DeepEyedentification:identifikation af mennesker baseret på mikro øjenbevægelser

Tidligere kognitiv psykologisk forskning tyder på, at øjenbevægelser kan variere væsentligt fra et individ til et andet. Interessant nok, disse individuelle egenskaber ved øjenbevægelser har vist sig at være relativt stabile over tid og stort set uafhængige af, hvad man ser på. Med andre ord, mennesker præsenterer forskellige mønstre i den måde, de bevæger deres øjne på, og disse unikke 'øjenbevægelser' kan bruges som et middel til identifikation.

Fascineret over disse observationer, forskere ved University of Potsdam, i Tyskland, har for nylig udviklet en ny biometrisk identifikationsmetode, der fungerer ved at behandle mikrobevægelser i øjet. I deres undersøgelse, forududgivet på arXiv, de gennemførte en grundig undersøgelse af folks ufrivillige øjenbevægelser og brugte deres fund til at udvikle DeepEyedentification, en dyb læringsarkitektur, der kan identificere mennesker ved at analysere øjensporingssignaler.

Ideen om at identificere individer baseret på deres øjenbevægelser har eksisteret i mere end et årti, men de hidtil foreslåede metoder har betydelige begrænsninger. For eksempel, de fleste af disse metoder er ikke særlig nøjagtige eller tager for lang tid at nå til en konklusion (dvs. kræver lange øjenbevægelsesoptagelser på omkring et minut), hvilket gør dem ret upraktiske til virkelige applikationer.

"I psykologisk forskning, det er standard at forbehandle øjenbevægelsesdata til forskellige typer øjenbevægelser, "Lena Jäger, en af ​​forskerne, der gennemførte undersøgelsen, fortalte TechXplore. "Tidligere biometriske metoder har vedtaget denne praksis på bekostning af et stort tab af information, der er til stede i de rå øjenbevægelsesdata, såsom en højfrekvent rysten i øjet. Vores nøgletanke var at gøre brug af disse højfrekvente egenskaber. og ikke forprocessdata, men træner snarere et dybt konvolutionsnetværk på en ende-til-ende-måde ved hjælp af de rå prøver, der er indsamlet med 1000 billeder i sekundet som input. "

I deres undersøgelse, Jäger og hendes kolleger viste, at ikke-forarbejdede øjensporingsdata fører til langt højere nøjagtighed end den, der opnås ved eksisterende tilgange, samtidig med at det kræver kortere videofeeds. Fejlprocenten i DeepEyedentication-netværket er lavere med en størrelsesorden, og identifikationen er hurtigere med to størrelsesordener end den tidligere bedst effektive metode.

Efter kun at have registreret et sekund med øjenbevægelsesdata, modellen havde allerede opnået den samme nøjagtighed, som den tidligere bedst udførte model opnåede efter 100 sekunders optagelse. I øvrigt, efter fem sekunders optagelse af øjenbevægelser, fejlprocenten var 10 gange mindre. Forskerne uddannede deres netværk i to forskellige datasæt, en, som de indsamlede i en tidligere undersøgelse, hvor brugerne læste forskellige tekster, og en anden samlet, da deltagerne så en prik, der tilfældigt hoppede på computerskærmen.

"Mens du ser noget stimulus på en computerskærm (i vores datasæt en tekst eller en springende prik) måler en kamera-baseret eyetracking-enhed, hvor brugeren kigger, "Forklarede Jäger." Disse data blev ført til et dybt neuralt netværk, der forvandler dem til en særegen repræsentation af brugerens øjenbevægelsesadfærd, som er uafhængig af den specifikke stimulus på skærmen. "

I det væsentlige, Jäger og hendes kolleger uddannede deres model til at identificere funktioner i øjenbevægelsesdata, der er særligt nyttige til at skelne mellem forskellige individer. Deres model bruger denne særegen repræsentation af de inputdata, der er tilført den, sammen med andre brugerdata, der er gemt i systemet, enten at identificere en bruger eller afvise ham/hende.

"Vi viser, at biometrisk identifikation baseret på øjenbevægelser har potentiale til at blive en seriøs konkurrent til andre meget anvendte biometriske identifikationsmetoder, såsom fingeraftryk, irisscanning eller ansigtsgenkendelse eller suppler disse teknikker, "Sagde Jäger." Afgørende, biometrisk identifikation fra øjenbevægelser er iboende mindre sårbar over for spoofing -angreb. Mens iris scanner, ansigtsgenkendelse og fingeraftryk kan spoofes af 2-D eller 3-D replikaer (f.eks. billeder, trykte kontaktlinser, eller 3D-kopier såsom et kunstigt øje, en ansigtsmaske eller et falsk fingeraftryk), spoofing øjenbevægelser ville kræve en enhed, der er i stand til at vise en videosekvens i det infrarøde spektrum med en hastighed på 1, 000 billeder i sekundet. "

Indtil nu, den nye biometriske identifikationsmetode udviklet af Jäger og hendes kolleger har opnået meget lovende resultater. I fremtiden, det kan bidrage til at øge sikkerheden på en lang række enheder, herunder smartphones, bærbare computere og tablets. Da denne nye tilgang fungerer uafhængigt af, hvad en bruger ser på, forskerne kunne let tilføje et såkaldt 'livlighedsdetekteringsmodul, 'hvilket yderligere ville øge dens sikkerhed. Et sådant modul ville automatisk kontrollere, om en brugers øjenbevægelser matcher en visuel stimulus, der vises på skærmen, hvilket ikke ville være tilfældet, hvis nogen forsøgte at forfalde systemet ved hjælp af en på forhånd optaget video.

"Vi arbejder i øjeblikket med højopløselige og høj samplingsfrekvens eye trackers under laboratorieforhold, " Jäger said. "Our next step is to develop an algorithm that can also deal with noisier data and lower sample rates under realistic conditions. This is necessary to make biometric identification from eye movements affordable and applicable to a wide range of real-world applications."

© 2019 Science X Network