Una lente a contatto colorata stampata con la trama dell'iride di un'altra persona, una foto dell'iride stampata in alta definizione, un occhio protesico realistico o un'immagine dell'iride sintetizzata dall'IA — tutte queste cose hanno una cosa in comune: possono ingannare un sistema di riconoscimento dell'iride che si concentra solo sul confronto dei pattern.
Nel settore, tali metodi hanno un termine standard: Presentation Attack (Attacco di Presentazione). Indipendentemente dall'elevata accuratezza di riconoscimento di un sistema, se non è in grado di distinguere tra un occhio umano reale e una contraffazione di fronte alla telecamera, la sua sicurezza è fondamentalmente compromessa. Lo standard internazionale ISO/IEC 30107-3 ha elencato il Presentation Attack Detection (PAD), comunemente noto come liveness detection (rilevamento della vitalità), come elemento di valutazione indipendente per i sistemi biometrici.
Homsh ha recentemente completato la ricerca e sviluppo e la verifica pratica del suo sistema di rilevamento degli attacchi di presentazione dell'iride sviluppato internamente, HOMSH-PAD. Testato su un set di dati indipendente di 18.516 immagini, il sistema raggiunge un Detection Equal Error Rate (D-EER) dello 0,50%.
I. Verificare prima l'autenticità, poi confermare l'identità
Come modulo indipendente posizionato prima del flusso di lavoro di riconoscimento, HOMSH-PAD opera come segue: dopo che il dispositivo acquisisce un'immagine dell'occhio, il sistema individua prima l'iride ed emette un punteggio di autenticità tramite una rete di deep learning. Solo le immagini confermate come occhi umani reali procedono alla fase di riconoscimento; quelle identificate come attacchi vengono immediatamente rifiutate.
La versione attuale copre quattro principali tipi di metodi di attacco: lenti a contatto colorate con texture, immagini di iridi stampate, occhi protesici e iridi sintetizzate dall'IA. Tra questi, gli occhi protesici e le immagini di iridi stampate hanno un tasso di mancato rilevamento pari a zero nei test; il tasso di mancato rilevamento per le iridi sintetizzate dall'IA è dello 0,08%. Il sistema mantiene un rilevamento efficace anche per nuovi pattern di lenti a contatto mai visti durante l'addestramento — ciò significa che il modello ha appreso le caratteristiche comuni degli attacchi, piuttosto che memorizzare semplicemente pattern specifici.
Interpretazione in linguaggio semplice dei dati di test
Su 1.000 tentativi di attacco vari, circa 993 vengono bloccati;
Su 1.000 utenti legittimi, circa 3 vengono rifiutati erroneamente.
II. Dietro i numeri: una gara di disciplina dei dati
Il campo del rilevamento della vitalità dell'iride è stato a lungo afflitto da un problema persistente: i modelli offrono metriche impressionanti in laboratorio, ma falliscono frequentemente quando vengono distribuiti in scenari reali. Il team di ricerca e sviluppo di Homsh ritiene che il problema di solito non risieda nel modello stesso, ma nei dati di addestramento — scorciatoie statistiche nascoste accidentalmente correlate a etichette vere/false consentono al modello di prendere delle “scorciatoie” invece di apprendere le caratteristiche effettive degli attacchi.
Per affrontare questo problema, il team ha sviluppato una metodologia di governance del dominio dei dati di addestramento per rilevare ed eliminare sistematicamente tali scorciatoie prima che i dati vengano archiviati e inizi l'addestramento. Un totale di 75.919 immagini di iridi da 10.750 soggetti sono state utilizzate per l'addestramento, la calibrazione e il test, con gruppi di soggetti completamente non sovrapposti tra i tre set di dati — ogni occhio nel set di test non è mai stato visto dal modello durante l'addestramento. Questa metodologia è l'innovazione indipendente centrale del progetto ed è stata protetta da domande di brevetto.
Tutte le metriche sono calcolate in conformità con lo standard internazionale ISO/IEC 30107-3. La soglia decisionale è determinata su un set di calibrazione indipendente, senza esposizione al set di test durante tutto il processo.
III. Progettazione ingegneristica costruita per la distribuzione nel mondo reale
HOMSH-PAD è completamente ingegnerizzato per la distribuzione pratica:
● Leggero: Il modello ha una dimensione di circa 30 MB, è in grado di inferenza in tempo reale su una CPU ed è compatibile con tutti i fattori di forma, dai terminali di controllo accessi embedded ai server.
● Facile da integrare: Gli integratori devono solo fornire immagini acquisite grezze; tutta la pre-elaborazione è gestita internamente dall'SDK, consentendo l'integrazione con poche righe di codice.
● Calibrabile: Supporta la ricalibrazione della soglia con un clic utilizzando campioni di utenti reali dal sito di distribuzione, consentendo di adattare il tasso di falsi rifiuti al gruppo di utenti effettivo.
● Sicurezza a prova di errore: Gli input anomali sono classificati come attacchi per impostazione predefinita, non lasciando alcuna “zona grigia” da sfruttare per gli aggressori.
IV. Completare l'ultimo pezzo del puzzle
Mentre il motore di riconoscimento dell'iride risponde a “chi è”, HOMSH-PAD risponde a “se è una persona reale”. Combinati, consentono alle soluzioni di riconoscimento dell'iride di Homsh di soddisfare pienamente i requisiti di rilevamento della vitalità sempre più espliciti di scenari ad alta sicurezza come affari governativi, pubblica sicurezza e finanza.
In futuro, il team continuerà ad espandere la libreria di campioni di attacco, completare più cicli di verifica della stabilità dell'addestramento e promuovere l'integrazione completa del dispositivo con prodotti di riconoscimento dell'iride all-in-one, nonché valutazioni autorevoli di terze parti.
