου Η βιβλιοθήκη OpenCV ΚΕΦΑΛΑΙΟ 6 Αποτελέσματα Χρήσης Πειραματικά Αποτελέσματα Πειραματικά Αποτελέσματα Συμπεράσματα Πειραματικών Aποτελεσμάτων ΚΕΦΑΛΑΙΟ 7 Συμπεράσματα και Μελλοντικές Βελτιώσεις ΠΑΡΑΡΤΗΜΑ 1 Εγχειρίδιο Εγκατάστασης Εφαρμογής ΠΑΡΑΡΤΗΜΑ 2 Εγχειρίδιο Χρήσης Βιβλιογραφία

8 ΚΕΦΑΛΑΙΟ 1 Εισαγωγή Τα συστήματα ασφαλείας έχουν εξελιχθεί σε πολύ μεγάλο βαθμό, καλύπτοντας τις ανάγκες φύλαξης που έχουν προκύψει σε δημόσιους και ιδιωτικούς χώρους. Τα βιομετρικά χαρακτηριστικά διαδραματίζουν πλέον πολύ σημαντικό ρόλο στην κοινωνία μας. Ο Αλφόνσο Μπέρτιλον, περισσότερο από έναν αιώνα πριν, ήταν ο πρώτος που πρότεινε τη χρήση των βιομετρικών χαρακτηριστικών για την εξιχνίαση εγκλημάτων [1]. Τα βιομετρικά χαρακτηριστικά που χρησιμοποιήθηκαν ευρέως από την αρχή ήταν τα δακτυλικά αποτυπώματα. Ο αυξανόμενος αριθμός χρήσης συστημάτων αναγνώρισης βιομετρικών δεδομένων κάνει επιτακτική την ανάγκη για ανάπτυξη λογισμικών με τα οποία θα επιτυγχάνεται τόσο η αξιοπιστία όσο και η ταχύτητα στην αναγνώριση των βιομετρικών δεδομένων ώστε ο χρήστης να έχει μεγαλύτερη ασφάλεια και να υφίσταται λιγότερη ταλαιπωρία. Η αναγνώριση προσώπου (face recognition) είναι μία από τις κύριες κατευθύνσεις της βιομετρίας (biometrics). Τα τελευταία χρόνια έχει γίνει όλο και πιο σημαντική λόγω των αυξημένων απαιτήσεων σε συστήματα ασφαλείας, της ανάγκης για εξακρίβωση ταυτότητας στον ψηφιακό κόσμο του διαδικτύου και των κινητών συσκευών, και έγινε εφικτή λόγω των ταχύτατων εξελίξεων στις τεχνολογίες των ψηφιακών καμερών, αλλά και στις τεχνικές επεξεργασίας εικόνας, αναγνώρισης προτύπων και τεχνητής όρασης. Η αναγνώριση προσώπου έχει σημαντικά πλεονεκτήματα σε σχέση με τις άλλες τεχνολογίες της βιομετρίας, όπως η αναγνώριση δακτυλικού αποτυπώματος, η αναγνώριση φωνής, η αναγνώριση της ίριδας του ματιού και η αναγνώριση υπογραφής: είναι διαδικασία πιο φυσική, λιγότερο αδιάκριτη και ενοχλητική και ευκολότερη στη χρήση της. Έτσι, η έρευνα στην αναγνώριση προσώπου δεν έχει μόνο ως κίνητρο τις προκλήσεις που θέτει το ίδιο το πρόβλημα, αλλά και τις αναρίθμητες εφαρμογές, όπου είναι απαραίτητη η εξακρίβωση της ταυτότητας των ανθρώπων. 7

9 ΚΕΦΑΛΑΙΟ 2 Βιομετρική 2.1 Ορισμός Βιομετρικής Βιομετρική είναι η επιστήμη που χρησιμοποιεί ψηφιακή τεχνολογία για να αναγνωρίσει την ταυτότητα ατόμων, βάση κάποιων ιδιαίτερων και μοναδικών φυσικών ή βιολογικών χαρακτηριστικών τους. Τα δεδομένα προσωπικού χαρακτήρα που συλλέγονται από βιομετρικά συστήματα έχουν ιδιαίτερο χαρακτήρα καθώς αφορούν είτε τα φυσικά χαρακτηριστικά ενός ανθρώπου είτε τα στοιχεία της συμπεριφοράς του και τα οποία τον προσδιορίζουν μοναδικά. Η βιομετρική ταυτοποίηση χρησιμοποιείται ευρύτατα εφόσον τα βιομετρικά χαρακτηριστικά θεωρούνται πλέον πιο αξιόπιστα από τις παραδοσιακές μεθόδους ταυτοποίησης, όπως οι κάρτες αναγνώρισης και οι κωδικοί πρόσβασης. Ο σκοπός της βιομετρικής ταυτοποίησης είναι η διευκόλυνση των ατόμων και η απλοποίηση των διαδικασιών (π.χ. ανάληψη μετρητών χωρίς τη χρήση κάρτας ή κωδικού), η πρόσβαση σε υψηλότερα επίπεδα ασφάλειας (π.χ. μόνο συγκεκριμένα άτομα να μπορούν να εισέλθουν σε έναν χώρο ενώ είναι αδύνατη η υποκλοπή του βιομετρικού χαρακτηριστικού) και η ευκολότερη διαχείριση της ασφάλειας (π.χ. δεν είναι αναγκαία η αλλαγή του κωδικού μετά από συγκεκριμένο χρονικό διάστημα). Για το λόγο αυτό, η βιομετρική ταυτοποίηση έχει αποτελέσει αντικείμενο εκτεταμένης μελέτης, ενώ συνεχώς παρουσιάζονται νέες έρευνες και αναπτύσσονται νέες τεχνικές για την εύρεση και αξιοποίηση των βιομετρικών χαρακτηριστικών. Συνήθως χρησιμοποιούνται σε εφαρμογές που σχετίζονται με: Έλεγχο πρόσβασης σε φυσικούς χώρους Ασφάλεια χρήσης λογισμικών, ταυτοποίηση χρηστών Συνοριακό έλεγχο, έκδοση βιομετρικών διαβατηρίων Καταγραφή χρόνου εργασίας προσωπικού εταιριών Μηχανές αναζήτησης που αναγνωρίζουν αντικείμενα από φωτογραφίες Εγκληματολογία για τον εντοπισμό δραστών Εφαρμογές διαδικτύου (ηλεκτρονικό εμπόριο, ηλεκτρονική τραπεζική, κ.ά.) 8

10 Η συλλογή των βιομετρικών δεδομένων (π.χ. Εικόνα του δακτυλικού αποτυπώματος, Εικόνα προσώπου, Εικόνα της οφθαλμικής ίριδας, καταγραφή φωνής) γίνεται κατά τη διαδικασία της εγγραφής του ατόμου στο βιομετρικό σύστημα. Ένας ειδικός αισθητήρας (συνήθως κάμερα ή σαρωτής) μετατρέπει το συγκεκριμένο βιομετρικό χαρακτηριστικό σε ηλεκτρονικό κώδικα τον οποίο αποθηκεύει (εφεξής «πρότυπο») και αντιστοιχίζει με το συγκεκριμένο φυσικό πρόσωπο. Κάθε φορά που το φυσικό πρόσωπο προσπαθεί να αποκτήσει πρόσβαση μέσα από το συγκεκριμένο σύστημα, γίνεται έλεγχος της ταυτότητάς του, ο οποίος επιτυγχάνεται με την επανάληψη της σάρωσης, τον εκ νέου υπολογισμό του ηλεκτρονικού κώδικα και τη σύγκρισή του με το υποθηκευμένο πρότυπο. Ένα πρότυπο μπορεί να συνδυαστεί με πρόσθετα μέτρα ελέγχου πρόσβασης όπως για παράδειγμα έναν κωδικό πρόσβασης (PIN). Πρέπει να τονισθεί ότι το βιομετρικό σύστημα δεν αποθηκεύει την πρωταρχική εικόνα του βιομετρικού χαρακτηριστικού του ατόμου αλλά το πρότυπο, που είναι σε ψηφιακή μορφή. Σε αρκετές περιπτώσεις χρησιμοποιούνται και μικτά βιομετρικά συστήματα. Ένα μικτό βιομετρικό σύστημα ταυτοποίησης (multi-biometrics) συνδυάζει δύο ή περισσότερες βιομετρικές μεθόδους, εκμεταλλευόμενο τα πλεονεκτήματα καθεμίας από αυτές για την επίτευξη ακόμα μεγαλύτερης πιστότητας και αξιοπιστίας 2.2 Τα στάδια της βιομετρικής αναγνώρισης Στη διαδικασία της αναγνώρισης ή αυθεντικοποίησης μέσω βιομετρικών χαρακτηριστικών, είναι απαραίτητο να περιλαμβάνονται τρία στάδια. Εγγραφή Ψηφιακή αναπαράσταση Σύγκριση Εγγραφή Το στάδιο της εγγραφής του χρήστη είναι ιδιαίτερα κρίσιμο, καθώς τα δεδομένα που θα προκύψουν από αυτό θα χρησιμοποιηθούν για την αναγνώριση ή την επιβεβαίωση της ταυτότητας του χρήστη κάθε φορά που θα χρησιμοποιεί τη βιομετρική συσκευή. Η συσκευή καταγράφει έναν αριθμό δειγμάτων ώστε στη συνέχεια να τα επεξεργαστεί για να προκύψει η βιομετρική ταυτότητα του χρήστη. Το στάδιο αυτό επηρεάζεται από τη διάθεση συνεργασίας που επιδεικνύει ο χρήστης 9

11 και από το κατά πόσο είναι εξοικειωμένος με παρόμοιες συσκευές. Οι συνθήκες του περιβάλλοντος χώρου επηρεάζουν επίσης την απόδοση αυτού του σταδίου. Αν για παράδειγμα, σε μία συσκευή αναγνώρισης φωνής, η εγγραφή γίνει σε ένα περιβάλλον μηδενικού θορύβου και στη συνέχεια ο χρήστης επιχειρήσει να αναγνωριστεί μέσω μιας συσκευής που βρίσκεται σε θορυβώδες περιβάλλον, είναι βέβαιο ότι η διαδικασία δε θα αποδώσει σύμφωνα με το μέγιστο των δυνατοτήτων της. Για τον λόγο αυτό, είναι ιδιαίτερα επιθυμητό η εγγραφή να γίνεται σε περιβάλλον όσο το δυνατόν πιο κοντά σε αυτό της πραγματικής εφαρμογής. Ένας άλλος παράγοντας που πρέπει να λαμβάνεται υπόψη είναι ότι τα βιομετρικά δεδομένα μπορεί να μεταβάλλονται κατά τη διάρκεια του χρόνου. Έτσι, η βάση δεδομένων των αρχικών εγγραφών πρέπει να ανανεώνεται σε χρονικά διαστήματα ανάλογα με τη χρονική σταθερότητα του κάθε βιομετρικού στοιχείου. Ψηφιακή αναπαράσταση Τα δεδομένα αφού καταγραφούν, υπόκεινται επεξεργασία και αποθηκεύονται για μελλοντική χρήση τους. Αυτό που άλλωστε μας ενδιαφέρει κατά την καταγραφή ενός βιομετρικού χαρακτηριστικού, δεν είναι αυτό καθαυτό το χαρακτηριστικό αλλά κάποια συγκεκριμένα στοιχεία που επιτρέπουν τη διάκριση μεταξύ των χρηστών. Τα δεδομένα που προκύπτουν πρέπει να είναι κατά το δυνατόν μικρότερα όσον αφορά την υπολογιστική μνήμη και η αποθήκευση τους να γίνεται σε χώρο που είναι άμεσα προσβάσιμος, ώστε να διευκολύνεται η γρήγορη επεξεργασία και σύγκριση τους. Σχήμα 2.1 Διαδικασία βιομετρικής αναγνώρισης 10

12 Σύγκριση Η σύγκριση λαμβάνει χώρα κατά τη στιγμή που ο χρήστης επιχειρεί να αναγνωριστεί ή να επιβεβαιώσει την ταυτότητα του. Εκείνη τη στιγμή λαμβάνεται το κατάλληλο βιομετρικό χαρακτηριστικό του, το οποίο συγκρίνεται είτε με όλα τα αποθηκευμένα δείγματα, εφόσον μιλάμε για αναγνώριση, είτε μόνο με το δείγμα της ταυτότητας που διεκδικεί, εφόσον αναφερόμαστε σε διαδικασία αυθεντικοποίησης. Η διαδικασία της σύγκρισης των δεδομένων είναι το τελευταίο στάδιο της βιομετρικής αναγνώρισης, εκεί όπου παίρνεται η απόφαση αν ο χρήστης έχει τα κατάλληλα δικαιώματα για την προσπέλαση ενός χώρου, των υπολογιστικών πόρων ή για όποια άλλη εφαρμογή χρησιμοποιείται η βιομετρική συσκευή. Τόπος Αποθήκευσης Προτύπων Σύμφωνα με τις γενικές αρχές προστασίας των προσωπικών δεδομένων, είναι σημαντικός ο τόπος αποθήκευσης των «προτύπων». Η αποθήκευση εξαρτάται κυρίως από το σκοπό εφαρμογής του βιομετρικού συστήματος καθώς και από το μέγεθος των προτύπων. Τα πρότυπα μπορούν να αποθηκευτούν: Στη μνήμη της βιομετρικής συσκευής Σε κεντρική βάση δεδομένων Σε πλαστικές ή έξυπνες κάρτες. Ο συγκεκριμένος τρόπος επιτρέπει στους χρήστες να έχουν μαζί τους τα βιομετρικά τους στοιχεία. Συστήματα που επιτρέπουν την αποθήκευση των προτύπων σε μέσα που είναι υπό τον πλήρη έλεγχο του υποκειμένου θεωρούνται περισσότερο φιλικά ως προς την προστασία των προσωπικών δεδομένων. Είδος Βιομετρικού Συστήματος Τα βιομετρικά συστήματα που σχετίζονται με φυσικά χαρακτηριστικά και που δεν αφήνουν ίχνη (π.χ. γεωμετρία χεριού αλλά όχι δακτυλικά αποτυπώματα) ή που αφήνουν ίχνη αποθηκεύοντας τα δεδομένα σε ένα μέσο που είναι στην κατοχή του χρήστη (και όχι στη βιομετρική συσκευή ή σε μια κεντρική βάση δεδομένων) δημιουργούν λιγότερους κινδύνους για την παραβίαση των δικαιωμάτων του ατόμου. 11

13 Είναι νόμιμη η χρήση βιομετρικών συστημάτων για την είσοδο σε χώρο εργασίας; Σε σχέση με τη χρήση βιομετρικών μεθόδων, η Αρχή έχει αποφανθεί ότι, ιδίως ορισμένες από αυτές, θίγουν κατάφωρα την ανθρώπινη αξιοπρέπεια και την προσωπικότητα. Από την αρχή της αναλογικότητας, όπως αυτή προβλέπεται στο άρθρο 4 του Ν. 2472/97, η χρήση βιομετρικών μεθόδων για τη διαπίστωση της ταυτότητας των εργαζομένων και την πρόσβαση στο σύνολο ή τμήμα των χώρων εργασίας είναι επιτρεπτή μόνο στις περιπτώσεις που αυτό επιβάλλεται από ιδιαίτερες απαιτήσεις ασφαλείας των χώρων εργασίας και εφόσον δεν υπάρχει άλλο μέσο για την επίτευξη του σκοπού αυτού (π.χ. στρατιωτικές εγκαταστάσεις, εργαστήρια υψηλού κινδύνου). Κατά συνέπεια, ο υπεύθυνος επεξεργασίας οφείλει να σταθμίζει κάθε φορά αφενός τους υπάρχοντες κινδύνους, την έκταση των κινδύνων αυτών και τις υπάρχουσες εναλλακτικές δυνατότητες αντιμετώπισης των κινδύνων και, αφετέρου, τις προσβολές της ανθρώπινης προσωπικότητας και της ιδιωτικότητας από τη χρήση τέτοιων μεθόδων είκτες απόδοσης Οι πιο συχνά χρησιμοποιούμενοι δείκτες της απόδοσης των βιομετρικών μεθόδων είναι: Το ποσοστό των λανθασμένων απορρίψεων, FRR (False Rejection Rate),δηλαδή το ποσοστό των εξουσιοδοτημένων χρηστών στους οποίους δεν παραχωρήθηκε πρόσβαση. Το ποσοστό των λανθασμένων αποδοχών, FAR (False Acceptance Rate),δηλαδή το ποσοστό των μη εξουσιοδοτημένων χρηστών στους οποίους παραχωρήθηκε πρόσβαση. Οι δύο αυτοί δείκτες είναι αμοιβαίως αποκλειόμενοι, δηλαδή όταν αυξάνει ο ένας μειώνεται ο άλλος. Όπως είναι φυσικό, όταν το σύστημα γίνει πολύ αυστηρό ώστε να εξαλειφθεί το ποσοστό των λανθασμένων αποδοχών, θα δυσκολεύονται και οι πραγματικοί χρήστες να αποκτήσουν πρόσβαση σε αυτό με αποτέλεσμα να αυξάνει το ποσοστό των λανθασμένων απορρίψεων. Ακριβώς το αντίθετο συμβαίνει όταν το σύστημα γίνει αρκετά χαλαρό ώστε να αποκτούν εύκολα πρόσβαση όλοι οι «νόμιμοι» χρήστες. Έγκειται στην κάθε εφαρμογή ξεχωριστά, αφού ελαχιστοποιήσει τους δύο αυτούς δείκτες, να θέσει τον επιθυμητό χαρακτήρα της εφαρμογής. Αν δηλαδή θα 12

14 δοθεί μεγαλύτερη έμφαση στην αποτροπή των εισβολέων ή στην φιλικότητα του συστήματος προς τους νόμιμους χρήστες του. Πίνακας 2.1 Αποδοχή Άρνηση Νόμιμη προσπάθεια (βιομετρικά ίδιου ατόμου) True Positive (TP) False Negative (FN) Παράνομη προσπάθεια False Positive True Negative (βιομετρικά διαφορετικών (FP) (TN) ατόμων) False Reject Rate: Ποσοστό των νόμιμων προσπαθειών που απορρίπτονται. (2.1) False Accept Rate: Ποσοστό των παράνομων προσπαθειών που γίνονται αποδεκτές. (2.2) 2.3 Βασικοί τύποι Βιομετρικής Οι βασικοί τύποι Βιομετρικής θα μπορούσαν χωρίζονται σε δύο κατηγορίες, σε αυτά που αφορούν τα φυσικά χαρακτηριστικά ενός ανθρώπου και σε αυτά που αφορούν τα στοιχεία της συμπεριφοράς του. Πιο συγκεκριμένα: Φυσικά χαρακτηριστικά : 1. Αναγνώριση προσώπου (οπτική, θερμική) 2. ακτυλικά αποτυπώματα 3. Σάρωση της ίριδας του ματιού 4. Σάρωση του αμφιβληστροειδή 5. Η γεωμετρία του χεριού 6. DNA Στοιχεία της συμπεριφοράς : 1. Η υπογραφή και ο γραφικός χαρακτήρας 2. Αναγνώριση φωνής 3. Αναγνώριση τρόπου πληκτρολόγησης 4. Tρόπος βαδίσματος 13

15 Σχήμα 2.2 Μέθοδοι βιομετρικής αναγνώρισης Στατικές υναμικές μέθοδοι Ο πρώτος διαχωρισμός των βιομετρικών μεθόδων έχει να κάνει με την παρουσία του χρήστη κατά τη διάρκεια της μέτρησης. Στις στατικές μεθόδους ο χρήστης δεν έχει να κάνει τίποτα άλλο από το να τοποθετήσει το υπό μέτρηση χαρακτηριστικό του σε ένα αισθητήριο ή σε κάποια άλλη συσκευή που θα επιτελέσει τη μέτρηση. Τέτοιες μέθοδοι είναι η σάρωση της ίριδας του ματιού και του αμφιβληστροειδή, η αναγνώριση προσώπου, τα δακτυλικά αποτυπώματα και η γεωμετρία χεριού. Αντίθετα στις δυναμικές μεθόδους ο χρήστης πρέπει να εκτελέσει κάποια ενέργεια για να είναι δυνατή η αναγνώριση του. Έτσι κατά την αναγνώριση φωνής ο χρήστης θα πρέπει να προφέρει κάποιες λέξεις ή φράσεις, κατά την εξακρίβωση υπογραφής να βάλει την υπογραφή του (προφανώς δεν αναφερόμαστε σε υπογραφή με μελάνι αλλά σε υπογραφή με ηλεκτρονικά μέσα) και κατά την αναγνώριση τρόπου πληκτρολόγησης να πληκτρολογήσει ορισμένες λέξεις ή κάποιο κείμενο. 14

16 2.3.1 Φυσιολογικές Ψυχολογικές μέθοδοι Ένα ακόμα στοιχείο διάκρισης των βιομετρικών μεθόδων, που περιλαμβάνει πολλά από αυτά που έχουμε ήδη αναφέρει, προκύπτει από το αν το υπό μέτρηση βιομετρικό χαρακτηριστικό είναι στοιχείο της φυσιολογίας του χρήστη ή στοιχείο της συμπεριφοράς του, ή αλλιώς στοιχείο της ψυχολογίας του. Ένα φυσιολογικό χαρακτηριστικό είναι κατά κανόνα ιδιαίτερα σταθερό. Αν εξαιρέσουμε την επίδραση ηλικίας και κάποιου τραυματισμού, τα στοιχεία αυτά παρουσιάζουν μεγάλη χρονική σταθερότητα και δεν εξαρτώνται από κανένα ψυχολογικό ή περιβαλλοντικό παράγοντα. Τέτοια χαρακτηριστικά είναι η ίριδα και ο αμφιβληστροειδής χιτώνας (κατά κανόνα, αλλά όχι πάντα όπως θα δούμε κατά την ανάλυση της μεθόδου), τα δακτυλικά αποτυπώματα και η γεωμετρία του προσώπου και του χεριού. Τα ψυχολογικά χαρακτηριστικά αντανακλούν περισσότερο την ψυχολογική κατάσταση του ατόμου παρά τη φυσιολογία του, αν και παράγοντες όπως το φύλο και η σωματική διάπλαση έχουν έναν σημαίνοντα ρόλο στη διαμόρφωση αυτών των χαρακτηριστικών. Άλλοι παράγοντες όπως η κούραση, το άγχος, η ψυχολογική διάθεση του ατόμου και το περιβάλλον όπου γίνεται η μέτρηση, παίζουν έναν ιδιαίτερα σημαντικό ρόλο κατά τη καταγραφή ενός ψυχολογικού βιομετρικού στοιχείου. Ψυχολογικά χαρακτηριστικά είναι αυτά που αναφέραμε πριν ως δυναμικά, δηλαδή η φωνή, η υπογραφή και ο τρόπος πληκτρολόγησης, καθώς για να αποκαλυφθεί η συμπεριφορά κάποιου ατόμου πρέπει προφανώς να προβεί σε κάποια ενέργεια. Γράφημα 2.1 Συχνότεροι Βιομετρικοί Μέθοδοι 15

17 Λόγω των διαφορών μεταξύ φυσιολογικών και ψυχολογικών μεθόδων, είναι προφανές ότι η υλοποίηση βιομετρικών συστημάτων που βασίζονται σε ψυχολογικά χαρακτηριστικά συμπεριφορές του χρήστη, είναι μάλλον πιο περίπλοκη και απαιτητική διαδικασία. Είναι, για παράδειγμα, ευκολότερη η κατασκευή ενός συστήματος που καθοδηγεί το χρήστη να τοποθετεί κάθε φορά το χέρι του στο ίδιο σημείο, από ότι η κατασκευή αλγορίθμων που θα λαμβάνουν υπόψη τη συναισθηματική κατάσταση του χρήστη ή το γεγονός ότι μπορεί να έχει συνάχι! Τα σημαντικότερα μειονεκτήματα των συστημάτων που βασίζονται σε φυσιολογικά χαρακτηριστικά είναι ότι συνήθως είναι ιδιαίτερα μεγάλα σε μέγεθος, κοστίζουν ακριβά και πολλές φορές φαντάζουν απειλητικά και ενοχλητικά στους χρήστες. Όπως όμως έχει ήδη τονιστεί, παρουσιάζουν πολύ μεγαλύτερη χρονική σταθερότητα και είναι κατά κανόνα πιο ευδιάκριτα από ότι τα χαρακτηριστικά που βασίζονται σε συνήθεις συμπεριφορές του χρήστη. Προτιμήσεις των κοινών ανθρώπων στην επιλογή των βιομετρικών μεθόδων : Για την αξιολόγηση τέτοιων συστημάτων βασικές παράμετροι θεωρούνται οι παρακάτω: Επίδοση: ακρίβεια και ταχύτητα στην ταυτοποίηση των βιομετρικών χαρακτηριστικών, ικανοποίηση προαπαιτούμενων για την επιτυχή ταυτοποίηση (π.χ. υψηλή ανάλυση εικόνων). Αποδοχή: κατά πόσο το ευρύ κοινό μπορεί να αποδεχτεί τη συγκεκριμένη μέθοδο ταυτοποίησης ή αναγνώρισης. Ασφάλεια: κατά πόσο θεωρείται ασφαλές το συγκεκριμένο σύστημα ή πόσο εύκολο είναι να εξαπατηθεί το σύστημα. 16

18 Μια αρχική βαθμολόγηση των παραπάνω βιομετρικών χαρακτηριστικών παρουσιάζεται στον πίνακα που ακολουθεί Πίνακας 2.2 Βαθμολόγηση Βιομετρικών Μεθόδων. Η βαθμολογία έχει τα εξής επίπεδα: Χ (χαμηλό), Μ (μεσαίο) και Υ (υψηλό). Πηγή: Βιομετρικό Χαρακτηριστικό Καθολικότητα Μοναδικότητα Μονιμότητα Μετρησιμότητα Επίδοση Αποδοχή Ασφάλεια Αναγνώριση Πρόσωπο Υ Χ Μ Υ Χ Υ Υ Δακτυλικό Αποτύπωμα Μ Υ Υ Μ Υ Μ Μ Γεωμετρία Χεριού Μ Μ Μ Υ Μ Μ Μ Ίριδα Υ Υ Υ Μ Υ Χ Χ Υπογραφή Χ Χ Χ Υ Χ Υ Υ Γράφημα 2.2 Στατιστικά στοιχειά του παραπάνω πίνακα Χαμηλό(1) Μέτριο(2) Υψηλό(3). Στη παρούσα πτυχιακή εργασία θα γίνει αναλυτική παρουσίαση του Δακτυλικού Αποτυπώματος και της Αναγνώρισης Πρόσωπου, οι άλλοι τύποι βιομετρικής θα παρουσιαστούν συνοπτικά στο κεφάλαιο 3. και 4. αντίστοιχα. 17

19 2.4 Συνοπτική ανάλυση Βιομετρικών τύπων Σάρωση Φωνής (Voice Scan) Η μέθοδος με τη σάρωση φωνής χρησιμοποιεί φωνητικά χαρακτηριστικά για να αναγνωρίσει άτομα. Είναι πολύ ελκυστική τεχνολογία λόγω της αποδοχής που έχει από τους χρήστες. Τα συστήματα σάρωσης φωνής αναγνωρίζουν το μοναδικό ηχητικό σήμα που παράγει ο χρήστης λέγοντας μια συγκεκριμένη φράση κλειδί (passphrase). Το βασικό προτέρημα αυτής της τεχνολογίας είναι η δυνατότητα για πιστοποίηση από απόσταση. Δηλαδή δεν είναι αναγκαίο ο χρήστης να βρίσκεται μπροστά σε κάποιο μηχάνημα ή συσκευή του συστήματος, όπως γίνεται κατά την αναγνώριση δακτυλικού αποτυπώματος ή προσώπου, αλλά μπορεί να βρίσκεται χιλιόμετρα μακριά χρησιμοποιώντας το τηλέφωνό του ή να βρίσκεται στο σπίτι του και να χρησιμοποιήσει ένα κοινό μικρόφωνο. Σ αυτό το σημείο πρέπει να ξεκαθαρίσουμε τη διαφορά μεταξύ αναγνώρισης φωνής και αναγνώρισης ομιλίας, ώστε αυτές η δύο έννοιες να μη συγχέονται. Η αναγνώριση φωνής αναγνωρίζει το άτομο που μιλάει, ενώ από την άλλη η αναγνώριση ομιλίας είναι η διαδικασία της κατανόησης του τι λέει κάποιος, χωρίς να προσδιορίζει το ποιος είναι. Επιπλέον είναι ασαφές αν κατά την αναγνώριση φωνής οι τεχνολογίες όντως αναγνωρίζουν τη φωνή ή απλά την προφορά της φράσης-κλειδιού του χρήστη. Σχήμα 2.3 Λογισμικό αναγνώρισης φωνής 18

20 Η φράση - κλειδί συνήθως πρέπει να είναι διάρκειας ενός έως τριών δευτερολέπτων. Δεν χρειάζεται να περιέχει κανενός είδους μυστικές πληροφορίες ή ειδικές λέξεις. Μερικά τυπικά παραδείγματα τέτοιων φράσεων είναι το ονοματεπώνυμο, η διεύθυνση ή η πόλη του χρήστη. Ένα πρόβλημα που δημιουργείται συχνά είναι το ότι μαζί με τη φράση-κλειδί περνάνε και θόρυβοι που προκαλούνται άθελα μας, όπως θόρυβος με τα χείλη, θόρυβος αναπνοής, βήχας, άσχετες συλλαβές όπως αα ή εε. Συνήθεις ανησυχίες για τα συστήματα αναγνώρισης φωνής προκαλούν οι απομιμήσεις. Αυτό δεν είναι σημαντικό, γιατί οι συσκευές σκόπιμα εστιάζουν σε διαφορετικά χαρακτηριστικά της ομιλίας, απ ότι οι άνθρωποι. Οι συσκευές οι οποίες αποτελούν προϊόν απομίμησης εστιάζουν στα χαρακτηριστικά που έχουν λάβει άνθρωποι και συνήθως δεν είναι αποτελεσματικές. Ακόμα μια απειλή για τα συστήματα φωνής είναι η κλωνοποίηση της φωνής. Όμως και αυτός ο φόβος είναι μηδαμινός αν υπολογίσει κανείς ότι για να δημιουργηθεί ένας κλώνος φωνής χρειάζονται ώρες ομιλίας του αυθεντικού χρήση και ότι το κόστος πλησιάζει τα δολάρια Σάρωση Ίριδας Ματιού Η αναγνώριση ίριδας [1] ματιού βασίζεται στα ορατά (μέσω κανονικού ή /και υπέρυθρού φωτός) στοιχεία της ίριδας. Η ίριδα (διακρίνεται στο παρακάτω σχήμα) είναι ένα προστατευμένο εσωτερικό όργανο του ματιού, τοποθετημένο πίσω από τον κερατοειδή χιτώνα, όμως μπροστά από τον κρυσταλλοειδή χιτώνα του ματιού. Είναι το μόνο εσωτερικό όργανο του σώματος πού είναι κανονικά ορατό εξωτερικά. Στην ουσία η ίριδα είναι το έγχρωμο μέρος που περιβάλλει την κόρη του ματιού. Αρχίζει να σχηματίζεται κατά τη διάρκεια του 3 ου μήνα της κυοφορίας και ολοκληρώνεται στον 8 ο μήνα, όμως ο χρωματισμός συνεχίζει και μέσα στα πρώτα χρόνια μετά τη γέννηση. 19

21 Σχήμα 2.4 Σχηματική τομή οφθαλμού Η ίριδα έχει πλούσια και μοναδικά χαρακτηριστικά, όπως ραβδώσεις, νεύρα, δακτύλιοι, ιστοί, αυλάκια, αγγεία και το δίκτυο κυττάρων. Σύμφωνα με μελέτες που έχουν γίνει η ανθρώπινη ίριδα έχει σχεδόν 250 χαρακτηριστικά και καθένα από αυτά είναι μοναδικά σε κάθε άτομο. Ο αριθμός αυτών των χαρακτηριστικών είναι δέκα φορές πάνω από τον αριθμό των γνωρισμάτων που διαθέτουν τα δακτυλικά αποτυπώματα. Αυτό σημαίνει ότι η πιθανότητα ο γενετικός κώδικας τις ίριδας ενός ατόμου να ταιριάζει απόλυτα με το γενετικό κώδικα τις ίριδας κάποιου άλλου ατόμου είναι τόσο απίθανη, σαν να είναι σχεδόν αδύνατο. Η αναγνώριση ίριδας είναι ακόμα πιο αξιόπιστη και από εξέταση DNA. Επιπλέον ιδιότητες που αυξάνουν την καταλληλότητα της ίριδας για χρήση σε υψηλής ασφάλειας συστήματα αναγνώρισης είναι: (1) η έμφυτη απομόνωση και προστασία από το εξωτερικό περιβάλλον, (2) η αδυναμία χειρουργικής αλλαγής της, χωρίς ανεπιθύμητους κινδύνους στην όραση, (3) η φυσιολογική αντίδραση στο φως, η οποία εξασφαλίζει έναν από τους πολλούς φυσικούς ελέγχους. Μια ιδιότητα που η ίριδα έχει από κοινού με τα δακτυλικά αποτυπώματα είναι η τυχαία μορφογένεση των λεπτομερειών τους. Επειδή δεν υπάρχει καμία γενετική διείσδυση στην παρατήρηση αυτού του οργάνου πέραν της ανατομικής μορφής, της φυσιολογίας, του χρώματος και γενικά της εμφάνισης, η σύσταση της ίριδας είναι τυχαία ή πιθανώς χαοτική. Έτσι παρατηρείται το φαινόμενο κάθε ίριδα να έχει 20

22 μοναδικές λεπτομέρειες, ακόμα και σε δίδυμους ή και στο ίδιο άτομο η ίριδα του δεξιού ματιού διαφέρει από αυτή του αριστερού ματιού. Η ίριδα ως βιομετρικό χαρακτηριστικό παρουσιάζει περισσότερα πρακτικά πλεονεκτήματα τα υπόλοιπα βιομετρικά χαρακτηριστικά. Τέτοια πλεονεκτήματα είναι : (1) Η δυνατότητα δημιουργίας μιας εικόνας από μακριά, χωρίς φυσική επαφή. (2) Η σταθερότητα των χαρακτηριστικών της για όλη τη ζωή του ανθρώπου. Σχήμα 2.4 Σάρωση ίριδας Η σάρωση της ίριδας γίνεται από μια συσκευή, η οποία περιέχει μια μικρή κάμερα και φακούς κοντινής λήψης, που παίρνουν μια στατική εικόνα του ματιού. Το σύστημα αναλύει την εικόνα και παράγει έναν κώδικα 512 bytes που ονομάζεται κώδικας ίριδας (IrisCode). Ένα πρότυπο αποθηκεύεται για μελλοντική προσπάθεια εξακρίβωσης του ατόμου. 512 bytes είναι αρκετά συμπαγές μέγεθος για ένα βιομετρικό πρότυπο, όμως η ποσότητα της πληροφορίας που προέρχεται από μια ίριδα είναι μεγάλη. Παράδειγμα για μια ίριδα διαμέτρου 11 χιλιοστών, χρειάζονται 3,4 bits ανά χιλιοστό. Το πρώτο βήμα στην αναγνώριση μέσο ίριδας είναι να τοποθετηθεί το άτομο μπροστά στην κάμερα σε απόσταση 2-18 ίντσες, ανάλογα με τη συσκευή. Στη συνέχεια εστιάζει το μάτι στη συσκευή, ώστε να μπορεί να δει την αντανάκλαση του ματιού. Η διαδικασία της αναγνώρισης γίνεται πολύ σύντομα. Η εικόνα του ματιού παράγεται σε ένα τέταρτο (1/4) του δευτερολέπτου, ο κώδικας ίριδος δημιουργείται 21

23 μέσα σ ένα δευτερόλεπτο, η αναζήτηση στη βάση δεδομένων είναι άμεση, με εκατοντάδες χιλιάδες εγγραφών να αναλύονται το δευτερόλεπτο. Παρόλα αυτά υπάρχουν κάποιες διαφωνίες, κατά πόσον η αναζήτηση σ ένα πραγματικά μεγάλο αριθμό εγγραφών (δεκάδες εκατομμύρια) θα μπορούσε να διεξάγεται τόσο γρήγορα όσο απαιτείται. Η σάρωση ίριδας είναι μία τρομακτικά ακριβής βιομετρική τεχνολογία. Μόνο η σάρωση του αμφιβληστροειδούς χιτώνα μπορεί να προσφέρει σχεδόν τόσο καλή ασφάλεια όσο αυτή που προσφέρει η ίριδα. Τα περισσότερα κοινά βιομετρικά προσφέρουν λογικά αποτελέσματα, αλλά δεν μπορούν να χρησιμοποιηθούν σε μεγάλης κλίμακας υλοποιήσεις αναγνώρισης όπως η αναγνώριση ίριδας. Σχήμα 2.5 Διαδικασία σάρωσης ίριδας Σάρωση Αμφιβληστροειδούς Χιτώνα (Retina Scan) Μαζί με τη σάρωση ίριδας, η σάρωση αμφιβληστροειδούς είναι ίσως οι πιο ακριβής και αξιόπιστη βιομετρική [1] τεχνολογία, όμως είναι και μεταξύ των πιο δύσκολων στη χρήση. Η σάρωση αμφιβληστροειδούς είναι ένας από τους παλαιότερους βιομετρικούς ελέγχους. Από το 1930 έρευνες έδειξαν ότι η μορφή των αγγείων αίματος στο πίσω μέρος του ανθρώπινου ματιού είναι διαφορετική από άτομο σε άτομο, ακόμα και σε δίδυμα αδέρφια. Επίσης ο αμφιβληστροειδής παραμένει ίδιος σε όλη τη ζωή του ανθρώπου, με την εξαίρεση ορισμένων τύπων από εκφυλιστικές ασθένειες του ματιού, ή περιπτώσεις σοβαρών τραυμάτων στο κεφάλι. 22

24 Σχήμα 2.6 Ανατομία οφθαλμού Ο αμφιβληστροειδής χιτώνας του ματιού είναι το μέρος του ματιού το οποίο αισθάνεται το φως και μεταδίδει παλμούς δια μέσου του οπτικού νεύρου προς τον εγκέφαλο. Τα αιμοφόρα αγγεία που χρησιμοποιούνται για τη βιομετρική αναγνώριση βρίσκονται κατά μήκος του νωτιαίου αμφιβληστροειδούς, το έσχατο από τα τέσσερα επίπεδα του αμφιβληστροειδούς. Οι συσκευές σάρωσης αμφιβληστροειδούς διαβάζουν διαμέσου της κόρης του ματιού, γι αυτό απαιτείται ο χρήστης να τοποθετήσει το μάτι του εντός μισής ίντσας από τη συσκευή και να μείνει ακίνητος μέχρις ότου η συσκευή ανάγνωσης εξακριβώσει την ταυτότητα του. Ο χρήστης κοιτάει σ ένα περιστρεφόμενο πράσινο φως. Παίρνονται σημεία αναφοράς και αποθηκεύονται σ ένα πεδίο 96 bytes, εξασφαλίζοντας ότι το μέτρημα είναι σωστό, με ένα αμελητέο βαθμό σφάλματος. Σε σύγκριση με το δακτυλικό αποτύπωμα που χρειάζονται διακριτά σημεία, γίνεται φανερό το πολύ υψηλό επίπεδο ακρίβειας της τεχνολογίας αυτής. Στα πλεονεκτήματα αυτής της μεθόδου αναφέρονται τα ακόλουθα : Μηδαμινή πιθανότητα να διεκδικήσει κάποιος χρήστης λάθος ταυτότητα και να γίνει αποδεκτός (μόλις μία πιθανότητα στο εκατομμύριο). Σταθερότητα στο βιομετρικό δείγμα. Ανθεκτική στην απάτη. Θα ήταν πολύ δύσκολο και χρονοβόρο να δημιουργηθεί ένα ψεύτικο δείγμα αμφιβληστροειδούς. Μικρή ποσότητα δεδομένων (μόλις 96 bytes). 23

25 Μερικά μειονεκτήματα είναι τα εξής : Δυσκολία στη χρήση Διστακτικότητα των χρηστών. Το μάτι και ειδικά το εσωτερικό του ματιού είναι πολύ ευαίσθητο και γι αυτό πολύ χρήστες είναι διστακτικοί στο να χρησιμοποιήσουν τέτοιες συσκευές. Στατικός σχεδιασμός. Σε αντίθεση με τις άλλες τεχνολογίες, οι οποίες μπορούν να εκμεταλλευτούν τα πλεονεκτήματα των νέων τεχνολογιών, όπως καλύτερης ποιότητας κάμερες ή αξιοποίηση πυριτίου, ή σάρωση αμφιβληστροειδούς είναι περιορισμένη σε συγκεκριμένους μηχανισμούς σύλληψης του δείγματος και συγκεκριμένα πρωτοκόλλα Κόστος. Οι συσκευές σάρωσης αμφιβληστροειδούς κοστίζουν περίπου $2000- $ Σάρωση Χεριού Η σάρωση χεριού [1] είναι γνωστή και ως γεωμετρία χεριού (hand geometry). Είναι μια αυτοματοποιημένη μέτρηση πολλών μεγεθών του χεριού και των δακτύλων. Η τεχνολογία αυτή χρησιμοποιεί το ύψος των δακτύλων, την απόσταση μεταξύ των κλειδώσεων και το σχήμα των αρθρώσεων για να πιστοποιήσει την ταυτότητα του χρήστη. Παρόλο που δεν είναι η πιο ακριβής τεχνολογία, η σάρωση χεριού έχει αποδειχτεί ως η ιδανική λύση για χαμηλού επιπέδου εφαρμογές ασφάλειας. Η μέθοδος απόκτησης του βιομετρικού δείγματος είναι αρκετά απλή. Ο χρήστης τοποθετεί το χέρι του στην ειδική συσκευή ακουμπώντας την παλάμη του σε μία μεταλλική επιφάνεια διαστάσεων 8x10. (Όπως φαίνεται στις παρακάτω εικόνες). Σχήμα 2.7 Τοποθέτηση παλάμης 24

26 Στη συνέχεια ο χρήστης ευθυγραμμίζει το χέρι του σύμφωνα με τα πέντε ειδικά καρφιά, που είναι σχεδιασμένα ώστε να υποδείξουν την κατάλληλη θέση του αντίχειρα, του δείκτη και του μεσαίου. Το σύστημα χρησιμοποιεί μια pixel CCD (charged coupled device) ψηφιακή κάμερα, εξάγοντας συμπεράσματα για το μήκος, το πλάτος, το πάχος και την επιφάνεια του χεριού από τις εικόνες των περιγραμμάτων που σχεδιάζονται μέσα στον σαρωτή. Γίνονται πάνω από 90 μετρήσεις και τα χαρακτηριστικά του χεριού αναπαριστάνονται σ ένα πρότυπο 9 bytes. Η σάρωση χεριού ενίοτε παρεξηγείται με τη σάρωση παλάμης που είναι μια εντελώς ξεχωριστή τεχνολογία. Πλεονεκτήματα της σάρωσης χεριού : Ευκολία στη χρήση. Απλή διαδικασία και με κατάλληλη εκπαίδευση μπορούν να μειωθούν και τα λάθη στην τοποθέτηση του χεριού. Με μια μικρή εξαίρεση στα άτομα μεγάλης ηλικίας ή σε άτομα με αρθριτικά προβλήματα στα χέρια, που ίσως να μη μπορούν να ανοίξουν τα δάκτυλα και να τοποθετήσουν το χέρι τους στην συσκευή. Ανθεκτική στην απάτη. Μικρό μέγεθος προτύπου. Μόλις 9 Bytes. Αντίληψη του χρήστη. Σε αντίθεση με τη σάρωση προσώπου ή τις τεχνολογίες βασισμένες στο μάτι, οι οποίες μπορεί να συναντούν κάποιες αντιδράσεις, η σάρωση χεριού είναι αποδεκτή από τη συντριπτική πλειοψηφία των χρηστών. Μειονεκτήματα της σάρωσης χεριού : Στατικός σχεδιασμός. Η τεχνολογία της σάρωσης χεριού παραμένει σε μεγάλο βαθμό αμετάβλητη για χρόνια. Κόστος. Οι σαρωτές χεριού κοστίζουν περίπου $ $2000 Κακώσεις στο χέρι. Όπως σε όλα τα βιομετρικά φυσικές αλλαγές μπορεί να προκαλέσουν εσφαλμένη απόρριψη των χρηστών. Ακρίβεια. Παρόλο που είναι πιο αξιόπιστη από τα βιολογικά βιομετρικά, όπως η φωνή και η υπογραφή, η σάρωση χεριού δεν μπορεί να πραγματοποιήσει αναζητήσεις ένα -προς- πολλά. 25

27 2.4.5 DNA Το βασικό ερώτημα σ αυτή την περίπτωση είναι το κατά πόσο το DNA μπορεί να συμπεριληφθεί στις βιομετρικές τεχνολογίες. Το DNA διαφέρει από τα τυπικά βιομετρικά σε πολλά σημεία : Το DNA απαιτεί ένα χειροπιαστό φυσικό δείγμα, σε αντίθεση με μια εικόνα, ένα αποτύπωμα, ή μια εγγραφή. Το ταίριασμα του DNA και δεν γίνεται σε πραγματικό χρόνο και συγχρόνως δεν είναι όλα τα στάδια της σύγκρισης αυτοματοποιημένα. Το ταίριασμα του DNA δεν δημιουργεί πρότυπα ή εξαγωγή χαρακτηριστικών, αλλά αντιθέτως αναπαριστά τη σύγκριση με πραγματικά δείγματα. Ανεξάρτητα από αυτές τις βασικές διαφορές, το DNA είναι ένας τύπος βιομετρικής αφού χρησιμοποιείται ως φυσικό χαρακτηριστικό στην επαλήθευση και τον προσδιορισμό ενός χρήστη. Το αν το DNA θα βρει χρήση πέρα από την παρούσα χρήση του και σε άλλες εφαρμογές είναι αβέβαιο. Λογικές συζητήσεις πάνω στο πως, πότε και που θα έπρεπε ή δεν θα έπρεπε να χρησιμοποιηθεί, ποιος θα ελέγχει τα δεδομένα, που θα έπρεπε να αποθηκευτούν αυτά Σάρωση Υπογραφής Η σάρωση υπογραφής [1] είναι επίσης γνωστή και ως δυναμική εξακρίβωση υπογραφής (Dynamic Signature Verification). Είναι η βιομετρική τεχνολογία η οποία δεν έχει ευρεία χρήση, όμως ίσως σύντομα βοηθήσει στην αντιμετώπιση της πιστοποίησης επίσημων εγγράφων. Μετρώντας τον τρόπο με τον οποίο ένας χρήστης γράφει το όνομα του, ένα συνθηματικό, ή μια φράση κλειδί, η σάρωση υπογραφής ερευνά τον τρόπο, την ταχύτητα, την πίεση και άλλους παράγοντες οι οποίοι συνδέονται με τη διαδικασία της υπογραφής. Σχήμα 2.8 Σάρωση υπογραφής 26

28 Η σάρωση υπογραφής εξασφαλίζει αξιόπιστη αναγνώριση ατόμων, με βάση την υπογραφή τους. Χρησιμοποιεί μετρήσεις του μοναδικού τρόπου με τον οποίο δημιουργείται μια χειρόγραφη υπογραφή, ώστε να επιβεβαιώσει την ταυτότητα του χρήστη. Σε μεγάλες επιχειρήσεις ή μέσω του internet μια ψηφιακή υπογραφή καθιστά ικανές τις εφαρμογές να παρέχουν αυξημένη μυστικότητα και αξιόπιστη ηλεκτρονική εξουσιοδότηση, σε αντίθεση με ένα συνθηματικό, ένα PIN ή μια keycard, που μπορεί να ξεχαστούν, να χαθούν, ή να κλαπούν. Σχήμα 2.9 Σύστημα επαλήθευσης υπογραφής Η σάρωση υπογραφής εξασφαλίζει αξιόπιστη αναγνώριση ατόμων, με βάση την υπογραφή τους. Χρησιμοποιεί μετρήσεις του μοναδικού τρόπου με τον οποίο δημιουργείται μια χειρόγραφη υπογραφή, ώστε να επιβεβαιώσει την ταυτότητα του χρήστη. Σε μεγάλες επιχειρήσεις ή μέσω του internet μια ψηφιακή υπογραφή καθιστά ικανές τις εφαρμογές να παρέχουν αυξημένη μυστικότητα και αξιόπιστη ηλεκτρονική εξουσιοδότηση, σε αντίθεση με ένα συνθηματικό, ένα PIN ή μια keycard, που μπορεί να ξεχαστούν, να χαθούν, ή να κλαπούν. Σχήμα 2.10 Σύστημα σάρωσης υπογραφής Τα συστήματα αυτά αναλύουν και τα δυναμικά και τα του χώρου χαρακτηριστικά γνωρίσματα της χειρόγραφης υπογραφής για να ελέγξουν την ταυτότητα του υπογράφοντος. Επειδή κάθε άτομο έχει τον προσωπικό του γραφικό χαρακτήρα, το 27

29 σύστημα παίρνει τα χαρακτηριστικά του τρόπου γραφής και αναλύει τη δυναμική του χτυπήματος, της ταχύτητας και της πίεσης. Ενώ με εξάσκηση κάποιος ίσως μπορέσει να αντιγράψει την οπτική εικόνα της υπογραφής κάποιου άλλου, είναι πολύ δύσκολο, έως αδύνατο, να αντιγράψει τον τρόπο με τον οποίο το άτομο αυτό υπογράφει. Ακόμα και αν η υπογραφή είναι τέλεια σχεδιασμένη, η ταχύτητα, η δύναμη και η πίεση θα διαφέρουν. Αρκετά συστήματα σάρωσης υπογραφής ενσωματώνουν μια συνάρτηση μάθησης, η οποί μπορεί αυτομάτως να απορροφά και να απεικονίζει κάθε φυσική αλλαγή στην υπογραφή κατά τη διάρκεια του χρόνου. Αυτά τα συστήματα χρησιμοποιούν τις αλλαγές στην πίεση, στη μορφή, στην κατεύθυνση και στην ταχύτητα σε συνάρτηση με το χρόνο. Έτσι τα δεδομένα αναλύονται σε τέσσερις διαστάσεις x (οριζόντια ταχύτητα), y (κάθετη ταχύτητα), z (πίεση) και t (χρόνος) Αναγνώριση τρόπου πληκτρολόγησης Σχήμα 2.11 Σύστημα σάρωσης υπογραφής Η δυναμική πατήματος πλήκτρου είναι γνωστή και ως ρυθμός δακτυλογράφησης. Όπως υποδηλώνει και το όνομα αυτή η μέθοδος εξετάζει τον τρόπο με τον οποίο ένα άτομο δακτυλογραφεί ή πιέζει τα πλήκτρα σ ένα πληκτρολόγιο. Η αυθεντική τεχνολογία προέρχεται από την ιδέα αναγνώρισης ενός αποστολέα σημάτων Morse, χρησιμοποιώντας ένα κλειδί τηλεγραφίας γνωστό ως γροθιά του αποστολέα, δια του οποίου οι χειριστές μπορούσαν να αναγνωρίσουν τους αποστολείς που διαβίβαζαν ένα μήνυμα από το ρυθμό, το μέτρο και τη βραχύτητα του 28

30 σήματος. Στις αρχές της δεκαετίας του 80 το Εθνικό Ίδρυμα Επιστημών (National Science Foundation) και το National Institute of Standards στην Αμερική διεξήγαγαν έρευνες για να αποδείξουν ότι ο τρόπος δακτυλογράφησης περιέχει μοναδικά χαρακτηριστικά τα οποία μπορούν να αναγνωριστούν. Αυτή η τεχνολογία αναλύει χαρακτηριστικά όπως η ταχύτητα, η δύναμη, η συχνότητα λάθους, ο συνολικός χρόνος δακτυλογράφησης ενός συγκεκριμένου συνθηματικού και ο χρόνος που μεσολαβεί από το πάτημα ενός συγκεκριμένου πλήκτρου έως το πάτημα ενός άλλου συγκεκριμένου πλήκτρου. Πλεονεκτήματα της δυναμικής πατήματος πλήκτρου : Η επιβεβαίωση βασίζεται στην παραδοχή ότι ο τρόπος που δακτυλογραφεί ένα άτομο είναι ξεχωριστός, ειδικά ο ρυθμός του. Ακόμα και αν κάποιος μαντέψει το σωστό συνθηματικό, δεν θα μπορέσει να το δακτυλογραφήσει με τον κατάλληλο ρυθμό. Η συσκευή εισόδου μπορεί να είναι το υπάρχον πληκτρολόγιο. Έτσι μειώνεται δραστικά το κόστος. Μειονεκτήματα αυτής της τεχνολογίας : Υπάρχουν πολλές τεχνικές δυσκολίες που κάνουν την συγκεκριμένη τεχνολογία να μην αποδίδει τα αναμενόμενα αποτελέσματα. Οι μισές προσπάθειες σε εμπορικές τεχνολογίες έχουν αποτύχει. Διαφορές στα πληκτρολόγια, ακόμα και της ίδιας εταιρίας, και στα πρωτόκολλα επικοινωνίας προκαλούν εμπόδια στις εταιρίες ανάπτυξης αυτής της τεχνολογίας Αναγνώριση Tρόπου βαδίσματος Ο ανθρώπινος βηματισμός είναι ο μοναδικός τρόπος με τον οποίο κάποιος περπατάει. Είναι ένα σύνθετο χωροχρονικό βιομετρικό, όπου δεν είναι ιδιαίτερα διακριτό αλλά είναι αρκετά διακριτό για να είναι δυνατή η εξακρίβωση σε ορισμένες εφαρμογές χαμηλής ασφαλείας. Δεν μπορεί να παραμείνει αμετάβλητος ο βηματισμός, ιδιαίτερα για μεγάλο χρονικό διάστημα, λόγω των διακυμάνσεων του σωματικού βάρους, ή σοβαρών τραυματισμών των αρθρώσεων ή του εγκεφάλου, ή λόγω μέθης Η απόκτηση του βηματισμού είναι παρόμοια με την απόκτηση μίας εικόνας ενός προσώπου και, ως εκ τούτου, μπορεί να είναι βιομετρικά αποδεκτή. Η ανάλυση του βηματισμού περιλαμβάνει συνήθως την μέτρηση της κίνησης του σώματος στον χώρο 29

31 (κινηματική) και των δυνάμεων που συμμετέχουν στην παραγωγή αυτών των κινήσεων (κινητική).στην κινηματική μπορούν να καταγραφούν οι κινήσεις χρησιμοποιώντας μια ποικιλία συστημάτων και μεθοδολογιών: Σχήμα 2.12 Αναγνώριση Tρόπος βαδίσματος Chronophotography: είναι η πιο βασική μέθοδος για την καταγραφή της κίνησης strobe φωτισμού σε γνωστές συχνότητες που έχει χρησιμοποιηθεί στο παρελθόν για την ενίσχυση στην ανάλυση του βηματισμού σε μονές φωτογραφικές εικόνες. Κινηματογραφικές ή βιντεοσκοπημένες σκηνές από μεμονωμένες ή πολλαπλές κάμερες μπορούν να χρησιμοποιηθούν για την μέτρηση γωνιών και ταχυτήτων. Η μέθοδος αυτή υποστηρίζεται από την ανάπτυξη της ανάλυσης λογισμικού που 30

32 απλοποιεί σημαντικά την διαδικασία ανάλυσης και επιτρέπει την ανάλυση σε τρεις διαστάσεις, και όχι μόνο σε δύο διαστάσεις. Παθητικά συστήματα σήμανσης, με αντανακλαστικούς δείκτες (συνήθως αντανακλαστικές μπάλες), επιτρέπουν την πολύ ακριβή μέτρηση των κινήσεων χρησιμοποιώντας πολλαπλές κάμερες ταυτόχρονα. Οι κάμερες στέλνουν υπέρυθρο φως και ο εντοπισμός της αντανάκλασης απο τους δείκτες τοποθετείται στο σώμα. Βασίζεται στην οπτική γωνία και στον χρόνο που μεσολαβεί μεταξύ του αυθεντικού και του ανακλώμενου τριγωνικού σήματος του δέκτη στο δυνατό διάστημα. Ενεργά συστήματα σήμανσης είναι παρόμοια με τα παθητικά συστήματα αλλά χρησιμοποιούνται σε ενεργούς δείκτες. Οι δείκτες θα προκύψουν από το εισερχόμενο υπέρυθρο σήμα και ανταποκρίνονται στέλνοντας ένα αντίστοιχο δικό τους σήμα. Το πλεονέκτημα αυτού του συστήματος είναι ότι οι επιμέρους δείκτες λειτουργούν σε προκαθορισμένες συχνότητες και συνεπώς έχουν την δική τους <<ταυτότητα>>. 2.5 Βιομετρικά Συστήματα Συμπεράσματα Πλεονεκτήματα Δεν απαιτούν χρήση κλειδιού, κάρτας ή άλλης συσκευής από το χρήστη Δεν απαιτούν την απομνημόνευση Συνθηματικού πρόσβασης Δεν απαιτούν τη διαχείριση σχετικά με την τροποποίηση στοιχείων συνθηματικών για την πρόσβαση κλπ Η πιθανότητα ορθής αναγνώρισης βασίζεται σε μοναδικά χαρακτηριστικά Τα κριτήρια είναι μόνιμα και δεν απαιτούν ανανέωση (εξαίρεση αποτελεί η αναγνώριση φωνής, η σύγκριση υπογραφής και η αναγνώριση πληκτρολόγησης, που απαιτούν ανανέωση με το γήρας του χρήστη) Μειονεκτήματα Παλαιότερων Βιομετρικών Συστημάτων Υψηλό κόστος Αργοί χρόνοι απόκρισης Απαιτήσεις για μεγάλες βάσεις δεδομένων 31

33 Υψηλό ποσοστό απόρριψης, απαίτηση για εφαρμογή τεχνικών λήψης αντιγράφων ασφαλείας για την αυθεντικοποίηση με έμμεσο αποτέλεσμα τη δυσαρέσκεια του χρήστη Υψηλές απαιτήσεις συντήρησης Μακροσκελείς διαδικασίες καταχώρησης Η κοινωνική αντίληψη ότι η λήψη δακτυλικών αποτυπωμάτων συνδυάζεται με εγκληματική δραστηριότητα Η κοινωνική αντίληψη ότι η χρήση ακτινοβολίας βλάπτει την υγεία Η αντίσταση των χρηστών 32

34 ΚΕΦΑΛΑΙΟ 3 Δακτυλικό Αποτυπώματος 3.1 Ιστορία Δακτυλικών Αποτυπωμάτων Τα δακτυλικά αποτυπώματα, τα οποία ορίζονται ως η αναπαραγωγή των κορυφογραμμών του δακτύλου όταν το δάκτυλο πιέζεται σε κάποια επιφάνεια, έχουν χρησιμοποιηθεί ευρέως τα τελευταία εκατό χρόνια. Η πρώτη λεπτομερής περιγραφή των δακτυλικών αποτυπωμάτων έγινε από τον Mayer το Το 1809, ο Thomas Bewick ξεκίνησε να χρησιμοποιεί τα δακτυλικά του αποτυπώματα ως σφραγίδα του, ενώ το 1823, ο Purkinje πρότεινε το πρώτο σχήμα ταξινόμησης των δακτυλικών αποτυπωμάτων. Η ταξινόμηση των αποτυπωμάτων σύμφωνα με τον Purkinje παρουσιάζεται στο Σχήμα 2.2. Το 1880, ο Henry Fauld βασιζόμενος σε εμπειρικές εκτιμήσεις, αναφέρθηκε στο γεγονός ότι τα δακτυλικά αποτυπώματα κάθε ατόμου είναι διαφορετικά. Ο Galton έκανε μια εκτενή έρευνα σχετικά με τα δακτυλικά αποτυπώματα και το 1888 είναι ο πρώτος που εισήγαγε τις μικρολεπτομέρειες (minutiae) στη διαδικασία σύγκρισης των αποτυπωμάτων. Οι μικρολεπτομέρειες χρησιμοποιούνται σήμερα ευρύτατα στη διαδικασία ταυτοποίησης των δακτυλικών αποτυπωμάτων. Τέλος, το 1899 αναπτύχθηκε από τον Edward Henry το γνωστό «Σύστημα του Henry» για την ταξινόμηση των δακτυλικών αποτυπωμάτων. Σύμφωνα με το «Σύστημα του Henry» τα δακτυλικά αποτυπώματα κατηγοριοποιούνται σύμφωνα με κάποια βασικά τους χαρακτηριστικά. Με τον τρόπο αυτό μειώνεται ο απαιτούμενος χρόνος ταυτοποίησης των αποτυπωμάτων. Οι βασικές «αρχές» που διέπουν τα δακτυλικά αποτυπώματα μπορούν να διατυπωθούν ως εξής: Οι επιδερμικές κορυφογραμμές και τα επιδερμικά αυλάκια έχουν διαφορετικά χαρακτηριστικά για διαφορετικά δακτυλικά αποτυπώματα. Τα δακτυλικά αποτυπώματα είναι διαφορετικά για κάθε άτομο, όμως μπορούν να ομαδοποιηθούν σε κάποιες κατηγορίες. Τα χαρακτηριστικά των δακτυλικών αποτυπωμάτων και οι μικρολεπτομέρειες είναι μόνιμα και δεν μεταβάλλονται με το χρόνο. 33

35 Η πρώτη αρχή αποτελεί τη βάση της ταυτοποίησης των αποτυπωμάτων, ενώ η δεύτερη τη βάση του διαχωρισμού των εν λόγω εικόνων σε ομάδες. Σχήμα 3.1 : Τα εννέα διαφορετικά πρότυπα δακτυλικών αποτυπωμάτων σύμφωνα με τον Purkinje. Η ταχύτατη επέκταση των δακτυλικών αποτυπωμάτων οδήγησε στην ανάγκη να δημιουργηθούν Αυτόματα Συστήματα Ταυτοποίησης, εφόσον η χειρωνακτική ταυτοποίηση κατέστη αδύνατη για τόσο μεγάλο όγκο δεδομένων. Για παράδειγμα, η βάση δακτυλικών αποτυπωμάτων του FBI ξεκίνησε από στοιχεία, έχει φτάσει στα και αυξάνεται συνεχώς. Επιπλέον, στην περίπτωση που η σύγκριση των αποτυπωμάτων γίνεται χειρωνακτικά, υπάρχει μεγάλος κίνδυνος σφάλματος. Στις αρχές του 1960, έγιναν οι πρώτες προσπάθειες από το FBI και από την Αστυνομία του Παρισιού, προκειμένου να αναπτυχθούν Αυτόματα Συστήματα Ταυτοποίησης Δακτυλικών Αποτυπωμάτων. Αφού πρώτα μελετήθηκε ο τρόπος που οι ειδικοί ταυτοποιούν τις εικόνες των δακτυλικών αποτυπωμάτων οι οποίοι στηρίζονται στη σύγκριση των τυπικών χαρακτηριστικών των αποτυπωμάτων, διαπιστώθηκε ότι τα τρία βασικά προβλήματα στο σχεδιασμό των Αυτόματων Συστημάτων Ταυτοποίησης Δακτυλικών Αποτυπωμάτων είναι: 1) η ψηφιακή λήψη των εικόνων των δακτυλικών αποτυπωμάτων, 2) η εξαγωγή των τοπικών χαρακτηριστικών των κορυφογραμμών και 34

36 3) η ταυτοποίηση των κορυφογραμμών δύο δακτυλικών αποτυπωμάτων. Οι προσπάθειες για σχεδιασμό και ανάπτυξη Αυτόματων Συστημάτων Ταυτοποίησης ήταν τόσο επιτυχημένες ώστε σήμερα χρησιμοποιούνται ευρύτατα σε πλήθος εφαρμογών 3.2 Δημιουργία Δακτυλικών Αποτυπωμάτων Τα δακτυλικά αποτυπώματα δημιουργούνται περίπου στον έβδομο μήνα της εγκυμοσύνης. Το σχήμα των χαρακτηριστικών των δακτυλικών αποτυπωμάτων δεν εξαρτάται μόνο από τα γονίδια, αλλά και από το περιβάλλον της μήτρας. Για το λόγο αυτό, τα ομοζυγωτικά δίδυμα έχουν διαφορετικά δακτυλικά αποτυπώματα, σε αντίθεση με άλλα βιομετρικά τους χαρακτηριστικά που είναι πανομοιότυπα. Έχει διαπιστωθεί ότι τις μεγαλύτερες ομοιότητες στα χαρακτηριστικά και στις μικρολεπτομέρειες των αποτυπωμάτων έχουν τα ομοζυγωτικά δίδυμα, στη συνέχεια τα αδέρφια, μετά οι γονείς, τα άτομα από την ίδια φυλή και τη μεγαλύτερη διαφορά έχουν τα άτομα από διαφορετική φυλή. 3.3 Αισθητήρες Δακτυλικών Αποτυπωμάτων Ανάλογα με τον τρόπο σάρωσης μία εικόνας δακτυλικών αποτυπωμάτων μπορεί να χαρακτηριστεί ως επιγραμμικής (online) ή απογραμμικής (offline) σάρωσης. Μία εικόνα απογραμμικής σάρωσης συνήθως αποκτάται με τη χρήση μελανιού και τη δημιουργία ενός αποτυπώματος στο χαρτί από μελάνι. Στη συνέχεια, το αποτύπωμα αυτό σαρώνεται προκειμένου να ψηφιοποιηθεί, χρησιμοποιώντας έναν οπτικό σαρωτή ή μια κάμερα υψηλής ποιότητας. Μια ειδική κατηγορία εικόνων απογραμμικής σάρωσης είναι οι λανθάνουσες εικόνες που έχουν ληφθεί από τόπους εγκλημάτων. Οι εικόνες αυτές μπορούν να ληφθούν από την επιφάνεια χρησιμοποιώντας συγκεκριμένες χημικές τεχνικές. Εφόσον οι συγκεκριμένες εικόνες δεν έχουν ληφθεί κάτω από ιδανικές συνθήκες και λόγω του γεγονότος ότι πολλές φορές είναι αλλοιωμένες, αποτελούν πρόκληση για τα σύγχρονα συστήματα Αυτόματης Ταυτοποίησης Δακτυλικών Αποτυπωμάτων. Μία εικόνα επιγραμμικής σάρωσης αποκτάται χρησιμοποιώντας έναν αισθητήρα στον οποίο τοποθετείται το δάκτυλο και ο οποίος μπορεί να ψηφιοποιήσει την εικόνα. Οι βασικές παράμετροι που χαρακτηρίζουν μία ψηφιακή εικόνα δακτυλικών αποτυπωμάτων είναι οι ακόλουθες: 1) ανάλυση, 2) περιοχή σάρωσης, 3) αριθμός των 35

37 εικονοστοιχείων, 4) γεωμετρική ακρίβεια, 5) αντίθεση και 6) γεωμετρική παραμόρφωση. Η βασική δομή ενός τυπικού σαρωτή δακτυλικών αποτυπωμάτων φαίνεται στο παρακάτω σχήμα: Δάκτυλο Αισθητήρας A/D Μετατροπέας Ηλεκτρονικός Υπολογιστής Περιβάλλον Σχήμα 3.1 Βασική δομή ενός τυπικού σαρωτή δακτυλικών αποτυπωμάτων Επιπλέον, οι υπάρχοντες σαρωτές μπορούν να διαχωριστούν στις εξής κατηγορίες : Πολυ-δακτυλικοί σαρωτές: στους σαρωτές αυτούς περισσότερα από ένα δάχτυλα μπορούν να σαρωθούν ταυτόχρονα. Συνήθως σαρώνονται τα τέσσερα δάχτυλα του ενός χεριού (εκτός του αντίχειρα), στη συνέχεια του άλλου χεριού και τέλος οι δύο αντίχειρες μαζί. Ο διαχωρισμός των δακτύλων γίνεται με χρήση κατάλληλου λογισμικού (slap segmentation). Οι σαρωτές αυτοί χρησιμοποιούνται συνήθως σε εφαρμογές όπου περισσότερα από ένα δάχτυλα είναι απαραίτητα για την αναγνώριση των ατόμων. Μόνο-δακτυλικοί σαρωτές: στην περίπτωση αυτή συλλέγεται το αποτύπωμα από ένα μόνο δάκτυλο. Αυτός ο τύπος των σαρωτών χρησιμοποιείται περισσότερο στο εμπόριο και σε προσωπικές εφαρμογές καθώς έχει μικρό μέγεθος, μικρό κόστος και είναι εύκολος στη χρήση. Ειδικότερα, παράδειγμα τέτοιου είδους σαρωτών είναι ο λεγόμενος σαρωτής «σκουπίσματος» (sweep scanner), ο οποίος είναι πάρα πολύ μικρός και λαμβάνει μόνο ένα μέρος του δακτύλου κάθε φορά. Πρέπει να σημειωθεί ότι οι εικόνες που λαμβάνονται από το σαρωτή αυτόν απαιτούν την ανάπτυξη ειδικών αλγορίθμων, εφόσον η δυσκολία στην ταυτοποίηση αυξάνεται εξαιτίας της εικόνας μικρών διαστάσεων του δακτυλικού αποτυπώματος. 36

38 Στο παρακάτω Σχήμα 3.2 φαίνεται ένα παράδειγμα πολύ-δακτυλικού (Σχήμα 3.2 (α)) και μονο-δακτυλικού σαρωτή (Σχήμα 3.2(β)). (α) (β) Σχήμα 3.2: Εικόνες Σαρωτών Δακτυλικών Αποτυπωμάτων. (α) Ταυτόχρονη σάρωση τεσσάρων δακτύλων μέσω ενός πολύ-δακτυλικού σαρωτή και (β) σάρωση ενός δακτύλου με έναν μόνοδακτυλικό σαρωτή. Επιπρόσθετα, σε κάποιους σαρωτές είναι δυνατή η τρισδιάστατη λήψη του δακτυλικού αποτυπώματος, ζητώντας από το χρήστη να περιστρέψει πάνω στο σαρωτή το δάκτυλό του. Στην περίπτωση αυτή, έχουν αναπτυχθεί τεχνικές υλικού και λογισμικού για την τρισδιάστατη απεικόνιση του δακτυλικού αποτυπώματος και την περαιτέρω σύγκρισή του με άλλες εικόνες. Τα περισσότερα συστήματα ταυτοποίησης, ειδικά αυτά που χρησιμοποιούνται σε εμπορικές εφαρμογές, δεν αποθηκεύουν ολόκληρες τις εικόνες των δακτυλικών αποτυπωμάτων αλλά μόνο αριθμητικά χαρακτηριστικά που εξάγονται από αυτές. Παρόλα αυτά σε συγκεκριμένες εφαρμογές (π.χ. σε αυτές που χρησιμοποιούνται στα πλαίσια εφαρμογής των νόμων) είναι απαραίτητη η αποθήκευση των εικόνων που αποκτήθηκαν κατά την εγγραφή, έτσι ώστε ένας έμπειρος ειδικός να πιστοποιήσει τα αποτελέσματα των συστημάτων ταυτοποίησης δακτυλικών αποτυπωμάτων. Στις μέρες μας απαιτείται η αποθήκευση και η μεταφορά σε δίκτυα χαμηλού εύρους ζώνης, εκατομμυρίων εικόνων δακτυλικών αποτυπωμάτων το χρόνο. Για τον λόγο αυτό έχουν αναπτυχθεί πολλές μέθοδοι συμπίεσης δεδομένων/ εικόνων (π.χ. JPEG/2000). 37

39 3.4 Χαρακτηριστικά Σημεία των Δακτυλικών Αποτυπωμάτων Προκειμένου να επιτευχθεί η ταυτοποίηση των δακτυλικών αποτυπωμάτων είναι απαραίτητη η αρχική εξαγωγή κάποιων χαρακτηριστικών σημείων τους. Συγκεκριμένα, το πρόβλημα που τίθεται κατά την ταυτοποίηση είναι η αναπαράσταση των αποτυπωμάτων με τέτοιο τρόπο ώστε να δημιουργείται ένας «χώρος» αποτυπωμάτων, όπου τα αποτυπώματα που προέρχονται από ίδια δάκτυλα να ανήκουν στην ίδια ομάδα ενώ τα υπόλοιπα σε διαφορετικά σημεία του «χώρου». Τα χαρακτηριστικά που έχουν επιλεγεί για τον σκοπό αυτό θα πρέπει να ικανοποιούν τα εξής: 1) να είναι διαφορετικά για κάθε αποτύπωμα ώστε να παρέχουν χρήσιμη πληροφορία για την ταυτοποίησή του και 2) να είναι δυνατή η εύκολη εξαγωγή τους και η αποθήκευση της πληροφορίας σχετικά με αυτά. Τα χαρακτηριστικά ή αλλιώς οι λεπτομέρειες των αποτυπωμάτων μπορούν να κατηγοριοποιηθούν σε τρία επίπεδα: Επίπεδο 1: το επίπεδο αυτό χαρακτηρίζεται και ως καθολικό επίπεδο και αποτελείται από τη βασική δομή των κορυφογραμμών του αποτυπώματος. Τα ιδιόμορφα σημεία, τα οποία διαχωρίζονται σε σημεία βρόχου και σημεία δέλτα, διαδραματίζουν τον ρόλο σημείων ελέγχου γύρω από τα οποία «περιτυλίγονται» οι κορυφογραμμές. Τα ιδιόμορφα σημεία και οι κορυφογραμμές μπορούν να χρησιμοποιηθούν για την κατηγοριοποίηση των αποτυπωμάτων, αλλά δεν είναι επαρκή για την ταυτοποίηση των εικόνων. Στο παρακάτω Σχήμα 3.4 και 3,14 φαίνεται η βασική δομή των κορυφογραμμών και στο Σχήμα 3.5 τα πιθανά ιδιόμορφα σημεία των αποτυπωμάτων. 38

40 Σχήμα 2.3: Βασική δομή κορυφογραμμών μιας τυπικής εικόνας δακτυλικού αποτυπώματος Σχήμα 3.4 Τοπογραφία δακτυλικού αποτυπώματος 39

41 Σχήμα 3.5: Σημεία ιδιομορφίας στη δομή των κορυφογραμμών αποτυπωμάτων : (α) αριστερός βρόχος, (β) δεξιός βρόχος, (γ) σπείρα, (δ) αψίδα και (ε) διευρυμένη αψίδα. Τα τετράγωνα αντιστοιχούν σε βροχοειδή σημεία ιδιομορφίας, ενώ τα τρίγωνα σε δελτοειδή σημεία. Επίπεδο 2: στο επίπεδο αυτό ανήκουν οι λεγόμενες μικρολεπτομέρειες (minutiae) των κορυφογραμμών των αποτυπωμάτων. Οι μικρολεπτομέρειες μπορούν να διαχωριστούν σε σημεία τερματισμού και σε σημεία διακλαδώσεων. Τα σημεία τερματισμού αντιστοιχούν στα σημεία των κορυφογραμμών που διακόπτονται απότομα, ενώ τα σημεία διακλαδώσεων στα σημεία που οι κορυφογραμμές διακλαδίζονται (Σχήμα 3.6). Τα σημεία μικρολεπτομερειών είναι πολύ χρήσιμα για την αναπαράσταση των αποτυπωμάτων και την ταυτοποίησή τους. Παρόλα αυτά η εξαγωγή τους είναι μία πολύπλοκη διαδικασία, ειδικά σε εικόνες χαμηλής ποιότητας. 40

42 Σχήμα 3.6: Σημεία μικρολεπτομερειών του δακτυλικού αποτυπώματος. Με κόκκινους κύκλους παριστάνονται τα σημεία διακλάδωσης, ενώ με μπλε κύκλους τα σημεία τερματισμού. Επίπεδο 3: το επίπεδο αυτό διαμορφώνεται από ενδογενή χαρακτηριστικά των κορυφογραμμών. Το πιο διαδεδομένο χαρακτηριστικό από αυτά είναι οι πόροι των κορυφογραμμών, των οποίων η θέση και το σχήμα αποτελούν πολύ σημαντικά χαρακτηριστικά για το διαχωρισμό των αποτυπωμάτων (Σχήμα 2.7). Η εξαγωγή των χαρακτηριστικών αυτών απαιτεί εικόνες πολύ μεγάλης ανάλυσης (π.χ dpi), αλλά και υψηλής ποιότητας. Για τον λόγο αυτό η χρήση τους κατά την ταυτοποίηση αποτυπωμάτων είναι ακόμα περιορισμένη. (α) (β) Σχήμα 3.7(a): Εξαγωγή των πόρων μιας τυπικής εικόνας αποτυπώματος: (α) αρχική εικόνα αποτυπώματος και (β) οι πόροι του δακτυλικού αποτυπώματος που παριστάνονται ως κύκλοι. 41

43 3.5 Προβλήματα αναγνώρισης δακτυλικών αποτυπωμάτων Η αυτόματη αναγνώριση δακτυλικών αποτυπωμάτων αποτελεί μία δύσκολη και επίμονη διαδικασία. Δεν είναι τυχαίο το γεγονός ότι μέχρι σήμερα πολλά από τα υπάρχοντα συστήματα που χρησιμοποιούνται στην καθημερινή πρακτική παρουσιάζουν μειονεκτήματα και σφάλματα στην αναγνώριση των δακτυλικών αποτυπωμάτων. Επιπλέον, υπάρχει σημαντική βιβλιογραφική καταγραφή διεθνώς όσον αφορά στην ανάπτυξη τεχνικών και αλγορίθμων για τη βελτίωση των σφαλμάτων αυτών και τη διασφάλιση της πιο έγκυρης αναγνώρισης ατόμων με βάση τα δακτυλικά τους αποτυπώματα. Στα κύρια προβλήματα της αναγνώρισης των δακτυλικών αποτυπωμάτων περιλαμβάνονται: 1. Διαφορετικές συνθήκες αποτύπωσης: όπως η μέθοδος επίπεδης ή κυλιόμενης (ολισθαίνουσας) αποτύπωσης, με χρήση μελάνης ή ηλεκτρονικού σαρωτή. Κατά τη μέθοδο της επίπεδης αποτύπωσης το δάκτυλο τοποθετείται κατακόρυφα στην επιφάνεια αποτύπωσης και κατόπιν απομακρύνεται από αυτήν. Στην περίπτωση της κυλιόμενης (ολισθαίνουσας) αποτύπωσης το δάκτυλο ολισθαίνει πάνω στην επιφάνεια από νύχι προς νύχι. Όσον αφορά τους τύπους αποτύπωσης η μέθοδος που χρησιμοποιείται ευρέως ακόμα και σήμερα είναι αυτή της χρήσης μελανωτήρα. Ο μελανωτήρας είναι μία σκληρή πορώδης πλαστική επιφάνεια πάνω στην οποία διαγράφεται καθαρά το δακτυλικό αποτύπωμα αποκαλύπτοντας τις κορυφογραμμές και τις κοιλάδες που το χαρακτηρίζουν. Τέλος ο ηλεκτρονικός σαρωτής είναι μία συσκευή που αποτελείται από γυάλινη κυλινδρική επιφάνεια πάνω από μία κάμερα η οποία καταγράφει τις λεπτομέρειες του δακτύλου. 2. Τρόπος τοποθέτησης του δακτύλου: ο τρόπος με τον οποίο το άτομο τοποθετεί το δάκτυλο του πάνω στην επιφάνεια αποτύπωσης επηρεάζει σημαντικά την διαδικασία της αυτόματης αναγνώρισης. Ακόμα και αν οι λήψεις, του ίδιου δακτύλου, γίνουν διαδοχικά η μία μετά την άλλη, οι εικόνες που προκύπτουν μπορεί να διαφέρουν κατά την οριζόντια ή / και κατακόρυφη μετατόπιση καθώς και κατά γωνία. Αυτό επιβαρύνει τη διαδικασία ευθυγράμμισης του αποτυπώματος που απαιτείται πριν από τη σύγκριση του. 3. Μεταβολές δακτυλικού αποτυπώματος: Η παραμόρφωση του δακτυλικού αποτυπώματος μπορεί να οφείλεται σε αλλοιώσεις λόγο τοπικού εγκαύματος ή κοψίματος καθώς και άλλων επιφανειακών τραυματισμών. Αυτή η παραμόρφωση 42

44 στο δακτυλικό αποτύπωμα είναι λογικό να δυσχεράνει την διαδικασία αναγνώρισης ιδιαίτερα στην περίπτωση που γίνεται σύγκριση με εικόνα που έχει ληφθεί πριν από την αλλοίωση. Παραμόρφωση όμως μπορεί να παρατηρηθεί και από τον τρόπο λήψης του αποτυπώματος. Για παράδειγμα στην περίπτωση της επίπεδης αποτύπωσης που προαναφέραμε εάν το άτομο πιέσει περισσότερο το δάκτυλο σε μία από τις διαδοχικές λήψεις, το δακτυλικό αποτύπωμα θα υποστεί μη γραμμική παραμόρφωση. Η παραμόρφωση αυτή οφείλεται στην προσπάθεια αποτύπωσης μιας τρισδιάστατης επιφάνειας, όπως είναι το δάκτυλο, πάνω σε μία δισδιάστατη που είναι ο μελανωτήρας και ο ηλεκτρονικός σαρωτής. Είναι λογικό λοιπόν η πίεση που ασκείται, κατά τη λήψη να παίζει σημαντικό ρόλο στην τελική εικόνα. 4. Ύπαρξη θορύβου: Ως θόρυβος νοείται οποιαδήποτε πληροφορία εμπεριέχεται στη συλλεγμένη εικόνα δακτυλικού αποτυπώματος η οποία δεν σχετίζεται με τα κύρια χαρακτηριστικά του. Ο θόρυβος μπορεί να εισάγεται είτε κατά τη συλλογή των δεδομένων (ύπαρξη μικρών στοιχείων σκουπιδιών) είτε από τον τρόπο ψηφιοποίησης και δημιουργίας της εικόνας από το εκάστοτε σύστημα συλλογής και αποτύπωσης της πληροφορίας του δακτυλικού αποτυπώματος. Τα προαναφερθέντα προβλήματα αποτελούν τους βασικούς παραμέτρους για τη βελτίωση της επεξεργασίας και αναγνώρισης των δακτυλικών αποτυπωμάτων μέσω κατάλληλων τεχνικών και αλγορίθμων ψηφιακής επεξεργασίας εικόνας [2]. 3.6 Μεθοδολογία Αναγνώρισης Δακτυλικών Αποτυπωμάτων Σε αυτό το σημείο γίνεται αναλυτική περιγραφή του συστήματος ταυτοποίησης και εξακρίβωσης δακτυλικών. Ο έλεγχος και η αξιολόγηση των συστημάτων αναγνώρισης και ταυτοποίησης δακτυλικών αποτυπωμάτων στο πλαίσιο της έρευνας και ανάπτυξης αποτελούν σημαντικούς παράγοντες προκειμένου το υπό εξέταση σύστημα να καταστεί χρηστικό και αξιόπιστο στην καθημερινή του χρήση. Σήμερα διεθνώς υπάρχουν πολλοί οργανισμοί που ασχολούνται με τη διαδικασία ελέγχου και αξιολόγησης με πιο σημαντικό το Εθνικό Ινστιτούτο Τύπων και Τεχνολογίας των Ηνωμένων Πολιτειών Αμερικής (NIST 1 ). 1 NIST National Institute of Standards and Technology 43

45 3.6.1 Το Δακτυλικό Αποτύπωμα ως Εικόνα (Δημιουργία προτύπου) Υπάρχουν τεχνικές που ταιριάζουν τα δακτυλικά αποτυπώματα συγκρίνοντας το γνήσιο με το πλαστό μέσω μεθόδων συσχέτισης των δυο, παρόλα αυτά όμως η επεξεργασία τους σαν ασπρόμαυρης ψηφιακής εικόνας αποτελεί το βασικό στοιχείο στις περισσότερες τεχνικές αναγνώρισης όπως και στη συγκεκριμένη εργασία. Επομένως είναι σκόπιμο να γίνει αναφορά στην αναπαράσταση του δακτυλικού αποτυπώματος σαν εικόνα με διακυμάνσεις στους τόνους του γκρι. Εάν θεωρηθεί I η εικόνα, g o αριθμός των επιπέδων του γκρι, I(x,y) η ένταση του γκρι στο εικονοστοιχειο (x,y), τα εικονοστοιχεία με μαύρο χρώμα ανήκουν στο 0 επίπεδο του τόνου του γκρι και τα εικονοστοιχεία με λευκό χρώμα ανήκουν στο επίπεδο του τόνου του γκρι, τότε οι κοιλάδες(valleys) του δακτυλικού αποτυπώματος αντιστοιχούν στο g-1 (λευκό) επίπεδο του τόνου του γκρι και οι παρυφές (ridges) του δακτυλικού αποτυπώματος στο 0(μαύρο) επίπεδο του τόνου του γκρι. Σχήμα 3.7 Αντιστοίχηση τόνων του γκρι σε παρυφές(ridges) και κοιλάδες (valleys). Στο σχήμα 2.2 παρουσιάζεται ο τρόπος με τον οποίο απεικονίζονται οι παρυφές και οι κοιλάδες σε μία ασπρόμαυρη εικόνα. (3.1) (3.2) 44

46 (3.3) Προεπεξεργασία (Preprocessing) Οι αλγόριθμοι προεπεξεργασίας αποσκοπούν στο να βελτιώσουν τα χαρακτηριστικά της εικόνας των δακτυλικών αποτυπωμάτων, δηλαδή να τονώσουν τις παρυφές και τις κοιλάδες ώστε να είναι πιο εύκολα διαχωρίσιμες μεταξύ τους, με αποτέλεσμα η εξαγωγή των χαρακτηριστικών να είναι πιο αξιόπιστη. Το πρώτο στάδιο προεπεξεργασίας είναι η κανονικοποίηση της εικόνας Κανονικοποίηση εικόνας Στην περίπτωση εικόνων δακτυλικών αποτυπωμάτων η κανονικοποίηση αποσκοπεί στην μείωση των διακυμάνσεων των τόνων του γκρι κατά μήκος των παρυφών (ridges) και των κοιλάδων (valleys) αλλάζοντας το εύρος τιμών των τόνων του γκρι της εικόνας[3]. Με αυτόν τον τρόπο αυξάνεται έντονα η αντίθεση της εικόνας. Οι μικρές διακυμάνσεις των τόνων του γκρι προέρχονται από τις διαφορές της πίεσης της επιφάνειας του δακτύλου πάνω στον αισθητήρα κατά την λήψη του δακτυλικού αποτυπώματος [4]. Για όλα τα εικονοστοιχεία (pixels) της εικόνας του δακτυλικού αποτυπώματος, η κανονικοποίηση ορίζεται σύμφωνα με τον παρακάτω τύπο. M 0 N( i, j) M 0 V 0 ( I( i, j) M ) V V 0( I( i, j) M V ) 2 2 (3.4) Όπου I(i,j) είναι η τιμή του τόνου του γκρι στο εικονοστοιχείο της εικόνας με θέση (i,j). M και V είναι η μέση τιμή και η διακύμανση,αντίστοιχα, των τόνων του γκρι όλης της εικόνας. Μ0 και V0 είναι η επιθυμητή μέση τιμή και διακύμανση αντίστοιχα της εικόνας που θα έχει μετά την κανονικοποίηση. Στην συγκεκριμένη περίπτωση επιλεχθήκαν Μ0=100 και V0=100. Η κανονικοποίηση δεν αλλάζει την σαφήνεια της δομής των παρυφών (ridges) και των πεδιάδων (valleys). 45

47 Σχήμα 3.8 Αρχική εικόνα Σχήμα 3.9 Κανονικοποιημένη εικόνα Από την σύγκριση των δύο παρακάτω ιστογραμμάτων φαίνεται ότι οι τόνοι του γκρι γύρω από τους οποίους κατανέμονται τα εικονοστοιχεία (pixels) μειώνονται με την κανονικοποίηση με αποτέλεσμα να αυξηθεί η αντίθεση της κανονικοποιημένης εικόνας. Συγκεκριμένα οι κορυφογραμμές(ridges) που είναι άσπρες απεικονίζονται με έναν τόνο με τιμή κοντά στα 200 και οι κοιλάδες που είναι μαύρες απεικονίζονται με τιμές 0 και 40. Σχήμα 3.10 α)ιστόγραμμα αρχικής εικόνας β) Ιστόγραμμα κανονικοποιημένης εικόνας Προσανατολισμός Παρυφών (ridges) Ο υπολογισμός του προσανατολισμού των παρυφών της εικόνας του δακτυλικού αποτυπώματος γίνεται σε τοπικές περιοχές της εικόνας. Συγκεκριμένα η εικόνα χωρίζεται σε υποπεριοχές επικαλυπτόμενες μεταξύ τους στις οποίες υπολογίζεται ο 46

48 τοπικός προσανατολισμός, των παρυφών και των κοιλάδων. Ο τοπικός προσανατολισμός υπολογίζεται με την μέθοδο των μέσων ελάχιστων τετραγώνων (least mean square orientation estimation algorithm). Ο υπολογισμός του τοπικού προσανατολισμού είναι βασικό βήμα για την βελτίωση της εικόνας με την εφαρμογή των Gabor φίλτρων τα οποία είναι κατευθυντικά φίλτρα και βασίζονται στον τοπικό προσανατολισμό προκειμένου να βελτιστοποιήσουν αποτελεσματικά την εικόνα του δακτυλικού αποτυπώματος. Πρέπει να επισημανθεί ότι οι γωνίες του προσανατολισμού κυμαίνονται μεταξύ 0 ο και 180 ο. Αυτό συμβαίνει επειδή οι γωνίες που διαφέρουν κατά 180 ο δεν μπορούν να διαχωριστούν. Δηλαδή ο προσανατολισμός των παρυφών και των κοιλάδων με γωνία 90 ο και γωνία 270 ο δεν μπορούν να διαχωριστούν στην εικόνα του δακτυλικού αποτυπώματος. Το πρόβλημα αυτό ονομάζεται κυκλικότητα των γωνιών και αντιμετωπίζεται με τη μέθοδο των μέσων ελάχιστων τετραγώνων (least mean square orientation estimation algorithm). Πρώτα υπολογίζεται η πρώτη παράγωγος ως προς τις στήλες τις εικόνας και ως προς τις γραμμές της εικόνας σε κάθε εικονοστοιχείο της εικόνας. Για τον υπολογισμό της πρώτης παραγώγου χρησιμοποιείται ο παρακάτω (3x3) πίνακας. x ( 3.5 ) Για τον υπολογισμό της πρώτης παραγώγου χρησιμοποιείται ο παρακάτω (3x3) πίνακας. y Ακολούθως υπολογίζεται ο τοπικός προσανατολισμός για κάθε εικονοστοιχείο της εικόνας σύμφωνα με τις παρακάτω εξισώσεις [7-9]. ( 3.6 ) w w i j x( u, v) y( u, ) (3.7) w w ui v j 2 2 V ( i, j) v x 1 V ( i, j) 1 y ( i, j) tan ( ) (3.8) 2 V ( i, j) x 47

49 Όπου είναι ο τοπικός προσανατολισμός για κάθε εικονοστοιχείο (pixel) της εικόνας. Η τιμή w είναι το μέγεθος της περιοχής για την οποία υπολογίζεται κάθε φορά η τιμή του προσανατολισμού. Για w=12 o αλγόριθμος δίνει τα καλύτερα αποτελέσματα. Εξαιτίας της παρουσίας θορύβου, απότομων τερματισμών παρυφών (ridges) και κοιλάδων (valleys), ο υπολογισμός του τοπικού προσανατολισμού μπορεί να είναι λάθος. Η χρήση φίλτρων εξομάλυνσης μπορεί να διορθώσει τα λάθη αυτά εφόσον οι τιμές του προσανατολισμού των παρυφών για μια τοπική περιοχή κυμαίνονται πολύ αργά. Προκειμένου να εφαρμοστεί το φίλτρο εξομάλυνσης πρέπει οι τιμές του προσανατολισμού της εικόνας να μετατραπούν στην παρακάτω μορφή. Φ x (i, j) = cos(2θos( j) ) ( 3.9) Φ y (i, j) = sin(2θin(j)) ( 3.10) Τα ανύσματα και αποτελούν τις συνιστώσες x και y του προσανατολισμού σε κάθε περιοχή της εικόνας. Ο διπλασιασμός της γωνίας γίνεται για να αντιμετωπιστεί το πρόβλημα της κυκλικότητας των γωνιών. Ακολούθως εφαρμόζεται το φίλτρο εξομάλυνσης για κάθε υποπεριοχή της εικόνας. ' ' y x ( i, j) ( i, j) w 2 w 2 w w u v 2 2 w 2 w 2 w w u v 2 2 W ( u, v) W ( u, v) y y ( i u, j v) ( i u, j v) ( 3.11 ) ( 3.12 ) Το φίλτρο εξομάλυνσης είναι το φίλτρο μέσης τιμής 5x5 το οποίο είναι το παρακάτω.. Για φίλτρο εξομάλυνσης επιλέχθηκε ένα W ( u, v) (3.13) O( i, j) tan 2 1 ' ( ' y x ( i, j) ) ( i, j) (3.14) Η διαστάσεις του φίλτρου είναι 5x5 (WΦ X WΦ).Στο τελευταίο βήμα υπολογίζουμε την τιμή του τοπικού προσανατολισμού που έχει εξομαλυνθεί προηγουμένως, 48

50 σύμφωνα με τον 3.12 τύπο. Ο υπολογισμός του προσανατολισμού των κορυφών και των παρυφών παρουσιάζεται στο σχήμα Σχήμα 3.11 α) Αρχική εικόνα β) Ο προσανατολισμός παρυφών και κοιλάδων παρουσιάζεται με κόκκινες γραμμές Συχνότητα Κορυφογραμμών (ridges) Σε τοπικές περιοχές της εικόνας του δακτυλικού αποτυπώματος όπου δεν υπάρχουν ούτε λεπτομέρειες (διακλαδώσεις και καταλήξεις παρυφών), ούτε ο χαρακτηριστικός πυρήνας (Core Point), οι διακυμάνσεις των τόνων του γκρι κατά μήκος των κορυφογραμμών και των κοιλάδων μπορούν να μοντελοποιηθούν σαν ένα ημιτονικό κύμα με κατεύθυνση ίδια με τον προσανατολισμό των τοπικών κορυφογραμμών. Η τοπική συχνότητα του ημιτόνου αυτού για την συγκεκριμένη περιοχή θα χρησιμοποιηθεί παρακάτω στα Gabor φίλτρα. Από την εξίσωση (3.4) δίνεται η κανονικοποιημένη εικόνα και από την εξίσωση (3.14) η τιμή του προσανατολισμού για κάθε περιοχή της εικόνας. Τα βήματα για τον υπολογισμό της συχνότητας της εικόνας είναι τα ακόλουθα. Πρώτα χωρίζεται η εικόνα σε μη επικαλυπτόμενες περιοχές μεγέθους w x w. Για κάθε περιοχή υπολογίζεται η συχνότητα των παρυφών. Στην συγκεκριμένη εργασία η διάσταση της περιοχής επιλέχτηκε να είναι w=12 pixels ώστε να έχει βέλτιστα αποτελέσματα ο αλγόριθμος. Ακολούθως ένα παράθυρο,με ίδιες διαστάσεις με την περιοχή της εικόνας w x w (12 Χ 12 pixels),περιστρέφεται με κέντρο το κέντρο της περιοχής και γωνία ίδια με τον τοπικό προσανατολισμό των παρυφών της περιοχής αυτής,όπως παρουσιάζεται στην παρακάτω εικόνα. Με κόκκινο χρώμα είναι το παράθυρο, το οποίο έχει ίδιο προσανατολισμό με τις προεξοχές στην τοπική περιοχή της εικόνας. 49

51 Σχήμα 3.12 Προσανατολισμός παραθύρου σύμφωνα με τον προσανατολισμό των παρυφών της περιοχή της κανονικοποιημένης εικόνας. Με την περιστροφή του παραθύρου οι παρυφές και οι κοιλάδες της περιοχής της κανονικοποιημένης εικόνας είναι παράλληλες με την μια διάσταση του παραθύρου. Σχήμα 3.13 Περιστροφή του παραθύρου ώστε η παρυφές να είναι κάθετες στην μία διάσταση του παραθύρου. Εάν προβάλουμε τις παρυφές και τις κοιλάδες σε κατεύθυνση κάθετη στις γραμμές τις εικόνας, υπολογίζουμε την υπογραφή (x-signature) των παρυφών και των κοιλάδων του παραθύρου αυτού που αντιστοιχεί σε μια συγκεκριμένη περιοχή της εικόνας. Για ένα παράθυρο με κέντρο η υπογραφή των προεξοχών και των αυλακώσεων (x-signature) ορίζεται παρακάτω[3]: X k 1 1 w w d 0 N( u, v) k=0, 1 w-1 (3.15) w w u id cos( O( i, j)) k sin( O( i, j)) 2 2 (3.16) w w v j d sin( O( i, j)) k cos( O( i, j)) (3.17)

52 Σχήμα 3.14 Η υπογραφή των παρυφών και των πεδιάδων (x-signature) για το παραπάνω παράθυρο. Σε τοπικές περιοχές της εικόνας του δακτυλικού αποτυπώματος, όπου δεν υπάρχουν λεπτομέρειες (διακλαδώσεις και καταλήξεις παρυφών) και ο χαρακτηριστικός πυρήνας (core point), η e-signature σχηματίζει ένα διακριτό ημιτονικό κύμα το οποίο έχει την ίδια συχνότητα με τις παρυφές και τις κοιλάδες του παραθύρου. Η συχνότητα που υπολογίζεται από την x-signature δίνεται από τον παρακάτω τύπο: 1 ( i, j) T( i, j) (3.18) είναι ο μέσος αριθμός τον εικονοστοιχείων (pixels) μεταξύ δύο ή περισσότερων διαδοχικών κορυφών (peeks) της x-signature μιας περιοχής της εικόνας με κέντρο Βελτίωση Εικόνας Με Gabor Φίλτρα Τα φίλτρα αυτά έχουν την ιδιότητα της επιλογής της χωρικής συχνότητας και του προσανατολισμού του σήματος, πάνω στο επίπεδο, που θέλουν να διατηρήσουν. Σύμφωνα με τις ιδιότητες του Gabor φίλτρου να επιλέγει τόσο την συχνότητα όσο και τον προσανατολισμό του σήματος που θέλει να διατηρήσει, το φίλτρο αυτό μπορεί να εφαρμοστεί σε μια εικόνα δακτυλικού αποτυπώματος, έχοντας βέλτιστα αποτελέσματα. Για να είναι βέλτιστα τα αποτελέσματα απαιτείται η εξαγωγή του προσανατολισμού των παρυφών και της συχνότητας F αυτών σε κάθε τοπική περιοχή της κανονικοποιημένης εικόνας του δακτυλικού αποτυπώματος όπου η διαμόρφωση των κορυφογραμμών και κοιλάδων είναι παράλληλη. Στην περίπτωση του core point 51

53 οι παρυφές και οι κοιλάδες δεν είναι παράλληλες. Τα Gabor φίλτρα είναι ζωνοπερατά φίλτρα τα οποία μπορούν να προσανατολιστούν κατάλληλα και να καθοριστεί η συχνότητα που θα διατηρήσουν. Με αυτόν τον τρόπο μπορούν να δημιουργηθούν τεχνητά χαρακτηριστικά (artifacts) που δεν ανήκουν στην εικόνα και στο θόρυβο, διατηρώντας την δομή των πραγματικών παρυφών και των κοιλάδων. Για την εφαρμογή των Gabor φίλτρων σε μια εικόνα χρειάζονται τρεις παράμετροι, η συχνότητα του συνημιτονικού όρου του φίλτρου, ο προσανατολισμός του και η τυπική απόκλιση της Γκαουσιανής περιβάλλουσας του φίλτρου. Η παρακάτω συνάρτηση δίνει τα Gabor φίλτρα τα οποία είναι άρτιας συμμετρίας[5]. 2 1 x G x, y : f, ) exp ( 2 x y x y y xsin ycos xcos ysin cos(2 f x ) (3.19) (3.20) (3.21) Η συχνότητα f του ημιτονικού σήματος καθορίζει την συχνότητα του σήματος που θα διατηρηθεί προσδίδοντας τη ζωνοπερατή (passband) συμπεριφορά των Gabor φίλτρων. Η παράμετρος του ημιτόνου ρυθμίζει τον προσανατολισμό των Gabor φίλτρων καθορίζοντας την κατευθυντικότητα τους. Η Γκαουσιανή συνάρτηση παρέχει τον χωρικό εντοπισμό του σήματος που θα φιλτραριστεί μέσω των συντεταγμένων που δίνουν την τοποθεσία της κορυφής της Γκαουσιανής συνάρτησης. Η και η αποτελούν τις τυπικές αποκλίσεις της Γκαουσιανής συνάρτησης κατά τον άξονα x και y αντίστοιχα. Παρακάτω παρουσιάζεται το Gabor φίλτρο σύμφωνα με την συνάρτηση (3.19) για συχνότητα f=1/4 (4 pixels μεταξύ διαδοχικών παρυφών) προσανατολισμό 30 ο και τυπικές αποκλίσεις 52

54 Σχήμα 3.15 Gabor φίλτρο για συχνότητα f=1/4 (4 pixels μεταξύ διαδοχικών κορυφογραμμών) προσανατολισμό 30 ο και τυπικές αποκλίσεις δx=δy=4. Τα Gabor φίλτρα εφαρμόζονται στην εικόνα με χωρική συνέλιξη του σήματος με το φίλτρο. Η συνέλιξη υλοποιείται για κάθε εικονοστοιχείου (pixel) της κανονικοποιημένης εικόνας Ν με το Gabor φίλτρο G. Tο Gabor φίλτρο G για κάθε pixel έχει τον αντίστοιχο προσανατολισμό και συχνότητα. H συνέλιξη της κανονικοποιημένης εικόνας Ν με το Gabor φίλτρο παρέχεται από τον παρακάτω τύπο: E( i, j) wx 2 wy 2 wx wy u v 2 2 G( u, v : O( i, j), F( i, j)) N( i u, j v) (3.22) Η βελτιστοποιημένη εικόνα μετά το φιλτράρισμα είναι η Ε. Επίσης οι διαστάσεις του Gabor φίλτρου που γίνεται συνέλιξη είναι Wx x Wy. Στην παρούσα εργασία η διαστάσεις του φίλτρου που επιλέχθηκαν εμπειρικά είναι 12 X 12 pixels. Όπως αναφέρθηκε προηγουμένως η συχνότητα F και ο προσανατολισμός του φίλτρου καθορίζονται από την τοπική συχνότητα και τον τοπικό προσανατολισμό των κορυφογραμμών και κοιλάδων αντίστοιχα. Συγκεκριμένα οι μεγάλες τιμές τυπικών αποκλίσεων αποκόπτουν σε μεγάλο βαθμό τον θόρυβο αλλά δημιουργούν σε μεγάλο βαθμό κίβδηλες παρυφές και κοιλάδες. Στην περίπτωση μικρών τιμών τυπικών αποκλίσεων δημιουργούνται λιγότερες κίβδηλες παρυφές και κοιλάδες αλλά το φίλτρο είναι λιγότερο αποτελεσματικό στην απομάκρυνση του θορύβου. 53

55 Σχήμα 3.16 α) Αρχική εικόνα β)επεξεργασμένη εικόνα με Gabor φίλτρο Κατωφλίωση και Λέπτυνση (Binarization & Thinning) Τα χαρακτηριστικά που χρησιμοποιούνται στην αναγνώριση των δακτυλικών αποτυπωμάτων, απαιτούν την μετατροπή των εικόνων σε δυαδικές στις οποίες υπάρχουν οι παρυφές με άσπρο χρώμα και οι κοιλάδες με μαύρο χρώμα. Στο τελευταίο βήμα της βελτιστοποίησης της εικόνας υλοποιείται η διαδικασία της λέπτυνσης με την οποία η τελική εικόνα περιέχει παρυφές με πλάτος ένα εικονοστοιχείο[12-13]. Οι μετατροπή σε δυαδική εικόνα βελτιώνει την αντίθεση της εικόνας μεταξύ των παρυφών και των κοιλάδων. Η μέθοδος αυτή αναφέρεται σαν κατωφλίωση (Thresholding) η οποία βασίζεται στην υπόθεση ότι τα εικονοστοιχεία (pixels) του αντικειμένου ενδιαφέροντος βρίσκονται στο προσκήνιο (foreground) της εικόνας και μπορούν να διαχωριστούν από τα pixels του φόντου (background) με βάση τις τιμές των αποχρώσεων του γκρι. Στην συγκεκριμένη περίπτωση οι παρυφές είναι το προσκήνιο και οι κοιλάδες το φόντο. Για να γίνει ο διαχωρισμός των παρυφών από τις κοιλάδες χρησιμοποιήθηκε καθολικό κατώφλι κατά το οποίο οι τιμές των τόνων τις εικόνας που είναι μεγαλύτερες του μηδέν έλαβαν την τιμή ένα ενώ οι υπόλοιπες την τιμή μηδέν. Το αποτέλεσμα είναι μια δυαδική εικόνα η οποία περιέχει δυο επίπεδα πληροφορίας, τις κορυφογραμμές (λευκό χρώμα) που είναι στο προσκήνιο και τις κοιλάδες (μαύρο χρώμα) που ανήκουν στο φόντο (παρασκήνιο). Παρακάτω παρουσιάζεται η δυαδική εικόνα μετά την επεξεργασία των Gabor φίλτρων. 54

56 Σχήμα 3.17 α) Δυαδική εικόνα β) Ανεστραμμένη Δυαδική εικόνα. Η επιλογή του καθολικού κατωφλίου με την τιμή μηδέν έγινε εμπειρικά. Ακολούθως στην δυαδική εικόνα γίνεται λέπτυνση. Η επεξεργασία της λέπτυνσης υλοποιείται μέσο της συνάρτησης του Matlab bwmorph. Η εφαρμογή του αλγορίθμου της λέπτυνσης στην εικόνα του δακτυλικού αποτυπώματος διατηρεί την σύνδεση των παρυφών αλλά ταυτόχρονα τους δίνει πλάτος ενός εικονοστοιχείου (pixel). Ακολούθως γίνεται η εξαγωγή των χαρακτηριστικών από την δυαδική εικόνα που έχει υποστεί λέπτυνση η οποία αναλύεται παρακάτω. Σχήμα 3.18 Ανεστραμμένη Δυαδική εικόνα που έχει υποστεί λέπτυνση Εντοπισμός Πυρήνα Εικόνας Δακτυλικού Αποτυπώματος Ο εντοπισμός του πυρήνα (Core Point) του δακτυλικού αποτυπώματος είναι σημαντικός στις περισσότερες τεχνικές ταυτοποίησης (Identification) και επαλήθευσης (Verification). Συγκεκριμένα ο εντοπισμός και η αναγνώριση του είδους του πυρήνα χρησιμοποιείται στην ταξινόμηση του δακτυλικού αποτυπώματος σε ένα από τα έξι είδη πυρήνα ( Twin Loop, Whorl, Right loop, Left loop, Arch και Tented Arch) με σκοπό την ταχύτερη και αποτελεσματικότερη αναζήτηση από μια βάση και την μείωση της υπολογιστικής πολυπλοκότητας του αλγορίθμου. Ο βέλτιστος εντοπισμός μόνο του πυρήνα μπορεί να μειώσει τον χρόνο επεξεργασίας 55

57 του αλγορίθμου αναγνώρισης εφόσον η εξαγωγή των χαρακτηριστικών γίνει σε μία μικρή περιοχή γύρω από τον πυρήνα αντί να υλοποιηθεί σε όλη την εικόνα. Η περισσότερη πληροφορία που χρησιμοποιείται για την αναγνώριση του δακτυλικού αποτυπώματος βρίσκεται γύρω από την περιοχή του πυρήνα[19]. Επομένως η αναζήτηση του σημείου πυρήνα είναι σημαντική ακόμα και για τεχνικές εξακρίβωσης (verification) αυξάνοντας την αξιοπιστία του συστήματος. Παρακάτω γίνεται εντοπισμός του πυρήνα χωρίς μεγάλη ακρίβεια με σκοπό την εξαγωγή χαρακτηριστικών σε μία περιοχή γύρω από αυτό. Η τεχνική που χρησιμοποιείται για τον εντοπισμό ονομάζεται Optimal Core Point Technique[6]. Η τεχνική αυτή στηρίζεται στον υπολογισμό του προσανατολισμού των παρυφών που αναφέρθηκε στο στάδιο της προεπεξεργασίας χωρίς να γίνει εξομάλυνση των τιμών του προσανατολισμού με βάση τις γειτονικές περιοχές και ακολούθως την εφαρμογή της τεχνικής της κατεύθυνσης της καμπυλότητας (Direction of Curvature-DC) για τον εντοπισμό του πυρήνα (Core Point)[6]. Δηλαδή έγινε ο υπολογισμός μόνο των τιμών με βάση τον τύπο (3.23). 1 ( i, j) tan 2 1 V ( V y x ( i, j) ) ( i, j) ( 3.23) Επίσης για τον υπολογισμό του και χρησιμοποιήθηκε παράθυρο 3x3 με βάση την μέθοδο. Μετά των υπολογισμό του τύπου (3.21) έγινε μια βέλτιστη ρύθμιση (Fine tuning) ώστε να καθοριστεί καλύτερα η περιοχή του πυρήνα[6]. Ακολούθως γίνεται ο εντοπισμός του πυρήνα με την τεχνική της κατεύθυνσης της καμπυλότητας που υλοποιείται σύμφωνα με τις παρακάτω εξισώσεις: DiffY DiffX 3 k1 3 k 1 sin 2 ( k,3) cos 2 (3,1) 3 k1 3 k 1 sin 2 ( k,1) sin 2 (1, l) (3.24) (3.25) Όπου και είναι η πρώτη παράγωγος κατά τον και κατά τον άξονα του ημιτόνου και του συνημίτονου,αντίστοιχα, του προσανατολισμού των παρυφών στην θέση της εικόνας. O πυρήνας (Core Point) εντοπίζεται στο σημείο της εικόνας όπου το άθροισμα των και έχει την μεγαλύτερη αρνητική τιμή σύμφωνα με την τεχνική DC (Direction of Curvature). Η εξαγωγή των χαρακτηριστικών από κάθε εικόνα δακτυλικού αποτυπώματος προκύπτει από μια περιοχή σε σχήμα τετραγώνου όπου κάθε πλευρά του είναι ίση με 56

58 το διπλάσιο της ελάχιστης απόστασης του πυρήνα (core point) από τα σύνορα της εικόνας όπως παρουσιάζεται στις παρακάτω εικόνες με κόκκινο τετράγωνο. Ο ορισμός της περιοχής του τετραγώνου για την εξαγωγή των χαρακτηριστικών έγινε με σκοπό τον περιορισμό της περιοχής ενδιαφέροντος γύρω από τον πυρήνα όπου εκεί βρίσκεται και η περισσότερη πληροφορία του δακτυλικού αποτυπώματος. Σχήμα 3.19 Εύρεση σημείου πυρήνα με την τεχνική Optimal Core Point. H συγκεκριμένη τεχνική εύρεσης του πυρήνα (Core Point) αποτυγχάνει στον εντοπισμό πυρήνα που είναι τύπου τόξου (arch), όπως παρουσιάζεται και από τις εικόνες 13 και 3 στο σχήμα 3.19,που είναι καλής ποιότητας. Αυτό συμβαίνει διότι ο προσανατολισμός των παρυφών στο Core Point τύπου arch αλλάζει σχετικά ομαλά σε σχέση με τις υπόλοιπες κατηγορίες. Στις παραπάνω εικόνες που παρουσιάζονται, ο πυρήνας έχει εντοπιστεί και υποδεικνύεται με κόκκινο σταυρό. Για της υπόλοιπες κατηγορίες (Twin Loop, Whorl, Right loop, Left loop και Tented Arch) ο πυρήνας εντοπίζεται με μεγάλη ακρίβεια ακόμα και για την κατηγορία tented arch. Η εικόνα 4 του Σχήματος 3.19 που ανήκει στην κατηγορία right loop και είναι κακής ποιότητας δεν μπορεί να γίνει ο εντοπισμός σωστά. Το πλεονέκτημα της τεχνικής αυτής είναι η μικρή υπολογιστική ικανότητα και ο γρήγορος χρόνος εντοπισμού του πυρήνα. 57

59 3.6.9 Εξαγωγή Χαρακτηριστικών Βασισμένο στην Κατευθυντικότητα της Γραμμής (Line Directionally) Τα δακτυλικά αποτυπώματα είναι μοναδικά και παραμένουν αναλλοίωτα κατά την διάρκεια της ζωής του ατόμου. Αναλλοίωτες παραμένουν οι παρυφές (ridges) και οι κοιλάδες (valleys) των δακτυλικών αποτυπωμάτων. Οι λεπτομέρειες (miniatures) αποτελούν τα κύρια χαρακτηριστικά για την ταυτοποίηση (identification) ή εξακρίβωση (verification) προσώπων. Στα περισσότερα συστήματα αναγνώρισης δακτυλικών αποτυπωμάτων χρησιμοποιούνται δύο είδη λεπτομερειών. Τα είδη αυτά είναι οι καταλήξεις και οι διακλαδώσεις των παρυφών (ridge endings and bifurcations). Επίσης και άλλες λεπτομέρειες μπορούν να εκφραστούν μέσω των καταλήξεων και των διακλαδώσεων. Οι καταλήξεις των παρυφών είναι τα σημεία όπου οι παρυφές τερματίζουν και οι διακλαδώσεις είναι τα σημεία όπου οι παρυφές διαχωρίζονται από μία σε δύο παρυφές. Κατά την διαδικασία της λέπτυνσης (thinning) οι παρυφές αποκτούν πλάτος ενός εικονοστοιχείου με αποτέλεσμα να μπορούν να μελετηθούν μορφολογικά σαν γραμμές. Το χαρακτηριστικό που χρησιμοποιείται στην συγκεκριμένη εργασία αξιοποιεί την μορφολογία αυτή των παρυφών και βασιζόμενο στην κατευθυντικότητα των γραμμών(παρυφών), ποσοτικοποιεί τον αριθμό των καταλήξεων και των διακλαδώσεων,με βάση την κατεύθυνση που έχουν, για όλη την εικόνα του δακτυλικού αποτυπώματος ή την τετραγωνική περιοχή γύρω από τον πυρήνα(core Point) που επιλέγεται αυτόματα με την εύρεση του πυρήνα. Για κάθε εικονοστοιχείο της περιοχής ενδιαφέροντος (όλη η εικόνα ή τετραγωνική περιοχή γύρω από τον πυρήνα) εφαρμόζεται μια ορθογώνια μάσκα 3x5 εικονοστοιχείων όπως παρουσιάζεται στο Σχήμα Από το κεντρικό εικονοστοιχείο της μάσκας απέχουν δύο εικονοστοιχεία τα σκιαγραφημένα εικονοστοιχεία.η απόσταση και το μονοπάτι των σκιαγραφημένων εικονοστοιχείων μέχρι το κεντρικό εικονοστοιχείο της μάσκας, με ενδιάμεσο εικονοστοιχείο το, όπου το μονοπάτι βρίσκεται πάνω σε παρυφή, μπορεί να μοντελοποιηθεί ακολούθως. f d ( i, j : k, l) S ( i, j : k, l) d im ROI j n (3.26) 58

60 1 Sd ( i, j : k, l) if ( fd( i m, j n) 0ˆ)( fd( i k, j l) 0) 0 (3.27) Όπου είναι ένα εάν η διαδρομή ή το μονοπάτι που καταλήγει στο σκιαγραφημένο εικονοστοιχείο από το εικονοστοιχείο, βρίσκεται πάνω σε παρυφή (εικονοστοιχείο με μαύρο τόνο (τιμή μηδέν)). Συνεπώς και ανάλογα τις συντεταγμένες του σκιαγραφημένου εικονοστοιχείου διαμορφώνονται που αντιστοιχούν στους προσανατολισμούς των σκιαγραφημένων εικονοστοιχείων σε σχέση με το κεντρικό εικονοστοιχείο [7].Κάθε σκιαγραφημένο εικονοστοιχείο μπορεί να ακολουθήσει από ένα έως τρία μονοπάτια προκειμένου να καταλήξει στο κεντρικό εικονοστοιχείο. Ανάλογα με τον αριθμό από τα μονοπάτια που οδηγούν στο συγκεκριμένο σκιαγραφημένο εικονοστοιχείο προκύπτουν τα αθροίσματα. Σύμφωνα με τα 17 αθροίσματα δημιουργείται ένα διάνυσμα 17 διαστάσεων το οποίο προκύπτει από το άθροισμα όλων των αντίστοιχων για κάθε εικονοστοιχείο της περιοχής ενδιαφέροντος. Η 17 συνιστώσες που αντιστοιχούν και σε διαφορετικούς προσανατολισμούς των μονοπατιών ή διαδρομών, για την περιοχή ενδιαφέροντος, ορίζονται από την παρακάτω εξίσωση[7]. P ( k, l) d i, j f d ROI ( i, j : k, l) (3.28) Οι προσανατολισμοί και που αντιστοιχούν στα εικονοστοιχεία και είναι αντίθετοι με αποτέλεσμα να υπολογίζεται μόνο ο ένας και το τελικό διάνυσμα των χαρακτηριστικών να έχει 15 διαστάσεις. Το τελικό διάνυσμα των χαρακτηριστικών μπορεί να κανονικοποιηθεί διαιρώντας με το συνολικό άθροισμα των χαρακτηριστικών ώστε το διάνυσμα να χρησιμοποιηθεί σαν πιθανότητα στο επόμενο βήμα, με μέγιστη τιμή την μονάδα[7]. Σχήμα 3.20 Ορθογώνια μάσκα 3x5 εικονοστοιχείων. Στην παραπάνω μάσκα το εικονοστοιχείο έχει πρόσβαση από το μέσω δύο μονοπατιών ή διαδρομών. Όλα τα σκιαγραφημένα εικονοστοιχεία απέχουν 2 εικονοστοιχεία από το κεντρικό 59

61 ΚΕΦΑΛΑΙΟ 4 ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΣΩΠΟΥ 4.1 Εισαγωγή Παρότι τα πρόσωπα δεν έχουν τόσο πολλά μοναδικά μετρήσιμα ιδιαίτερα χαρακτηριστικά όσο τα ακροδάχτυλα και οι ίριδες των ματιών, με αποτέλεσμα η αξιοπιστία της ταυτοποίησης προσώπου να είναι ελαφρώς μικρότερη, η μέθοδος αυτή είναι μια σημαντική εναλλακτική λύση για την επιλογή και την ανάπτυξη ενός βιομετρικού συστήματος ταυτοποίησης. Η αναγνώριση προσώπου (facial recognition) είναι μία από τις κύριες κατευθύνσεις της βιομετρίας (biometrics). Τα τελευταία χρόνια έχει γίνει όλο και πιο σημαντική λόγω των αυξημένων απαιτήσεων σε συστήματα ασφαλείας, της ανάγκης για εξακρίβωση ταυτότητας στον ψηφιακό κόσμο του διαδικτύου και των κινητών συσκευών και έγινε εφικτή λόγω των ταχύτατων εξελίξεων στις τεχνολογίες των ψηφιακών καμερών, αλλά και στις τεχνικές επεξεργασίας εικόνας, αναγνώρισης προτύπων και τεχνητής όρασης. Σχήμα 4.1 Αναγνώριση προσώπου Η αναγνώριση προσώπου έχει σημαντικά πλεονεκτήματα σε σχέση με τις άλλες τεχνολογίες της βιομετρίας, όπως η αναγνώριση δακτυλικού αποτυπώματος, η αναγνώριση φωνής, η αναγνώριση της ίριδας του ματιού και η αναγνώριση υπογραφής: είναι διαδικασία πιο φυσική, λιγότερο αδιάκριτη και ενοχλητική και ευκολότερη στη χρήση της. Έτσι, η έρευνα στην αναγνώριση προσώπου δεν έχει 60

62 μόνο ως κίνητρο τις προκλήσεις που θέτει το ίδιο το πρόβλημα, αλλά και τις αναρίθμητες εφαρμογές, όπου είναι απαραίτητη η εξακρίβωση της ταυτότητας των ανθρώπων. Για τον άνθρωπο η αναγνώριση προσώπων είναι μία καθημερινή, φυσική και εύκολη σχετικά διαδικασία. Αντίθετα, η αναγνώριση προσώπων με τη βοήθεια ενός ευφυούς συστήματος έχει αποδειχθεί μία δύσκολη προσπάθεια, ειδικά σε μη ελεγχόμενα περιβάλλοντα, όπου η θέση παρατήρησης, ο φωτισμός, οι μορφασμοί και τα αντικείμενα ή αξεσουάρ που αποκρύπτουν το πρόσωπο, ποικίλουν χαρακτηριστικά. Παρόλα αυτά, η απόδοση των συστημάτων αναγνώρισης προσώπου έχει βελτιωθεί σημαντικά από την εποχή που παρουσιάστηκε το πρώτο αυτόματο σύστημα αναγνώρισης προσώπου από τον Kanade, ώστε η αναγνώριση να μπορεί πλέον να διεξαχθεί επιτυχώς σε πραγματικό χρόνο κάτω από συγκεκριμένες ελεγχόμενες συνθήκες. Ένα σύστημα αναγνώρισης προσώπου (facial recognition) αναμένεται να αναγνωρίζει αυτόματα πρόσωπα που βρίσκονται σε φωτογραφίες ή βίντεο. Το σύστημα μπορεί να λειτουργεί με δύο τρόπους: 1. ιακρίβωση / επαλήθευση προσώπου (face verification/authentication), 2. Ταυτοποίηση προσώπου (face identification). Η διακρίβωση συνίσταται στην σύγκριση ενός ζητούμενου προσώπου με το συγκεκριμένο δείγμα του προσώπου του οποίου ισχυρίζεται ότι έχει την ταυτότητα και στην επαλήθευση ή όχι της ταυτότητάς του. Η ταυτοποίηση συνίσταται στη σύγκριση ενός ζητούμενου προσώπου με ένα σύνολο από δείγματα προσώπων μιας βάσης για να προσδιοριστεί σε ποιο ταιριάζει περισσότερο ώστε να καθοριστεί η ταυτότητά του. Η ταυτοποίηση επιτυγχάνεται με τη χρήση ενός σύνθετου αλγορίθμου (μαθηματικής εξίσωσης), που απομονώνει κάποια ιδιαίτερα χαρακτηριστικά του προσώπου, που τα συγκρίνει με τα αντίστοιχα ιδιαίτερα γνωρίσματα των προσώπων, που οι απεικονίσεις τους τηρούνται σε κάποια βάση δεδομένων 4.2 Χαρακτηριστικά προσώπου Με τον όρο χαρακτηριστικά προσώπου (Facial Features) συνήθως αναφερόμαστε στα μάτια, τη μύτη και το στόμα. Τα αποτελέσματα από την ανίχνευση, είναι συνήθως κάποια καθοδηγητικά σημεία για τα χαρακτηριστικά αυτά, όπως οι άκρες των ματιών, τα κέντρα τους, το κέντρο της μύτης, ή ακόμα και εικόνες αυτών των 61

63 χαρακτηριστικών. Τα χαρακτηριστικά του προσώπου πολλές φορές χρησιμοποιούνται στη διαδικασία της αναγνώρισης του προσώπου, αρκετές τεχνικές αναγνώρισης προσώπου τα χρησιμοποιούν σαν ένα είδος προεπεξεργασίας. Πολλές φορές τα χαρακτηριστικά του προσώπου πρέπει να βρίσκονται σε συγκεκριμένες θέσεις και να κατέχουν συγκεκριμένες αναλογίες αποστάσεων, έτσι ένα είδος προεπεξεργασίας για τη διαδικασία της αναγνώρισης προσώπου είναι η κλιμάκωση και η περιστροφή της εικόνας προσώπου ώστε τα χαρακτηριστικά του προσώπου να έχουν τις επιθυμητές ιδιότητες. Τα τελευταία χρόνια έχουν δημοσιευτεί πολλές τεχνικές για την ανίχνευση των χαρακτηριστικών του προσώπου. Η πλειοψηφία των τεχνικών αυτών αναζητούνται τα χαρακτηριστικά σε περιοχές μιας εικόνας όπου πρώτα έχουν ανιχνευτεί πρόσωπα. Οι συγκεκριμένες μέθοδοι δίνουν πιο αποδεκτά αποτελέσματα από αυτές που ψάχνουν να βρουν χαρακτηριστικά σε ολόκληρη την εικόνα. Οι τεχνικές που θα παρουσιαστούν παρακάτω κάνουν σύγκριση με πρότυπα μοντέλα των χαρακτηριστικών προσώπου. Οι μέθοδοι πρότυπων μοντέλων περιλαμβάνουν τεχνικές που αναφέρονται στην ένταση φωτεινότητας, στην ανίχνευση ακμών ή στην κατανόηση του χρώματος. Αυτές οι τεχνικές συνήθως είναι χρονοβόρες σε σχέση με άλλες, αλλά μας δίνουν καλύτερα αποτελέσματα. Τέλος ένα χαρακτηριστικό που συναντάμε σε πολλές μεθόδους είναι ότι η ανίχνευση των ματιών είναι αυτή που πραγματοποιείται πρώτη και στην συνέχεια με την χρήση κάποιων γεωμετρικών ιδιοτήτων του προσώπου βρίσκονται τα υπόλοιπα χαρακτηριστικά. 4.3 Ανίχνευση Προσώπου Η ανίχνευση προσώπου (face detection) είναι το πρώτο βήμα στην διαδικασία αναγνώρισης προσώπου (face recognition). Η αξιοπιστία του συστήματος ανίχνευσης παίζει κυρίαρχο ρόλο στην απόδοση και χρησιμότητα ολόκληρου του συστήματος αναγνώρισης προσώπου. Το πρόβλημα της εύρεσης των προσώπων σε μια εικόνα θα πρέπει να αντιμετωπιστεί ανεξάρτητα από την πολυπλοκότητα της σκηνής της εικόνας, τη γωνία λήψης, τις συνθήκες φωτισμού κ.α. Αν δοθεί μία φωτογραφία ή ένα βίντεο, ο ιδανικός ανιχνευτής προσώπου πρέπει να είναι ικανός να ανακαλύπτει και να εντοπίζει όλα τα πρόσωπα που είναι παρόντα, 62

64 ανεξάρτητα από τις συνθήκες φωτισμού, τη θέση, την κλίμακα, τον προσανατολισμό και τους μορφασμούς των προσώπων. Η μέθοδος των Viola & Jones με τις βελτιώσεις του Lienhart που στηρίζεται στην εκμάθηση με την τεχνική Adaboost και τη χρήση χαρακτηριστικών γνωρισμάτων της μορφής Haar, εμφανίζεται μέχρι σήμερα να έχει την καλύτερη απόδοση ως προς την αποτελεσματικότητα και την ταχύτητα. Το ενδιαφέρον της μεθόδου έγκειται επίσης στο ότι είναι υλοποιημένη από τον Lienhart κ.ά. ως τμήμα της βιβλιοθήκης ανοικτού κώδικα OpenCV της Συστήματα εντοπισμού προσώπου Πολλά συστήματα και τεχνικές έχουν αναπτυχθεί για την ανίχνευση προσώπου σε στατικές εικόνες, ωστόσο, τα περισσότερα από αυτά μπορούν να ανιχνεύσουν πρόσωπα μόνο σε πρόσθια προβολή ή σχεδόν πρόσθια και πολλές φορές απαιτείται να έχει γίνει κάποια προεπεξεργασία ή κανονικοποίηση. Στα περισσότερα χρησιμοποιείται ένα πολυστρωματικό νευρωνικό δίκτυο για να βρουν τις περιοχές της εικόνας που ανήκουν στο πρόσωπο με βάση τις φωτεινότητες της εικόνας και χωρικές σχέσεις των pixels. Το 1997 αναπτύχθηκε μια μέθοδος χωρίς επίβλεψη και οπτική εκμάθηση. Στόχος της τεχνικής αυτής είναι η εκτίμηση της πυκνότητας σε ένα μεγάλων διαστάσεων χώρο με αποσύνθεση ιδιοχώρου. Το 1998 προτάθηκε μια μέθοδος στην οποία με χρήση ενός νευρωνικού δικτύου στόχος ήταν να βρεθεί μια συνάρτηση που να διαχωρίζει τις περιοχές που ανήκουν στο πρόσωπο και στις περιοχές που δεν ανήκουν, χρησιμοποιώντας μέτρα αποστάσεων. Δύο είναι οι τύποι εκτίμησης πυκνότητας που παράγονται για την μοντελοποίηση των δεδομένων της εκπαίδευσης: μια πολυμεταβλητή Gaussian (για μονοτροπικές κατανομές) και ένα μίγμα Gaussian μοντέλων (για πολυτροπικές κατανομές). Αυτές οι πυκνότητες πιθανότητας χρησιμοποιούνται στη συνέχεια για να εκτιμηθεί το πλαίσιο μέγιστης πιθανότητας για οπτική αναζήτηση και τον εντοπισμό και αναγνώριση αντικειμένων και κωδικοποίηση. Η τεχνική εκμάθησης που εφαρμόζεται αφορά πιθανολογική οπτική μοντελοποίηση, εντοπισμό και αναγνώριση ανθρώπινων προσώπων και κινούμενων περιοχών, όπως τα χέρια. 63

65 4.3.2 Συστήματα εντοπισμού προσώπου πραγματικού χρόνου Αναμφισβήτητα, ένα θέμα που απασχολεί την επιστημονική κοινότητα πάρα πολύ είναι η αυτόματη ανίχνευση προσώπου σε πραγματικό χρόνο και μια μέθοδος προτάθηκε για πρώτη φορά από τους Viola και Jones το Στην εργασία αυτή περιγράφεται μια προσέγγιση μηχανής μάθησης για την οπτική ανίχνευση αντικειμένων που μπορεί να επεξεργαστεί εικόνες πολύ γρήγορα και επιτυγχάνει υψηλά ποσοστά ανίχνευσης. Αυτή η εργασία χαρακτηρίζεται από τρία καινοτόμα στοιχεία. Το πρώτο είναι η χρησιμοποίηση μιας αναπαράστασης της εικόνας που ονομάζεται "Integral" και προτάθηκε το Ο τύπος αυτός εικόνας επιτρέπει τον πολύ γρήγορο υπολογισμό των ιδιοτήτων που χρησιμοποιούνται από τον ανιχνευτή. Το δεύτερο είναι ότι ο ανιχνευτής αποτελείται από ένα σύνολο ταξινομητών που εκπαιδεύονται κάνοντας χρήση του αλγόριθμου AdaBoost και ο οποίος επιλέγει έναν μικρό αριθμό κρίσιμων οπτικών χαρακτηριστικών από ένα μεγαλύτερο σύνολο και είναι εξαιρετικής απόδοσης και αποτελεσματικότητας. Κάθε ταξινομητής περιλαμβάνει εσωτερικά τα λεγόμενα «box filters» που θυμίζουν τις λειτουργίες των μητρών του Haar και μπορεί να κάνει υπολογισμούς πολύ γρήγορα σε οποιαδήποτε θέση και κλίμακα. Αυτό είναι ουσιαστικής σημασίας για την ταχύτητα του ανιχνευτή. Το τρίτο σημαντικό στοιχείο της εργασίας των Viola και Jones είναι ότι χρησιμοποιείται μια μέθοδος τύπου «καταρράκτη» για τον συνδυασμό ολοένα και πιο περίπλοκων ταξινομητών. Η μέθοδος αυτή επιτρέπει την γρήγορη απόρριψη περιοχών του παρασκηνίου, ενώ ξοδεύει περισσότερη υπολογιστική ισχύ σε περιοχές που μοιάζουν να περιέχουν αντικείμενα. Ο καταρράκτης μπορεί να θεωρηθεί ως ένας μηχανισμός που εστιάζει περισσότερο σε συγκεκριμένα αντικείμενα και ο οποίος σε αντίθεση με προηγούμενες προσεγγίσεις, παρέχει στατιστικές εγγυήσεις ότι οι περιοχές που απορρίπτονται είναι απίθανο να περιέχουν αντικείμενα ενδιαφέροντος. Στον τομέα της ανίχνευσης προσώπου, το σύστημα αποδίδει με υψηλά ποσοστά ανίχνευσης συγκριτικά με καλύτερα παλαιότερα συστήματα. Ο ανιχνευτής λειτουργεί με 15 καρέ ανά δευτερόλεπτο, χωρίς να καταφεύγει στη μελέτη των διαφορών μεταξύ των εικόνων ή την ανίχνευση χρώματος του δέρματος και χρησιμοποιείται σε εφαρμογές πραγματικού χρόνου. Μια εξίσου σημαντική παραλλαγή του συστήματος των Viola-Jones υλοποιήθηκε ένα χρόνο μετά το 2005 και χρησιμοποιεί τον αλγόριθμο GentleBoost αντί για τον 64

66 AdaBoost. Το σύστημα αυτό βασίζεται σε ένα πιθανολογικό μοντέλο εικόνας και χρησιμοποιήθηκαν αλγόριθμοι αποφάσεων και εξαγωγής συμπερασμάτων για την εύρεση των αντικειμένων και των χαρακτηριστικών τους. Το μοντέλο αυτό αντιλαμβάνεται την εικόνα ως ένα σύνολο κομματιών ακαθόριστου μεγέθους, όπου το καθένα μπορεί να περιέχει κάποιο αντικείμενο ή να είναι μέρος του παρασκηνίου. Το μοντέλο με τη σειρά του υιοθετεί άλλα πιθανοκρατικά μοντέλα με δείκτες και για να αποφασιστεί αν ένα κομμάτι είναι αντικείμενο ή ανήκει στο παρασκήνιο προηγείται κάποια εκπαίδευση. Η εκπαίδευση βασίζεται σε αλγόριθμους ενίσχυσης (Boosting algorithms) Το σύστημα έχει ως κύρια λειτουργία την εύρεση προσώπων και ματιών σε πραγματικό χρόνο και παραμένει αναλλοίωτο σε αλλαγές στο φωτισμό, στη δομή των προσώπων που εισάγονται, στις εκφράσεις τους ή αν φορούν γυαλιά. Τέλος, το σύστημα αυτό μπορεί ταυτόχρονα να παρακολουθεί πολλά άτομα και να εντοπίζει τα μάτια τους. Σχήμα 4.3 Ανίχνευση Προσώπου Περιγραφή του προβλήματος της Ανίχνευσης Προσώπου Πριν την ταυτοποίηση ενός προσώπου πρέπει πρώτα αυτό να εντοπιστεί. Η ανίχνευση και ο εντοπισμός προσώπων είναι το πρώτο στάδιο της αναγνώρισης προσώπων. Η ανίχνευση προσώπου μπορεί να θεωρηθεί σαν ένα πρόβλημα ταξινόμησης (classification) δύο κλάσεων, κατά το οποίο μία περιοχή μιας εικόνας ταξινομείται ως 65

67 «πρόσωπο» ή «μη-πρόσωπο». Η ανίχνευση προσώπου έγκειται στην ανακάλυψη και εντοπισμό των ανθρώπινων προσώπων σε μια εικόνα ανεξάρτητα: από τη θέση τους από το μέγεθός τους (κλίμακας) από τον προσανατολισμό τους (στροφή στο επίπεδο της εικόνας) από τη στάση / πόζα τους (στροφή εκτός επιπέδου εικόνας) από την έκφρασή τους (ύπαρξη μορφασμών) από την ύπαρξη άλλων δομικών στοιχείων (μούσια, μουστάκια, γυαλιά) από το περιεχομένο της εικόνας (ύπαρξη εμποδίων ή άλλων προσώπων) και από το φωτισμό και τις συνθήκες αποτύπωσης της εικόνας (ευαισθησία κάμερας, ανάλυση) Όλα τα παραπάνω αποτελούν τις κύριες αιτίες της μεγάλης δυσκολίας που εμφανίζει το πρόβλημα της ανίχνευσης ενός προσώπου. Αυτές οι μεγάλες παραλλαγές στην εμφάνιση του προσώπου, στη στάση, στην έκφραση και το φωτισμό κάνουν πολύ πολύπλοκο το πολύπτυχο (manifold) του χώρου των προσώπων και δυσδιάκριτα τα όρια προσώπων / μη-προσώπων. Για να είναι εφικτή η διαχείριση αυτής της πολύπλοκης κατάστασης απαιτείται ένας μη γραμμικός ταξινομητής, καθώς επίσης και ένα μεγάλο σύνολο δειγμάτων εκπαίδευσης, τα οποία θα εμπεριέχουν αυτήν την ποικιλότητα στην εμφάνιση των προσώπων. Η ταχύτητα είναι επίσης ένα σημαντικό θέμα για την απόδοση του συστήματος σε πραγματικό χρόνο. Έχει γίνει σημαντική ερευνητική προσπάθεια για την δημιουργία σύνθετων και γρήγορων ταξινομητών και από το 1990 έχει γίνει σημαντική πρόοδος στο θέμα αυτό Μέθοδοι Ανίχνευσης/Εντοπισμού Προσώπου Οι υπάρχουσες τεχνικές για την ανίχνευση (face detection) ή τον εντοπισμό προσώπων (face localization) σε μονόχρωμες ή έγχρωμες εικόνες κατηγοριοποιούνται κατά τον Yang [12], ως εξής: Μέθοδοι βασισμένες στη γνώση (knowledge-based methods): Αυτές οι μέθοδοι κωδικοποιούν την ανθρώπινη γνώση σε κανόνες αναφορικά με το τι συνιστά ένα τυπικό πρόσωπο. Συνήθως κωδικοποιούνται από τον ερευνητή οι σχέσεις (θέσεις, αποστάσεις) ανάμεσα στα χαρακτηριστικά του προσώπου. Οι δυσκολίες της μεθόδου οφείλονται στην μετατροπή των σχέσεων των χαρακτηριστικών σε 66

68 συγκεκριμένους κανόνες. Αυτές οι μέθοδοι έχουν σχεδιαστεί για τον εντοπισμό του προσώπου. Προσεγγίσεις αναλλοίωτων χαρακτηριστικών (feature invariant approaches): Στόχος αυτών των μεθόδων είναι να βρεθούν τα δομικά χαρακτηριστικά ενός προσώπου που υπάρχουν ακόμα και όταν η στάση, η θέση παρατήρησης ή οι συνθήκες φωτισμού ποικίλουν. Με βάση τα δομικά αυτά χαρακτηριστικά (φρύδια, μάτια, στόμα κλπ.) χτίζονται στατιστικά μοντέλα μορφών (statistical shape models), που στη συνέχεια μπορούν να χρησιμοποιηθούν για τον εντοπισμό του προσώπου. Οι δυσκολίες της μεθόδου οφείλονται στην απόκρυψη των χαρακτηριστικών ή στην ύπαρξη πρόσθετων αντικειμένων που αλλοιώνουν τις μορφές. Μέθοδοι συνταιριάσματος υποδειγμάτων (template matching methods): Εδώ χρησιμοποιούνται διάφορα προκαθορισμένα τυπικά υποδείγματα (templates) για να περιγράψουν το πρόσωπο σαν σύνολο ή τα χαρακτηριστικά του προσώπου ξεχωριστά. Για την ανίχνευση υπολογίζεται η συσχέτιση μεταξύ της εικόνας εισόδου και των αποθηκευμένων υποδειγμάτων. Οι μέθοδοι αυτές χρησιμοποιούνται για ανίχνευση αλλά και για εντοπισμό των προσώπων. Οι δυσκολίες της μεθόδου οφείλονται στην αντιμετώπιση των παραλλαγών στην κλίμακα, τη μορφή και τον προσανατολισμό, δεδομένου ότι τα υποδείγματα είναι προκαθορισμένα. Μέθοδοι βασισμένες στην εμφάνιση (appearance-based methods): Εδώ τα μοντέλα ή υποδείγματα προσώπου, σε αντίθεση με την μέθοδο των υποδειγμάτων όπου τα υποδείγματα είναι προκαθορισμένα, μαθαίνονται από ένα σύνολο εικόνων εκπαίδευσης που είναι αντιπροσωπευτικές της ποικιλότητας της εμφάνισης των προσώπων. Αυτά τα μοντέλα από εκμάθηση χρησιμοποιούνται στη συνέχεια για την ανίχνευση των προσώπων. Οι μέθοδοι αυτές χρησιμοποιούνται κυρίως για ανίχνευση, αλλά και για εντοπισμό των προσώπων. Οι πιο επιτυχημένες τεχνικές για ανίχνευση προσώπου είναι οι μέθοδοι που βασίζονται στην εμφάνιση (appearance-based). Αυτές βασίζονται αποκλειστικά στην εμφάνιση των προσώπων, χωρίς να χρησιμοποιούνται άλλα ευρήματα. Η διαδικασία ανίχνευσης έχει ως εξής : Μια εικόνα εισόδου σαρώνεται σε όλες τις δυνατές θέσεις και κλίμακες από ένα υπόπαράθυρο ανίχνευσης. Η ανίχνευση προσώπου αποφασίζεται από την ταξινόμηση του 67

69 δείγματος στο υπό-παράθυρο σαν πρόσωπο ή μη-πρόσωπο. Ο ταξινομητής προσώπων / μη-προσώπων εκπαιδεύεται από ένα εκπαιδευτικό σύνολο δειγμάτων από πρόσωπα και μη-πρόσωπα χρησιμοποιώντας στατιστικές μεθόδους εκπαίδευσης Μικρό Ιστορικό των κυριότερων Mεθόδων Aνίχνευσης Παρακάτω αναφέρουμε τις κυριότερες μεθόδους υποδειγμάτων και εμφάνισης για την ανίχνευση προσώπων, που επηρέασαν ουσιαστικά την εξέλιξη της έρευνας στο συγκεκριμένο τομέα: 1992: Craw et al. Χρήση Υποδειγμάτων Μορφών (Shape Templates) [13] 1995: Lanitis et al. Χρήση Μοντέλων Ενεργών Μορφών (Active Shape Models) [14] 1997: Osuna et al. Χρήση μη γραμμικών Μηχανών Ανυσματικής Στήριξης (SVM) 1998: Papageorgiou and Poggio Χρήση κυματιδίων Haar (Haar wavelets) με SVM ταξινομητή [15] 1998: Sung and Poggio Χρήση Γκαουσιανών κατανομών και πολυστρωματικών αντιλήπτρων (multilayer perception) [16] 1998: Rowley et al. Χρήση συνόλου νευρωνικών δικτύων (neural networks) [17] 2000: Schneiderman and Kanade Χρήση στατιστικής για την τοπική εμφάνιση και εκμάθηση με Adaboost [18] 2001: Viola and Jones. Χρήση των κυματιδίων τύπου Haar σε ταξινομητές ενός-μόνο χαρακτηριστικού, που εκπαιδεύονται με τον AdaBoost αλγόριθμο και οργανώνονται σε μια διαδοχή αποφάσεων [20] 2002: Lienhart et al. Χρήση ενός εκτεταμένου συνόλου περιιστάμενων χαρακτηριστικών Haar για την αντιμετώπιση των στροφών στο επίπεδο εικόνας [21] 2002: Li et al. Χρήση ενός επεκτεταμένου συνόλου περιισταμένων χαρακτηριστικών Haar και ενός πυραμιδοειδούς ανιχνευτή για την αντιμετώπιση των στροφών εκτός του επιπέδου της εικόνας [22]. 68

70 Σχήμα 4.4 Παραδείγματα ανίχνευσης προσώπων Η προσέγγιση της AdaBoost εκμάθησης χαρακτηριστικών τύπου Haar των Viola & Jones έχει επιτύχει την καλύτερη απόδοση μέχρι σήμερα και ως προς την ακρίβεια και ως προς την ταχύτητα [12, 23] Μέθοδοι Bασισμένες στην Eμφάνιση Οι μέθοδοι που είναι βασισμένες στην εμφάνιση (appearance-based methods), εμφανίζουν ορισμένα κοινά χαρακτηριστικά κατά τη διαδικασία ανίχνευσης των προσώπων: Σύνολο εκπαίδευσης θετικών και συνήθως αρνητικών δειγμάτων προσώπων Εκπαίδευση και χρήση ενός ταξινομητή Συγκεκριμένο τρόπο αναπαράστασης των προσώπων Προεπεξεργασία Συγκεκριμένη στρατηγική ανίχνευσης/αναζήτησης στο χώρο και την κλίμακα Μετεπεξεργασία 69

71 4.3.7 Ανίχνευση Προσώπου κατά Viola & Jones Οι ιδέες-κλειδιά της μεθόδου αυτής είναι οι εξής : Χρήση απλών χαρακτηριστικών τύπου Haar για απόκτηση γνώσης από δεδομένα μάθησης, που αποτελούνται από εικόνες προσώπων και μη - προσώπων. Χρήση μιας νέας εικόνας αναπαράστασης των προσώπων που ονομάζεται Εικόνα Ολοκλήρωμα (Integral Image), και που επιτρέπει τα χαρακτηριστικά που χρησιμοποιούνται από τον ανιχνευτή να υπολογίζονται πολύ γρήγορα. Χρήση ενός αλγόριθμου μάθησης, που στηρίζεται στον AdaBoost, ο οποίος επιλέγει ένα μικρό αριθμό από κρίσιμα οπτικά χαρακτηριστικά και αποδίδει άκρως αποτελεσματικούς ταξινομητές. Συνδυασμός των ταξινομητών σε διάταξη καταρράκτη (cascade), που επιτρέπει περιοχές υποβάθρου της εικόνας να απορρίπτονται γρήγορα, αναλώνοντας περισσότερο υπολογιστικό χρόνο σε περιοχές που μοιάζουν περισσότερο σε πρόσωπα Υπολογισμός Χαρακτηριστικών Η διαδικασία ανίχνευσης ταξινομεί εικόνες στηριζόμενη στην τιμή απλών βαθμωτών χαρακτηριστικών (features). Η χρήση των χαρακτηριστικών αντί της εικόνας έντασης (intensity image) έχει ως σκοπό την μείωση των διαφοροποιήσεων μέσα στην κλάση (intra-class variability) και την αύξηση των διαφοροποιήσεων μεταξύ των κλάσεων (interclass variability), ώστε η ταξινόμηση να καταστεί ευκολότερη. Τα χαρακτηριστικά αυτά περιέχουν γνώση από συγκεκριμένες περιοχές της εικόνας, που είναι δύσκολο να κωδικοποιηθεί χρησιμοποιώντας πεπερασμένα δεδομένα μάθησης. Τα χαρακτηριστικά είναι όμοια με τις συναρτήσεις βάσης τύπου Haar (Haar basis) που έχουν χρησιμοποιηθεί και από τον Papageorgiou κ.ά. για τον ίδιο σκοπό. Εφαρμόζονται σε ασπρόμαυρες εικόνες και η τιμή τους εξαρτάται από την τιμή της υπολογιζόμενης σταθμισμένης ανάλογα με το εμβαδόν διαφοράς των αθροισμάτων των εντάσεων των εικονοστοιχείων πάνω σε ορθογώνιες 70

72 περιοχές, θεωρώντας τις γκρίζες περιοχές θετικές και τις λευκές αρνητικές, όπως φαίνεται στο Σχήμα 4.5. Τα χαρακτηριστικά καθορίζονται από την θέση, τις διαστάσεις και την τιμή τους. Το πλήθος των χαρακτηριστικών που δημιουργούνται για δείγματα προσώπων pixels είναι ~ , που είναι ένα υπερπλήρεις σύνολο σε σχέση με τις 576 τιμές έντασης του δείγματος. Για αυτόν τον λόγο απαιτείται μια διαδικασία επιλογής των κυριότερων χαρακτηριστικών από αυτά. Σύμφωνα με τους Viola & Jones ακόμα και ανιχνευτές με 2 χαρακτηριστικά είναι αρκετά αποτελεσματικοί. Σχήμα 4.5: Μορφή των χαρακτηριστικών Viola & Jones Τα ορθογώνια χαρακτηριστικά των Viola & Jones μπορούν να υπολογιστούν πολύ αποτελεσματικά με τη χρήση μιας βοηθητικής εικόνας, που αναφέρεται ως «Εικόνα ολοκλήρωμα» (integral image). Η εικόνα ολοκλήρωμα, I(x,y), έχει τιμή στη θέση (x, y) που καθορίζεται ως άθροισμα των εντάσεων των pixels του ορθογωνίου που ορίζεται από την πάνω αριστερή κορυφή (0, 0) και την κάτω δεξιά κορυφή (x, y): I(x, y) =Σ i (x, y ), x x, y y όπου i είναι η αρχική εικόνα εισόδου. Σχήμα 4.6 Αναπαράσταση της "Εικόνας Ολοκλήρωμα" 71

73 Χρησιμοποιώντας την εικόνα ολοκλήρωμα κάθε ορθογώνιο άθροισμα μπορεί να υπολογιστεί σε σταθερό χρόνο με τέσσερις αναφορές στις τιμές ενός πίνακα. Έτσι το άθροισμα εντός του D (Σχήμα 4.5) μπορεί να υπολογιστεί σαν Ι4+Ι1-(Ι2+Ι3) Επιλογή Χαρακτηριστικών με την AdaΒoost Στο γενικότερο πρόβλημα της ενίσχυσης (boosting), συνδυάζεται ένα μεγάλο σύνολο λειτουργιών ταξινόμησης, αποδίδοντας μεγαλύτερο βάρος σε κάθε καλή λειτουργία ταξινόμησης και μικρότερο βάρος σε κάθε χειρότερη λειτουργία. Οι ταξινομητές που συνδυάζονται, ώστε να αποτελέσουν τον τελικό ισχυρό ταξινομητή (strong classifier), ονομάζονται αδύναμοι ταξινομητές (weak classifiers), και αρκεί να αποφασίζουν λίγο καλύτερα από την τυχαιότητα. Ο πιο δημοφιλής αλγόριθμος ενίσχυσης είναι ο αλγόριθμος προσαρμοστικής ενίσχυσης (adaptive boosting) AdaBoost, ο οποίος ονομάζεται και διακριτός (discrete) AdaBoost, μιας και αποδίδει διακριτές τιμές εξόδου.όπως ήδη έχει αναφερθεί, το πλήθος των ορθογώνιων χαρακτηριστικών που δημιουργούνται είναι υπερβολικά μεγάλο, ώστε να απαιτείται η επιλογή των πλέον αποτελεσματικών χαρακτηριστικών που θα χρησιμοποιηθούν στον τελικό ταξινομητή. Θεωρώντας μια αντιστοίχηση μεταξύ αδύναμων ταξινομητών και χαρακτηριστικών οι Viola & Jones, χρησιμοποίησαν τον αλγόριθμο AdaBoost σαν μια αποτελεσματική διαδικασία για την ανεύρεση ενός μικρού αριθμού «καλών» χαρακτηριστικών που επιπλέον είναι σημαντικά διαφοροποιημένα. Μία απλή και πρακτική μέθοδος για την ολοκλήρωση αυτής της αντιστοίχησης είναι ο περιορισμός του αδύναμου ταξινομητή σε λειτουργίες ταξινόμησης που εξαρτώνται από ένα μόνο χαρακτηριστικό. Έτσι, η μέθοδος AdaBoost στοχεύει στην επίλυση των παρακάτω 3 θεμελιωδών προβλημάτων : (1) εκμάθηση των πιο αποτελεσματικών χαρακτηριστικών από ένα μεγάλο σύνολο χαρακτηριστικών, (2) κατασκευή αδύναμων ταξινομητών, καθένας από τους οποίους στηρίζεται σε ένα μόνο από τα χαρακτηριστικά που δημιουργήθηκαν, και (3) συνδυασμός των αδύναμων ταξινομητών για την κατασκευή ενός ισχυρού ταξινομητή. 72

74 Σύμφωνα με τους Viola & Jones κατά την εφαρμογή του AdaBoost: Σε κάθε πέρασμα t εκπαιδεύεται ένας νέος αδύναμος ταξινομητής που προστίθεται στο σύνολο με μεγαλύτερο συντελεστή όσο μικρότερο σφάλμα ταξινόμησης ε δίνει. Το βάρος κάθε δείγματος ενημερώνεται έτσι ώστε σε κάθε επόμενο πέρασμα τα δείγματα που ταξινομούνται σωστά να έχουν μικρότερη βαρύτητα κατά. Ο τελικός ισχυρός ταξινομητής αποτελείται από Τ αδύναμους ταξινομητές που αντιστοιχούν στα ισχυρότερα χαρακτηριστικά, με βάρη αντιστρόφως ανάλογα προς το σφάλμα ταξινόμησης. Όπως αποδεικνύεται από τους Freund & Schapire ο ισχυρός ταξινομητής μπορεί να πετύχει αυθαίρετα υψηλό ρυθμό ορθών ταξινομήσεων με αυθαίρετα χαμηλό ρυθμό εσφαλμένων ταξινομήσεων, αρκεί το πλήθος των αδύναμων ταξινομητών να είναι αρκετά μεγάλο. Σχήμα 4.7: Τα 2 κυριότερα χαρακτηριστικά εφαρμοσμένα σε ένα τυπικό πρόσωπο Κατασκευή του Αδύναμου Ταξινομητή Ο απλούστερος τύπος ενός αδύναμου ταξινομητή είναι η «ρίζα» («stump») ενός δένδρου απόφασης (decision tree). Όταν το χαρακτηριστικό παίρνει πραγματικές τιμές, μπορεί να κατασκευαστεί μία ρίζα απόφασης, συγκρίνοντας απλά την τιμή του επιλεγμένου χαρακτηριστικού με μια συγκεκριμένη τιμή κατωφλίου. Έτσι ο αδύναμος αλγόριθμος μάθησης σχεδιάζεται ώστε να μπορεί να επιλέγει εκείνο το μοναδικό χαρακτηριστικό που διαχωρίζει καλύτερα τα θετικά από τα αρνητικά δείγματα. Για κάθε χαρακτηριστικό, ο αδύναμος ταξινομητής καθορίζει το ιδανικό 73

75 κατώφλι λειτουργίας της ταξινόμησης, έτσι ώστε να ελαχιστοποιείται ο αριθμός δειγμάτων που ταξινομείται εσφαλμένα [23, 19, 20]. Σχήμα 4.8: Υπολογισμός της τιμής χαρακτηριστικών πάνω σε πρόσωπα και μη-πρόσωπα Έτσι ο αδύναμος ταξινομητής (x) αποτελείται από ένα χαρακτηριστικό j και ένα κατώφλι : Για κάθε χαρακτηριστικό j, υπολογίζεται η fj(x), μια βαθμωτή τιμή του χαρακτηριστικού (εδώ οι διαφορές αθροισμάτων), όπου x είναι ένα θετικό ή αρνητικό δείγμα Κάθε χαρακτηριστικό χρησιμοποιείται σαν ένας αδύναμος ταξινομητής Καθορισμός τιμής κατωφλίου θj για κάθε χαρακτηριστικό έτσι ώστε τα περισσότερα δείγματα να ταξινομούνται σωστά: Επιλογή χαρακτηριστικού και κατωφλίου με το χαμηλότερο σταθμισμένο σφάλμα ταξινόμησης Διαδοχική εκτίμηση όλων των χαρακτηριστικών. (4.1) Ταξινόμηση με έναν Καταρράκτη Ταξινομητών Για να αποφύγουν την σύγκλιση του AdaBoost που απαιτεί μεγάλο αριθμό δειγμάτων και καταλήγει σε μεγάλο πλήθος αδύναμων ταξινομητών που απαιτούν μεγάλο υπολογιστικό κόστος, οι Viola & Jones εισήγαγαν την έννοια του καταρράκτη ταξινομητών (cascade of classifiers). Με τη μέθοδο αυτή κατασκευάζεται μία διαδοχή ταξινομητών στη μορφή καταρράκτη (cascade) που επιτυγχάνει αυξημένη απόδοση στην ανίχνευση και μειώνει ριζικά τον χρόνο υπολογισμού. Η ιδέα είναι ότι μπορούν να κατασκευαστούν μικροί και ωστόσο αποτελεσματικοί, συνδυασμένοι ταξινομητές που απορρίπτουν πολλά από τα αρνητικά, ενώ ανιχνεύουν σχεδόν όλα τα θετικά περιστατικά. 74

76 Η μέθοδος του καταρράκτη ταξινομητών στηρίζεται στο γεγονός ότι σε μία οποιαδήποτε εικόνα η πλειονότητα των παραθύρων ανίχνευσης δεν περιλαμβάνει πρόσωπα. Έτσι πιο απλοποιημένοι και λιγότερο χρονοβόροι ταξινομητές χρησιμοποιούνται για να απορρίψουν την πλειονότητα των παραθύρων ανίχνευσης ως αρνητικά, προτού χρησιμοποιηθούν οι πιο σύνθετοι και περισσότερο χρονοβόροι ταξινομητές που θα επεξεργαστούν τις πιο πολύπλοκες περιπτώσεις και θα επιτύχουν χαμηλά επίπεδα εσφαλμένων θετικών ανιχνεύσεων. Παράδειγμα: Καταρράκτης Ταξινομητής 32 επιπέδων 2-χαρακτηριστικών ταξινομητής στο πρώτο επίπεδο απορρίπτει το 60% των μηπροσώπων ενώ ανιχνεύει 100% τα πρόσωπα 5-χαρακτηριστικών ταξινομητής στο δεύτερο επίπεδο απορρίπτει το 80% των μηπροσώπων ενώ ανιχνεύει 100% τα πρόσωπα 20-χαρακτηριστικών ταξινομητής στα επίπεδα 3,4 και 5 50-χαρακτηριστικών ταξινομητής στα επίπεδα 6 και χαρακηριστικών ταξινομητής στα επίπεδα 8 έως και χαρακτηριστικών ταξινομητής στα επίπεδα 13 έως και 32 Η συνολική διαδικασία ανίχνευσης είναι παρόμοια με ένα δένδρο απόφασης (decision tree). Ένα θετικό αποτέλεσμα από τον ταξινομητή πρώτου επιπέδου οδηγείται στον ταξινομητή δευτέρου επιπέδου, του οποίου το θετικό αποτέλεσμα οδηγείται στον ταξινομητή τρίτου επίπεδου κ.ο.κ. όπως στο Σχήμα 4.9. Τα αρνητικά αποτελέσματα σε κάθε επίπεδο απορρίπτονται χωρίς να επανελέγχονται. Έτσι οι ταξινομητές των αρχικών επιπέδων ασχολούνται με τα εύκολα περιστατικά, ενώ οι επόμενοι αντιμετωπίζουν πιο δύσκολες περιπτώσεις. 75

77 Σχήμα 4.9: Σχηματική παράσταση μιας ανίχνευσης με καταρράκτη ταξινομητών Η εκπαίδευση του καταρράκτη ταξινομητή γίνεται χρησιμοποιώντας τον AdaBoost, και καθορίζει: τον αριθμό των επιπέδων του καταρράκτη ταξινομητή τον αριθμό των χαρακτηριστικών σε κάθε επίπεδο το κατώφλι σε κάθε επίπεδο ώστε να ελαχιστοποιείται ο αριθμός των χρησιμοποιούμενων χαρακτηριστικών, δεδομένων των f, d και. Algorithm: Training Algorithm for Building a Cascade Detector Given: P : a training set of Positive examples, N : a training set of Negative examples. f : maximum acceptable false positive rate per layer. d: minimum acceptable detection rate per layer. Ftarget: target overall false positive rate. Initialize: F0 = 1.0; D0 = 1.0 i=0 Iterate: While Fi > Ft arg et do: i i +1 ni = 0 ; Fi = Fi 1 While Fi > f Fi 1 do: ni ni +1 76

78 Use P and N to train a classifier with ni features using AdaBoost Evaluate current cascaded classifier on validation test to determine Fi and Di Decrease threshold for the ith classifier until the current cascaded classifier has a detection rate of at least d Di 1 (this also affects Fi) N 0 If Fi > Ft arg et then evaluate the current cascaded detector on the set of non-face images and put any false detection into the set N Σύνοψη του Συστήματος Ανίχνευσης Προσώπου Υπολογίζονται απλά βαθμωτά χαρακτηριστικά. Υπάρχει ένας μεγάλος αριθμός από υποψήφια χαρακτηριστικά τύπου Haar. Επιλέγεται ένα μικρό υποσύνολο από αυτά και οι αντίστοιχοι αδύναμοι ταξινομητές από δένδρα απόφασης εκπαιδεύονται χρησιμοποιώντας AdaBoost. ισχυρός ταξινομητής κατασκευάζεται σαν ένας γραμμικός συνδυασμός των αδύναμων και είναι το αποτέλεσμα του αλγόριθμου AdaBoost. Ο τελικός ανιχνευτής δημιουργείται από έναν ή από μία διαδοχή, σε διάταξη καταρράκτη, ισχυρών ταξινομητών που χρησιμοποιούν διαρκώς περισσότερα χαρακτηριστικά. Η προεπεξεργασία προετοιμάζει την εικόνα που θα ανιχνευτεί. Η μετεπεξεργασία συγχωνεύει ή απορρίπτει τις ανιχνεύσεις Τεχνικές βελτίωσης Εικόνας Οι εικόνες προσώπων που σχηματίζουν τα σύνολα των εικόνων της βάσης και των εικόνων ελέγχου εφόσον δεν είναι ελεγχόμενες και συχνά έχουν μεγάλες διαφοροποιήσεις τόσο ως προς την φωτεινότητα όσο και ως προς την ευκρίνεια. Μια εικόνα διάστασης r x c σχηματίζει έναν πίνακα ίδιου μεγέθους, οι τιμές των στοιχείων του οποίου αναπαριστούν την κλιμάκωση των εικονοστοιχείων της Εικόνας στο σύνολο των γκρι αποχρώσεων. Διαφορετικές τιμές φωτεινότητας, μεταφράζονται σε τιμές διαφορετικής έντασης των εικονοστοιχείων. Στη εικόνα που ακολουθεί απεικονίζεται το ίδιο πρόσωπο με διαφορετική ημέρα λήψης της Εικόνας κάτω από διαφορετικό φωτισμό. 77

79 Σχήμα 4.10 Φωτογραφίες του ίδιου προσώπου με διαφορετική ημέρα λήψης και διαφορετικό φωτισμό. Οι διαφορές στην κατανομή των τιμών των εικονοστοιχείων των δύο φωτογραφιών στην κλίμακα των αποχρώσεων του γκρι φαίνεται στα ιστογράμματα που ακολουθούν (Σχήμα 4.11). Οι τιμές των εικονοστοιχείων ανήκουν στο [0,1]. Σχήμα 4.11 Τα δύο ιστογράμματα των προσώπων του Σχήματος

80 Σχήμα 4.12 Αντιπαραβολή των δύο ιστογραμμάτων Όπως φαίνεται στο Σχήμα 4.12 οι διαφορές στην κατανομή των τιμών των εικονοστοιχείων των δύο προσώπων παρόλο που απεικονίζεται το ίδιο άτομο είναι μεγάλες. Η ευκλείδεια απόσταση ανάμεσα στα δύο ιστογράμματα είναι d= Μια πρώτη και ουσιαστική βελτίωση που μπορεί να εφαρμοστεί στις δύο εικόνες είναι αυτή της εξισορρόπησης του ιστογράμματος. Η ομοιόμορφη εξισορρόπηση του ιστογράμματος βελτιώνει τη φωτεινότητα των εικόνων μετασχηματίζοντας τις τιμές των εικονοστοιχείων έτσι ώστε να κατανέμονται ομοιόμορφα στην κλίμακα των αποχρώσεων του γκρι. Έστω ότι c(k) είναι το ιστόγραμμα της αρχικής εικόνας Α και kε[0,1] είναι η ένταση των εικονοστοιχείων της Α. Ο μετασχηματισμός T (εξισορρόπηση ιστογράμματος) ελαχιστοποιεί για κάθε k την σχέση: (4.2) όπου c η ισόποση κατανομή όλων των εικονοστοιχείων στην κλίμακα του γκρι. Η εφαρμογή του μετασχηματισμού στις φωτογραφίες το Σχήμα 4.10 απεικονίζεται στο Σχήμα

81 Σχήμα 4.13 Οι εικόνες μετά την εξισορρόπηση του ιστογράμματος Τα νέα ιστογράμματα των δύο προσώπων και η διαφορά τους απεικονίζεται στις εικόνες που ακολουθούν (Σχήμα 4.14, Σχήμα 4.15). Σχήμα 4.14: Ιστογράμματα των εικόνων μετά την εφαρμογή της εξισορρόπησης ιστογράμματος 80

82 Σχήμα 4.15 Αντιπαραβολή των δύο ιστογραμμάτων. Η ευκλείδεια απόσταση των δύο ιστογραμμάτων μετά την προσαρμοσμένη εξισορρόπηση ιστογράμματος είναι d= Σε αρκετές περιπτώσεις ο συνδυασμός των δύο διαδικασιών δίνει εικόνες περισσότερο κανονικοποιημένες και ελαχιστοποιεί τις διαφορές φωτεινότητας ανάμεσα τους. Εφαρμόζοντας αρχικά την προσαρμοσμένη εξισορρόπηση και στην συνέχεια την ομοιόμορφη σε ολόκληρη την εικόνα έχουμε το αποτέλεσμα στη εικόνα Σχήμα Σχήμα 4.16 Αποτέλεσμα συνδυασμένης εφαρμογής ομοιόμορφης και προσαρμοσμένης 81

83 Σχήμα 4.17 Τα ιστογράμματα των προσώπων στο Σχήμα 4.16 Σχήμα 4.18 Αντιπαραβολή των δύο ιστογραμμάτων Η Ευκλείδεια απόσταση των δύο ιστογραμμάτων μετά την συνδυασμένη εφαρμογή τόσο της ομοιόμορφης όσο και της προσαρμοσμένης εξισορρόπησης είναι d= Με ένα απλό κανόνα μέτρησης απόστασης όπως ο Ευκλείδειος ο συνδυασμός των δύο μετασχηματισμών φαίνεται να έχει τα καλύτερα αποτελέσματα. Μια ακόμα διαδικασία βελτίωσης που μπορεί να εφαρμοστεί αθροιστικά με την παραπάνω και βάση των μετρήσεων φαίνεται να αυξάνει τα ποσοστά αναγνώρισης των αλγορίθμων αναγνώρισης προσώπου που βασίζονται στην εμφάνιση είναι η κανονικοποίηση των 82

84 υψηλών και χαμηλών τιμών της εικόνας προσώπου. Η διαδικασία επιτυγχάνεται με τη χρήση 2 κατωφλίων βάση των οποίων οι χαμηλές τιμές μηδενίζονται και οι υψηλές μεγιστοποιούνται. Οι τιμές των εικονοστοιχείων που ανήκουν στις περιοχές του προσώπου κυμαίνονται σε μέσα επίπεδα σε αντίθεση με τις τιμές του background και της περιοχής του τριχωτού της κεφαλής. Επιπλέον με τη χρήση της προσαρμογής αυτής των τιμών τονίζονται χαρακτηριστικά σημεία του προσώπου (γωνίες, κοιλότητες) μιας και εκεί οι τιμές είναι περισσότερο κοντά στα άκρα. Το αποτέλεσμα της εφαρμογής της διαδικασίας στις φωτογραφίες στο Σχήμα 4.16 φαίνεται στο Σχήμα 4.19 που ακολουθεί. Σχήμα 4.19 Κανονικοποίηση πολύ μικρών και πολύ μεγάλων τιμών. Αριστερά είναι οι αρχικές εικόνες και δεξιά το αποτέλεσμα μετά την εφαρμογή των εξισορροπήσεων του ιστογράμματος και της κανονικοποίησης των μικρών και μεγάλων τιμών. 4.4 Αναγνώριση Πρόσωπού Όπως αναφέρθηκε και προηγουμένως, ενώ τα πρόσωπα δεν έχουν τόσο πολλά μοναδικά μετρήσιμα ιδιαίτερα χαρακτηριστικά όσο τα ακροδάχτυλα και οι ίριδες των ματιών, με αποτέλεσμα η αξιοπιστία της ταυτοποίησης προσώπου να είναι ελαφρώς μικρότερη, η μέθοδος αυτή είναι μια σημαντική εναλλακτική λύση για την επιλογή και την ανάπτυξη ενός βιομετρικού συστήματος Ταυτοποίησης. Τα κύρια πλεονεκτήματά της είναι η ευκολία χρήσης (δεν απαιτείται η φυσική επαφή του αντικειμένου με τη συσκευή ανίχνευσης) και το χαμηλό κόστος (δεν απαιτείται τεχνολογικά προηγμένος εξοπλισμός). 83

85 Η διαδικασία ταυτοποίησης γίνεται σε δύο στάδια: αρχικά απαιτείται η ψηφιοποίηση ενός προσώπου μέσω μίας συσκευής λήψης εικόνων, π.χ. Webcam, κάμερα ασφαλείας, σαρωτής φωτογραφιών, κ.λπ. στη συνέχεια, με δοσμένο ότι η αναζήτηση προσώπου γίνεται σε οποιαδήποτε εικόνα, το πρώτο στάδιο συνίσταται στην ανίχνευση προσώπου. Η ανίχνευση χαρακτηριστικών προσώπου περιλαμβάνει κατ' αρχήν επιμέρους ανιχνευτές ματιών και στόματος. Χρησιμοποιείται επιπλέον μία προσαρμοζόμενη στο πρόσωπο φόρμα. Και τέλος η ταυτοποίηση επιτυγχάνεται με τη χρήση ενός σύνθετου αλγορίθμου (μαθηματική εξίσωση), που απομονώνει κάποια ιδιαίτερα χαρακτηριστικά του προσώπου, που τα συγκρίνει με τα αντίστοιχα ιδιαίτερα γνωρίσματα των προσώπων, που οι απεικονίσεις τους τηρούνται σε κάποια βάση δεδομένων Το πρόβλημα της Αναγνώρισης Προσώπων Το πρόσωπο είναι ένα μοναδικό χαρακτηριστικό για τα ανθρώπινα όντα. Ακόμα και τα πρόσωπα δύο ομοζυγωτικών διδύμων διαφέρουν. Εντοπίζουμε, αναγνωρίζουμε και διακρίνουμε τα πρόσωπα με χαρακτηριστική ευκολία και απλή παρατήρηση. Η ευκολία αναγνώρισης των προσώπων από τον άνθρωπό ήταν ένας από τους λόγους για την επιλογή γραμματοσήμων τα οποία περιλάμβαναν πρόσωπα: ήταν πολύ δυσκολότερο να γίνουν πλαστογραφίες γραμματοσήμων γιατί αυτές γίνονταν εύκολα αντιληπτές. Η μοναδικότητα των προσώπων είναι επίσης ο βασικός λόγος για την ευρεία χρήση του σε εφαρμογές όπου η ταυτοποίηση ανθρώπων είναι ιδιαίτερα σημαντική. Στο σημείο αυτό πρέπει να γίνει διάκριση μεταξύ ταυτοποίησης προσώπων και ταυτοποίησης ανθρώπων με βάση τη συνολική τους συμπεριφορά. Στην ταυτοποίηση προσώπων χρησιμοποιείται αποκλειστικά το οπτικό σύστημα του ανθρώπου. Στην γενικότερη ταυτοποίηση ανθρώπων χρησιμοποιούνται και άλλα στοιχεία, όπως το βάδισμα, η στάση του σώματος, η φωνή ή το ντύσιμο. Το πρόβλημα της αναγνώρισης προσώπων χονδρικά τίθεται ως εξής: Δοθέντων φωτογραφιών ή ακολουθιών βίντεο από μια σκηνή, αναγνώρισε ένα ή περισσότερα άτομα χρησιμοποιώντας μια υπάρχουσα βάση δεδομένων από πρόσωπα. Συμπληρωματικές πληροφορίες, όπως η ηλικία, το φύλο, η φυλή, μπορεί να είναι 84

86 διαθέσιμες για κάθε υποθηκευμένο στη βάση πρόσωπο, ούτως ώστε να περιορίζεται η έρευνα. Διάφορα υποπροβλήματα πηγάζουν για την αυτοματοποίηση της παραπάνω διαδικασίας: (1) Απομόνωση και κατάτμηση του προσώπου μέσα από ένα γενικά- θορυβώδες περιβάλλον (2) Εξαγωγή ευσταθών χαρακτηριστικών από την περιοχή του προσώπου. Ευσταθή χαρακτηριστικά είναι εκείνα, τα οποία δεν επηρεάζονται από την κλίμακα, τον φωτισμό, την κλίση του προσώπου, την αμφίεση και τη γήρανση. (3) Χρήση χαρακτηριστικών ή άλλων παρόμοιων τεχνικών με σκοπό τη μείωση της διάστασης του προβλήματος και τη δημιουργία προτύπων. Το πρόβλημα τελικά ανάγεται στην αναγνώριση προτύπων και τη χρήση κατάλληλων μετρικών για ταυτοποίηση-κατηγοριοποίηση. Επιπλέον, το πρόβλημα μπορεί να διαχωριστεί σε δύο κατηγορίες με βάση τη πηγή πληροφορίας, αν δηλαδή αναφέρεται σε σταθερές ή κινούμενες εικόνες. Η αναγνώριση προσώπου από σταθερές εικόνες έχει πλεονεκτήματα και μειονεκτήματα σε σχέση με την αναγνώριση από ακολουθίες βίντεο, ως εκ τούτου οι χρησιμοποιούμενες τεχνικές στις δύο αυτές κατηγορίες ποικίλουν. Ο τρόπος με τον οποίο γίνεται η αναγνώριση προσώπων από τον άνθρωπο έχει απασχολήσει τους τομείς της Ψυχοφυσικής και της Νευροφυσιολογίας για περισσότερα από 20 χρόνια. Η μοναδικότητα των προσώπων, το ερώτημα αν η αναγνώριση γίνεται ολιστικά ή με χρήση επιμέρους χαρακτηριστικών, η ανάλυση των εκφράσεων του προσώπου για σκοπούς αναγνώρισης, η οργάνωση της μνήμης για τα πρόσωπα και διάφορα άλλα θέματα απασχόλησαν τις παραπάνω επιστήμες. Οι μηχανικοί έδειξαν ενδιαφέρον για την έρευνα αυτή με σκοπό την υλοποίηση ενός αποδοτικού συστήματος αναγνώρισης. Μερικά από τα αποτελέσματα είναι πράγματι ενδιαφέροντα αν και τελικά η αναγνώριση προσώπων από μηχανές αναπτύχθηκε ανεξάρτητα από τις μελέτες της Ψυχοφυσικής και Νευροφυσιολογίας. Σημαντική προσπάθεια στον τομέα της αναγνώρισης προσώπων από μηχανές είχε γίνει τα πρώτα χρόνια της δεκαετίας του 70. Κατά τη διάρκεια της δεκαετίας του 80 υπήρξε μια σχετική στασιμότητα. Από τις αρχές της δεκαετίας του 90 παρατηρείται μια σημαντική δραστηριότητα και ανανεωμένο ενδιαφέρον, το οποίο εκφράζεται με τη δημοσίευση σε τακτική βάση άρθρων σε περιοδικά όπως το IEEE Transactions on 85

87 PAMI, και τη διοργάνωση ειδικών παρουσιάσεων sessions- σε μεγάλα διεθνή συνέδρια (IEEE ICIP,IEEE ICASSP, IEEE Multimedia) Αναλυτική περιγραφή αλγορίθμων Ως κλάση προσώπων ορίζεται το σύνολο των εικόνων που προέρχονται από ένα και μοναδικό άτομο που συμμετέχει σε κάθε βάση. Ώς βάση εκπαίδευσης ορίζεται το σύνολο των εικόνων προσώπων που χρησιμοποιούνται για τη δημιουργία των διανυσμάτων χαρακτηριστικών που εξάγονται με τη χρήση των αλγορίθμων και χρησιμοποιούνται σαν σημεία αναφοράς σύγκρισης για άγνωστες εικόνες προσώπου. Οι άγνωστες εικόνες (εικόνες προς αναγνώριση) σχηματίζουν τη βάση ελέγχου. Μετά την παράθεση αυτών των βασικών όρων για την αναγνώριση προσώπων ακολουθεί η αναλυτική περιγραφή των αλγορίθμων Ανάλυση Κύριων Συνιστωσών (Principal Component Analysis, PCA) Η ανάλυση σε Κύριων Συνιστωσών (Principal Component Analysis) έχει χαρακτηρισθεί ως ένα από τα πιο πολύτιμα εργαλεία που προσέφερε η γραμμική άλγεβρα στην επιστημονική κοινότητα. Χρησιμοποιείται ευρέως σε πληθώρα επιστημονικών εφαρμογών, από την νευροφυσιολογία ως και τα γραφικά υπολογιστών. Αποτελεί μια εφαρμογή του μετασχηματισμού Karhunen-Loeve. Είναι μια μέθοδος που χρησιμοποιείται ως στατιστική προσέγγιση αναγνώρισης μοτίβων, επεξεργασίας σημάτων και μείωσης του όγκου των δεδομένων (συμπίεση) όπως και κατά την εξαγωγή χαρακτηριστικών ενός σήματος. Μια εικόνα προσώπου σε δύο διαστάσεις με μέγεθος ΝxΝ μπορεί να θεωρηθεί ένα μονοδιάστατο διάνυσμα με διάσταση. Ένα σύνολο εικόνων μπορεί να «χαρτογραφηθεί» ως ένα σύνολο σημείων στον πολυδιάστατο αυτόν χώρο. Οι εικόνες προσώπων έχοντας παρόμοιες συνθέσεις, δεν κατανέμονται τυχαία στον χώρο αυτό και εμπίπτουν χωροταξικά σε ένα μικρό κομμάτι του. Η κεντρική ιδέα των κύριων συνιστωσών (Principal Components) είναι η εύρεση εκείνων των διανυσμάτων των οποίων οι γραμμικοί συνδυασμοί περιγράφουν ικανοποιητικά τις κατανομές των εικόνων προσώπων και ορίζουν ένα υποσύνολο που ονομάζεται «χώρος προσώπων» 86

88 (face space). Καθένα απ' αυτά τα διανύσματα μεγέθους περιγράφει μια εικόνα ΝxΝ. Η προσέγγιση αναγνώρισης προσώπου με την χρήση των Κύριων Συνιστωσών είναι μια μέθοδος κατά την οποία ένα μικρό σύνολο «χαρακτηριστικών» χρησιμοποιούνται για να περιγράψουν τις διαφορές ανάμεσα στις εικόνες προσώπων. Τα χαρακτηριστικά αυτά μπορεί παραδείγματος χάρη να είναι οι συντεταγμένες μιας εικόνας στον χώρο προσώπων. Στη συνέχεια κάθε πρόσωπο περιγράφεται σαν γραμμικός συνδυασμός των ιδιοδιανυσμάτων. Η αναγνώριση εκτελείται με α) την προβολή της νέας εικόνας στη βάση του χώρου προσώπων και β) την εύρεση της «κοντινότερης» γνωστής εικόνας βάσης σύμφωνα με κάποια μετρική ομοιότητας Μαθηματική ανάλυση αλγορίθμου Θεωρούμε ένα σύνολο εικόνων προσώπων Γ1, Γ2, Γ3,..., ΓΜ σε μορφή διανυσμάτων. Ο μέσος όρος του συνόλου (μέσο πρόσωπο) ορίζεται από την σχέση: (4.3) Ένα παράδειγμα συνόλου εικόνων προσώπου φαίνεται στην εικόνα 18. Το μέσο πρόσωπο Ψ του συνόλου αυτού φαίνεται στην εικόνα 19. Κάθε πρόσωπο διαφέρει από το μέσο βάση του διανύσματος: (4.4) = Το σύνολο αυτό των διανυσμάτων, αποτελεί στη συνέχεια αντικείμενο εφαρμογής της Ανάλυσης Κύριων Συνιστωσών, που αναζητά ένα υποσύνολο Μ ορθοκανονικών διανυσμάτων, που περιγράφει με τον καλύτερο δυνατό τρόπο την κατανομή της πληροφορίας των προσώπων. Το κ-οστό διάνυσμα Uκ επιλέγεται έτσι ώστε να μεγιστοποιείται η ποσότητα: (4.5) υπό τον περιορισμό ότι: (4.6) Τα διανύσματα Uk και οι τιμές λκ είναι τα ιδιοδιανύσματα και οι ιδιοτιμές του πίνακα συνδιακύμανσης: 87

89 (4.7) όπου Α=[Φ1 Φ2.ΦΜ]. Ο πίνακας συνδιακύμανσης C είναι ένας x πίνακας με πραγματικά στοιχεία και ο υπολογισμός των ιδιοδιανυσμάτων είναι αυξημένης πολυπλοκότητας για τυπικά μεγέθη εικόνων. Για το λόγο αυτό χρησιμοποιούμε την παρακάτω διαδικασία. Έστω ιδιοδιανύσματα νi του ΑΤΑ τέτοια ώστε: (4.8) Πολλαπλασιάζοντας και τα δύο μέρη με το Α έχουμε: (4.9) Έστω Ανi=Q, αντικαθιστώντας στην παραπάνω σχέση έχουμε: (4.10) όπου Q=Ανi είναι τα ιδιοδιανύσματα και μι οι ιδιοτιμές του C. Βάση της παραπάνω ανάλυσης αρκεί να δημιουργηθεί ένας ΜxM πίνακας L=ATA, όπου Lmn=Φm ΤΦn, και να βρεθούν τα Μ ιδιοδιανύσματα νi του L. Τα διανύσματα αυτά καθορίζουν γραμμικούς συνδυασμούς των Μ εικόνων προσώπων για τη δημιουργία των ιδιοπροσώπων UI: (4.11) Σχήμα Δείγμα εικόνων συνόλου εκπαίδευσης 88

90 Σχήμα 4.21 Μέσο πρόσωπο Σχήμα 4.22 Τα πρώτα 5 ιδιοπρόσωπα Με την ανάλυση αυτή οι υπολογισμοί μειώνονται δραστικά, από το βαθμό του αριθμού των εικονοστοιχείων των εικόνων ( ) στον βαθμό του αριθμού των εικόνων του συνόλου Μ. Στην πράξη το σύνολο των εικόνων είναι αρκετά μικρό (Μ<< ), και οι υπολογισμοί είναι λιγότερο πολύπλοκοι. Οι αντίστοιχες ιδιοτιμές επιτρέπουν τον χαρακτηρισμό τον ιδιοδιανυσμάτων με βάση την «χρησιμότητα» τους ως προς τον χαρακτηρισμό της διαφορετικότητας ανάμεσα στις εικόνες. Οι εικόνες ιδιοπροσώπων που υπολογίζονται από τα ιδιοδιανύσματα L δημιουργούν ένα σύνολο που μπορεί να περιγράψει τις εικόνες προσώπων. Στο Σχήμα 4.22 φαίνονται τα πρώτα πέντε ιδιοπρόσωπα του συνόλου του σχήματος Οι Sirovich και Kirby εφάρμοσαν την παραπάνω διαδικασία σε ένα σύνολο από 115 εικόνες (Μ=115) καυκάσιων ανδρών ψηφιοποιημένες με συγκεκριμένες παραμέτρους και βρήκαν ότι 40 ιδιοπρόσωπα (Μ =40) ήταν αρκετά για μια πολύ καλή περιγραφή των εικόνων προσώπων. Στην πράξη ένα μικρότερο Μ μπορεί να είναι ικανό για την αναγνώριση μιας και δεν απαιτείται η ακριβής ανακατασκευή της εικόνας. Για την 89

91 αναγνώριση προσώπων η διαδικασία είναι περισσότερο μια διαδικασία αναγνώρισης μοτίβου παρά μια ανακατασκευή της εικόνας. Τα ιδιοπρόσωπα καταλαμβάνουν ένα Μ -διάστατο υποσύνολο του αρχικού «χώρου προσώπου» και έτσι τα Μ ιδιοδιανύσματα του πίνακα L μαζί με τις αντίστοιχες ιδιοτιμές είναι αρκετά για την αξιόπιστη αναπαράσταση των εικόνων στων χώρο προσώπων που χαρακτηρίζεται από τα ιδιοπρόσωπα. Μια νέα εικόνα προσώπου Γ περιγράφεται ως συνιστώσα των ιδιοπροσώπων (προβολή στον «χώρο εικόνας») με μια απλή διαδικασία l (4.12) Για k=1,.,μ. Τα βάρη wκ δημιουργούν ένα διάνυσμα προβολής (4.13) το οποίο περιγράφει τη συμβολή κάθε ιδιοπροσώπου στην αναπαράσταση της εικόνας που εισάγεται, χρησιμοποιώντας έτσι τα ιδιοπρόσωπα σαν μία βάση για τις εικόνες προσώπων. Η κλάση προσώπου μπορεί να υπολογιστεί βρίσκοντας το μέσο ιδιοπρόσωπο από έναν μικρό αριθμών εικόνων προσώπου του κάθε ατόμου. Η ταξινόμηση επιτυγχάνεται με την σύγκριση τον προβαλλόμενων διανυσμάτων των εικόνων εκπαίδευσης με το προβαλλόμενο διάνυσμα της εικόνας που εισάγεται (Σχήμα ελέγχου). Η σύγκριση αυτή γίνεται με την χρήση συναρτήσεων ομοιότητας μεταξύ των κλάσεων των προσώπων και της εικόνας ελέγχου. Βρίσκοντας την κλάση της βάσης προσώπων για την οποία η συνάρτηση ομοιότητας έχει τη βέλτιστη τιμή ολοκληρώνεται η διαδικασία αναγνώρισης. 90

92 Σχήμα 4.23 Ο αλγόριθμος αναγνώρισης προσώπων PCA Γραμμική Διακρίνουσα Ανάλυση (Linear Discriminant Analysis, LDA) Η γραμμική διακρίνουσα ανάλυση ή η λεγόμενη μέθοδος των Fisherfaces, είναι μία μέθοδος που στοχεύει στην υψηλή διαχωριστικότητα μεταξύ των διαφόρων μοτίβων που πρέπει να ταξινομηθούν. Η γραμμική διακρίνουσα του Fisher ομαδοποιεί τις εικόνες που ανήκουν στην ίδια κλάση ενώ ταυτόχρονα διαχωρίζει αυτές που ανήκουν σε διαφορετικές κλάσεις. Οι εικόνες προβάλλονται από το δισδιάστατο χώρο σε ένα χώρο C διαστάσεων, όπου C ο αριθμός των κλάσεων των εικόνων (ή διαφορετικά ο αριθμός των διαφορετικών ατόμων στη βάση των προσώπων). Για παράδειγμα, έστω ότι δύο σύνολα σημείων του δισδιάστατου χώρου προβάλλονται σε μία ευθεία. Από 91

93 την κλίση της ευθείας αυτής εξαρτάται αν τα σημεία θα διαχωρίζονται πλήρως όπως φαίνεται στο Σχήμα 4.24 ή θα υπάρχουν κάποια που θα συμπίπτουν (Σχήμα 4.25). Σχήμα 4.24 Σημεία που διαχωρίζονται πλήρως σε δύο κλάσεις κατά την προβολή τους σε ευθεία Σχήμα 4.25 Σημεία που συμπίπτουν χωρίς να είναι εφικτός ο ξεκάθαρος διαχωρισμός τους σε κλάσεις όταν προβάλλονται σε ευθεία Η γραμμική διακρίνουσα του Fisher επιδιώκει να βρει εκείνη την ευθεία που διαχωρίζει τα σημεία με το βέλτιστο δυνατό τρόπο. Έτσι προκειμένου να αναγνωριστεί μία εικόνα, συγκρίνεται η προβολή αυτής με κάθε μία από τις προβολές των εικόνων του συνόλου εκπαίδευσης (training set). Έπειτα, η προς αναγνώριση θεωρείται «όμοια» με εκείνη του συνόλου εκπαίδευσης που παρουσιάζει τη μικρότερη απόσταση μεταξύ των προβολών τους. Ένας εντός κλάσης πίνακας διασποράς (within-class scatter matrix) αναπαριστά διαφοροποιήσεις στην εμφάνιση του ίδιου προσώπου εξαιτίας είτε του διαφορετικού φωτισμού είτε της έκφρασης του προσώπου. Ο εντός κλάσης πίνακας διασποράς Sw ορίζεται ως: 92

94 (4.14) όπου είναι το i-οστό δείγμα (διάνυσμα εικόνας προσώπου) της κλάσης j, μj ο μέσος όρος της κλάσης j, C ο αριθμός των κλάσεων και Nj ο αριθμός των εικόνων - δειγμάτων της κλάσης j. Από την άλλη μεριά, ο ανάμεσα στις κλάσεις πίνακας διασποράς (between-class scatter matrix) περιγράφει τις διαφορές που υπάρχουν λόγω της διαφορετικής ταυτότητας του προσώπου. Ο ανάμεσα στις κλάσεις πίνακας διασποράς Sb δίδεται από την σχέση: (4.15) όπου μ ο μέσος όρος όλων των κλάσεων. Εφαρμόζοντας αυτή τη μέθοδο, επιδιώκεται η εύρεση εκείνης της διεύθυνσης προβολής που αφενός μεγιστοποιεί την απόσταση μεταξύ των εικόνων που ανήκουν σε διαφορετικές κλάσεις και αφετέρου ελαχιστοποιεί την απόσταση των εικόνων που είναι μέλη της ίδιας κλάσης. Με άλλα λόγια, ζητούμενο είναι η μεγιστοποίηση του ανάμεσα στις κλάσεις πίνακα διασποράς Sb και η ταυτόχρονη ελαχιστοποίηση του εντός κλάσης πίνακα διασποράς Sw στον υποχώρο. Το Σχήμα 4.25 που ακολουθεί δείχνει έναν καλό και ένα κακό διαχωρισμό κλάσεων Σχήμα 4.25 (α) Καλός διαχωρισμός κλάσεων. (β) Κακός διαχωρισμός κλάσεων Με τη μέθοδο LDA η χρήση γραμμικών μεθόδων σε κλάσεις για τη μείωση της διάστασης του χώρου καθώς και απλών ταξινομητών στον υποχώρο των χαρακτηριστικών, μπορεί να επιτύχει καλά αποτελέσματα στην αναγνώριση προσώπων σε σημαντικά μικρό χρόνο. Συνεπώς, η Γραμμική - διακρίνουσα του Fisher είναι ένα παράδειγμα μίας μεθόδου που χρησιμοποιεί κλάσεις και προσπαθεί να διαμορφώσει έτσι τον πίνακα διασποράς τους ώστε να επιτευχθεί καλύτερη ταξινόμηση. Το κριτήριο που προτάθηκε από τον Fisher, προσπαθεί να μεγιστοποιήσει το λόγο της ορίζουσας του ανάμεσα στις κλάσεις πίνακα διασποράς (between-class scatter matrix) προς την ορίζουσα του εντός κλάσης πίνακα διασποράς 93

95 (Within-class scatter matrix). Πιο αναλυτικά, όπως και στην περίπτωση των ιδιοπροσώπων (PCA), οι εικόνες του συνόλου εκπαίδευσης προβάλλονται σε έναν υποχώρο. Στον ίδιο υποχώρο προβάλλονται και οι εικόνες προς αναγνώριση ενώ χρησιμοποιείται κάποια συνάρτηση ομοιότητας προκειμένου να επιτευχθεί η αναγνώριση. Αυτό που διαφέρει στις δύο προσεγγίσεις είναι ο τρόπος υπολογισμού αυτού του υποχώρου. Η εικόνα υπό αναγνώριση θεωρείται ότι αντιστοιχεί σε εκείνη του συνόλου εκπαίδευσης που η μεταξύ τους απόσταση είναι η ελάχιστη. Τα παραπάνω συνοψίζονται στο Σχήμα 4.26 που ακολουθεί και περιγράφει σχηματικά τον τρόπο λειτουργίας του αλγορίθμου γραμμικής διακρίνουσας ανάλυσης. Σχήμα 4.26 Αρχή λειτουργίας του αλγόριθμου γραμμικής διακρίνουσας ανάλυσης (LDA) Σε αντίθεση με τη μέθοδο της ανάλυσης σε Κύριες Συνιστώσες (Principal Component Analysis, PCA) που εξαγάγει χαρακτηριστικά με σκοπό να αναπαραστήσει με βέλτιστο τρόπο τις εικόνες, η μέθοδος της γραμμικής διακρίνουσας ανάλυσης (LDA) προσπαθεί να βρει εκείνο τον υποχώρο που διαχωρίζει καλύτερα τις διαφορετικές κλάσεις προσώπων όπως φαίνεται στο Σχήμα O LDA βρίσκει ένα σύνολο M βασικών διανυσμάτων {}, έτσι ώστε ο λόγος της ορίζουσας του ανάμεσα στις κλάσεις πίνακα διασποράς (between-class scatter 94

96 matrix), προς την ορίζουσα του εντός κλάσης πίνακα διασποράς (within-class scatter matrix) να είναι μέγιστος. Το πρόβλημα αυτό ορίζεται από την σχέση : ( 4.16 ) Υποθέτοντας ότι ο εντός κλάσης πίνακας διασποράς, Sw, είναι αντιστρέψιμος τα διανύσματα { = 1 M} μπορούν να υπολογιστούν ως τα πρώτα Μ ιδιοδιανύσματα με τις μεγαλύτερες ιδιοτιμές του, τα οποία ονομάζονται διαφορετικά Fisherfaces. Ο εντός κλάσης πίνακας διασποράς «συλλαμβάνει» τον τρόπο με τον οποίο κατανέμονται μέσα στην εκάστοτε κλάση οι εικόνες των προσώπων. Αναλυτικότερα οι διαφορετικές εικόνες του προσώπου πρέπει να κατανέμονται πολύ κοντά η μία με την άλλη. Από την άλλη μεριά, ο ανάμεσα στις κλάσεις πίνακας διασποράς αποτυπώνει τον τρόπο με τον οποίο διαχωρίζονται οι κλάσεις μεταξύ τους. Όταν οι εικόνες προβάλλονται στα διανύσματα W, θα πρέπει να κατανέμονται όσο το δυνατόν πιο κοντά μέσα στις κλάσεις και να διαχωρίζονται ανάμεσα στις κλάσεις. Έτσι η αναπαράσταση των εικόνων από τον αρχικό χώρο στον υποχώρο των Fisherfaces επιτυγχάνεται με την προβολή τους στον υποχώρο ο οποίος αποτελείται από τα Μ ιδιοδιανύσματα. Παρόλα αυτά μπορεί ο Sw να είναι μη αντιστρέψιμός εξαιτίας του γεγονότος ότι ο αριθμός των δειγμάτων εκπαίδευσης είναι συνήθως μικρότερος των διαστάσεων των εικόνων αυτών. Το πρόβλημα αυτό είναι γνωστό ως «μικρού αριθμού δειγμάτων» (small sample size problem, SSS) και συναντάται συχνά στην αναγνώριση προσώπων. Μία πιθανή λύση του προβλήματος αυτού είναι να προηγηθεί η εφαρμογή ενός PCA βήματος με σκοπό την «αφαίρεση» του μηδενοχώρου (null space) του εντός κλάσης πίνακα διασποράς, Sw, πριν την εύρεση των διανυσμάτων W με τη βοήθεια της (4.16). Μία παρόμοια μέθοδος αναπτύχθηκε από τον Friedman και είναι αυτή της κανονικοποιημένης διακρίνουσας ανάλυσης δευτέρου βαθμού. Σε αυτή την περίπτωση κάθε πρόβλεψη του πίνακα διασποράς για την εκάστοτε κλάση, Si, μπορεί να είναι λανθασμένα τοποθετημένη (ill-posed). Η λύση που προτάθηκε από τον Friedman είναι η εισαγωγή ενός όρου κανονικοποίησης. Συγκεκριμένα είναι πολλαπλάσιο του μοναδιαίου πίνακα, γ * I, έτσι ώστε, όπου γ ο όρος κανονικοποίησης και Ι ο μοναδιαίος πίνακας. Αυτή η κανονικοποίηση έχει σαν αποτέλεσμα τη μείωση της τιμής των μεγαλύτερων ιδιοτιμών και την αύξηση των μικρότερων εξομαλύνοντας έτσι την πόλωση. Ένα άλλο πλεονέκτημά της είναι η 95

97 σταθεροποίηση των μικρότερων ιδιοτιμών. Επιπρόσθετα, πρέπει να αναφερθεί ότι στη μέθοδο αυτή ο εντός κλάσης πίνακας διασποράς Sw είναι ισοδύναμος με το μέσο όρο των πινάκων διασποράς όλων των κλάσεων. Εξαιτίας της επιτυχίας της μεθόδου του Friedman, προτάθηκε μία παραλλαγή της η οποία και υλοποιείται στην παρούσα εργασία. Στην παραλλαγή αυτή το κριτήριο του Fisher λαμβάνει την εξής μορφή: ( 4.17 ) όπου 0 η 1 είναι ο όρος κανονικοποίησης. Παρότι η εξίσωση (4.17) φαίνεται εντελώς διαφορετική από αυτή της σχέσης (4.17) είναι δυνατό να αποδειχτεί ότι είναι ισοδύναμες. Το τροποποιημένο κριτήριο του Fisher είναι μία συνάρτηση του όρου η, που ελέγχει τη δύναμη της κανονικοποίησης. Όταν η=0, το τροποποιημένο κριτήριο του Fisher μετατρέπεται στο τυπικό και συνηθισμένο κριτήριο που δεν εισάγει την έννοια της κανονικοποίησης. Αντίθετα όταν η=1, η κανονικοποίηση είναι η μεγαλύτερη δυνατή. Με βάση τα παραπάνω προτάθηκε η κανονικοποιημένη γραμμική διακρίνουσα ανάλυση (regularized LDA, r-lda), που προσπαθεί να βελτιστοποιήσει το κανονικοποιημένο κριτήριο του Fisher όπως αποτυπώνεται από την εξίσωση (4.17). Η r-lda μέθοδος αρχικά βρίσκει το συμπληρωματικό χώρο του Sb, gn. Έστω Um = [u1, um] είναι τα ιδιοδιανύσματα του Sb που αντιστοιχούν στις πρώτες m μεγαλύτερες μη μηδενικές ιδιοτιμές Λb, όπου m C 1. Ο συμπληρωματικός χώρος gn, απαρτίζεται από τα Um και κλιμακώνεται (scale) από H = UmΛb-1/2 έτσι ώστε, όπου Ι είναι ο μοναδιαίος πίνακας διαστάσεων m x m. Έτσι, μπορεί να αποδειχτεί ότι ο παρονομαστής της εξίσωσης (4.17)μετασχηματίζεται στην κανονικοποιημένη έκφραση του Friedman,, στον υποχώρο που οροθετείται από τα Η. Έπειτα ζητούμενο είναι η εύρεση των χαρακτηριστικών βάσης, που ελαχιστοποιούν τον κανονικοποιημένο παρονομαστή. Δεν είναι δύσκολο να παρατηρηθεί ότι τα ζητούμενα χαρακτηριστικά αντιστοιχίζονται στα Μ ( %m) ιδιοδιανύσματα του, με τις μικρότερες ιδιοτιμές Λw. Συνδυάζοντας τα αποτελέσματα αυτά μπορούμε να εξαγάγουμε τη ζητούμενη λύση, που αποτελεί το σύνολο των διανυσμάτων βάσης με τη 96

98 βέλτιστη διαχωριστικότητα. Για το δείγμα των εικόνων εκπαίδευσης της εικόνας 4.20 τα διανύσματα αυτά φαίνονται στο Σχήμα Σχήμα 4.27 Τα πέντε πρώτα διανύσματα βάσης του r-lda Τέλος, εφόσον ο υποχώρος που ορίζεται από τα W μπορεί να εμπεριέχει την τομή, είναι πιθανό να υπάρχουν μηδενικές ή πολύ μικρές ιδιοτιμές στο Λw, που να έχουν υψηλή διακύμανση κατά την προβολή σε περιβάλλοντα όπου είναι εμφανές το πρόβλημα «μικρού αριθμού δειγμάτων». Αυτό έχει σαν αποτέλεσμα, κάθε πόλωση (bias) που προκύπτει από τα ιδιοδιανύσματα που αντιστοιχούν σε αυτές τις ιδιοτιμές να μεγαλώνει εξαιτίας της κανονικοποίησης στη σχέση. Αντίθετα, η εισαγωγή της κανονικοποίησης βοηθάει στη μείωση της σημαντικότητας αυτών των ιδιαίτερα ασταθών ιδιοδιανυσμάτων και συνεπώς μειώνεται η συνολική διακύμανση. Επιπλέον, αν ο παράγοντας κανονικοποίησης είναι η=0, τότε οι μηδενικές ιδιοτιμές Λw μπορεί να δημιουργήσουν πρόβλημα εφόσον χρησιμοποιούνται ως διαιρέτες. Το πρόβλημα επιλύεται εύκολα στη περίπτωση της κανονικοποιημένης γραμμικής διακρίνουσας ανάλυσης (r-lda) θέτοντας στον παράγοντα κανονικοποίησης τιμή μεγαλύτερη του μηδενός. 97

99 ΚΕΦΑΛΑΙΟ 5 Ανάπτυξη Λογισμικού Σε αυτό το κεφάλαιο αναλύεται η δομή με την όποια αναπτύχτηκε το λογισμικό αναγνώρισης δακτυλικού αποτυπώματος και πρόσωπού. Η υλοποίηση της εργασίας πραγματοποιήθηκε σε γλώσσα η C# με τη χρήση Visual Studio 2010.Net Framework 3.5 σε λειτουργικό περιβάλλον Windows 7. Επίσης για την επεξεργασία των εικόνων, την απεικόνιση τους αλλά και τη λειτουργία της κάμερας έγινε η χρήση της βιβλιοθήκης Emgu CV[10] η οποία είναι ένας wrapper της βιβλιοθήκης Intel OpenCV (Open Computer Vision Library) βλ σε C#. Όπως αναφέρω και πιο πάνω το λογισμικό έχει ως στόχο να παρέχει τη δυνατότητα έλεγχού πρόσβασης σε συγκεκριμένο χώρο με την αναγνώριση προσώπου και δακτυλικού αποτυπώματος με τη χρήση ενός απλού υπολογιστή με web camera και συσκευής ανάγνωσης δακτυλικών αποτυπωμάτων. Απαιτήσεις Περιγραφή Διαδικασίας Η διαδικασία σύλληψης και σύνταξης των απαιτήσεων αποτυπώνεται μέσω μιας συγκεκριμένης διαδρομής. Ερευνάται ο τρόπος αλληλεπίδρασης του συστήματος με το περιβάλλον του, επιλέγεται η τεχνική για την προδιαγραφή των απαιτήσεων και γίνεται ο ορισμός τους. Ένα σημαντικό κομμάτι της διαδικασίας επιλογής της τεχνικής των απαιτήσεων είναι τα δεδομένα, που προκύπτουν μέσα από της απαντήσεις βασικών και τυποποιημένων ερωτήσεων. Οι ερωτήσεις χωρίζονται σε κατηγορίες. Έτσι, οι τύποι των απαιτήσεων παρατίθενται παρακάτω, μαζί με τις σχετικές ερωτήσεις-απαντήσεις[8]. 5.1 Περιεχόμενο Απαιτήσεων Φυσικό περιβάλλον : 1. Που θα εγκατασταθεί το σύστημα[8]; Θα είναι εγκατεστημένο στους υπολογιστές που επιτρέπεται η δυνατότητα για έλεγχο πρόσβασης.. 2. Υπάρχει μια θέση η πολλές από τις οποίες θα υπάρχει πρόσβαση στο σύστημα; 98

100 Ναι θα μπορεί να έχει πρόσβαση στο σύστημα από οποιοδήποτε σημείο είναι εγκατεστημένο το λογισμικό. 3. Υπάρχουν περιβαλλοντικοί περιορισμοί, όπως θερμοκρασία, υγρασία, μαγνητικές παρεμβολές, φωτεινότητα ; Λόγο τις ύπαρξης του δακτυλικού αποτυπώματος θα πρέπει να είναι σε μια περιοχή η οποία δεν θα έχει υγρασία για λόγους ασφάλειας. Επίσης για την διαδικασία αναγνώρισης προσώπου χρειαζόμαστε ένα μέρος οπού η φωτεινότητας δεν θα μεταβάλλεται αλλά θα είναι σταθερή. 4. Η είσοδος προέρχεται από ένα η περισσότερα συστήματα ; Η είσοδος θα μπορεί να πραγματοποιηθεί από ένα η περισσότερα συστήματα. 5. Η έξοδος οδηγείται σε ένα η περισσότερα συστήματα ; Η έξοδος θα μπορεί να πραγματοποιηθεί σε ένα η και περισσότερα συστήματα. Διεπαφές : 6. Υπάρχει επικοινωνία με αλλά συστήματα τόσο στην είσοδο όσο και στην έξοδο του συστήματος ; Υπάρχει επικοινωνία με τον κεντρικό υπολογιστή όπου θα είναι εγκατεστημένη η βάση δεδομένων, με τη κάμερες που είναι συνδεδεμένες και με το δακτυλικό αποτύπωμα. 7. Υπάρχει ένας προκαθορισμένος τρόπος μορφοποίησης των δεδομένων ; Όχι δεν υπάρχει κανένας προκαθορισμένος τρόπος μορφοποίησης των δεδομένων. 8. Υπάρχει ένα προκαθορισμένο μέσο για την αποθήκευση των δεδομένων; Πρέπει το σύστημα να βρίσκεται σε σύνδεση με το τοπικό δίκτυο ώστε να μπορεί να επικοινωνεί με την βάση δεδομένων. Χρήστες και εργονομικοί παράγοντες : 9. Ποιος πρόκειται να χρησιμοποιεί το σύστημα ; Το σύστημα θα μπορεί να το χρησιμοποιήσει ένας υπερχρήστης καθώς επίσης και ένας απλός χρηστής. 10. Υπάρχουν πολλοί τύποι χρηστών[8]; Υπάρχουν δύο τύποι χρηστών (υπερχρήστης, χρήστης ). 11. Ποιο είναι το επίπεδο ικανοτήτων κάθε τύπου χρήστη; Για τους χρήστες η λειτουργία θα είναι ιδιαίτερα εύκολη, χωρίς να απαιτείται κάποιο επίπεδο ικανοτήτων, καθώς οι επιλογές θα είναι τυποποιημένες και απλές. Στο ίδιο μήκος κύματος με τους χρήστες, κυμαίνεται και ο βαθμός ευκολίας της 99

101 λειτουργίας του συστήματος από τους υπερχρήστες όπου θα έχουν τη δυνατότητα κάποιων επιπλέον λειτουργιών. Σε κάθε περίπτωση, θα υπάρχουν εγχειρίδια και βοηθήματα χρήσης. 12. Πόσο εύκολη είναι η κατανόηση και χρήση του συστήματος από το χρήστη; Η εφαρμογή απευθύνεται σε όλο το φάσμα των χρηστών και δεν απαιτούνται τεχνολογικές γνώσεις για τη χρησιμοποίησή του. 13. Πόσο δύσκολη είναι η «κακή» χρήση του συστήματος από το χρήστη; Η εφαρμογή χαρακτηρίζεται από απλότητα και ευκολία στην χρήση, γεγονός που περιορίζει την πιθανότητα χρησιμοποίησης του συστήματος με λάθος τρόπο. Σε περίπτωση λάθους επιλογής υπάρχει η δυνατότητα άμεσης διόρθωσης. Λειτουργικότητα : 14. Τι θα κάνει το σύστημα ; Το σύστημα δίνει την δυνατότητα έλεγχο εισόδου υπαλλήλων αλλά και την καταγραφή κάθε εισόδου ή απόπειρας σε περίπτωση μη εξουσιοδότησης. 15. Ποτέ θα κάνει το σύστημα τι; Οι ενέργειες θα πραγματοποιούνται μόνο όταν κάποιος από τους χρήστες θελήσει να κάνει κάποια ενέργεια. 16. Πως και πότε είναι δυνατή η τροποποίηση η επέκταση του συστήματος; Οι όποιες αλλαγές και επεκτάσεις αποφασισθούν μετά την παράδοση του έργου χωρίζονται σε 2 κατηγορίες: Software, Hardware. Η ελαστικότητα που παρουσιάζουν σε επερχόμενες αλλαγές αυτές οι δύο κατηγορίες μεταξύ τους είναι εκ διαμέτρου αντίθετες. Σε επίπεδο hardware, είναι εξαιρετικά εύκολη η οποιαδήποτε αλλαγή, αντικατάσταση, επέκταση των τμημάτων του συστήματος, ενώ σε επίπεδο software είναι ιδιαίτερα δύσκολο. 17. Υπάρχουν περιορισμοί στην ταχύτητα εκτέλεσης η στο χρόνο απόκρισης του συστήματος; Η ταχύτητα εκτέλεσης και οι χρόνοι απόκρισης του συστήματος κυμαίνονται σε υψηλά επίπεδα. Τεκμηρίωση : 18. Πόση τεκμηρίωση απαιτείται; Όσο περισσότερη ανάλυση γίνεται σε μια συνιστώσα, σε μια απαίτηση, στο ίδιο το έργο, τόσο περισσότερο τεκμηριώνονται τα αποτελέσματα της έρευνας, τα οποία καταγράφονται στο βιβλίο του έργου. 100

102 19. Σε ποιους απευθύνεται η τεκμηρίωση; Ο κάθε τύπος τεκμηρίωσης απευθύνεται αντίστοιχα στους τεχνολόγους ανάπτυξης και στους πελάτες-αγοραστές του έργου. Δεδομένα : 20. Ποια πρέπει να είναι η μορφοποίηση των δεδομένων τόσο στην είσοδο, όσο και στην έξοδο [8]; Τα δεδομένα που αλληλοεπιδρούν στο σύστημα για την καταγραφή εισόδων είναι της μορφής ενσωματωμένων εντολών βάσεων δεδομένων (embedded SQL). 21. Πόσο ακριβή πρέπει να είναι τα δεδομένα ; Όλα τα δεδομένα που εισάγουμε στο πρόγραμμα θα πρέπει να είναι εξαιρετικά ακριβή ώστε να έχουμε σωστά αποτελέσματα. 22. Σε ποιο βαθμό ακριβείας πρέπει να γίνονται οι υπολογισμοί; Το σύστημα δεν βασίζεται σε μαθηματικούς υπολογισμούς. 23. Πρέπει να συντηρούνται κάποια δεδομένα και για ποια χρονική περίοδο; Κανένα δεδομένο δεν διαγράφεται ποτέ από την βάση απλά δεν εμφανίζεται από το σύστημα. Πόροι : 24. Τι υλικά, προσωπικό,εξοπλισμός ή άλλοι πόροι απαιτούνται για την ανάπτυξη, χρήση και συντήρηση του συστήματος ; Οι πόροι και τα υλικά που απαιτούνται είναι ένας υπολογιστής σε κάθε χώρο που θα γίνεται έλεγχος εισόδου, με τουλάχιστον μια camera και συσκευής ανάγνωσης δακτυλικών αποτυπωμάτων. 25. Τι προσόντα πρέπει να έχει η ομάδα ανάπτυξης ; Το προσωπικό που θα είναι υπεύθυνο για την εγκατάσταση και συντήρηση του συστήματος και των μηχανημάτων του απαρτίζεται από τεχνολόγους ανάπτυξης, οι ικανότητες των οποίων εξειδικεύονται σε εγκαταστάσεις ηλεκτρονικών υπολογιστών και προγραμματισμού. 26. Πόσος φυσικός χώρος χρειάζεται για την εγκατάσταση του συστήματος ; Δεν απαιτείται σημαντικός χώρος για την εγκατάσταση του συστήματος. 27. Ποιες οι απαιτήσεις σε ηλεκτρική ισχύ, θερμοκρασία και κλιματισμό [8]; Λόγω της ευαισθησίας που παρουσιάζει ο απαιτούμενος εξοπλισμός του συστήματος σε έντονες θερμοκρασίες, αναγκαία είναι η χρήση εξαερισμού για να 101

103 περιοριστούν οι καταπονήσεις που δέχεται. Επίσης, για την ορθή λειτουργία των μηχανημάτων, απαιτείται σημαντική ηλεκτρική ισχύς. 28. Υπάρχει προσυμφωνημένος χρονοπρογραμματισμός για την ανάπτυξη του συστήματος ; Σχετικά με την ανάπτυξη του έργου υπάρχει χρονοδιάγραμμα, το οποίο όμως είναι αρκετά ευέλικτο, καθώς θα ήταν αδύνατον να προσδιοριστεί εξαρχής ο ακριβής χρόνος ανάπτυξης και υλοποίησης του. 29. Υπάρχουν περιορισμοί στο ύψος του κόστους ανάπτυξης η στο υλικό και λογισμικό που θα χρησιμοποιηθεί για την ανάπτυξη; Το συνολικό κόστος του έργου μπορεί να ποικίλει ανάλογα με την επιλογή των εργαλείων και των μηχανημάτων. Ασφάλεια : 30. Πρέπει να ελέγχεται η πρόσβαση στο σύστημα η στις πληροφορίες του συστήματος ; Ο έλεγχος για την πρόσβαση στο σύστημα είναι αναγκαίος. 31. Πως προστατεύονται τα δεδομένα ενός χρηστή από άλλον χρηστή ; Τα δεδομένα των χρηστών μπορεί να τα δει μονό ο υπερχρήστης. Χρησιμοποιώντας κατάλληλες τεχνικές κρύβουμε δεδομένα από τους χρήστες στα οποία δεν θέλουμε να έχουν πρόσβαση κάποιοι άλλοι. 32. Πόσο συχνά πρέπει να κρατούνται αντίγραφα ασφάλειας(back-up); Αντίγραφα ασφάλειας θα πρέπει να κρατούνται μετά από ένα συγκεκριμένο όριο καταγραφών το οποίο θα καθορίζεται από τον υπερχρήστη. 33. Πρέπει να αποθηκεύονται τα αντίγραφα ασφάλειας σε διαφορετικές τοποθεσίες; Δεν υπάρχει κάποιος περιορισμός ως προς την τοποθεσία των αντίγραφων ασφάλειας. 34. Πρέπει να λαμβάνονται μετρά για αποφυγή πυρκαγιάς η κλοπής [8]; Ναι θα πρέπει να ληφθούν τα κατάλληλα μετρά ώστε να αποφευχθεί κάποια καταστροφή στο σύστημα από εξωγενείς παράγοντες. Διασφάλιση ποιότητας : 35. Ποιες είναι οι απαιτήσεις αξιοπιστίας ; Το πρόγραμμα πρέπει να είναι 100% αξιόπιστο διότι υπάρχει κίνδυνος διαπλοκής δεδομένων. 36. Υπάρχει μέγιστος χρόνος επανεκκίνησης του συστήματος μετά από βλάβη; 102

104 Δεν υπάρχει κάποιος μέγιστος χρόνος επανεκκίνησης μετά από κάποια βλάβη γιατί πρακτικά δεν μπορεί να είναι ίδιος σε δυο η περισσότερα υπολογιστικά συστήματα. 37. Η συντήρηση πρέπει να διορθώνει μονό σφάλματα η να περιλαμβάνει και βελτιώσεις του συστήματος ; Η συντήρηση απαιτεί μονό σφάλματα με ενδεχόμενες βελτιώσεις του συστήματος. 38. Πόσο εύκολη θεωρείται η μετακίνηση του συστήματος από τοποθεσία σε τοποθεσία η από υπολογιστή σε υπολογιστή [8]; Πολύ απλή διότι τα δεδομένα κρατούνται στον κεντρικό υπολογιστή κάτι που καθιστά την μεταφορά και επανεγκατάσταση τους αρκετά εύκολη. 5.2 Έγγραφο Ορισμού Απαιτήσεων Ορισμός Η δομημένη και λεπτομερής περιγραφή των απαιτήσεων από το λογισμικό, η οποία γίνεται με τη μορφή γραπτού λογού και όπου απαιτείται διαγραμμάτων. Το διεθνές πρότυπο του IEEE( ) προσδιορίζει τη δομή του έγγραφου προδιαγραφής των απαιτήσεων από το λογισμικό [8] Εισαγωγή O γενικός σκοπός του λογισμικού αυτού είναι να η δημιουργία ενός εύχρηστου προγράμματος το οποίο θα μπορεί να δώσει στους χρήστες/εταιρεία την ευελιξία καθώς και την ταχύτητα ως προς των έλεγχο/περιορισμό εισόδου σε ένα συγκεκριμένο χώρο. Το λογισμικό θα είναι σε θέση να διαχειριστεί μια πληθώρα πληροφοριών που αφορούν τους υπάλληλους αλλά και τους χρήστες της εφαρμογής. Επίσης το λογισμικό θα έχει την δυνατότητα να ταυτοποιεί σε πραγματικό χρόνο αν κάποιο άτομο έχει δικαίωμα πρόσβασης στο συγκεκριμένο χώρο με τη βοήθεια εικόνας που θα λαμβάνεται από το πρόσωπο του και το δακτυλικό του αποτύπωμα.. Τέλος σε περίπτωση που λόγο της ραγδαίας ανάπτυξης της τεχνολογίας υπάρξει η ανάγκη για αναβάθμιση του λογισμικού να μπορεί να πραγματοποιηθεί σε μικρό χρονικό διάστημα σε συνεργασία με τον πελάτη. 103

105 5.2.3 Ορισμοί και Συντομεύσεις Φόρμα Είναι το περιβάλλον κατά το οποίο ο χρήστης μπορεί να προβεί σε λειτουργίες εντός του λογισμικού Αναφορές Είναι μια τεχνολογία η οποία χρησιμοποιείτε κυρίως για εμφανίσεις αποτελεσμάτων Δακτυλικός σαρωτής Είναι η συσκευή με την οποία ο χρήστης του λογισμικού μπορεί να σαρώσει δακτυλικά αποτυπώματα Καταγραφή υπάλληλου Κατά την καταγραφή των υπάλληλων θα πρέπει να αποθηκεύονται ο ΑΡΙΘΜΟΣ ΤΑΥΤΟΤΗΤΑΣ, το ΟΝΟΜΑ, το ΕΠΩΝΥΜΟ, το ΠΑΤΡΟΝΥΜΟ, η ΗΜ/ΝΙΑ ΓΕΝΝΗΣΗΣ, το ΤΜΗΜΑ στο οποίο εργάζεται καθώς και μια φωτογραφία προφίλ για τη κάρτα υπαλλήλου, τις φωτογραφία προσώπου και το δακτυλικό αποτύπωμα για την ταυτοποίηση Αυτόματη λειτουργία Κατά την αυτόματη λειτουργία ο υπάλληλος μπορεί να κάνει ταυτοποίηση χωρίς την παρουσία του χρήστη Ευχρηστία Το λειτουργικό προκειμένου να είναι εύχρηστο να εμφανίζει σε όλα τα μενού αλλά και στις λειτουργιές μικρά κείμενα πληροφοριών σε σχέση με την λειτουργία τους Απατήσεις Εξωτερικών Διαπροσωπικών Χρήστη - Υλικού - Λογισμικού Επικοινωνών Καταχώριση στοιχείων υπαλλήλων Περιγραφή: Το λογισμικό θα πρέπει να μπορεί να αποθηκεύσει τα παρακάτω στοιχειά του υπαλλήλου : Επώνυμο Όνομα Όνομα πατρός Αριθμό Ταυτότητας Ημ/ναι Γέννησης Τμήμα Εργασίας 104

106 Επίσης το λογισμικό θα πρέπει να αποθηκεύει υποχρεωτικά το δακτυλικό αποτύπωμα καθώς και 10 φωτογραφίες προσώπου. Αιτιολόγηση: Η καταχώριση των στοιχείων του υπαλλήλου είναι απαραίτητη στην αρχή λειτουργίας του λογισμικού Δημιουργία χρηστών Περιγραφή: Θα υπάρχουν 2 κατηγορίες χρηστών: α) ο υπερχρηστης ο όποιος θα μπορεί να διαχειριστεί όλους τους υπαλλήλους και τους υπόλοιπους χρήστες β) ο απλός χρηστής ο όποιος μπορεί μόνο να καταχωρεί καινούργιους υπαλλήλους και να ελέγχει την διαδικασία ταυτοποίησης. Κάθε καινούργιος χρήστης θα ενημερώνεται για την δημιουργία του λογαριασμού του μέσω με τα στοιχεία του. Αιτιολόγηση: Θα πρέπει ο υπερχρηστης κατά την εκκίνηση του λογισμικού να έχει την δυνατότητα να δημιουργήσει χρήστες με συγκεκριμένα δικαιώματα έτσι ώστε να υπάρχει περιορισμένη χρήση του λογισμικού Έλεγχος εισόδου στο λογισμικό Περιγραφή: Κατά την είσοδο στο πρόγραμμα θα ανιχνεύεται αυτόματα σε ποια κατηγορία χρηστή ανήκει το όνομα χρηστή και ο κωδικός που έχουν δοθεί. Αν ο συνδυασμός αυτός ανήκει σε κάποιον υπερχρηστη τότε το πρόγραμμα του επιτρέπει την καταχώρηση καινούργιου χρήστη και την επεξεργασία των ρυθμίσεων. Αν ο συνδυασμός αυτός ανήκει σε έναν απλό χρήστη τότε θα έχει την δυνατότητα μόνο να καταχωρεί καινούργιους υπαλλήλους να τους ταυτοποιεί και να δει τα αποτελέσματα. Αιτιολόγηση: θα πρέπει κατά την εισαγωγή στο λογισμικό για την διευκόλυνση του υπερχρηστη να πραγματοποιείτε έλεγχος βάση του ονόματος και του κωδικού που έχει εισαχθεί στα πεδία έτσι ώστε να αναγνωριστεί σε ποια κατηγορία ανήκει ο χρήστης και να αντιστοιχιστεί με τα κατάλληλα δικαιώματα που του έχουν δοθεί Δυνατότητα αναζητητής από όλους τους χρήστες του λογισμικού Περιγραφή: Θα υπάρχει δυνατότητα αναζήτησης υπαλλήλων από όλους τους χρήστες συμφωνά με το ID ή το Ονομ./επώνυμο. 105

107 Αιτιολόγηση: Η εφαρμογή έχει σκοπό των έλεγχο προσβασιμότητας και για αυτόν τον λόγο όλοι οι χρήστες θα πρέπει να μπορούν να αναζητήσουν κάποιον υπάλληλο Αναζήτηση και παρακολούθηση των εσόδων ή απόπειρας εσόδου Περιγραφή: Όλοι οι χρήστες θα μπορούν να παρακολουθήσουν τα αποτελέσματα από κάθε είσοδο ή απόπειρα από τους υπαλλήλους. Αιτιολόγηση: Η εφαρμογή έχει σκοπό των έλεγχο προσβασιμότητας και για αυτόν τον λόγο όλοι οι χρήστες θα πρέπει να μπορούν να παρακολουθούν τα αποτελέσματα από κάθε είσοδο υπάλληλου Χειροκίνητη λειτουργία ταυτοποίησης Περιγραφή: Στην χειροκίνητη λειτουργία παρουσιολογίου ο χρηστής απλά θα πατάει τα αντίστοιχα κουμπιά για την ταυτοποίηση του δακτυλικού αποτυπώματος και του προσώπου και θα εμφανίζει τις πληροφορίες του υπαλλήλου στην οθόνη αν είναι επιτύχεις ή το ανάλογο μήνυμα αν αποτύχει. Η αποθήκευση των αποτελεσμάτων θα γίνεται αυτόματα σε κάθε περίπτωση. Αιτιολόγηση: Για λόγους ασφαλείας σε περίπτωση που δεν είναι δυνατή η αυτόματη λειτουργεία Αυτόματη λειτουργία ταυτοποίησης Περιγραφή: Στη λειτουργία «αυτόματο» ο χρηστής θα μπορεί να παρακολουθεί την διαδικασία της ταυτοποίησης.όταν ξεκινήσει η λειτουργία του, ο χρηστής θα πρέπει να έχει αρχικοποιήσει την συσκευή αποτυπώματος αν η συσκευή είναι συνδεδεμένη με τον υπολογιστή αλλιώς μόλις συνδεθεί θα πρέπει να την εντόπιση και μετά να την αρχικοποιήσει και να έχει επιλέξει κάμερα για την ταυτοποίηση του προσώπου. Όταν εντοπιστούν οι συσκευές το πρόγραμμα θα είναι έτοιμο να διαβάσει τα δακτυλικά αποτυπώματα και τα πρόσωπα των υπαλλήλων. Ο υπάλληλος πρέπει απλα να τοποθετεί το δάκτυλο του στην συσκευή και το πρόσωπο του να εμφανίζεται στην κάμερα που καταγραφεί. Αιτιολόγηση: Σε περίπτωση που ο χρήστης επιθυμεί γρηγορότερο έλεγχο έχει την δυνατότητα να θέσει την εφαρμογή σε αυτόματη διαδικασία Έλεγχος στην βάση δεδομένων για ήδη υπάρχων δακτυλικό αποτύπωμα και σε περίπτωση που δεν βρεθεί αποτύπωμα νέα αντιστοίχηση υπαλλήλου 106

108 Περιγραφή: Κατά την ανάγνωση του αποτυπώματος σε οποιαδήποτε από τις δυο λειτουργίες να ελέγχει αν υπάρχει στην βάση το αντίστοιχο αποτύπωμα αλλιώς θα αποτρέπεται η πρόσβαση και δεν μπορεί να συνεχίσει στην διαδικασία ταυτοποίησης προσώπου αλλά έχει την δυνατότητα να προσπαθήσει ξανά σε περίπτωση κάποιου σφάλματος. Αιτιολόγηση: Για την ασφάλεια του συστήματος και διευκόλυνση των χρηστών, θα πρέπει να γίνετε ταυτοποίηση ενός δακτυλικού αποτυπώματος από την βάση δεδομένων και σε περίπτωση όπου αυτό δεν υπάρχει να μην επιτρέπεται η πρόσβαση Έλεγχος στην βάση δεδομένων για ήδη υπάρχων πρόσωπο και σε περίπτωση που δεν βρεθεί πρόσωπο νέα αντιστοίχηση υπαλλήλου Περιγραφή: Κατά την ανάγνωση του προσώπου σε οποιαδήποτε από τις δυο λειτουργίες έχει προηγηθεί η επιτύχεις ταυτοποίηση του δακτυλικού αποτυπώματος οπότε πρέπει η και το πρόσωπο να ανήκει στο ιδιο άτομο για να γίνει δεκτή η πρόσβαση στο χώρο. Αιτιολόγηση: : Για την ασφάλεια του συστήματος και πιο αυστηρό έλεγχο Σύνολο εισόδων ή απόπειρας εισόδων Περιγραφή: Κατά την διαδικασία ταυτοποίησης σε οποιαδήποτε λειτουργεία όλα τα αποτελέσματα θα καταγράφονται στη βάση δεδομένων και ο χρήστης θα έχει τη δυνατότητα να δει τα αποτελέσματα / αναζήτηση με βάση την ημερομηνία. Αιτιολόγηση: Για την καλύτερη ενημέρωση του χρήστη αλλά και για λόγους ασφαλείας θα πρέπει να υπάρχει ιστορικό για το ποιος εισήλθε στο χώρο η προσπάθησε να εισέλθει και πότε(ημ/νια- ώρα) Προβολή των στοιχείων του υπαλλήλου στην οθόνη του χρήστη μετά την επιτυχή ταυτοποίηση και με τις δυο μεθόδους Περιγραφή: Μετά την επιβεβαίωση του δακτυλικού αποτυπώματος και της αναγνώρισης προσώπου θα εμφανίζονται στην φόρμα τα στοιχειά του υπαλλήλου που αναγνωρίστηκε. Αιτιολόγηση: Θα πρέπει για λόγους ασφαλείας-εξακρίβωσης μετά την ταυτοποίηση να εμφανίζονται στην οθόνη του χρήστη τα στοιχεία του υπαλλήλου. 107

109 Στατιστικά αποτελέσματα σφαλμάτων για κάθε μέθοδο ταυτοποίησης Περιγραφή: Κατά την διαδικασία ταυτοποίησης σε οποιαδήποτε λειτουργεία και για τις δυο μεθόδους να γίνεται καταγραφή των αποτυχημένων προσπαθειών εσόδου αλλά και από ποια μέθοδο. Αιτιολόγηση: Για λόγους συντήρησης και ασφάλειας του συστήματος ο χρήστης πρέπει να είναι σε θέση να ξέρει πόσες φορές απέτυχε η κάθε μέθοδος και αν είναι μεγάλος ο αριθμός των αποτυχών να γίνει συντήρηση ή αντικατάσταση της ανάλογης συσκευής Μη Λειτουργικές Απατήσεις Απαιτήσεις υλοποίησης Το λογισμικό θα πρέπει να το χειρίζονται, οποιοσδήποτε ύστερα από μια μικρή εκμάθηση της εφαρμογής Για να γίνει η διαδικασία ταυτοποίησης θα πρέπει να υπάρχει η συσκευή ανάγνωσης του δακτυλικού αποτυπώματος καθώς και τουλάχιστον μια κάμερα συνδεδεμένη στον υπολογιστή. Απαιτήσεις προστασίας Οι συσκευές πρέπει να βρίσκονται μακριά από χώρους όπου υπάρχει υγρασία για αποφυγή βλάβης Το λειτουργικό θα πρέπει να λειτουργεί σ επίπεδο τοπικού δικτύου αλλά και με την κατάλληλη παραμετροποίηση των IP θα πρέπει να μπορεί να λειτουργεί και διαδικτυακά. Άρα θα πρέπει να παρθούν τα κατάλληλα μέτρα για την αποφυγή «Επιθέσεων» στο σύστημα π.χ. Microsoft Internet Security & Accelerations Server (MS ISA Server) Το λογισμικό θα πρέπει να λειτουργεί με τέτοιο τρόπο ώστε σε περίπτωση διακοπής του ρεύματος να έχει εξασφαλίσει την αποθήκευση των δεδομένων που έχουνε γίνει μέχρι εκείνη τη στιγμή. Απαιτήσεις λειτουργίας Για την λειτουργία του λογισμικού θα πρέπει πρώτα να έχει εγκαθιδρυθεί η σύνδεση με τον κεντρικό υπολογιστή Το σύστημα θα πρέπει να λειτουργεί όσο είναι συνδεδεμένο με την τροφοδοσία. 108

110 Απαιτήσεις επίδοσης Ο δακτυλικός αναγνώστης θα πρέπει να είναι σε κατάσταση άμεσης ανάγνωσης του δακτυλικού αποτυπώματος μετά την αρχικοποίηση του ή δύο δευτερόλεπτα μετά την ανάγνωση του προηγούμενου δακτυλικού αποτυπώματος Το λογισμικό θα πρέπει να ενημερώνει τον χρήστη και τον υπάλληλο για την επιβεβαίωση της ταυτοποίησης και για την ολοκλήρωση της διαδικασίας. 5.3 Έγγραφο Προδιαγραφής Απαιτήσεων Λογισμικού ΠΡΟΔΙΑΓΡΑΦΗ Υπηρεσία ή Λειτουργία Περιγραφή Δεδομένα εισόδου Προέλευση Έλεγχος εισόδου Θα ανιχνεύει το επίπεδο του χρήστη ανάλογα με τον συνδυασμό όνομα χρηστή και κωδικός και θα δίνει τα αντίστοιχα δικαιώματα Όνομα χρηστή, κωδικός Πληκτρολόγιο Δεδομένα εξόδου Προορισμός Ενέργεια Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Βάση δεδομένων Διαδικασία Συμπλήρωση όλων των πεδίων της φόρμας εισόδου Να υπάρχουν χρήστες με αντίστοιχα δικαιώματα Απόδοση δικαιωμάτων Παρενέργεια ή Πλευρικά Φαινόμενα 109

111 ΠΡΟΔΙΑΓΡΑΦΗ Υπηρεσία ή Λειτουργία Περιγραφή Δημιουργία Χρηστών Ο υπερχρηστης θα ανοίγει την φόρμα δημιουργίας χρηστή όπου θα συμπληρώνει τα πεδία και θα δημιουργεί χρήστες Δεδομένα εισόδου Όνομα χρηστή, κωδικός, επίπεδο, όνομα, επώνυμο, τηλέφωνο επικοινωνίας, Προέλευση Πληκτρολόγιο Δεδομένα εξόδου Προορισμός Ενέργεια Απαίτηση Βάση δεδομένων Αποθήκευση Να συμπληρωθούν όλα τα πεδία της φόρμας Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Εμφάνιση στην λίστα χρηστών Παρενέργεια ή Πλευρικά Φαινόμενα 110

112 ΠΡΟΔΙΑΓΡΑΦΗ & Υπηρεσία ή Λειτουργία Περιγραφή Δεδομένα εισόδου Προέλευση Δεδομένα εξόδου Προορισμός Ενέργεια Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Δυνατότητα αναζητητής και εμφάνισης Όλοι οι χρήστες θα έχουν την δυνατότητα αναζήτησης και εμφάνισης αποτελεσμάτων είτε του υπαλλήλου είτε των χρηστών. Όνομα, επώνυμο, ID Πληκτρολόγιο Εμφάνιση δεδομένων σε πίνακα Βάση δεδομένων Διαδικασία Συμπλήρωση του πεδίου αναζήτησης Να υπάρχουν υπάλληλοι Εμφάνιση αποτελεσμάτων αναζήτησης Παρενέργεια ή Πλευρικά Φαινόμενα 111

113 ΠΡΟΔΙΑΓΡΑΦΗ & Υπηρεσία ή Λειτουργία Περιγραφή Δεδομένα εισόδου Προέλευση Αποθήκευση υπάλληλων Ολοι οι χρήστες θα μπορούν αποθηκεύσουν υπαλλήλους. Σε κάθε φόρμα θα πρέπει να συμπληρώσουν υποχρεωτικά όλα τα πεδία. Όνομα, επώνυμο, Αριθμός Ταυτότητας, όνομα πατρός, Τμήμα εργασίας,δακτυλικό αποτύπωμα και φωτογραφία. Πληκτρολόγιο, σκληρός δίσκος Δεδομένα εξόδου Εμφάνιση δεδομένων σε λίστες και πεδία, φωτογραφία υπαλλήλου. Προορισμός Ενέργεια Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Βάση δεδομένων Αποθήκευση Συμπλήρωση όλων των πεδίων Συνδεδεμένη κάμερα και αναγνώστης δακτυλικού αποτυπώματος Αποθήκευση Παρενέργεια ή Πλευρικά Φαινόμενα 112

114 ΠΡΟΔΙΑΓΡΑΦΗ & Υπηρεσία ή Λειτουργία Περιγραφή Χειροκίνητη λειτουργία ταυτοποίησης Στην χειροκίνητη λειτουργία παρουσιολογίου ο χρηστής απλά θα πατάει τα αντίστοιχα κουμπιά για την ταυτοποίηση του δακτυλικού αποτυπώματος και του προσώπου και θα εμφανίζει τις πληροφορίες του υπαλλήλου στην οθόνη αν είναι επιτύχεις ή το ανάλογο μήνυμα αν αποτύχει. Η αποθήκευση των αποτελεσμάτων θα γίνεται αυτόματα σε κάθε περίπτωση. Δεδομένα εισόδου Προέλευση Δεδομένα εξόδου Προορισμός Ενέργεια Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Δακτυλικό αποτύπωμα, φωτογραφίες προσώπου Συνδεδεμένες συσκευές, βάση δεδομένων Εμφάνιση αποτελεσμάτων ταυτοποίησης, σε περίπτωση επιτυχείς ταυτοποιήσεις εμφανίσει των στοιχείων του υπαλλήλου. Οθόνη Αποθήκευση Να υπάρχουν τα βιομετρικά στοιχεία του υπάλληλου στην βάση. Να υπάρχουν τα βιομετρικά στοιχεία του υπάλληλου στην βάση. Αποθήκευση Παρενέργεια ή Πλευρικά Φαινόμενα 113

115 ΠΡΟΔΙΑΓΡΑΦΗ & Υπηρεσία ή Λειτουργία Περιγραφή Δεδομένα εισόδου Προέλευση Δεδομένα εξόδου Προορισμός Ενέργεια Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Αυτόματη λειτουργία ταυτοποίησης Όταν ξεκινήσει η λειτουργία του, ο χρηστής θα πρέπει να έχει αρχικοποιήσει την συσκευή αποτυπώματος αν η συσκευή είναι συνδεδεμένη με τον υπολογιστή αλλιώς μόλις συνδεθεί θα πρέπει να την εντόπιση και μετά να την αρχικοποιήσει και να έχει επιλέξει κάμερα για την ταυτοποίηση του προσώπου. Όταν εντοπιστούν οι συσκευές το πρόγραμμα θα είναι έτοιμο διαβάσει τα δακτυλικά αποτυπώματα και τα πρόσωπα των υπαλλήλων. Ο υπάλληλος πρέπει απλα να τοποθετεί το δάκτυλο του στην συσκευή και το πρόσωπο του να εμφανίζεται στην κάμερα που καταγραφεί. Δακτυλικό αποτύπωμα, φωτογραφίες προσώπου Συνδεδεμένες συσκευές, βάση δεδομένων Εμφάνιση αποτελεσμάτων ταυτοποίησης, σε περίπτωση επιτυχείς ταυτοποιήσεις εμφανίσει των στοιχείων του υπαλλήλου. Οθόνη Αποθήκευση Να υπάρχουν τα βιομετρικά στοιχεία του υπάλληλου στην βάση. Να υπάρχουν τα βιομετρικά στοιχεία του υπάλληλου στην βάση. Αποθήκευση να Παρενέργεια ή Πλευρικά Φαινόμενα 114

116 ΠΡΟΔΙΑΓΡΑΦΗ Υπηρεσία ή Λειτουργία Εμφάνιση σύνολο εισόδων ή απόπειρας εισόδων Περιγραφή Όταν ξεκινήσει η λειτουργία του, ο χρηστής θα πρέπει να έχει αρχικοποιήσει την συσκευή αποτυπώματος αν η συσκευή είναι συνδεδεμένη με τον υπολογιστή αλλιώς μόλις συνδεθεί θα πρέπει να την εντόπιση και μετά να την αρχικοποιήσει και να έχει επιλέξει κάμερα για την ταυτοποίηση του προσώπου. Όταν εντοπιστούν οι συσκευές το πρόγραμμα θα είναι έτοιμο να διαβάσει τα δακτυλικά αποτυπώματα και τα πρόσωπα των υπαλλήλων. Ο υπάλληλος πρέπει απλα να τοποθετεί το δάκτυλο του στην συσκευή και το πρόσωπο του να εμφανίζεται στην κάμερα που καταγραφεί. Δεδομένα εισόδου Αποτελέσματα ταυτοποίησης Προέλευση Δεδομένα εξόδου Προορισμός Ενέργεια Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Βάση δεδομένων Εμφάνιση αποτελεσμάτων ταυτοποίησης για επιλεγόμενη χρονική περίοδο Οθόνη Αποθήκευση Να έχει γίνει προσπάθεια εσόδου τη συγκεκριμένη χρονική περίοδο. Να έχει γίνει προσπάθεια εσόδου τη συγκεκριμένη χρονική περίοδο. Εμφανίση αποτελεσμάτων Παρενέργεια ή Πλευρικά Φαινόμενα 115

117 Υπηρεσία ή Λειτουργία ΠΡΟΔΙΑΓΡΑΦΗ Στατιστικά αποτελέσματα σφαλμάτων για κάθε μέθοδο ταυτοποίησης Περιγραφή Κατά την διαδικασία ταυτοποίησης σε Δεδομένα εισόδου οποιαδήποτε λειτουργεία και για τις δυο μεθόδους να γίνεται καταγραφή των αποτυχημένων προσπαθειών εσόδου αλλά και από ποια μέθοδο Στατιστικά αποτελέσματα αποτυχημένης ταυτοποίησης Προέλευση Δεδομένα εξόδου Προορισμός Ενέργεια Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Βάση δεδομένων Εμφάνιση στατιστικών αποτελεσμάτων αποτυχημένης ταυτοποίησης για κάθε μέθοδο. Οθόνη Αποθήκευση Να έχει γίνει αποτυχημένη προσπάθεια εσόδου τη συγκεκριμένη χρονική περίοδο. Να έχει γίνει αποτυχημένη προσπάθεια εσόδου τη συγκεκριμένη χρονική περίοδο. Εμφανίσει στατιστικών αποτελεσμάτων Παρενέργεια ή Πλευρικά Φαινόμενα 116

118 ΠΡΟΔΙΑΓΡΑΦΗ Υπηρεσία ή Λειτουργία Φιλικό προς τον χρηστή Περιγραφή Θα πρέπει να εμφανίζονται κατάλληλα μηνύματα, για την σωστή λειτουργία του λογισμικού καθώς επίσης όταν ο κέρσορας θα βρίσκεται πάνω από κάποιο κουμπί να εμφανίζεται βοηθητικό μήνυμα για την επεξήγηση της λειτουργίας του Δεδομένα εισόδου Προέλευση Δεδομένα εξόδου Προορισμός Ενέργεια Λογισμικό Εμφάνιση καταλλήλων μηνυμάτων Λογισμικό Διαδικασία Απαίτηση Προσυνθήκη ή Προϋπόθεση Μετασυνθήκη ή Αποτέλεσμα Ενημέρωση χρηστή Παρενέργεια ή Πλευρικά Φαινόμενα 117

119 ΔΙΑΓΡΑΜΜΑ ΚΛΑΣΕΩΝ ΔΙΑΓΡΑΜΜΑ ΡΟΗΣ ΕΠΙΠΕΔΟΥ 1 Υπαλληλος Στοιχεία Εισαγωγή στοιχείων Χρήστης Καταχώρηση Εξακρίβωση στοιχείων Στοιχεία Δακτυλικό Αποτύπωμα/ Φωτογραφία Προσώπου Αποθήκευση Δεδομένων Ταυτοποίηση Στοιχεία Αποτελέσματα 118

120 ΔΙΑΓΡΑΜΜΑ ΒΑΣΗΣ 119

121 5.4 Η βάση της εφαρμογής Στη βάση εκτός από τα προσωπικά στοιχειά του χρήστη αποθηκεύονται ένα δακτυλικό αποτύπωμα και 10 φωτογραφίες του πρόσωπού κάθε χρήστη, όπως φαίνεται και στο Σχήμα 5.1. Σχήμα 5.1 Διάγραμμα συσχέτισης χρήστη δακτυλικού αποτυπώματος φωτογραφίες προσώπου 5.5 Κώδικας Καταχώρησης και Αναγνώρισης Δακτυλικού Αποτυπώματος Για την υλοποίηση του συγκεκριμένου τμήματος του κώδικα χρησιμοποιήθηκε η συσκευή SECUGEN HAMSTER PLUS[11], μία συσκευή με άνετο εργονομικό σχεδιασμό που έχει προηγμένο οπτικό αισθητήρα χρησιμοποιώντας ακολουθουμένη γραμμή κίνησης seir, δακτυλικών αποτυπωμάτων με βιομετρική τεχνολογία. Μεγάλο πλεονέκτημα ήταν το API της συσκευής που διαθέτει η εταιρεία σε C#, το οποίο καθίστα την υλοποίηση του κώδικα πολύ πιο εύκολη. Μέθοδος λήψης δακτυλικού αποτυπώματος. private void GetImageBtnClick(object sender, EventArgs e) { _fpimage = new Byte[_mImageWidth * _mimageheight]; var imgqlty = 0; /////////////////////// //// Capture fingerprint image var ierror = _mfpm.getimage(_fpimage); 120

122 /////////////////////// //// Get the quality of the fingerprint image _mfpm.getimagequality(_mimagewidth, _mimageheight, _fpimage, ref imgqlty); progressbar_r1.value = imgqlty; if (ierror == (Int32)SGFPMError.ERROR_NONE) { //// if there is no error during the image capturing draw the image DrawImage(_fpImage, picturebox_fingerprint); ierror = _mfpm.createtemplate(_fpimage, _mregmin1); } if (ierror == (Int32)SGFPMError.ERROR_NONE) { StatusBar.Text = "Image is captured"; button_movetofacerecognition.enabled = true; } else DisplayError("CreateTemplate()", ierror); } else DisplayError("GetImage()", ierror); Σχήμα 5.2 Λήψη δακτυλικού αποτυπώματος 121

123 Μέθοδος ταυτοποίησης δακτυλικού αποτυπώματος. private void ButtonVerifyFingerprint() { var matched = false; var fingerprintmatched = false; /////////////////////// //// Declare the security level const SGFPMSecurityLevel seculevel = (SGFPMSecurityLevel)2; /////////////////////// //// Get all the fingerprints from the database var registeredfingerprints = _databasemanagment.registeredfingerprints(); foreach (var b in registeredfingerprints) { = b.value as byte[]; DrawImage(@by, picturebox_employeeimage); var ierror = _mfpm.createtemplate(@by, _mvrfmin); /////////////////////// //// Compare the current fingerprint with the existing ierror = _mfpm.matchtemplate(_mregmin1, _mvrfmin, seculevel, ref matched); if (ierror == (Int32)SGFPMError.ERROR_NONE) { if (!matched) { StatusBar.Text = "Verification..."; } else { StatusBar.Text = "Verification Success"; fingerprintmatched = true; _fingerverify = b.key; } } else { DisplayError("MatchTemplate()", ierror); fingerprintmatched = false; } } 122

124 Σχήμα 5.3 ταυτοποίηση δακτυλικού αποτυπώματος 5.6 Κώδικας Καταχώρησης και Αναγνώρισης Προσώπου Για αυτό το τμήμα της εφαρμογής χρησιμοποιήθηκε η βιβλιοθήκη OpenCV. Η βιβλιοθήκη OpenCV Η OpenCV είναι μια βιβλιοθήκη ελευθέρου λογισμικού η οποία αναπτύχθηκε από την Intel και αφορά στην επεξεργασία εικόνας. H OpenCV παρέχει μία μεσαίου έως υψηλού επιπέδου διασύνδεση εφαρμογών με περίπου τριακόσιες συναρτήσεις γραμμένες σε C και μερικές κλάσεις C++. Η ανάπτυξη επικοινωνίας ανθρώπου με υπολογιστή, η ανίχνευση, απομόνωση και αναγνώριση αντικειμένων, η ανίχνευση και αναγνώριση προσώπων, η κατανόηση και παρακολούθηση κίνησης είναι μερικά από τα πεδία μηχανικής όρασης που καλύπτει. Οι αλγόριθμοι της OpenCV είναι βελτιστοποιημένοι για επεξεργαστές αρχιτεκτονικής Intel Pentium (MMX, Pro, 3, 4). Τέλος, η δημιουργία της OpenCV αποσκοπεί και στην δημιουργία μιας κοινότητας ανοιχτού λογισμικού, σχετική με την μηχανική όραση, η οποία θα αναπτύσσει σύγχρονες μεθόδους επεξεργασίας εικόνας σε ένα συνεχώς αναπτυσσόμενο τεχνολογικό περιβάλλον. Η υποστήριξη της OpenCV[9] στην τεχνητή όραση είναι εκτεταμένη. Υποστηρίζει ρουτίνες για την ανάγνωση, απεικόνιση, επεξεργασία και 123

125 αποθήκευση απλών φωτογραφικών εικόνων αλλά και κινηματογραφικών ταινιών. Παρέχονται ένα πλήθος από ρουτίνες για την επεξεργασία εικόνας και υποστηρίζονται ρουτίνες υπολογιστικής γεωμετρίας, αναγνώρισης προτύπων και αλγόριθμοι ανίχνευσης αντικειμένων. OpenCV και ανίχνευση αντικειμένων Η ανίχνευση αντικειμένων στην OpenCV [9] στηρίζεται σε ένα σύστημα μηχανικής μάθησης το οποίο είναι ικανό να επεξεργάζεται πολύ γρήγορα μια εικόνα και να πετυχαίνει πολύ υψηλά ποσοστά επιτυχούς ανίχνευσης. Η διαδικασία της ανίχνευσης είναι πολύ πιο αποδοτική όταν βασίζεται στην ανίχνευση χαρακτηριστικών (features), τα οποία κωδικοποιούν πληροφορία σχετικά με το αντικείμενο που πρόκειται να ανιχνευτεί. Τα χαρακτηριστικά αυτά χρησιμοποιούνται σε σύνολα και κωδικοποιούν πληροφορία που αφορά την αντίθεση φωτεινότητας ανάμεσα σε περιοχές της εικόνας τον προσανατολισμό της αντίθεσης και την χωρική σχέση αυτών των περιοχών. Μέθοδος Ανίχνευση Προσώπου. using Emgu.CV; using Emgu.CV.CvEnum; using Emgu.CV.Structure; private readonly CascadeClassifier _face = new CascadeClassifier("haarcascade_profileface.xml"); /////////////////////// //// Declare the neighboor,minsize, maxsize of the face var facesdetected = _face.detectmultiscale(graycapture, 1.1, 10, new Size(50, 50), Size.Empty); /////////////////////// //// Check if there are faces in the frames if (facesdetected!= null) { /////////////////////// //// Draw rect only if there is only one face if (facesdetected.length >= 1) { for (var i = 0; i < facesdetected.length; i++) { facesdetected[i].x += (int)(facesdetected[i].height * 0.15); facesdetected[i].y += (int)(facesdetected[i].width * 0.22); facesdetected[i].height -= (int)(facesdetected[i].height * 0.3); facesdetected[i].width -= (int)(facesdetected[i].width * 0.35); _saveimage = _nextframe.copy(facesdetected[i]).resize(100, 100, INTER.CV_INTER_CUBIC); /////////////////////// 124

126 //// Normalize the brightness of the face _saveimage._equalizehist(); /////////////////////// //// Draw a green rect around the face _nextframe.draw(facesdetected[0], new Bgr(Color.Green), 1); } } } Σχήμα 5.4 Ανίχνευση Προσώπου Μέθοδος Αποθήκευσης Προσώπων Χρήστη. Σχήμα 5.5 Αποθήκευσης Προσώπων Χρήστη 125

127 private Boolean CaptureImg(int counter, Image<Bgr, byte> faceimage) { _saveimage = _saveimage.resize(100, 100, INTER.CV_INTER_LINEAR); Cursor.Current = Cursors.WaitCursor; _imageslist.add(_saveimage); switch (counter) { case 1: faceimage._gammacorrect(0.5d); imagebox1.image = faceimage; break; case 2: faceimage._gammacorrect(1); imagebox2.image = faceimage; break; case 3: faceimage._gammacorrect(1.5d); imagebox3.image = faceimage; break; case 4: faceimage._gammacorrect(2.0d); imagebox4.image = faceimage; break; case 5: faceimage._gammacorrect(2.5d); imagebox5.image = faceimage; break; case 6: faceimage = new Image<Bgr, byte>(_images.setbrightness(30, _saveimage)); imagebox6.image = faceimage; break; case 7: faceimage = new Image<Bgr, byte>(_images.setbrightness(60, _saveimage)); imagebox7.image = faceimage; break; case 8: imagebox8.image = faceimage; break; case 9: faceimage = new Image<Bgr, byte>(_images.setbrightness(100, _saveimage)); imagebox9.image = faceimage; 126

128 } break; case 10: imagebox10.image = faceimage; button_save.enabled = true; Cursor.Current = Cursors.Default; break; } return (counter < 10);//return true when the 10 images complete Μέθοδος ταυτοποίησης Προσώπου. Σχήμα 5.5 Σάρωση Προσώπων Χρήστη private void OnScanning() { _saveimage._equalizehist(); string eigenlabel = null; /////////////////////// //// Get all the face images from the database try { if (!_trained) { if (!_images.empty) { var count = 0; if (_images.emguimages!= null && _trainingimages.count!= _images.emguimageslabels.length) 127

129 foreach ( var grayimage in _images.emguimages.select( image => image.convert<gray, byte>().resize(100, 100, INTER.CV_INTER_CUBIC))) { _trainingimages.add(grayimage); } if (_images.emguimageslabels!= null && _nameslistid.count!= _images.emguimageslabels.length) foreach (var imagelabel in _images.emguimageslabels) { _nameslist.add(imagelabel); count++; _nameslistid.add(count); } } _trained = true; } } catch (Exception ex) { throw new ArgumentException(ex.Message); } /////////////////////// //// Train all the images according to the selected algorithm ImgRecognizer = new FisherFaceRecognizer(0, 2800); //4000 ImgRecognizer.Train(_trainingImages.ToArray(), _nameslistid.toarray()); var predictionresultr = ImgRecognizer.Predict(_saveImage.Convert<Gray, byte>()); if (predictionresultr.label == -1) { eigenlabel = "Unknown"; } else { _todatabase.recognizedemployee(eigenlabel); } } 128

130 ΚΕΦΑΛΑΙΟ 6 Αποτελέσματα Χρήσης Πειραματικά Αποτελέσματα Χρόνος Απόκρισης Ο χρόνος λήψης του δακτυλικού αποτυπώματος έχει μέσο όρο τα 430 μιλιδευτερόλεπτα (ms). Ωστόσο χρειάζεται κάποιο χρονικό διάστημα μέχρις ότου ολοκληρωθεί η επεξεργασία, που πραγματοποιεί το λειτουργικό.ο χρόνος που δίνετε στο σύστημα για να πραγματοποιήσει αυτές τις επεξεργασίες είναι περίπου 1.6 δευτερόλεπτα (sec). Άρα σαν αποτέλεσμα έχουμε ότι από λήψη σε λήψη πρέπει να περάσουν 2 δευτερόλεπτα (sec). Για τις φωτογραφίες προσώπου στη διαδικασία της καταχώρησης ο χρόνος λήψης καθορίζεται από τον χρήστη, ενώ στη διαδικασία της ταυτοποίησης ο σύγκρισης του προσώπου προς αναγνώριση με τα πρόσωπα στη βάση καθορίζεται από τη ποσότητα των καταχωρημένων προσώπων στη βάση και από την ταχύτητα της κάμερας (frames/sec). Κάθε ταυτοποίηση έχει περιθώριο χρόνου μέχρι 100 frames. 6.1 Πειραματικά Αποτελέσματα Δακτυλικό Αποτύπωμα 1) Επαναληπτικό τεστ Κατά την διάρκεια του επαναληπτικού τεστ ελήφθησαν τριάντα δακτυλικά αποτυπώματα από τρία διαφορετικά άτομα. Η λήψη των δακτυλικών αποτυπωμάτων γινόταν σε τυχαία χρονικά διαστήματα μεταξύ δυο με δέκα δευτερόλεπτα. Τα αποτελέσματα που πήραμε από κάθε άτομο είχαν ποσοστό σφάλματος 6% που μεταφράζετε σε τρεις λανθασμένες επιβεβαιώσεις, έχοντας ως αποτέλεσμα να θεωρηθεί ότι το λειτουργικό ανταπεξήλθε κατά ένα μεγάλο ποσοστό. 2) Τεστ με αλλοιωμένο αποτύπωμα Κατά την διάρκεια του συγκεκριμένου τεστ ελήφθησαν δυο με τρία δακτυλικά αποτυπώματα σε κάθε περίπτωση. Αρχικά τραβήξαμε αποτύπωμα με υγρό δάκτυλο (Νερό, σωματικές εκκρίσεις), όπου ο σαρωτής ανταπεξήλθε σε ένα μικρό ποσοστό. Έπειτα πάρθηκε αποτύπωμα όπου ο σαρωτής ήταν είδη πολυχρησιμοποιημένος και υπήρχαν προηγούμενα αποτυπώματα πάνω στην επιφάνεια σάρωσης. Το λειτουργικό ανταπεξήλθε στο 66.6 % (τις εκατό) μιας και αναγνώρισε τα δυο από τα τρία 129

131 δακτυλικά αποτυπώματα που εισήχθησαν για τα τεστ. Τέλος το σύστημα δεν κατάφερε να επιβεβαιώσει κανένα από τα τρία πειράματα που έγιναν, όπου το δακτυλικό αποτύπωμα είχε στην επιφάνεια του αρκετό δείγμα σκόνης. 3) Τεστ με λανθασμένη τοποθετήσει δακτύλου Κατά την διάρκεια του τεστ τοποθετήσαμε πέντε διαφορετικά δάκτυλα στην συσκευή ανάγνωσης δακτυλικού αποτυπώματος και έγιναν πενήντα λήψεις αυτών. Τα δάκτυλα τοποθετήθηκαν και για της πενήντα φορές με λάθος τρόπο είτε ανάποδα είτε πλάγια είτε ακουμπώντας μια πολύ μικρή επιφάνεια του δακτύλου πάνω στην επιφάνεια ανάγνωσης του δακτυλικού αποτυπώματος. Καμία από τις πενήντα λήψεις δεν ταχτοποιήθηκε από το λογισμικό. 4) Έκθεση της συσκευής σε ακτινοβολία Τοποθετήθηκε ο δακτυλικός σαρωτής κοντά σε Ηλεκτρονικές συσκευές που εκπέμπουν ασύρματη ακτινοβολία. Αυτό που παρατηρήθηκε ήταν πως δεν υπήρχε καμία παρεμβολή στην λήψη του δακτυλικού αποτυπώματος 6.2 Συμπεράσματα Πειραματικών Aποτελεσμάτων Σύμφωνα με τα παραπάνω τεστ που πραγματοποιήθηκαν μπορούμε να συμπεράνουμε, ότι είναι πάρα πολύ σημαντικό για την καλή λειτουργία του συστήματος αλλά και του λογισμικού, ο δακτυλικός αναγνώστης να είναι καθαρός χωρίς σκόνες, υγρά κλπ. Θα πρέπει επίσης για την πλήρη λειτουργία του συστήματος τα δάκτυλα να μην είναι αλλοιωμένα. Τέλος πολύ σημαντικός είναι και ο τρόπος κατά τον οποίο τοποθετείτε ένα δάκτυλο στον δακτυλικό αναγνώστη. Θα πρέπει το δάκτυλο να είναι στην ίδια ευθεία με την επιφάνεια του δακτυλικού αναγνώστη ώστε λαμβάνοντας το δακτυλικό αποτύπωμα να έχουμε 100% επιβεβαίωση από το λογισμικό. Ανίχνευση/Αναγνώριση Προσώπου 1) Τεστ αλγορίθμων αναγνώρισης προσώπου Η βιβλιοθήκη OpenCV μας δίνει την δυνατότητα να χρησιμοποιήσουμε 3 διαφορετικούς αλγόριθμους για την αναγνώριση προσώπων (EigenFaceRecognizer, FisherFaceRecognizer, LBPHFaceRecognizer), έτσι λοιπόν δημιούργησα μια επιπλέον εφαρμογή για να τεστάρω τους αλγορίθμους σε μια διαφορετική βάση. Μετα από καταχώρηση 9 διαφορετικών ατόμων + 1 άτομο που υπήρχε είδη αλλά με διαφορετικές συνθήκες φωτισμού και διαφορετικές εκφράσεις, και μετά από αρκετά τεστ οπού κάθε αλγόριθμος δοκιμάστικε υπο τις ίδιες συνθήκες φωτισμού και με τις 130

132 ίδιες εκφράσεις προσώπου τα αποτελέσματα έδειξαν ότι ο αλγόριθμος της LBP έχει καλύτερη απόδοση από τους άλλους δυο. Σχήμα 6.1 Πειραματικά Αποτελέσματα (επιτυχίες ανά αλγόριθμο) 2) Επαναληπτικό τεστ Κατά την διάρκεια του επαναληπτικού τεστ ελήφθησαν 90 πρόσωπα από 9 διαφορετικά άτομα. Η λήψη των δακτυλικών αποτυπωμάτων γινόταν σε τυχαίες συνθήκες φωτεινότητας, αλλά τα τεστ γινόντουσαν σε ελεγχόμενες συνθήκες. Τα αποτελέσματα που πήραμε από κάθε άτομο είχαν ποσοστό σφάλματος 20% που μεταφράζετε σε δέκα λανθασμένες επιβεβαιώσεις, έχοντας ως αποτέλεσμα να θεωρηθεί ότι το λειτουργικό ανταπεξήλθε κατά ένα μεγάλο ποσοστό. 3) Τεστ ανίχνευσης προσώπου με φόντο μεγάλο βαθμό φωτεινότητας Για την ανίχνευση προσώπου χρησιμοποιήθηκε ο αντιστοίχως αλγόριθμος της LBP ο οποίος υπο κανονικές συνθήκες εμφανίζει αποτελέσματα 99%. Το δοκιμάσαμε σε συνθήκες οπού η φωτεινότητα στο υπόβαθρο ήταν αρκετά μεγάλη και ως αποτέλεσμα είχαμε ένα ποσοστό αποτυχίας μεγαλύτερο του 50%. Συνεπώς δεν μπορεί να ανταπεξέλθει στις απατήσεις του λογισμικού παρα μόνο όταν η φωτεινότητα είναι σταθερή και σε κανονικό βαθμό. 131

133 ΚΕΦΑΛΑΙΟ 7 Συμπεράσματα και Μελλοντικές Βελτιώσεις Σύμφωνα με όλα τα παραπάνω καταλήγουμε στο συμπέρασμα ότι, για την επίτευξη ενός τέτοιου λογισμικού κρίνεται απαραίτητη η σωστή ανάλυση και τεκμηρίωση των απαιτήσεων του «πελάτη». Η χρήση του λογισμικού σε πραγματικό χρόνο πρέπει να είναι ακριβής. Επίσης σε καμία περίπτωση δεν γίνεται διαχείριση των στοιχείων των υπαλλήλων αυθαίρετα. Ακόμη όλες οι πληροφορίες που έχουμε συλλέξει δίνουν την δυνατότητα στους χρήστες να γίνει πιο ξεκάθαρη η παρουσίαση αυτού του λογισμικού έτσι ώστε να υπάρχει ικανότητα χρήσης που θα αγγίζει το μέγιστο επίπεδο. Μια ακόμη σημαντική δυνατότητα είναι η χρήση της συσκευής αναγνώρισης δακτυλικού αποτυπώματος,η οποία χρήζει προσοχής, διότι πρέπει να είναι καθαρή για να μην διαστρεβλώνονται τα στοιχειά των υπαλλήλων. Υπάρχει όμως και μια σημαντική επισήμανση η οποία αναφέρεται στο ότι και οι χρήστες πρέπει να τοποθετούν σωστά το δάκτυλο τους για την σωστή καταγραφή. Το ιδιο ισχύει και για τις κάμερες που είναι συνδεδεμένες με την εφαρμογή και την αναγνώριση προσώπου, ο χρήστης/υπάλληλος θα πρέπει να τοποθετήσει σωστά το πρόσωπο του στη κάμερα,να υπάρχει μια σταθερή φωτεινότητα στο χώρο και να μην γίνονται αλλαγές στις εκφράσεις του προσώπου διαφορετική από αυτή που είναι στις καταχωρημένες φωτογραφίες. Σε συνδυασμό οι δυο μέθοδοι δίνουν ένα ικανοποιητικό αποτέλεσμα ταυτοποίησης το οποίο μπορεί να ανταπεξέλθει στις απατήσεις της εφαρμογής. Συνοψίζοντας καλό θα ήταν να σημειωθεί ότι το λογισμικό αυτό θα μπορούσε αξιοποιηθεί με την χρήση του σε έναν Web Server όπου οι χρήστες θα μπορούν να το διαχειρίζονται και από το Διαδίκτυο, επίσης επειδή με το πέρασμα του χρόνου στο τομέα της τεχνολογίας εμφανίζεται μεγάλη ανάπτυξη ο αλγόριθμος που χρησιμοποιείται για την αναγνώριση προσώπου θα έχει σίγουρα παρουσιάσει βελτιώσεις ως προς την απόδοση του, θα μπορούσαμε τότε να το χρησιμοποιήσουμε για καλύτερα αποτελέσματα. 132

134 Παράρτημα 1 Εγχειρίδιο Εγκατάστασης Εφαρμογής Βήμα 1 ο Στο παράρτημα αυτό θα δούμε με λεπτομερή βήματα τον τρόπο με τον οποίο μπορούμε να εγκαταστήσουμε την εφαρμογή Τρέχουμε το αρχείο: «en_sql_server_2008_developer_x86_x64_ia64_dvd_x », που βρίσκετε στον φάκελο τις πτυχιακής εργασίας και έχουμε την εμφάνιση της παρακάτω φόρμας. Επιλέγουμε από το μενού «Installation» (Σχήμα 1). Σχήμα 1.1 Βήμα 2 ο Στην συνέχεια πρέπει να μας εμφανιστεί η παρακάτω φόρμα η οποία μας πληροφορεί για το αν ο ηλεκτρονικός υπολογιστής μας διαθέτει όλα τα προαπαιτούμενα ώστε να γίνει η εγκατάσταση (Σχήμα 2). Εάν λοιπόν υπάρχουν όλα τα προαπαιτούμενα πατάμε το κουμπί «ΟΚ». 133

135 Σχήμα 1.2 Βήμα 3 ο Στην συνέχεια επιλέγουμε από την παρακάτω φόρμα New installation or add features to an existing installation (Σχήμα 3). Σχήμα

136 Βήμα 4 ο Έπειτα έχουμε την εμφάνιση της παρακάτω φόρμας η οποία περιέχει κάποιους κανόνες που πρέπει να ισχύουν για να συνεχίσουμε. Εάν όλοι οι κανόνες είναι πλήρης πατάμε το κουμπί «ΟΚ». Σχήμα 1.4 Βήμα 5 ο Η επόμενη φόρμα που συναντάμε κατά την εγκατάσταση είναι πολύ σημαντική. Θα πρέπει η εφαρμογή που θα χρησιμοποιήσουμε να έχει «Κλειδί ενεργοποίησης» το οποίο θα πρέπει να εισάγουμε εφόσον μας ζητηθεί (Σχήμα 5). 135

137 Σχήμα 1.5 Βήμα 6 ο Στην συνέχεια πρέπει να αποδεχτούμε του ορούς χρήσης της εφαρμογής (Σχήμα 6). Σχήμα

138 Βήμα 7 ο Στην συνέχεια μας εμφανίζετε μια φόρμα προόδου η οποία μόλις φτάσει στο τέλος της πατάμε «Install» (Σχήμα 7). Σχήμα 1.7 Βήμα 8 ο Έπειτα έχουμε την εμφάνιση της παρακάτω φόρμας οι οποία περιέχει επίσης κάποιους κανόνες που πρέπει να ισχύουν για να συνεχίσουμε. Εάν όλοι οι κανόνες είναι πλήρης πατάμε το κουμπί «Next» (Σχήμα 8). 137

139 Σχήμα 1.8 Βήμα 9 ο Προχωρώντας στην εγκατάσταση έχουμε την εμφάνιση της παρακάτω φόρμας όπου πρέπει να επιλέξουμε να εγκατασταθούν όλα τα χαρακτηριστικά επιλέγοντας «Select All» και στην συνέχεια πατάμε «Next» (Σχήμα 9). Σχήμα

140 Βήμα 10 ο Από την παρακάτω φόρμα επιλέγουμε «Default instance» και πατάμε το κουμπί «Next» (Σχήμα 10). Σχήμα 1.10 Βήμα 11 ο Παρακάτω λαμβάνουμε πληροφορίες σχετικά με τον χώρο που δεσμεύετε στον σκληρό δίσκο καθώς επίσης και τον φάκελο που θα γίνει η εγκατάσταση (Σχήμα 11), Σχήμα

141 Βήμα 12 ο Η παρακάτω φόρμα άφορα την κωδικοποίηση της βάσης πατάμε το κουμπί «Next» (Σχήμα 12) Σχήμα 1.12 Βήμα 13 ο Το παρακάτω βήμα είναι αρκετά σημαντικό γιατί πρέπει να ενεργοποιήσουμε τον βασικό χρήστη της βάσης «SA». Επιλέγουμε λοιπόν Mixed mode (SQL server authentication and Windows authentication). Στα πεδία (Enter password) & (Confirm password) εισάγουμε τον κωδικό της αρεσκείας μας και τον επαληθεύουμε. ΠΡΟΣΟΧΗ : είναι σημαντικό να μην ξεχάσουμε αυτόν τον κωδικό γι' αυτό θα ήταν καλό να τον αποθηκεύσουμε σε κάποιο αρχείο (Σχήμα 13). 140

142 Σχήμα 1.13 Βήμα 14 ο Στην συνέχεια έχουμε την εγκατάσταση του «Report Server» επιλέγουμε Install the native mode default configuration και πατάμε το κουμπί «Next» (Σχήμα 14). Σχήμα

143 Βήμα 15 ο Η επόμενη φόρμα αφορά την αποστολή μηνυμάτων σε περίπτωση κάποιου σφάλματος της βάσης, πατάμε το κουμπί «Next» (Σχήμα 15) Σχήμα 1.15 Βήμα 16 ο Στην συνέχεια έχουμε κάποιους κανόνες σχετικά με την εγκατάσταση. Αν όλοι οι κανόνες είναι σωστοί τότε πατάμε το κουμπί «Next» (Σχήμα 16). Σχήμα

144 Βήμα 17 ο Στο σημείο αυτό έχουμε μια πλήρη ενημέρωση για τις ρυθμίσεις που έχουμε κάνει μέχρι τώρα και είμαστε έτοιμοι να εγκαταστήσουμε την βάση πατώντας το κουμπί «Install» (Σχήμα 17). Σχήμα 1.17 Βήμα 18 ο Παρακάτω φαίνετε η πρόοδος της εγκατάστασης (Σχήμα 18,19). Σχήμα

145 Σχήμα 1.19 Βήμα 19 ο Στην παρακάτω φόρμα μας δίνονται πληροφορίες σχετικά με την εγκατάσταση και κατά πόσο αυτή ήταν επιτυχής (Σχήμα 20). Σχήμα

146 Βήμα 20 ο Τέλος από τον φάκελο της πτυχιακής εργασίας τρέχουμε το setup «FingerPrintFaceReognitionAccessControl.exe». Η εφαρμογή μας δεν θέλει καμία παραμετροποίηση οπότε σε όλα τα ερωτήματα της εγκατάστασης δίνουμε «Next». Μόλις τελειώσει η εγκατάσταση είμαστε έτοιμοι να χρησιμοποιήσουμε την εφαρμογή ακολουθώντας τα βήματα του «ΕΓΧΕΙΡΙΔΙΟΥ ΧΡΗΣΗΣ». 145

147 Παράρτημα 2 Εγχειρίδιο Χρήσης Η εφαρμογή ξεκινάει με μια login φόρμα και μόνο χρηστές που είναι καταχωρημένοι ως Users μπορούν να συνεχίσουν. Σχήμα 2.1 Login Φόρμα Όταν γίνει επιτύχεις σύνδεση η παρακάτω καρτέλα εμφανίζεται, που αποτελεί το κυρίως μενού της εφαρμογής. Με το πάτημα κάθε κουμπιού εμφανίζεται η κατάλληλη καρτέλα. Σχήμα 2.2 Κυρίως Μενού 146

148 Καταχώρηση (Φάση 1) Προσωπικά στοιχειά Για να καταχωρήσουμε έναν υπάλληλο πατάμε το κουμπί «New Employee» Σχήμα 2.3 Κυρίως Μενού επιλογή καταχώρησης Η καταχώρηση γίνεται σταδιακά. Πρώτα πρέπει να εισάγουμε τα στοιχειά του υπάλληλου στα ανάλογα πεδία + μια φωτογραφία. Σχήμα 2.4 Φόρμα καταχώρησης προσωπικών στοιχείων υπαλλήλου 147

149 Με το κουμπί «Take Photo» εμφανίζεται η καρτέλα για τη λήψη φωτογραφίας του υπάλληλου Σχήμα 2.5 Φόρμα λήψης φωτογραφίας Για να τραβήξομε φωτογραφία πρώτα πρέπει να επιλέξουμε μια από τις κάμερες που είναι συνδεδεμένες μετά πατάμε το κουμπί «Start» για να αρχίσει η αναπαραγωγή από την κάμερα από το ComboBox Select Resolution μπορούμε να επιλέξομε την ανάλυση της κάμερας, Σχήμα 2.6 Επιλογή φωτογραφίας 148

150 Πατώντας το κουμπί «Capture» σταματάει η αναπαραγωγή και ενεργοποιείτε το κουμπί με το τικ, με το οποίο διαλέγουμε την φωτογραφία που εικονίζεται για φωτογραφία προφίλ. Σχήμα 2.7 Ολοκλήρωση διαδικασίας καταχώρησης προσωπικών στοιχείων υπαλλήλου Μόλις ολοκληρώσουμε όλα τα πεδία μπορούμε να συνεχίσουμε στο επόμενο στάδιο. Καταχώρηση (Φάση 2) Δακτυλικό αποτύπωμα Το επόμενο στάδιο είναι η καταχώρηση του δακτυλικού αποτυπώματος. Η καρτέλα περιλαμβάνει δυο Tab menu : -Fingerprint -Face Recognition και δουλεύει μόνο όταν υπάρχουν κατάλληλες συσκευές συνδεδεμένες. Πρώτα πρέπει να καταχωρήσουμε το δακτυλικό αποτύπωμα για να προχωρήσουμε στη καταχώρηση φωτογραφιών προσώπου. Ο χρήστης βάζει το δάκτυλο στη συσκευή και πατάμε το κουμπί «Get Fingerprint». 149

151 Σχήμα 2.7 Διαδικασία καταχώρησης δακτυλικού αποτυπώματος Μπορούμε να κάνουμε λήψη δακτυλικού αποτυπώματος αφού έχει τοποθετηθεί το δάκτυλο στη συσκευή. Μπορούμε να δούμε τον δείκτη ποιότητας δακτυλικού αποτυπώματος, το οποίο γίνεται δεκτό αν είναι 50% και πάνω. Μόλις ολοκληρωθεί η διαδικασία αυτή ενεργοποιείτε το κουμπί «Next», το οποίο μας μεταφέρει στη επόμενη φάση. Καταχώρηση (Φάση 3) Φωτογραφίες προσώπου Κατά τη διάρκεια της καταχώρησης προσώπου ο υπάλληλος πρέπει να εναλλάσσει τη θέση του πρόσωπού συμφώνα με τη παρακάτω εικόνα (Σχήμα 2.8) για τη λήψη περισσότερων χαρακτηριστικών, επίσης η έκφραση του προσώπου να είναι σταθερή, και να μην αρκετά μακριά από τη κάμερα. Σχήμα 2.8 Θέσεις προσώπου κατά την καταχώρηση φωτογραφιών Η εφαρμογή ανιχνεύει ένα πρόσωπο μόνο κάθε φορά και η συλλογή φωτογραφιών(10) γίνεται εφόσον υπάρχει κάποιο πρόσωπο στη κάμερα. 150

152 Μόλις ολοκληρωθεί αυτή η διαδικασία μπορούμε να αποθηκεύσουμε τον υπάλληλο με το κουμπί «Save» το οποίο είναι ενεργό μόνο όταν ολοκληρωθεί η διαδικασία. Σχήμα 2.9 Διαδικασία καταχώρησης φωτογραφιών προσώπου Ολοκλήρωση Καταχώρησης Μετά την ολοκλήρωση της καταχώρησης εμφανίζεται η κάρτα του υπάλληλου, oπου μπορούμε να την εκτυπώσουμε σε ψηφιακή μορφή (.xps) Με το κλείσιμο της καρτέλας επιστρέφουμε στο αρχικό μενού. Σχήμα 2.10 Εκτύπωση κάρτας υπαλλήλου Η κάρτα αποθηκεύεται σε φάκελο που έχουμε καθορίσει από τις ρυθμίσεις 151

153 Ταυτοποίηση Χειροκίνητα Για την διαδικασία της ταυτοποίησης πατάμε το κουμπί «Identify» στο κυρίως μενού. Σχήμα 2.11 Κυρίως Μενού επιλογή ταυτοποίησης Η ταυτοποίηση γίνεται επίσης σταδιακά. Πρώτα γίνεται η ταυτοποίηση του δακτυλικού αποτυπώματος. Ο χρήστης μπορεί να πάρει το δακτυλικό αποτύπωμα μόλις τοποθετηθεί το δάκτυλο στη συσκευή, και υστέρα να προχωρήσει στη ταυτοποίηση πατώντας το κουμπί «Verify». Εφόσον ολοκληρωθεί επιτυχώς μπορούμε να προχωρήσουμε στην αναγνώριση προσώπου. Σχήμα 2.12 Επιτυχείς ταυτοποίηση δακτυλικού αποτυπώματος 152

154 Για την αναγνώριση προσώπου πατάμε το κουμπί «Face Recognition» για να ξεκινήσει η διαδικασία σκαναρισματος του προσώπου και μόλις γίνει επιτυχείς ταυτοποίηση εμφανίζονται τα στοιχεία του υπαλλήλου. Σχήμα 2.13 Επιτυχείς ταυτοποίηση προσώπου Ταυτοποίηση Αυτόματα Η αυτόματη ταυτοποίηση ενεργοποιείται όταν τσεκάρουμε το «Enable AutoOn Event». Η διαδικασία ξεκινάει τοποθετώντας το δάκτυλο στη συσκευή αποτυπώματος, μόλις γίνει επιτύχεις αναγνώριση ξεκινάει αμέσως και η αναγνώριση προσώπου και εμφανίζονται τα αποτελέσματα αντίστοιχα για κάθε μέθοδο. Στην αυτόματη λειτουργιά όλα τα κουμπιά είναι απενεργοποιημένα εκτός από το «New» που χρησιμεύει σε περίπτωση αποτυχίας της αναγνώρισης προσώπου. 153

155 Σχήμα 2.14 Παράδειγμα αποτελέσματα αποτυχίας Αναφορές Για να δούμε τα συνολικά αποτελέσματα για κάθε είσοδο πατάμε το κουμπί «View Reports» Σχήμα 2.15 Κυρίως Μενού επιλογή εμφάνισης αποτελεσμάτων Στη φόρμα αυτή εμφανίζονται τα αποτελέσματα από την είσοδο ή απόπειρα εισόδου για τις επιλεγόμενες ημερομηνίες. 154

156 Σχήμα 2.16 Εμφάνιση αποτελεσμάτων πρόσβασης Αναφορές-Στατιστικά Επίσης μας δίνεται η δυνατότητα να δούμε τα στατιστικά στοιχειά για κάθε αποτυχία βιομετρικής μεθόδου ανά ημερομηνία. Σχήμα 2.17 Εμφάνιση στατιστικών στοιχείων για αποτυχημένες προσπάθειες 155

157 Προσθήκη καινούργιου χρήστη Σχήμα 2.18 Κυρίως Μενού καταχώρησης νέου χρήστη Για να καταχωρήσομε έναν νέο χρήστη πατάμε το κουμπί «New User» και εμφανίζεται η φόρμα User, το δικαίωμα αυτό το έχουν μόνο Administrator χρήστες. Σχήμα 2.19 Φόρμα καταχώρησης χρήστη Στη καρτέλα αυτή μπορούμε να προσθέσουμε χρήστες οι οποίοι θα διαχειρίζονται την εφαρμογή ανάλογα με το επίπεδο χρήστη. Τα πεδία πρέπει να είναι σε συγκεκριμένη μορφή, για να προχωρήσουμε στην ολοκλήρωση της καταχώρησης. Όταν η διαδικασία ολοκληρωθεί ο χρήστης θα λαμβάνει ένα mail με τα στοιχεία του. Αναζήτηση Στη καρτέλα αυτή μπορούμε να αναζητήσουμε για υπαλλήλους με βάση το όνομα,το επώνυμο ή το ID τους, ή να τους δούμε όλους, όπως και τους χρηστές. 156

158 Σχήμα 2.20 Φόρμα αναζήτησης Με διπλό κλικ πάνω σε έναν υπάλληλο εμφανίζεται καρτέλα με τα στοιχειά του υπάλληλου όπου μπορούμε να αλλάξουμε τα στοιχεία ή να διαγράψουμε, ανάλογα το επίπεδο του χρήστη, μόνο οι admin χρηστές έχουν την δυνατότητα διαχείρισης. Σχήμα 2.21 Εμφάνιση καταχωρημένου υπαλλήλου 157

159 Ρυθμίσεις Σχήμα 2.22 Κυρίως Μενού επιλογή Ρυθμίσεων Στη καρτέλα «Settings» δίνεται η δυνατότητα στο χρήστη να αλλάξει τις ρυθμίσεις των συσκευών (κάμερα, Secugen ), να δημιουργήσει backup της βάσης, να αλλάξει φάκελο που θα αποθηκεύονται οι κάρτες των υπάλληλων και να αλλάξει functional mail account. Καθώς και να διαχειρίζεται τα τμήματα της εταιρείας. Σχήμα 2.23 Ρυθμίσεις κάμερας Στο μενού «Camera» μπορούμε να επιλέξουμε κάμερα και πατώντας το κουμπί «Configuration» εμφανίζονται οι πιθανές ρυθμίσεις της. 158

160 Σχήμα 2.24 Ρυθμίσεις συσκευής δακτυλικού αποτυπώματος Στο μενού «Fingerprint Device» μπορούμε να επιλέξουμε τη συσκευή και πατώντας το κουμπί «Configuration» εμφανίζονται οι ρυθμίσεις της Σχήμα 2.25 Ρυθμίσεις συστήματος Στο μενού «Systems» μπορούμε να αλλάξουμε το φάκελο που θα αποθηκεύεται το Back Up της βάσης καθώς και να δημιουργήσουμε Back Up της υπάρχουσας βάσης. Επίσης έχουμε την δυνατότητα να αλλάξομε το φάκελο που θα αποθηκεύονται οι 159