RECOWARE Kft. http://www.recoware.hu

 

 

vissza a kezdőlapra

Oldaltérkép

Ujj és tenyérnyomat azonosítás

Az ujjnyomat- azonosítás objektumai

A hagyományos daktiloszkópiai szakvélemény

A számítógépes daktiloszkópia (AFIS)

Az ujjnyomolvasók működése

Az ujjnyomatazonosítás pontossága

Egy baklövés története

A két kérdés grafikus magyarázata

Képzeljük el, hogy nagyon sok kísérletet végeztünk el, és feljegyeztük azt, hogy a találat esetén a rendszer milyen pontszámokkal (score) hozta az igazit (genuine).

 


Megismételjük az előbbi kísérletet, de olyan személyekkel, akik nem voltak benn az adatbázisban (impostors).

A két kísérlet eredményét ábrázoljuk egy garafikonon:


Azt tapasztaljuk, hogy a két görbe alatti területnek van közös része, és ez baj: mert az igaziak és a hamisak nem válnak el egymástól határozottan. A közös területen levők vagy igaziak, vagy hamisak (ez a lila terület), a zöld az igazi, a piros a hamis.

A kérdés, amire válaszolnunk kellene: melyik legyen az a pontszám, ami felett azt mondjuk, hogy találat van, és alatta természetesen nincs.
Látjuk az ábrán, hogy ha mindenképpen mindig be akarjuk engedni az igazit (FRR=0), akkor be fogunk engedi hamisat is (FAR>0 lesz), ha pedig semmiképpen nem akarunk beengedni hamisat (FAR=0), akkor pedig az igaziak küzül lesz olyan is, akit nem engedünk be (FAR>0).

A dilemmát mégis fel kell oldani, valahol meghúzzuk a határt, a küszöbértéket meghatározzuk. (Számos gyártó ezt az értéket állíthatóvá teszi, mintegy áthárítja a felelősséget a felhasználóra. És ez így jó is, mert a felhsználó a maga alkalmazásához tudja idomítani az eszköz működését, ha tudja.

Meghatározzuk a küszöbértéket, és így beállítottuk a FAR/FRR értékeket.

 

 

A gyártók fejlesztési törekvése is kiolvasható a grafikonból: úgy fejleszteni tovább az algoritmust, hogy a két területnek ne legyen közös része. Vajon ez elérhető? Nem.
Ennek algoritmuson túlnyúló okai is vannak:
A minta, azaz az ujjnyomat minősége ugyanazon személynél időről-időre változik, hiszen a fodorszálak a használat során folyamatosan kopnak, regenerálódnak. A kopott bőrfelületen lesznek minúciák, melyek lekoptak, és csökkentik a score-t.

Továbbá lesznek véletlenszerűen - tévesen minuciának értelmezhető szennyeződések - előforduló képhibák, melyek ugyancsak negatívan befolyásolhatják a score-t.
És természetesen az algoritmusok minőségét negatívan befolyásolja az időtényező: hiába az igényes algoritmus, ha több percig is eltart emiatt az azonosítás. Ezt a tényezőt a számítástechnika fejlődése
majd kiküszöböli, de az előző kettőt nemigen.

Error Equal Rate (optimális munkapont)

 

Ha a küszöbérték szerint ábrázoljuk a FAR és az FRR görbéket, akkor a következő grafikont kapjuk. A két görbe metszéspontját nevezzük Error Equal Rate-nek, mely az a küszöbérték adat, mely a két paraméter egyensúlyi, vagy optimális beállítási pontja. Esetünkben ha jobbra toljuk, akkor a FAR értékünk növekszik kedvezőtlenül (de az FRR javul), ha balra, akkor az FRR romlik, de a FAR javul.
Egy ujjnyomaton alapuló azonosító alkalmazásnál a felhasználó így tudja "hangolni" a rendszerét.

AFIS rendszerek pontosságának értékelése

AFIS rendszereknél alapvető különbséget kell tennünk a nyom-nyomat és a nyomat-nyomat pontosság mérése között. Valamint nem lehet paramétereiben sem összehasonlítást sem tenni az ujjnyomatazonosításon alapuló személyazonosító rendszerekkel.

1. Nyomat-nyomat azonosítás pontossága AFIS rendszerekben

Ellentétben az ujjnyomolvasós személyazonosító alkalmazásokkal, itt az azonosításhoz 10 ujj áll rendelkezésre, melyet vagy festékezéssel, vagy élő beforgatott ujjnyomatolvasóval vesznek fel. Ez lehetőséget biztosít többszintű azonosítás végzésére: először a 10 ujj együttes rajzolata alapján előszűrést végez, majd azt követően akár 1, vagy 2, vagy 4, vagy 6 ujj együttes azonosítására. Ez a lehetőség kiküszöböli az ujjhibát, a mintavételi hibát, és maga a rendszer robosztussága pedig az időhiányból származó algoritmus egyszerűsítéseket. Azaz elvárható a nagy AFIS rendszerektől a majdnem 100%os találati pontosság kandidátuslista nélkül, (vagy a személyazonosító rendszereknél megismert értékekkel: FRR=majdnem 0, FAR= majdnem 0).

2. Nyom-nyomat azonosítás pontossága AFIS rendszerekben

A nyom-nyomat azonosítás algoritmikus szempontból első rátekintésre nem különbözik a nyomat-nyomat összehasonlítástól. Azonban ha alaposabban elemezzük, nagyon is különbözik.

A. A nyomból egy van
B. a nyom torz, hiányos, szabad szemmel is alig felismerhető sok esetben, stb.


C. míg a nyomat hasonlóképpen áll a nyomathoz képest (mint a személyazonosító alkalmazásokban is), a kriminalisztikai elforgatva
D. a nyom töredékméretű a nyomathoz képest

 

A pontosságot a nehézségek miatt a következőképpen lehet értelmezni: a keresésnek kandidátuslistája van, két rendszer közül az a pontosabb, amelyik ugyanazt a találatszámot kevesebb kandidátus ellenőrzésével éri el.

(A gyakorlatban ez azt jelenti, hogy ha veszünk 100 nyomot, és megengedünk 5 hosszú kandidátuslistát (találatnak vesszük azt, hogy a személy rajta van a listán), akkor az a jobb rendszer, amelyik
egyforma találatszám esetén kevesebb kandidátus vizsgálatát igényelte.

A továbbiakban még számos esetet sorolhatnánk fel az összehasonlítás elvégzésére, de ezek változatossága nagymértékben a felhasználó lehetőségeitől, a rendelkezésére álló szakértő létszámtól, stb. függ.

 

Az ujjnyomatazonosítást két szinten értékelhetjük: az egyik szint az önmaga szintje, a natív pontosság, azaz arra a kérdésre válaszolunk, hogy két személy elméletileg mennyire különböztethető meg az ujja alapján.

Másképp fogalmazva: az ujj mennyire szelektív egy populációra vonatkozóan, azaz pl. 1 millió emberből hánynak van egyforma ujja. A másik szint az ujjnyomatazonosítási alkalmazási szint: azaz adott alkalmazás, mely az ujjnyomatot használja biometriai jellemzőnek, 1 milliós adatbázison hány személyt tekint lehetsésgesen azonosnak (ezek a kandidátusok). Általában az AFIS rendszerek nem azonosítanak: mindössze kigyűjtik az adatbázisból a lehetségesen azonosakat, a kandidátusokat, és az azonosítást a natív szinten a szakértő végzi el a klasszikus, bevett módszerekkel. (Előfordulhat az is, hogy a kigyűjtés nem tisztán elfogadott daktiloszkópiai sajátosságok szerint is történhet, ez a rendszer "belügye", az azonosítás második szintje azonban mindig a szakmai szint. Másképpen is fogalmazhatunk: az AFIS rendszerek csoportazonosítást végeznek, és azon pedig a szakértő egyedi azonosítást végez.

RECOWARE
Számítástechnikai Kutató-fejlesztő Kft.

 

 

 

 

Az ujjnyomatazonosítás értékelése

Az ujjnyomatazonosítás pontosságának nativ értékelése

Az daktiloszkópia több mint 100 éves múltra tekint vissza. A legelfogadottabb személyazonosítási eljárás. Nemcsak tudományosan alátámasztott, hanem az elméletet a gyakorlat megerősítette: nem for-
dult még elő olyan eset, amikor két különböző személy
ujjnyomatai megegyeztek volna.

Különböző számítások szerint, annak a valószínűsége,
hogy két embernek azonos lenne az ujjnyomata,
1:2 980 232 238 769 531 250 000 000 000 000 000 000 000 000, ami több nagyságrenddel meghaladja a 6 milliárdos populációt. Ez pedig 12 minúciapontra vonatkozik. Ezt a szabályt állította fel Locard.

A 12 pontos szabály nem "kőbe vésett", hanem ajánlás volt, melyet majdnem mindegyik ország alkalmaz, helyenként kis módosítással: van ahol 15-16 pont kell, van ahol 10 is elég. (Mégegyszer itt is hangsúlyozzuk: 12 pont, és semmilyen egyéb kizáró, hacsak egyetlen egy is - sem.)

 

Egy ujjnyomatazonosításon alapuló módszer értékelése (számítógépes környezetben)

Ahogy korábban írtuk, az alkalmazások ún. csoportazonosításra képesek, és így mindössze az adatbázisból választják ki a lehetséges személyeket, a kandidátusokat.
Azonban nem mindegy, hogy ahhoz, hogy a kandidátust megnézhesse a szakértő, milyen hosszú kandidátuslistát kell azonosítania.
A legjobb lenne természetesen az 1 hosszú lista, - ha van találat, és 0 hosszú lista, ha nincs találat. (Ez azt is jelenti, hogy találat esetén a döntést az AFIS továbbadja a szakértőnek, míg a nem találatról maga az AFIS dönt.)
De sajnos ilyen AFIS rendszer ma még nincs.

Egyrészt, mert a találatról szóló döntést mindíg az embernek kell meghoznia, másrészt az AFIS azonosítás módszere minőségileg különbözik a hagyományos daktiloszkópiai módszertől, így pontossága
fényévekre elmarad a hagyományos daktiloszkó-
piaiétól.

Az AFIS rendszernél két adatot kell értékelnünk

1. Ha a keresett személy benne van az adatbázisban, akkor milyen hosszú kandidátuslistán szerepel 100%-os valószínűséggel a keresett személy nyomata. Vagy 90%-os valószínűséget szeretnénk, akkor ahhoz milyen hosszú lista tartozik?

2. Ha a keresett személy nincs benn az adatbázisban, akkor milyen hosszú kandidátuslitát kell végignéznünk? (Ez utóbbi kérdés butának tűnhet, hiszen semmilyet. De ezt az algoritmus nem tudja, és mi sem: a találalatról sem tud az algoritmus.) Ez a kérdés azt jelenti, hogy az algoritmus különbséget tud-e tenni a hasonlók és a nem hasonlók között (küszöbérték).

Személyazonosító rendszereknél ugyanezt a két kérdést használják (de azoknál szigorítják a feltételeket: 1 és 0 kandidátuslista mellett különbséget kell tenniük a hasonlók és a nem hasonlók között):

 

1. FRR (False Rejection Rate: hibás visszautasítás arány), mely azt jelenti, hogy a személy benne volt az adatbázisban, de a rendszer által adott kandidátuslistára nem került fel.

2. FAR (False Acceptance Rate: hibás elfogadás arány), mely azt jelenti, hogy nem volt az illető személy az adatbázisban, de mégis felkerült a listára.