pdf online - netfei

Komentáře

Transkript

pdf online - netfei
Vysoká škola báňská – Technická univerzita Ostrava
ELEKTROMOBILITA I
IDENTIFIKACE UŽIVATELE
učební text
Pavlína Núdziková
Zdeněk Slanina
David Vala
Petr Drábek
Ostrava 2014
Název:
Elektromobilita I (Identifikace uživatele)
Autor:
Ing. Pavlína Núdziková, Ing. Zdeněk Slanina, Ph.D., Ing.
David Vala, Ing. Petr Drábek
Vydání:
první, 2014
Počet stran:
179
Studijní materiály pro studijní obor Měřicí a řídicí technika, FEI
Jazyková korektura: nebyla provedena.
Určeno pro projekt:
Operační program Vzdělávání pro konkurenceschopnost
Název: NETFEI - Rozvoj sítí a partnerství mezi Fakultou elektrotechniky a informatiky
VŠBTUO a podnikatelským sektorem a institucemi terciálního vzdělávání
Číslo: CZ.1.07/2.4.00/31.0031
Realizace: Vysoká škola báňská – Technická univerzita Ostrava, FEI
Projekt je spolufinancován z prostředků ESF a státního rozpočtu ČR
© VŠB – Technická univerzita Ostrava
ISBN 978-80-248-3531-0
OBSAH
1
IDENTIFIKACE UŽIVATELE A BIOMETRIE ..................................................................... 7
1.1.
1.2.
1.3.
1.4.
1.5.
1.6.
1.7.
2
Využití biometrie v automobilech ............................................................................ 17
2.1.
2.1.1
2.1.2
2.2.
3
Duhovka oka .............................................................................................................. 23
Výhody identifikace pomocí duhovky jsou následující: ................................................ 24
Nalezení duhovky v obraze ......................................................................................... 25
Detekce duhovky........................................................................................................ 26
Houghova transformace ............................................................................................. 27
Daugmanův integro-diferenciální operátor................................................................. 30
Metoda parametrických aktivních kontur ................................................................... 31
Metoda kruhových aktivních kontur ........................................................................... 34
Normalizace duhovky ................................................................................................. 34
Vytvoření kódu rysů duhovky pomocí 2D waveletové demodulace .............................. 36
Porovnání kódu duhovky ............................................................................................ 38
Testování životnosti ................................................................................................... 38
Sítnice oka............................................................................................................... 39
5.1.
5.2.
5.3.
5.4.
5.4.1
5.4.2
5.4.3
5.5.
5.6.
5.7.
5.8.
6
Anatomie oka............................................................................................................. 21
Rozpoznávání pomocí oční duhovky ......................................................................... 23
4.1.
4.2.
4.3.
4.4.
4.4.1
4.4.2
4.4.3
4.4.4
4.5.
4.6.
4.7.
4.8.
5
Biometrické metody v automobilu .............................................................................. 17
Otisk prstu - v automobilu .......................................................................................... 17
Detekce obličeje – v automobilu ................................................................................. 17
Vozidlové systémy na zvýšení aktivní bezpečnosti ....................................................... 19
Biometrie oka.......................................................................................................... 21
3.1.1
4
Historie biometrie ........................................................................................................ 7
Identifikace a verifikace ................................................................................................ 8
Typy biometrické charakteristiky ................................................................................ 10
Provoz biometrického systému ................................................................................... 11
Spolehlivost biometrických metod .............................................................................. 12
Senzitivita a specifita .................................................................................................. 14
Základy biometrického autentizačního procesu ........................................................... 15
Anatomie sítnice ........................................................................................................ 39
Snímání sítnice ........................................................................................................... 39
Historie rozpoznávání pomocí sítnice .......................................................................... 41
Technologie snímání sítnice ........................................................................................ 41
Získání a zpracování obrazu ........................................................................................ 42
Porovnání .................................................................................................................. 43
Reprezentace ............................................................................................................. 44
Testování živosti......................................................................................................... 44
Výhody a nevýhody technologie ................................................................................. 45
Snímače a spolehlivost ............................................................................................... 46
Porovnání charakteristik sítnice a duhovky – Akceptace .............................................. 46
Identifikace pomocí otisku prstů .............................................................................. 47
6.1.
6.2.
6.3.
Historie otisků prstů ................................................................................................... 47
Papilární linie ............................................................................................................. 48
Základní principy daktyloskopie .................................................................................. 52
6.4.
6.4.1
6.4.3
6.5.
6.5.1
6.5.2
6.5.4
6.5.5
6.5.6
6.5.7
6.5.8
6.5.9
6.6.
6.7.
6.7.1
6.7.2
6.8.
6.9.
6.10.
6.10.1
6.10.2
6.10.3
6.11.
6.11.1
6.11.2
6.11.3
6.11.4
7
Identifikace podle geometrie ruky ........................................................................... 70
7.1.
7.2.
7.3.
7.3.1
7.3.2
7.3.3
7.3.4
7.3.6
8
Historie ...................................................................................................................... 70
Princip snímání........................................................................................................... 70
Metody rozpoznávání podle geometrie ruky ............................................................... 72
Metoda založená na přímých měřeních ....................................................................... 72
Metoda založená na zarovnání rukou.......................................................................... 72
Metoda založená na analýze šířky prstů ...................................................................... 73
Metody používající 3D geometrii ................................................................................ 74
Výhody a nevýhody geometrie ruky ............................................................................ 75
Biometrie krevního řečiště ....................................................................................... 76
8.1.
8.2.
8.3.
8.3.1
8.4.
9
Metody zachycení otisku prstu ................................................................................... 53
Získání otisku pomocí inkoustu a papíru...................................................................... 53
Snímání šablonováním ............................................................................................... 54
Typy senzorů pro snímání otisku prstů ........................................................................ 55
Optická technologie ................................................................................................... 55
Optoelektronické biometrické snímače ....................................................................... 56
Tlaková technologie ................................................................................................... 58
Teplotní biometrické snímače ..................................................................................... 58
Ultrazvuková technologie ........................................................................................... 58
Elektroluminiscenční biometrické snímače .................................................................. 59
Radiofrekvenční biometrické snímače ......................................................................... 59
Multispektrální biometrické snímače .......................................................................... 60
Chyby v procesu snímání ............................................................................................ 63
Zpracování a rozpoznávání otisků prstů ...................................................................... 64
Komprimační metody ................................................................................................. 64
Předzpracování .......................................................................................................... 65
Detekce a extrakce markantů ..................................................................................... 66
Detekce bodů singularity ............................................................................................ 67
Metody rozpoznávání otisků prstů .............................................................................. 67
Metoda založená na markantech ................................................................................ 68
Metoda založená na korelaci ...................................................................................... 68
Metody založené na vlastnostech papilárních linií ....................................................... 68
Detekce živosti ........................................................................................................... 68
Detekce potu ............................................................................................................. 68
Spektroskopické vlastnosti ......................................................................................... 68
Ultrazvuková technologie ........................................................................................... 69
Fyzické vlastnosti ....................................................................................................... 69
Základní princip metody žil hřbetu ruky ...................................................................... 76
Technologie žil dlaně .................................................................................................. 78
Technologie žil prstu................................................................................................... 79
Získání obrazu žil prstu ............................................................................................... 79
Vlastnosti žil ruky ....................................................................................................... 81
Biometrie obličeje ................................................................................................... 82
9.1.
9.2.
9.2.1
9.2.2
9.3.
9.3.1
Rozdělení systémů pro identifikaci obličeje ................................................................. 83
Rozpoznávání obličeje na základě 2D snímků .............................................................. 84
Detekce a lokalizace obličeje ...................................................................................... 85
Normalizace detekovaného obličeje ........................................................................... 88
Rozpoznávání obličeje daného jedince ........................................................................ 88
Rozpoznávání pomocí podobnosti obrazových dat ...................................................... 88
9.3.2
9.3.3
9.3.4
9.3.6
9.3.7
9.3.8
9.3.10
9.4.
9.5.
9.6.
9.7.
Rozpoznávání využívající topologické vlastnosti obličeje ............................................. 89
Další metody rozpoznávání ......................................................................................... 89
Rozpoznávání založené na PCA ................................................................................... 89
Rozpoznávání založené na ASM a AAM ....................................................................... 91
Rozpoznávání založené na rozložení odstínů šedi v obraze .......................................... 91
Rozpoznávání založené na geometrických tvarech a identifikačních markentech .......... 92
Metoda optických toků............................................................................................... 97
Rozpoznávání obličeje na základě 3D snímků .............................................................. 97
Rozpoznání obličeje na základě termografie ...............................................................102
Snímací zařízení.........................................................................................................103
Výhody a nevýhody rozpoznávání na základě obličeje ................................................104
10 Biometrie chůze......................................................................................................105
10.1.
10.2.
10.3.
10.4.
10.5.
10.5.1
10.5.2
10.6.
10.7.
10.8.
10.8.1
10.8.2
10.8.3
10.8.4
10.8.5
Historie biometrie chůze ...........................................................................................105
Analýza stop lokomoce ..............................................................................................106
Lékařské výzkumy .....................................................................................................107
Pohyb člověka v kloubech při chůzi ............................................................................108
Princip metody ..........................................................................................................110
Metody založené na zpracování siluety pohybujícího se objektu .................................112
Metody využívající modelování pohybu .....................................................................113
Pořízení obrazu .........................................................................................................114
Předzpracování obrazu ..............................................................................................114
Metody segmentace pro sekvence snímků .................................................................114
Optický tok ...............................................................................................................114
Detekce významných bodů ........................................................................................114
Rozdílové metody .....................................................................................................115
Shlukové metody ......................................................................................................116
Algoritmus rozpoznávání chůze .................................................................................118
11 Identifikace podle charakteristiky hlasu ..................................................................119
11.1.
11.2.
11.3.
11.4.
11.4.1
11.4.2
11.4.3
11.4.4
11.4.5
11.4.6
Vznik řečového signálu ..............................................................................................120
Fonetická a technická terminologie ............................................................................121
Specifické vlastnosti mluvčího ...................................................................................122
Analýza řečového signálu ..........................................................................................122
Normalizace ..............................................................................................................123
Preemfáze .................................................................................................................123
Segmentace ..............................................................................................................124
Výpočet příznaků ......................................................................................................125
Detekce řečové aktivity .............................................................................................131
Klasifikátory ..............................................................................................................132
12 Další biometrické metody .......................................................................................134
12.1.
12.2.
12.3.
12.4.
12.5.
12.5.1
12.5.2
12.6.
12.7.
12.8.
Identifikace pomocí DNA ...........................................................................................134
Identifikace podle dynamiky podpisu .........................................................................135
Identifikace podle psaní dynamiky na klávesnici.........................................................141
Identifikace podle dynamiky pohybu myší .................................................................143
Identifikace podle ucha .............................................................................................143
Anatomie lidského ucha ............................................................................................144
Metody identifikace ..................................................................................................146
Identifikace založena na tvaru nehtového lůžka .........................................................147
Identifikace založena na absorpčním spektru lidské kůže ............................................148
Identifikace založená na pachu osoby ........................................................................148
13 Charakteristika technologií .....................................................................................150
13.1.
13.2.
13.3.
13.4.
13.5.
13.6.
13.7.
Duhovka ...................................................................................................................150
Sítnice .......................................................................................................................150
Geometrie ruky .........................................................................................................150
Technologie žil ruky ...................................................................................................152
Otisk prstu ................................................................................................................152
Rozpoznávání podle obličeje......................................................................................153
Rozpoznávání podle hlasu .........................................................................................153
14 "Nebiometrická" autentizace..................................................................................155
14.1.
14.2.
14.2.1
14.2.2
14.2.3
14.3.
14.3.1
14.3.2
14.3.3
14.3.4
14.3.5
14.3.6
14.3.7
14.3.8
14.4.
14.5.
14.6.
14.7.
Autentizace heslem ...................................................................................................155
Autentizace předmětem ............................................................................................155
Karty s magnetickým pruhem ....................................................................................157
Čipové karty ..............................................................................................................158
USB tokeny ...............................................................................................................159
RFID ..........................................................................................................................160
Využití RFID...............................................................................................................160
Standard RFID technologie ........................................................................................161
Struktura paměti RFID čipu ........................................................................................161
Aktivní a pasivní RFID čipy .........................................................................................162
Rozdělení z hlediska nosné komunikační frekvence ....................................................164
Rozdělení z hlediska použití .......................................................................................166
Komunikace, čtení a zápis ..........................................................................................169
RFID čtečky ...............................................................................................................169
NFC ...........................................................................................................................172
Secure element .........................................................................................................172
Komunikace pomocí NFC ...........................................................................................173
Porovnání autentizačních metod ...............................................................................176
1 IDENTIFIKACE UŽIVATELE A BIOMETRIE
Pojem biometrika pochází ze dvou řeckých slov “bios“ a “metron“, kde první pojem
znamená “život“ a druhý “měřit“. Kdybychom se drželi doslovného překladu, znělo by
to “měření živého“, ale v přeneseném významu, jde o měření a rozpoznávání
určitých charakteristik a vlastností člověka.
1.1. Historie biometrie
Přestože se v poslední době o biometrii hovoří převážně v souvislosti s
počítačovou bezpečností, rozpoznávání pomocí biologických charakteristik, je
metoda stará již několik tisíc let. Již v minulosti byly zaznamenávány otisky dlaní
v jeskyních, jako jakýsi podpis autora. Tyto otisky jsou staré až dokonce 30 000 let.
Lidé jsou schopni se rozeznávat podle fyziologických rysů, nejčastěji se jedná o
vzhled tváře, hlas. Ale až s rozvojem počítačové technologie na konci 60. let, se
teprve začalo rozpoznávání pomocí biometrie člověka stávat automatizovaným.
V dnešní době je nejznámější a také nejpoužívanější metoda založena na otisku
prstu. Znalost o existenci papilárních linií na lidské kůži se objevuje u celé řady
civilizací. Na území dnešního státu Indiana byly nalezeny kameny s rytými obrazy,
tzv. "petroglyfy", znázorňující lidskou ruku s vyznačenými papilárními liniemi. Tyto
kameny byly vytvořeny indiánskými kmeny obývající tato území v období několika
tisíc let před naším letopočtem. Co je však vedlo k tomu, aby dané obrazy vytvořily,
se zatím nepodařilo zjistit.
Obr. 1 - Kámen datovaný do období kolem roku 2000 př.n.l. s naznačenými
papilárními liniemi. [10]
Také u Asyřanů byly nalezeny pozůstatky otisků prstů. Zde už se však oprávněně
domníváme, že sloužily pro stejné účely, jako dnes. Ve zříceninách starověkého
asyrského města Ninive byla objevena část slavné Aššurbanipalovy knihovny
založené již v 9. století před naším letopočtem. Kde byly nalezeny úlomky hliněných
tabulek. Na tabulkách se kromě textu vyskytovaly i otisky prstů. Tyto otisky se
pravidelně vyskytovaly vedle jmen autorů, kteří je zde umístili pravděpodobně proto,
aby zamezil falzifikaci tabulky. Obdobné užití otisků prstů se prokázalo i na keramice
nalezené při archeologických vykopávkách v Egyptě, v Řecku a na území Římského
impéria.
Cestovatel jménem Joao de Barros, přináší pravděpodobně první doložené
zmínky o praktickém využití biometrické metody. Popisuje užití metody ve středověké
7
Číně ve 14. století, která je obdobou dnešního otisku prstu. Líčí zde, jak čínský
kupec za pomocí inkoustu a papíru zaznamenává otisky dlaně a chodidla dětí, aby je
dokázal vzájemně rozeznat. V některých oblastech Číny se tento zvyk udržel až do
dnešní doby.
Moderní historie biometrie je datována od roku 1882, kdy antropolog a šéf
oddělení identifikace pachatelů pařížské policie Alphonse Bertillion hledal způsob,
který by mu umožnil identifikovat již jednou odsouzené zločince. Hlavní důvod
identifikace zločince spočíval v tom, aby při jejich opakovaném zadržení neudávali
nové falešná jmena a úřady jim byly schopny prokázat opakovanou recidivitu.
Bertillion přišel s novou metodou, která spočívala v měření fyzických znaků člověka a
byla po něm pojmenována bertilionáž. Tato metoda využívala toho, že některé
charakteristické tělesné rysy dané osoby se nemění, i když si daní pachatelé změní
jméno, vizáž anebo přiberou na váze. Jedná se například o rysy, jako je velikost
lebky nebo délka prstů. Tato metoda se rychle rozšířila a byla používána policisty po
celém světě. Po čase se však zjistilo, že někteří lidé mohou mít tyto míry shodné, a
tudíž dva jedinci by mohli být považováni za jednoho a toho samého člověka. Z
tohoto důvodu se systém Alphonse Bertilliona přestal užívat téměř tak rychle, jak
rychle se zavedl.
Biometrie samotná však v zapomnění neupadla. Anglický přírodovědec Francis
Galton (1822-1911) v květnu roku 1892 publikoval svoji práci, kde položil teoretickovědecké základy daktyloskopie. Daktyloskopie je věda zabývající se otisky prstů.
Matematickými metodami vypočítal, že existuje celkem 64 miliardy různých variant
uspořádání papilárních linií. Tím bylo vyloučeno, že by existovali na světě dva jedinci
se stejným otiskem prstu. Avšak první praktické základy daktyloskopické identifikace
položil sir William James Herschel (1833-1917). Jednalo se o anglického guvernéra
žijícího v Indii. Zde si všiml, že indičtí obchodníci pro stvrzení kupní smlouvy
používají otisk prstu. Většina neuměla číst a psát a tudíž bylo nemožné od nich
očekávat podpis. Zároveň začal sbírat otisky prstů pro vlastní zkoumání. Jejich
porovnáním zjistil, že jsou jedinečné. Metodu byla navržena k využití i ve věznicích,
kde by zamezila záměnám těžkých zločinců za tzv. lehké případy. Jeho návrhy však
byly označeny za výplody fantazie a nikdy nebyly akceptovány. Na problematice
otisků prstů pracovalo mnoho dalších význačných osobností, mimo jiné Dr. Henry
Faulds (1843-1930), Juan Vucetich (1838-1925) a také český přírodovědec Jan
Evangelista Purkyně (1787-1869), který jako první popsal jednotlivé typy
charakteristických kreseb papilárních linií na koncových článcích prstů a klasifikoval
je do devíti různých vzorů. Přes počáteční problémy a odmítání se nakonec technika
otisků prstů dočkala uznání a i po nástupu nových technologií, jako je DNA či oční
duhovka.
1.2. Identifikace a verifikace
Biometrie představuje metody, ve kterých se měří určitá vlastnost jedinců a podle
těchto vlastností můžeme tyty jedince s určitou přesností autorizovat nebo
identifikovat. Je tedy nutné si na začátku objasnit dva pojmy verifikace a identifikace,
jelikož se s nimi budeme dost často setkávat.
Verifikace je proces, kdy uživatel nejdříve zadá svojí identitu, například pomocí
hesla nebo karty a poté poskytne svoje biometrické údaje, které se porovnají s daty
uloženými v databázi. V databázi může být velké množství biometrických předloh, ale
záznam je porovnán pouze s tím, jenž je výstupem z ověření identity pomocí čipové
karty nebo hesla. Verifikace je tedy porovnání 1:1.
8
Obr. 1 Schéma verifikace. [11]
Oproti tomu u identifikace se nepožaduje, aby uživatel zadal nejprve svojí identitu
předtím, než bude jeho biometrická informace porovnána. Uživatel tedy zadá jenom
svoje biometrické údaje (např. otisk prstu, sken oční duhovky, a další) a ty se
porovnají se všemi šablonami v databázi, dokud nedojde k nalezení shody.
Výstupem potom bude identita uživatele. Identifikace je označována jako 1:N, jedná
se o porovnání jednoho biometrického údaje s velkým množstvím ostatních, to záleží
na množství údajů v databázi.
Obr. 2 Schéma identifikace. [11]
Z toho plyne, že identifikace bude časově i výpočetně náročnější než prvně
zmíněná verifikace a to z důvodu prohledávání celé databáze šablon. Jinými slovy
verifikace jen ověřuje, jestli daná osoba, která se přihlásila do systému pomocí hesla
či jiného identifikátoru, je skutečně tou osobou, za kterou se vydává. Identifikace je
typická pro policejně soudní aplikace, verifikace pak pro bezpečnostně komerční
účely. Každé porovnání má dvě oddělené funkce, navzájem duální:
 Potvrdit, že oprávněná osoba je opravdu tou, za kterou se vydává.
 Dokázat, že neoprávněná osoba není tou, za kterou se vydává.
Identifikace člověka bude nutná v případě, pokud potřebujeme něco zabezpečit a
tímto způsobem tyto věci ochránit, nepotřebujeme, aby neoprávněná osoba měla
9
k těmto datům, informacím přístup nebo aby měla přístup do budovy, popřípadě
mohla ovládat takto zabezpečené zařízení. Existuje i mnoho dalších případů, kde
můžeme zabezpečení použít. Ovšem v našem případě nebudeme používat
identifikaci člověka pouze k zabezpečení, ale pokud tyto metody identifikace budou
použity v automobilu, budeme moci s její pomocí odemknout automobil, nebo uložit
jednotlivá nastavení ve vozidle, například nastavení výšky volantu, seřízení zrcátek,
nastavení polohy sedačky a další.
Výhodou biometrie člověka je ta, že nelze zapomenout ani ztratit, jako je tomu
například u hesel nebo čipových karet. Další předností je snadné použití, člověk
prokazující svojí identitu musí například jen přiložit prst, dlaň nebo se podívat do
kamery. Navíc je velice těžké dalo by se říci, že až skoro nemožné falzifikovat data
potřebná pro identifikaci, jako další výhodu bych uvedla její nepřenositelnost na jinou
osobu. Použití biometriky má ovšem i nevýhody. Zatímco u klasického digitálního
hesla lze striktně říct, zda je platné či nikoli, u biometriky takto jednoznačně nikdy
rozhodnout nelze. Vždy zůstane nějaké byť malé procento chybových identifikací.
Biometrika není a nikdy ani nebude stoprocentní. A to z toho důvodu, že nikdy
nebudeme schopni dodat úplně stejný vzorek, jako je uložený v šabloně. Třeba při
biometrii prstu, pokaždé ho položíme ke čtečce pod nepatrně jiným úhlem, pokožka
je jinak suchá apod. Tyto faktory ovlivňují její přesnost. Další nevýhodou je ta, že ne
každý jedinec je schopen svojí totožnost prokázat pomocí určité biometrické metody.
Těžko se bude identifikovat člověk po úraze, který je bezoký pomocí oční duhovky
nebo sítnice nebo člověk bezruký se nebude moci identifikovat pomocí otisku prstů a
takových příkladů může být spousta. Je sice pravda, že takových jedinců co
odpovídají daným příkladům, nebude moc, ale i tak je třeba brát na ně ohled.
1.3. Typy biometrické charakteristiky
Biometrie je automatická metoda ověření proklamované identity, která je založená
na rozpoznávání jedinečných biologických charakteristik subjektu v našem případě
živé osoby. Vychází z přesvědčení, že tyto biologické charakteristiky jsou pro daného
živého člověka jedinečné a časově neměnné. Pro identifikační účely se používají
anatomické nebo fyziologické charakteristiky. Předpokladem pro využití těchto
charakteristik je jejich jedinečnost, stálost, praktická měřitelnost a technologická
možnost dalšího zpracování zaměřeného na vyhodnocování porovnáním
charakteristik, patřících různým jedincům. Biometrie je využívána k jednoznačnému
zjištění tzv. identifikaci daného člověka nebo pro ověření jeho identity tzv. verifikaci.
Anatomicko-fyziologické biometrické charakteristiky nebo také označované
jako statické, založené na základě vědeckých poznatků. Do této skupiny patří: oční
duhovka, oční sítnice, tvář, stavba vnějšího ucha, otisky prstů, dlaní a chodidel,
geometrie prstů a ruky, topografie žil zápěstí, lidský tělesný pach, obsah solí
v lidském těle, rozměry (tzv. bertillonáž)a váha lidského těla a skladba DNA. Tyto
charakteristiky mají tu výhodu, že jsou nejen unikátní pro každého jedince, ale jsou i
časově stálé.
Behaviorální biometrická identifikace nebo také označována jako dynamická,
založená na seriózních poznatcích o lidském hlase, pohybu těla (jeho jednotlivých
částech), o znalostech a dovednostech psaní. Rozlišuje se psaní souvislého textu,
podpisy a také dynamika psaní (úhozy na klávesnici). Tyto charakteristiky jsou sice
pro každého jedince unikátní a mohou být časově nestálé.
10
Důležitá kritéria pro biometrické technologie je možné rozdělit do několika skupin.
Jsou důležité jak pro samotnou funkčnost biometrických identifikačních a
verifikačních technologií, tak pro jejich nasazení v praxi. Tyto kritéria jsou spojena se
základní teorií identifikačních a verifikačních technologií, s ochranou osobních údajů,
s ekonomickou, praktickou a společenskou přijatelností. Rozdělení může být
následující:
 Operační - jedinečnost, neměnnost, měřitelnost, uchovatelnost, spolehlivost,
exkluzivita, praktičnost, přijatelnost, uživatelská přívětivost.
 Technické - čas zpracování, chybovost, flexibilita, odolnost, efektivnost,
výkonnost, standardizace, skladovatelnost, přesnost, jednoduchost, rychlost,
nezávislost na vnějším prostředí.
 Výrobní - kvalita, podpora, záruky, perspektiva, reference.
 Finanční – pořizovací cena, cena instalace, školení, tréning, upgrade,
návazné systémy, logistická podpora a provoz, inovace, obsluha.
 Metodologická, algoritmická a bezpečnostní – správnost teorie, správnost
algoritmů, bezpečnost algoritmů, správné markanty, kódování, databáze,
protokoly, distribuované prostředí.
1.4. Provoz biometrického systému
Biometrický systém je v podstatě rozpoznávací systém, který získává biometrické
údaje od jedince, který se do systému přihlašuje. Z těchto dat extrahuje sadu
charakteristických rysů a porovnává tyto charakteristické data s daty uloženými
v databázi. Podle výsledků porovnání provede určitou činnost. Na základě tohoto,
může být na biometrický systém nahlíženo, jako na pět modulů, zobrazených na obr.
4.
Obr. 4 - Moduly biometrického systému
1. Modul snímače – jedná se o modul, který zajišťuje sejmutí biometrického
znaku dle použité metody a předává jej k dalšímu zpracování.
2. Modul posuzování kvality extrakce charakteristického rysu – tento modul nám
extrahuje charakteristické rysy daného sejmutého obrazu. Pro identifikaci
osoby se totiž nepoužívají všechny snímané informace, ale jen některé jejich
významné části.
11
3. Porovnávací modul – dochází zde k porovnání sejmutého obrazu
s biometrickou šablonou uloženou v databázi.
4. Rozhodovací modul – provádí se zde závěrečné rozhodnutí, zda-li snímané
údaje korespondují (jsou shodné) s daty uloženými v databázi.
5. Modul databáze – jedná se o uložiště biometrických šablon.
1.5. Spolehlivost biometrických metod
Při aplikaci jednotlivých biometrických metod je rozhodující jejich spolehlivost.
Tento faktor je dominantní pro volbu jejich použití v konkrétní oblasti. Spolehlivost je
dána především správnosti rozhodnutí a potvrzení nebo vyloučení shody. Cílem je
ztotožnění dané testované osoby s příslušným vzorem nebo vyloučení v případě
neshody. Dalšími relativními prvky procesu porovnávání jsou rychlost zpracování
vstupních informací, porovnání s daty v databázi, počet jednotlivých verifikací nebo
identifikací za konkrétní čas.
Rozlišují se dvě základní chyby a to chybné přijetí nebo chybné odmítnutí.
Hodnoty pravděpodobností daných chyb se nedají předběžně vypočítat s použitím
daných vzorců. Jedná se o statistické hodnoty získané záznamy v dlouhodobém
horizontu.
Chybné přijetí FAR (False acceptance rate) vyjadřuje pravděpodobnost, s jakou
biometrický systém nesprávně identifikuje neoprávněnou osobu jako osobu
oprávněnou. Bývá také označována za chybu II. druhu. Pravděpodobnost chybného
přijetí je závažným nedostatkem, který může mít nedozírné následky.
(1)
kde
(Number of False Acceptation) - počet chybných přijetí,
(Number of
Impostor Identification Attemps) - počet pokusů neoprávněných osob o identifikaci,
(Number of Impostor Verification Attemps) - počet pokusů neoprávněných osob
o verifikaci.
Chybné odmítnutí FRR (False rejection rate) vyjadřuje pravděpodobnost, s jakou
biometrický systém nesprávně odmítne oprávněnou osobu, jako osobu
neoprávněnou. Bývá také označováno za chybu I. druhu a je jedním
z bezpečnostních kritérií biometrických systémů.
(2)
kde
(Number of False Rejection) - počet chybných odmítnutí,
(Number of
Enrolle Identification Attemp) - počet pokusů oprávněných osob o identifikaci,
(Number of Enrolle Verification Attemps) - počet pokusů oprávněných osob o
verifikaci.
Ideální biometrický přístroj pracuje vždy správně, nedochází ke špatnému
zamítnutí oprávněného uživatele a ani k přijetí neoprávněného uživatele. Tento
přístroj s těmito parametry je v praxi zatím nerealizovatelný.
12
Křivkou ROC můžeme objektivně hodnotit kvalitu biometrických aplikací a také
slouží ke vzájemnému porovnání zařízení. Křivka popisuje vzájemný vztah
pravděpodobností FRR a FAR.
Obr. 5 - Křivka ROC popisující kvalitu biometrického zařízení. [6]
V grafu je zobrazený bod ERR (křížový koeficient), který nám definuje rovnost
pravděpodobností FAR a FRR a jeho význam je primárně orientační. Z fyzikálního
hlediska nemá tento bod význam. Křivka ROC je typická pro jednotlivé aplikační
systémy a realizuje základní charakteristiky přístroje.
I při totožnosti vstupních dat s daty v databázi se oba prvky (otisky, šablony) liší na
detailní úrovni, rozdíly jsou způsobeny faktory působícími na snímání a zpracování
obrazu. Nejedná se tedy nikdy o stoprocentní shodnost. Hodnotíme míru ztotožnění,
skóre. Biometrický systém je třeba vyladit tak, aby hodnoty obou chyb byly co
nejnižší. Obvykle přitom platí nepřímá úměra, čím vyšší bude FAR, tím nižší bude
FRR a naopak. Proto bude nutné najít bod, kdy tyto dva chybové stavy budou v co
největší rovnováze. Většina identifikačních terminálů umožňuje nastavení
zabezpečení. Je-li zabezpečení vysoké, pak FAR je velice nízká, ale FRR dosahuje
vyšších hodnot. Z toho můžeme usoudit, že tyto dva koeficienty FAR a FRR jsou na
sobě velmi závislé.
Daná zařízení můžeme graficky popsat pomocí histogramu. Ten vyjadřuje
závislost četnosti míry ztotožnění osob podrobených verifikaci nebo identifikaci pro
dvě skupiny osob, kterým odpovídají dvě křivky rozdělení. Křivka vpravo vyjadřuje
skupinu uživatelů, kteří jsou kompetentní pro verifikační proces. Křivka na levé straně
vyjadřuje skupinu uživatelů, kteří jsou pro verifikace nekompetentní a snaží se
proniknout biometrickou aplikací. Černá úsečka nám zobrazuje rozhodující faktor pro
potvrzení shody tzv. práh citlivosti. Systém akceptuje subjekt prokazující se vyšší
shodou porovnání, než je stanoven tento práh citlivosti. Neoprávnění uživatelé, kteří
překračující tento práh jsou akceptovaní taktéž. Oblast vyznačena v grafu červenou
barvou zahrnuje uživatele, kteří jsou oprávnění pro daný systém, ale pro nízkou míru
ztotožnění nebyli akceptováni. Naproti tomu oblast vyznačená v grafu zelenou
barvou zahrnuje neoprávněné uživatele, kteří byli chybně verifikováni/identifikováni a
jsou daným systémem akceptováni. Šedá část pod křivkou vpravo znázorňuje
oprávněné uživatele, kteří byli správně a to pozitivně verifikováni/identifikováni. Šedá
část pod křivkou vlevo znázorňuje neoprávněné uživatele, kteří byli systémem po
verifikaci/identifikaci správně zamítnuti.
13
Obr. 3 Rozložení oprávněných a neoprávněných uživatelů z hlediska nastavení
prahové hodnoty. [6]
Obr. 7 Vztah mezi FRR a FAR. [28]
Koeficient vyrovnané chyby ERR (křížový koeficient) se nachází někde mezi danými
koeficienty. Vyjadřuje, že k nesprávnému přijetí nebo k nesprávnému odmítnutí může
dojít se stejnou pravděpodobností. Podle této hodnoty lze alespoň přibližně určit
bezpečnost daného biometrického systému, avšak dané dvě předešlé chyby mají
mnohem větší vypovídající hodnotu.
1.6. Senzitivita a specifita
Termín senzitivita vyjadřuje pravděpodobnost, že osoba s oprávněním k přístupu
(je uložena v databázi), bude identifikačním algoritmem vyhodnocena, jako pokus o
identifikaci osobou s pozitivním povolením k přístupu. Vyhodnocuje se ze vztahu:
(1)
kde TPR (True Positive Rate) - pravděpodobnost přijetí oprávněné osoby, TP
(True Positive) - počet přístupů s povolením vyhodnocených jako oprávněné, FN
(False Negative) - počet přístupů s povolením vyhodnocených jako neoprávněné.
14
Termín specificita vyjadřuje pravděpodobnost, že osoba bez oprávnění k přístupu
(není uložena v databázi), bude identifikačním algoritmem vyhodnocena, jako pokus
o identifikaci osobou s negativním povolením k přístupu. Vyhodnocuje se ze vztahu:
(2)
kde TNR (True Negative Rate) - pravděpodobnost odmítnutí neoprávněné osoby,
TN (True Negative) - počet přístupů bez povolení vyhodnocených jako neoprávněné,
FP (False Positive) - počet přístupů bez povolení vyhodnocených jako oprávněné.
1.7. Základy biometrického autentizačního procesu
Sice ne všechna biometrická zařízení pracují na stejném principu, ale i přesto lze
vytvořit některá zobecnění a rozčlenit tento proces do několika částí.
Získání etalonu – pokud chceme uživatele identifikovat nebo verifikovat je nejprve
nutné získat vzorek reprezentativní biometrické charakteristiky, který se označuje
jako biometrický etalon. Tento etalon nám umožňuje následné srovnání při
identifikaci nebo verifikaci. Tento vzorek se obvykle získává při zápisu uživatele do
informačního systému, kdy jsou sejmuté biometrické vzorky několikrát po sobě,
obvykle třikrát a více. Z těchto dat se různými metodami, jako je například
zprůměrování nebo různou transformací obrazu, vytvoří jediný referenční vzorek a
ten poté nazýváme etalon. Tento krok je velice důležitý a jen se správným vzorkem
může systém bezchybně a bezproblémově pracovat. Nekvalitní vzorek má za
následek časté opakování snímání při identifikaci nebo i odmítnutí uživatele.
Uložení etalonu – dalším krokem je uložení etalonu, jedná se o rozsáhlou
problematiku a vše záleží na rozsáhlosti daného systému a jaká úroveň
zabezpečení je vyžadována. Existuje několik způsobů.
 Prvním způsobem je uložení etalonu přímo v biometrickém zařízení. Tento
způsob je bezpečný, protože etalony nemůže nikdo zcizit ani pozměnit.
Jeho další výhody jsou rychlá reakce při identifikaci, nezávislost na
externím datovém spojení. Nevýhodou je kapacita daného zařízení a
nemožnost aplikovat tuto metodu na rozsáhlejší komplexy s více zónami
autorizace. A je tu také potenciální možnost ztráty etalonů při poškození a
tudíž nutnost opakované etapy zápisu. Toto řešení je používáno zejména
pro jednodušší systémy.
 Druhý způsob řešení spočívá v uložení etalonů ve vzdálené databázi
celého informačního systému. Tato metoda je velice vhodná pro rozsáhle
komplexy se stovkami uživatelů, ale vyžaduje napojení všech přístupových
terminálů na tuto databázi. Nedostatkem zde bude správné zabezpečení
databáze před bezpečnostními incidenty.
 Třetí způsobem je uložení etanolu v tokenu, čipové kartě nebo i flash
paměti. Toto řešení se zdá z hlediska bezpečnosti jako nejvýhodnější.
Odpadá zde problém s centrální databázi, kde by byl etalon uložen a tak
vystaven nebezpečí změny. Také zde není riziko, že při výpadku
15

informačního systému by byly zablokovány přístupové body. Je zde ovšem
jiná nevýhoda a to je finanční nákladnost, protože paměťové médium a
kombinace tokenového a biometrického čtecího zařízení jsou nákladnější
než správa databáze.
Další a poslední možností je různá kombinace předchozích možností.
Touto kombinací můžeme eliminovat některé z jejich nedostatků.
Ukládání výsledků – z hlediska bezpečnosti je ukládání výsledků provedených
identifikaci nebo verifikaci velice důležité. Hlavně poroto, abychom měli přehled, kdo
se kde vyskytl a abychom měli i informace o zamítnutých vstupech. Ukládání
výsledků je do určité míry závislé na místu uložení etalonů, což určuje jakousi
topologii systému. Evidence použití zařízení se mohou ukládat interně do
jednotlivých zařízení, ale potom jsme tedy omezeni velikosti paměťového média a
starší záznamy budou následně přepsány záznamy novými. Další možností je
ukládat záznamy o přístupech do centrální databáze, toto je samozřejmě podmíněno
zapojením biometrického systému do sítě.
16
2 Využití biometrie v automobilech
Biometrické systémy jsou využívány v celé řadě průmyslových činností. Do této
kategorie spadá i oblast vozidlových systémů. Jedná se o systémy aktivní
bezpečnosti, autorizace řidiče a osádky vozidla, komfortní systémy, systémy pro
sledování únavových příznaků řidiče či systémy pro sledování odpoutání pozornosti
řidiče od řízení.
V současné době se biometrické informace v automobilech běžně používají pro
detekci osob sedících na sedačkách pro aktivaci airbagů či zjištění zapnutí
bezpečnostních pásů. Tyto informace jsou získávány za pomocí senzorů umístěných
v sedačce vozidla. Pro rozsáhlejší biometrický systém je nutné do vozidla
zakomponovat dvě součásti. Těmi jsou biometrická síť a biometrická databáze.
Biometrickou sítí rozumíme získání a zpracování biometrických dat, které jsou
získány od řidiče či posádky vozidla. Hlavním cílem bývá určení oprávněnosti
k použití vozidla, uvedením vozidla do předdefinovaných nastavení, či nastavení
informačních a zábavním systému ve vozidle.
Biometrická databáze slouží k zaznamenávání biometrických dat nutných pro
porovnání či základní nastavení.
2.1. Biometrické metody v automobilu
2.1.1 Otisk prstu - v automobilu
Otisk prstu patří asi k nejpoužívanějším biometrickým prvkům. V současné době
jsou tato zařízení v základní výbavě nejen sériově vyráběných vozidel, ale je možné
je i dodatečně do vozidla zastavět. Nejčastější aplikace slouží pro nastartování
vozidla, pokud po přiložení prstu následuje úspěšné rozpoznání osoby.
V roce 2001 započal v automobilce Audi vývoj systému pro přímé nastavení
parametrů interiéru vozidla (poloha sedaček, zpětných zrcátek, volantu, spuštění
oblíbené stanice radia, klimatizace), kde je biometrické rozpoznání pro přístup do
vozidla spojeno s technologií RFID. V současné době je využívána tato technologie
například ve vozidle Audi A8, ve kterém je otisk prstu využit i jako zámek schránky
na palubní desce.
Obr. 4 Koncept Audi, čtečka otisku prstů. [27]
Vozidel vybavených čtečkou otisků pro identifikaci či využívajících čtečku otisků k
jiné funkci (nejčastěji zabezpečení), je v současné době celá řada.
2.1.2 Detekce obličeje – v automobilu
Tato technologie je v současné době využívána především pro určení pozornosti
řidiče. Její hlavní nevýhodou je náročnost na proměnlivé světelné podmínky ve
17
vozidle. V mnoha automobilkách probíhá výzkum automatického rozpoznání řidiče a
následné nastavení vozidla dle předem uložených hodnot. Jakými jsou poloha
sedaček, zpětných zrcátek či nastavení volantu. Další možností využití je pak
nastavení jízdních vlastností vozů, jako je citlivost plynu, řazení či tvrdost tlumení.
Obr. 5 Příklad rozpoznávání obličeje v osobních vozidlech BMW. [27]
K dalším možnostem využití této biometrické metody patří sledování řidiče (Driver
Monitor System) v rámci pokročilého předkolizního systému (Advanced Pre-Collision
System). Pro tento účel je využívána zejména infračervená kamera (systém BMW),
zabudovaná ve vrchní části volantu, která je nasměrovaná na obličej řidiče a
monitorující pohyb jeho očí. Pokud řidič nesleduje pozemní komunikaci, ale je otočen
po určitou dobu a vozidlo detekuje překážku, je řidič upozorněn světelným a
zvukovým signálem a lehkými vibracemi brzdového pedálu. Pokud i přesto řidič
nesoustředí svůj pohled na překážku, začne vozidlo pomalu brzdit. Poprvé byla tato
technologie použita u výrobce vozidel Toyota v roce 2006 a v současnosti je
využívána společností Lexus.
2.1.3 Detekce duhovky a sítnice - v automobilu
Metody založené na detekci duhovky a sítnice se vyznačují vysokou přesností
v rozlišení osob, k němuž přispívá i neměnnost struktury těchto parametrů v průběhu
vývoje lidského života. Ovšem mezi nevýhody patří hlavně vyšší pořizovací nároky a
vzdálenost, na kterou je schopno zařízení pracovat. Velmi často se používá
kombinace sledování biometrických parametrů například sítnice ve vazbě na otisk
prstu. U takovýchto systémů je zaručena vyšší procentuální úspěšnost rozpoznání a
možnost nahrazení výpadku jednoho čtecího zařízení jiným.
Ještě zde zmíníme jeden biometrický parametr založený na detekci pohybu očí.
Tento prvek je ve velké míře využíván ke sledování chování řidiče. Ať už se jedná o
projevy únavy řidiče či detekci jeho pozornosti. Pro určení pohybu je nutno určit
polohy duhovek či zornic, vnějšího a vnitřního očního koutku či polohu hlavy. Jakmile
jsou tyto parametry určeny, je možno za využití jednoduchého modelu hlavy určit
místo, kam pohled míří. Pokud je navíc známa i poloha hlavy je možné získat velmi
přesný geometrický model.
2.1.4 Detekce žil na prstu - v automobilu
18
Firma Hitachi v roce 1997 vyvinula technologii identifikace osob na základě jejich
unikátního rozložení žil v prstech. Skener zaznamenává světlo v oblasti blízké
infračervenému spektru, které prochází prsty, čímž získá obraz rozložení žil. To má
každý člověk, podobně jako otisky prstů, jedinečné a může být tedy tento markant
použit pro biometrickou identifikaci.
V roce 2007 byl představen volant s integrovanou čtečkou, která byla propojena
se systémem ovládajícím nastartování vozidla. Navíc je možné s ohledem na velikost
snímače a možnosti jeho integrace do zadní části volantu, naprogramovat tento
snímač pro funkci multifunkčního tlačítka. Tím může řidič jednotlivými prsty ovládat
předdefinované funkce. To vše probíhá z pohledu řidiče plynule, pohodlně a bez
snížení jeho pozornosti
Obr. 6 Model vozidla vybavený autentifikačním systémem na rozpoznávání žil v prstu
– Tokyo Motor Show 2007. [27]
2.2. Vozidlové systémy na zvýšení aktivní bezpečnosti
Přibližně 90% z celkového množství ročních nehod se připisuje nepozornosti řidiče
a až pětina dopravních nehod je připisována jeho únavě. A právě tomu se věnují
výrobci vozidel, snaží se vyvinout systémy, které by upozornili řidiče na možné
nebezpečí. Tyto systémy jsou navrhovány ve vazbě na další vozidlové systémy a
data z vozidlové sběrnice. Za základ slouží úhel natočení volantu, jelikož unavený
řidič má problémy s udržením se v jízdním pruhu. Projevy únavy jsou většinou
doprovázeny malými korekcemi v řízení vozidla střídané rychlým a výrazným
zásahem.
Například systém společnosti Volkswagen sleduje kromě úhlu natočení volantu i
další proměnné veličiny, jako je ovládání pedálu plynu, příčné zrychlení či aktivaci
palubních přepínačů. Pokud řídící jednotka v průběhu jízdy rozpozná chování, na
jehož základě lze usuzovat na příznaky únavy, upozorní systém řidiče symbolem
kouřícího šálku kávy s doporučením, na displeji multifunkčního ukazatele, aby si řidič
udělal přestávku. S tím je spojeno i akustické upozornění. Pokud řidič během dalších
15 minut nezastaví, objeví se opět upozornění a zazní zvukový signál. Systém není
aktivní při rychlostech nižších než 65 km/h, dále během jízdy ve městě či na silnicích
s členitou topologií. Systém rozpoznávání únavy byl poprvé představen v novém
modelu Passat a následně ve voze Tiguan.
Automobilka Ford vyvinula systém sledování „bdělosti“. Ten se sestává z malé,
dopředu orientované kamery, připojené k palubnímu počítači. Kamera je umístěna na
zadní straně vnitřního zpětného zrcátka a sleduje vodorovné dopravní značení po
obou stranách vozidla. Počítač během jízdy průběžně vyhodnocuje parametry
pozemní komunikace z kamery a predikuje, kde by se mělo vozidlo nacházet
vzhledem k vodorovnému dopravnímu značení. Současně s tím určuje skutečnou
19
polohu vozidla. Zaznamená-li výrazný rozdíl v obou hodnotách, vydá upozornění
řidiči. Nejprve jde o jemné upozornění v podobě textové zprávy na přístrojovém
panelu palubní desky, doprovázené zvukovým znamením. Zpráva zůstane
zobrazena po dobu několika sekund. Vykazuje-li chování řidiče i nadále známky
únavy, zobrazí se trvalé upozornění, které musí řidič vzít na vědomí stiskem tlačítka
OK. Ačkoliv kamera systému sledování bdělosti pracuje s vodorovným značením po
obou stranách vozidla, systém je funkční i v případě, že je rozpoznáno vodorovné
dopravní značení pouze po jedné straně vozidla. Systém je v současné době ve
výbavě vozidel Focus, Mondeo a dále u modelových řad S-MAX a Galaxy.
Automobilka Volvo využívá obdobný systém Driver Alert Control (DAC). Systém
byl představen již v roce 2007. Driver Alert Control sleduje dynamické parametry
pohybu vozidla. Systém sám nesleduje chování řidiče, jež může být u každého
individuální, ale vliv únavy či snížení pozornosti na jeho řízení. Je zde využita
kamera snímající výhled z vozidla umístěná na čelním skle. Tato kamera snímá
polohu vozidla s ohledem na vodorovné dopravní značení a okolní vozidla
nacházející se na pozemní komunikaci a využívá je jako referenční body. Tím se
také snižuje množství falešných alarmů. Současně systém detekuje vzdálenost mezi
vozidlem a vodorovným dopravním značením. DAC zaznamenává všechny tyto
informace a na základě vestavěného řídícího algoritmu vyhodnocuje, zda se řidič
věnuje řízení či nikoli. Systém je dostupný například ve výbavě vozidel S80,V70 a
XC70.
Společnost Mercedes-Benz vyvinula srovnatelný systém Attention Assist. Řidič je
sledován již od počátku jízdy a to vytvořením individuálního profilu, který je postupně
porovnáván s daty získávanými z čidel. Systém je aktivní v rozmezí rychlostí 80 -180
km/h. Sledovanými parametry jsou mimo jiné stáčivá rychlost volantu, příčné a
podélné zrychlení, stav sešlápnutí pedálů, použití palubních ovladačů apod. Tyto
všechny informace jsou doplněny o sledování vnějších vlivů (boční vítr, nerovnosti na
pozemní komunikaci). Získané informace jsou vyhodnoceny a následně porovnány s
předcházejícími údaji. Upozornění řidiči je realizováno zvukovým signálem a
grafickým zobrazením na palubní desce. Systém je dostupný ve vozidlech třídy E a
S.
20
3 Biometrie oka
Mezi identifikační techniky rozhodně patří identifikace člověka pomocí oční sítnice,
tak pomocí duhovky. Jelikož tyto dvě části lidského oka, jsou pro každého člověka
jedinečné. Jedná se o velice spolehlivou metodu. Rozpoznávání podle těchto
biometrik je relativně nová metoda. Nejprve seznámím čtenáře s anatomií oka a
potom rozeberu každou problematiku identifikace za pomocí oka zvlášť.
3.1.1 Anatomie oka
Lidské oko je z biologického hlediska složitý orgán, který nám umožňuje
vidění. Asi 80% všech informací z okolí získáváme prostřednictvím zraku, jako
elektromagnetické záření, které se transformuje na nervové signály.
Obr. 7 Anatomická struktura oka. [29]
Oko je uloženo v obličejové části lebky v očnici. Na přední straně oka je okrouhlá
průhledná rohovka, která lomí světlo. Přechází v bílou oční stěnu, bělimu. Rohovka
se skládá z pěti nestejně silných vrstev: epitelu, Bowmanovy membrány, stromatu,
Descemetské membrány a endotelu. Nejsvrchnější vrstva epitel je takřka dokonale
hladká. Proto se na ní mohou krásně zrcadlit předměty, na které oko pohlédne,
zvláště výrazně se od ní odráží každý světelný zdroj. Rohovka patří k nejcitlivějším
tkáním lidského těla - o tom se jistě už každý z vás měl možnost přesvědčit. I
nepatrné poranění je velice bolestivé, stačí jediné zrnko prachu nebo smítko a oko
hned zčervená a slzí. Za rohovkou je prostor, který se nazývá přední komora oční a
je vyplněna nitrooční tekutinou. Barevná část oka se nazývá duhovka, uprostřed se
nachází otvor - zornice, ta se v závislosti na množství dopadajícího světla rozšiřuje
nebo zužuje (2-8mm v průměru), a tak propouští více či méně světla. Za duhovkou je
umístěná čočka, důležitá pro lom světla a akomodaci. Za čočkou se nachází zadní
oční komora, která rovněž obsahuje nitrooční tekutinu. Za zadní komorou se nachází
21
nejobjemnější část oka, rosolovitá hmota sklivec. Sklivec naléhá na sítnici. Sítnice
obsahuje velké množství tyčinek a čípků, které umožňují vidění. Místo kde jsou čípky
nejhustěji nahromaděny, se nazývá žlutá skvrna. Jedná se o místo nejostřejšího
vidění. Z tyčinek a čípků vycházejí nervová vlákna, která se spojují ve zrakový nerv,
přibližně uprostřed sítnice. Toto místo se nazývá papila zrakového nervu.
22
4 Rozpoznávání pomocí oční duhovky
4.1. Duhovka oka
První zmínky o pokus a realizaci identifikace člověka pomocí lidské duhovky se
datují již na rok 1936. Kdy oftalmolog Frank Burch předložil koncept metody pro
rozpoznávání jedinců, využívající vzory duhovky. V roce 1985 oftalmologové Leonard
Flom a Aran Safir předložili koncept, že žádné dvě oční duhovky nejsou stejné. A
v roce 1987 jim byl udělen patent za tuto úvahu. V roce 1994 si John Daugman
nechal patentovat první algoritmus pro automatickou identifikaci, podle obrazu oční
duhovky a ten je i v současnosti základem pro všechny biometrické systémy pro
rozpoznávání pomocí lidské duhovky. První komerční produkty byly k dispozici v roce
1995.
Biometrické systémy pro rozpoznávání duhovky jsou relativně nově vyvinuté. Jde
však o nejlepší metodu pro ověřování identity, jaká je v dnešní době k dispozici.
Jedná se o metodu, která umožňuje spolehlivou identifikaci uživatele na základě jeho
jedinečné reakce oční duhovky na vyzařované světlo. Vzhled struktury duhovky je
velmi nahodilý s fyzickou strukturou extrémně bohatou na datové vzory, které se liší
člověk od člověka a to i dokonce mezi jednovaječnými dvojčaty. Unikátní vzor lidské
duhovky je tvořen od 10 měsíců lidského života a zůstává beze změny po celou dobu
života. Duhovka obsahuje specifické unikátní identifikační body, které nám umožňují
s vysokou přesností stanovit identitu člověka. Duhovka se skládá z náhodně
rozmístěných, v čase neměnných barevných struktur, podobných sněžným vločkám.
Žádné dvě duhovky oka nejsou stejné. Snímání duhovky probíhá za pomocí
standardní video technologie. Velikou výhodou při skenování duhovky na rozdíl od
sítnice je ten, že se jedná o bezkontaktní metodu, která je rychlá a nabízí
bezkonkurenční přesnost při srovnání s jinou bezpečnostní alternativou ze
vzdálenosti 7 až 25 cm.
Obr. 8 Popis oční duhovky [5]
Duhovka je tenká kruhová membrána, nachází se uvnitř oka mezi rohovkou a
čočkou. Reguluje velikost zornice na základě intenzity světla dopadajícího na oko.
Střední průměr duhovky je 12mm a velikost zornice se může měnit od 10% do 80%
z průměru duhovky. Duhovka je extrémně viditelný barevný kroužek kolem zornice,
její zabarvení odpovídá množství melatoninového pigmentu uvnitř svaloviny. Ačkoliv
23
je zabarvení i struktura duhovky geneticky závislá, její vzorkování není. Každé lidské
oko je naprosto unikátní vykazující výrazný vzor. Složitý vzor duhovky může
obsahovat mnoho charakteristických znaků jako například klenuté vazy, rýhy
hřebeny, krypty, prstence, koróny, pigmentové skvrny a klikaté čáry. Krypty jsou
velmi tmavá místa mezi řasnatou a zornicovou oblastí, tam kde je duhovka tenká.
Radiální rýhy paprskovitě vybíhají od zornice k okraji duhovky. Pigmentové skvrny
jsou náhodné shluky pigmentových buněk nacházející se na povrchu duhovky.
Pigmentové záhyby vznikají jako důsledek vystupující spodní vrstvy duhovky okolo
zornice. Barva duhovky je dána především hustotou melaninového pigmentu v její
přední vrstvě a stromou, přičemž modrá barva duhovky je výsledkem absence
pigmentu. Ve skutečnosti se však odhaduje šance, že dvě duhovky budou totožné 1
ku 1078.
4.2. Výhody identifikace pomocí duhovky jsou následující:
Na světě existuje jen málo lidí, kteří by tuto technologii nemohli použít. Jelikož
většina lidí má alespoň jedno oko. V několika případech dokonce i nevidomí
používají úspěšně metodu pro rozpoznání duhovky, jelikož tato technologie je závislá
pouze na vzoru duhovky nikoli na lidský pohled. Jako dvourozměrný objekt je její
snímání relativně nezávislé na úhlu osvětlení a změny úhlu pohledu znamenají
pouze afinní transformace. Dokonce i neafinní deformace vzoru duhovky při změně
velikosti čočky je reversibilní a provádí se ve fázi zpracování obrazu duhovky.
Charakteristický kruhový tvar duhovky nám umožňuje přesnou a spolehlivou
identifikaci tohoto orgánu a vytvoření reprezentace duhovky s konstantní velikostí.
Vzor duhovky a struktura vykazuje dlouhodobou stabilitu. Unikátní vzor lidské
duhovky je tvořen od 10 měsíců lidského života a zůstává beze změny (kromě
traumatu, některé vzácné nemoci nebo může nastat případná změna po speciálních
oftalmologických chirurgických zákrocích) po celou dobu života. Takže jakmile je
jedinec zapsán, potřeby aktualizace jsou méně časté. U jiných biometrických
technologií může docházet ke změnám, jako například ke změně zabarvení hlasu,
váhy, účesu, velikosti prstu nebo ruky, pořezání nebo dokonce vliv manuální práce
vyvolává potřebu aktualizace zápisu.
Ideální pro manipulaci s velkými databázemi. Rozpoznávání duhovky je jediná
biometrická autentizační technologie určená pro práci v 1-n nebo vyčerpávajícím
vyhledávácím módu. To je ideální pro práci s aplikacemi, které vyžadují správu
velkého množství uživatelských skupin, jako jsou například Národní dokumentace,
které toto mohou vyžadovat. Velké databáze jsou uloženy bez zhoršení kvality při
ověřování přenosnosti. Bezkonkurenční rychlost vyhledávání jednoho vzorku
s mnoha dalšími vzorky v databázi je nesrovnatelná s jakoukoli jinou technologií a
není omezena velikostí databáze, ale daným hardwarem pro správu serveru.
Zatímco ze začátku byla metoda navržena spíše pro identifikaci, tedy porovnání
jednoho vzorku uživatele s n-počtem vzorků v databázi, tato metoda pracuje i velice
dobře v režimu verifikace, tedy v porovnání referenčního vzorku se vzorkem právě
získaným od uživatele, jedná se tedy o porovnání 1:1.
Rozpoznávání pomocí duhovky neznamená nic jiného, než pořízení digitálního
obrazu vzoru duhovky a vytvořit zašifrovanou šablonu tohoto vzoru. 512 bytová
šablona duhovky je šifrována nemůže být přetvořena nebo obnovena pro výrobu
24
nějakého druhu vizuálního obrazu. Proto metoda pro rozpoznávání duhovky
poskytuje vysokou úroveň ochrany proti krádeži identity rychle rostoucí kriminality.
4.3. Nalezení duhovky v obraze
Proces identifikace uživatele pomocí rozpoznávání duhovky je zobrazen na
následujícím obrázku 13. Celý tento proces se dá rozložit do několika kroků.
Obr. 9 Proces identifikace uživatele pomocí rozpoznávání duhovky. [7]
1. Vytvoření obrazu duhovky – Abychom zachytili bohaté detaily vzoru
duhovky, obrazový systém by měl poskytovat snímek duhovky o poloměru
70 pixelů. Oční duhovka je snímána monochromatickou CCD kamerou,
obrazec duhovky se snímá při infračerveném světle o vlnových délkách
700nm až 900nm, které je neinvazivní pro uživatele. Pod viditelným světlem
můžeme na duhovce pozorovat především viditelné vrstvy, odhaluje méně
texturní informace než osvětlení infračervené. Neboť melanin viditelné
světlo absorbuje. Naopak při infračerveném osvětlení melanin převážně
reflektuje a je příjemnější pro uživatele, neboť neoslňuje a nezpůsobuje
nepříjemné pocity u osvětlení. Při snímání duhovky nedochází k přímému
kontaktu se čtecím zařízením a snímání je prováděno ze vzdálenosti
několika centimetrů. Abychom mohli vytvořit obraz, je nejprve nutné
lokalizovat na obličeji oko. Při tom se používá infračervené světlo. Jakmile
je oko lokalizováno, kamera vytvoří jeho obraz. Doba snímání je 1÷2
sekundy. Obraz oka je následně v kameře digitalizován a přenesen do
počítače. Při snímání duhovky se vyžaduje aktivní účast uživatel. Musí se
dívat do jednoho bodu a nechat si oko správně nasvítit
2. Zpracování obrazu přijatého z kamery - Základem pro úspěšné vytvoření
vzoru duhovky je její lokalizace v obrazu spolu se získáním přesných
parametrů popisující její tvar. Je-li detekce provedena nesprávně, může se
objevit šum (např. řasy, odrazy, čočka a oční víčka) a způsobovat problémy
v obraze. Z obrazu se musí oddělit zornice, která se nachází přibližně ve
středu oka, tak i vnější část oka od duhovky. K tomuto účelu se používá
algoritmus pro detekci hran v obraze nebo speciální integro-diferenciální
operátor.
25
Obr. 10 Bílá kontura znázorňuje lokalizaci duhovky a okraj očního víčka. [9]
3. Zpracování izolovaného obrazu duhovky - Po oddělení obrazu duhovky je
takto izolovaný obraz duhovky pomocí algoritmu 2D Gabor wavelets
převeden na vektory, které obsahují informaci o orientaci, četnosti a pozici
specifických plošek. Takto zakódovaný obraz je převeden do IrisCode a
uložen ve formě šablony, která má typicky 512B záznamu. Vzhledem
k velikosti předloze, která je relativně malá, je možno dosáhnout srovnání
až s 500 000 jiných šablon za sekundu.
Obr. 11 Lokalizování duhovky a její piktografické znázornění. [8]
4. Při verifikaci/identifikaci se porovnává takto upravený obraz uživatele, který
se právě přihlásil do systému s referenční šablonou pomocí testu statické
nezávislosti, používá se Hammingova vzdálenost. Pokud je pouze méně
než jedna třetina dat odlišná, znamená to, že test selhal a vzorky jsou ze
stejné duhovky.
4.4. Detekce duhovky
Cílem segmentace je lokalizovat oblast duhovky v obraze. To spočívá v nalezení
vnitřních hranic mezi zornicí a duhovkou. A nalezení vnějších hranic mezi duhovkou
a bělimou. Tyto hranice, i když ne vždy dokonalé kruhy, jsou modelovány ve většině
případů, jako dva nesoustředné kruhy. Může však nastat výjimka, ve které jsou
hranice aproximovány jako elipsy.
Tvary zornice a duhovky jsou většinou detekovány pomocí Houghovy
transformace, jako kružnice a tvary víček jako parabolické oblouky. Tyto
reprezentace však nejsou dokonalé, vyvíjí se nové a přesnější metody, mezi ně patří
např. metoda aktivních tvarů nebo metoda využívající integro-diferenciální operátor.
Bylo však vyvinuto mnoho algoritmů pro rozpoznávání duhovky. Některé z nich jsou
popsány níže.
26
4.4.1 Houghova transformace
Houghova transformace (HT) metoda pro nalezení parametrického popisu objektů
v obraze. Tato metoda se používá pro detekci jednoduchých objektů v obraze, jako
jsou přímky, kružnice, elipsy atd. neboť u nich známe přesný parametrický popis.
Tato lokalizační metoda je podobná metodě, kterou používá Daugman. Jehož
metoda je založena na detekci hran pomocí první derivace.
Vstupem pro HT je binární obraz předzpracovaný např. hranovým detektorem.
Předzpracování hranovým detektorem je velice výhodné, protože snižuje výpočetní
náročnost celé operace, ale také i zvyšuje pravděpodobnost nalezení hledané
struktury v obraze. Výstupem je parametrický nebo-li Houghův prostor, který
obsahuje informace o relativní intenzitě (pravděpodobnosti výskytu) tzv. kandidátů
hledané struktury. To kolik daný prostor bude mít rozměrů, se určuje podle počtu
neznámých parametrů v rovnici pro výpočet útvaru, který je pomocí HT vyhledáván.
Výhodou této metody je robustnost vůči nepravidelnostem či porušení hledané
křivky. Nevýhodou této metody však je, že nedokáže identifikovat struktury, které ve
vstupním obraze nejsou dost intenzivní. Poté by se po případné hranové detekci, tyto
struktury v obraze vůbec nenacházely.
Nejjednodušší bude, když Houghova transformace bude nejdříve vysvětlena na
detekci přímky a poté na detekci kruhu. Houghvou transformací pro detekci kruhu,
můžeme odvodit souřadnice poloměrů a středů pro duhovku a zornici.

Detekce přímky
Jak bylo uvedeno výše, je nejdříve nutné vyjádřit přímku v parametrickém
prostoru. Přímka lze ve dvourozměrném prostoru definovat několika způsoby.
Nejznámější je směrnicový tvar rovnice přímky
(1)
kde k – je směrnice přímky,
q – úsek vyťatý přímkou na ose y.
Kdyby přímka byla rovnoběžná s osou y, parametr q by nabýval nekonečných
hodnot, tak se tento tvar vyjádření přímky v praxi nepoužívá a nahrazuje jej tvar
normálový:
(2)
kde r – je vzdálenost bodu [x, y] od počátku souřadného systému 0,
ϕ – velikost orientovaného úhlu mezi normálou a osu x.
Nyní je důležité každý pixel na obrázku převést z prostoru souřadnic (x, y) do
souřadnic (ϕ, r) a daným bodem povedeme všechny myslitelné přímky. Tím bude
vytvořen parametrický prostor.
27
Obr. 16 Originální prostor. [14]
Obr. 17 Parametrický prostor. [14]
Vstupními daty jsou pouze souřadnice jednotlivých bodů (pixelů), parametry r a ϕ
jsou neznámými. Pokud do rovnice (6) dosadíme souřadnice jednotlivých bodů, pak
množina všech možných řešení (r, ϕ) vytvoří v parametrickém prostoru spojitou
křivku. Neboť každý bod může být součástí nekonečného počtu přímek, které daným
bodem prochází, mající různé parametry r, ϕ. Pokud budeme vykreslovat více bodů,
je zřejmé, že v parametrickém prostoru se objeví tolik křivek, kolik budeme mít bodů.
Každá křivka v parametrickém prostoru pro jeden bod. Pokud body budou ležet na
jedné přímce, tak křivky v parametrickém prostoru se protnou v jednom bodě (r’, ϕ’).
Tento bod, kde se křivky protly nese informaci o hledaných parametrech r, ϕ. Po
dosazení do rovnice (6) je možné stanovit přesný popis přímky ve vstupním obrazu.

Detekce kružnice
Obdobný postup využijeme i při detekci kružnic v obraze. Analytické vyjádření
kružnice má tvar
(1)
kde r - poloměr kružnice,
a, b - souřadnice středu kružnice.
Ve vztahu popisující kružnici, se vyskytují tři neznámé parametry (r, a, b). Z tohoto
důvodu bude parametrický prostor trojrozměrný. Podle parametrického vyjádření
kružnice lze každý bod na kružnici o poloměru r a se středem v bodě (a, b) popsat
vztahem
28
(2)
Bude-li se v obraze hledat bod, který leží na kružnici s daným poloměrem r,
vypočítá se jeho souřadnice a zjistí se hodnoty parametrů a, b podle vztahu:
(3)
kde ϕ je interval hodnot od 0 do 2π. Všechny body se stejnými hodnotami
parametrů a, b pak budu ležet na kružnici.
Obr. 12 Parametrické vyjádření kružnice. [14]
Vstupními daty budou souřadnice pixelů [x, y] ležících na hledané kružnici a
neznámými jsou souřadnice středu (a, b) a poloměr r.
Pro zjednodušení bude princip plnění Houghova prostoru vysvětlen nejdříve pro
pevný poloměr. V tomto případě bude Houghův prostor dvourozměrný. Souřadnice
každého bodu binárního obrazu se dosadí do rovnice (9) a následně budou
zakresleny kružnice, kde pro určitý úhel ϕ se trefí do středu původní kružnice
v originálním prostoru. Tyto kružnice se protnou v jednom bodě, který představuje
hledaný střed původní kružnice.
Obr. 13 Kruhová HT z x, y – prostoru (vlevo) do parametrického prostoru (vpravo),
pro konstantní poloměr. [30]
29
Tento případ byl uveden pro lepší pochopení, v praxi však nebudeme znát přesný
poloměr kružnice ve vstupním obrazu. Za poloměr r se tedy bude dosazovat vhodné
rozmezí hodnot. Z toho vyplývá, že parametrický prostor bude třírozměrný. Opět se
budou dosazovat souřadnice hodnot binárních bodů ležících na hledané kružnici do
rovnice (9) a v parametrickém prostoru se vytvoří množina všech možných řešení (a,
b, r), která má tvar kužele. Místo, kde se kužely protnou v jednom bodě (a´, b´, r´), je
místo, které hledáme a nese informace o hledaných parametrech (a, b, r), díky nimž
je možné dle vztahu (7) stanovit přesný popis kružnice ve vstupním obrazu.
Obr. 14 Parametrický prostor pro jeden vstupní bod. [14]
4.4.2 Daugmanův integro-diferenciální operátor
Daugman prezentoval v roce 1993 segmentační metody popsané v [1]. Tyto
metody jsou založené na jeho integro-diferenciálním operátoru. Využívá integrodiferenciální operátor pro lokalizaci oblasti kruhové duhovky a zornice, ale také i pro
lokalizaci oblouků horních a dolních víček.
Duhovka je lokalizována pomocí následujícího operátoru:
|
∮
|
(1)
kde r je hledaný poloměr, * značí konvoluci a
je Gaussovská funkce
vyhlazení (smooth) dle σ.
je hrubý vstupní obrázek nebo-li snímek oka a
operátor hledá maximum v rozostřené parciální derivaci obrazu s ohledem na
poloměr r a souřadnice středu (
). Operátor je v podstatě kruhovým detektorem
hran a vrátí maximum, pokud sdílí kandidátská kružnice střed zornice a poloměr.
Tento operátor projde vstupním obrázkem
pixel po pixelu, hledajíc při tom
cestu ve tvaru kružnice, kde se nachází ty největší změny intenzity. Operátor je
použit opakovaně s postupně se snižujícím faktorem rozmazání σ ve snaze přesnější
lokalizace.
Dalším krokem je lokalizace horního a dolního víčka. Provádí se obdobným
postupem, jakým se lokalizovala duhovka. Část ze vzorce (10), která slouží k detekci
kontury, se zamění z kruhové na obloukovou, přičemž parametry se nastaví dle
standartních statistických metod odhadu tak, aby optimálně korespondovaly každé
hranici očního víčka.
30
4.4.3 Metoda parametrických aktivních kontur
Jedná se o pokročilou metodu interaktivní segmentace obrazu. Metoda
postupného tvarování kontur až ke hraně objektu v obraze. Stěžejní myšlenkou
aktivních kontur je minimalizace energetického funkcionálu, který se skládá z energií
získaných ze samotné křivky a obrazu. Aktivní kontura je řízená uzavřená kontura,
která lze vnímat jako matematický model pomyslného gumového kruhu. Kruh je pak
popsán vnitřními a vnějšími silami. Vnitřní síly kontrolují hladkost průběhu a
zabraňuje vznikům ostrých rohů, vnější síly jsou výsledkem počátečního umístění
jsou zodpovědné za to, aby přitáhly křivku k lokálním minimům, udávají parametr
okolního prostoru, ve kterém se křivka pohybuje. Jednou z nejvýznamnějších
vlastností je právě uzavřená křivka, díky níž lze vytvořit obrys objektu, i když po
prahování chybí třeba nějaké úseky hran. Kontura musí být definována v blízkosti
objektu, který chceme segmentovat. Při špatném počátečním umístění kontura může
být přitahována okolními objekty a artefakty v obraze, které segmentovat nechceme.

Vnitřní síly – nejprve budeme uvažovat takový stav, kdy na kruh nebude
působit žádná vnější síla. Kruh bude tedy mít prstencový tvar o určitém
poloměru, to je způsobeno rovnováhou vnitřních sil. Pokud bude kruh
stlačen nebo roztažen, a poté opět uvolněn, vrátí se zpět do svého
původního prstencového tvaru. Jak je uvedeno [40], kruh si lze představit
jako v sérii spojené nekonečně malé pružinové elementy. Takový obvod
[
]
pak může být označen jako
, kde p jsou zmiňované
pružinové elementy a p=0 značí počátek obvodu a p=1 značí konec
obvodu. V rovnovážném stahu se elementy nepohybují a jsou od sebe
rovnoměrně vzdáleny. Až pokud začnou působit vnější síly se v kruhu
začne indukovat energie.
Pokud kruh bude roztahován, tak se změní jeho délka obvodu podle
Hookova zákona, kdy se sleduje vzdálenost mezi jednotlivými elementy.
Délka obvodu kruhu je dána první derivací obvodu podle všech elementů, je
zároveň úměrná deformační síle, která působí na jednotlivé elementy.
Energie, která je potřebná k roztažení kruhu je dána rovnicí:
∫
|
|
(3)
α v tomto případě bude závislá na pružinovém elementu a určuje pevnost
působící proti roztažení. Pokud bude uvažována jen energie roztahovací a
snaha o zachování minimálního energetického stavu, minimalizuje se
vzdálenost mezi jednotlivými elementy. Vzhledem k tomu, že se jedná o
uzavřenou křivku, kruh by stáhl do jediného bodu.
Pružinové elementy lze, ale i stlačovat a kruh ohýbat. Proti stlačení působí
síla, která určuje tuhost pružiny. Ta je dána druhou derivací obvodu křivky
31
přes elementy, to nám určuje křivost křivky. Energie ohybu je pak dána
rovnicí:
∫
|
(4)
|
Β značí tuhost proti stlačení jednotlivých pružinových elementů. Pokud
bude uvažována jen energie ohýbací minimalizovala by se křivost. Kromě
dosahované hladkosti by křivka konvergovala do tvaru přímky, tedy
nekonečného poloměru, kdy je křivost rovná nule.
Tyto zmíněné energie se uvažují jako vnitřní:
(5)

Gumový kruh má jako fyzikální soustava tendenci minimalizovat svoji vnitřní
energii. Ohýbací a roztahovací energie působí proti sobě. Pokud kruh bude
mít hladkého prstence, při jeho smršťování se bude zmenšovat poloměr a
bude růst křivost, naopak budeme-li zmenšovat křivost bude se zvyšovat
délka obvodu a tím i energie roztahovací. V klidovém stavu se bude
nacházet tehdy, kdy podle rovnice (13) bude součet minimální. Parametry α
a β mají v důsledku vliv na konečném tvaru aktivní kontury. To jak se
kontura bude chovat v rozích. Můžeme teda správnou změnou hodnot
ovlivnit, zda si kontura zachová hladký tvar, nebo bude přesně kopírovat
ostré hrany objektu.
Vnější síly – tyto síly jsou odvozeny z obrazové funkce. Jejich účel je
konturu zdeformovat tak, aby tvořila obrys objektů na snímku. Opět tak děje
za cílem minimalizovat energie, celková energie je pak dána vztahem:
∫ (
|
|
|
| )
(6)
Aby bylo možné určit vnější síly, se předpokládá, že objekty na daném
snímku jsou charakterizovány svými hranami. Nejsnadněji lze pak sílu v
každém místě obrazu určit tak, že je nejprve obraz vyhlazen Gaussovým
filtrem, a následně se počítá záporný gradient podle vztahu (15).
(7)
Pokud vnější energie je uvažována jako energie potenciální, pomyslný
kotouč se zjednodušeně řečeno v čase přesunuje podle směru záporného
gradientu, tedy do míst s nižší potenciální energií, toto je zobrazeno na
32
obrázku 21. Jestli se kontura skutečně deformuje pod vlivem gradientu, to
je dáno modulem gradientu, ale také tuhostí a mechanickým napětím kruhu.
Obr. 15 Nahoře původní ostrá hrana, uprostřed hrana po aplikaci Gaussova filtru,
dole záporný gradient vyhlazené hrany. [41]
Externí energie počítána z obrazu je definována jako:
(8)
Kdy se jedná o tři energetické funkce, které popisují matematické detaily
zkoumaného obrazu.
 Eline –zde se využívá obyčejné intenzity v bodě(x,y). K jejímu výpočtu může
být použit Gaussův filtr pro rozmazání obrazu.
(9)

Kde
je Gaussův filtr a
je černobílý obraz. Potom v závislosti
na zvolené hodnotě se bude kontura přitahovat buď ke světlým, respektive
tmavým oblastem obrazu.
Eedge – Definujeme tuto funkci vzorem:
|


|
(10)
Kontura bude přitahována hranami s vysokou hodnotou gradientu.
Doporučuje se před výpočtem použít opět některý eliminační filtr (např.
Gaussův). Jelikož lokální minimum, tedy největší gradient může být méně
výrazný nebo inicializační kontura může být od hrany dále, nebo se může
nacházet v oblasti s velkým šumem.
Eterm – Detekuje konce hran a ostré hrany. Zkoumáme zakřivení kontury
opět
v mírně rozmazaném obraze pomocí Gaussova filtru. Pro zjednodušení si
definujme rozmazaný obraz
. Nechť
33
a
úhel gradientu
hrany. Výpočet je:
je normála gradientu odpovídající směru
(
)
(11)
4.4.4 Metoda kruhových aktivních kontur
Ritter navrhl model aktivních kontur pro lokalizaci duhovky v obraze [25]. Model
detekuje hranici zornice a okraj duhovky aktivováním a kontrolováním aktivních
kontur za pomocí dvou definovaných sil, vnější a vnitřní síly. Vnitřní síly jsou určeny
pro rozšíření kontry a udržení ji v kruhovém tvaru. Tento model síly předpokládá, že
okraje zornice a duhovky jsou globálně kruhové, spíše než lokálně, aby se
minimalizovalo nežádoucí deformace v důsledku zvláštních odlesků, tmavých míst
v blízkosti hranic zornice. Model vyhledávání kontur je založen na rovnováze
definovaných vnitřních sil s vnějšími silami. Vnější síly jsou získávány z hodnot
šedého spektra intenzity obrazu a jsou navrženy tak, aby posouvaly vrcholy dovnitř.
Pohyb kontury (obrysu) je založený na skládání vnitřních a vnějších sil přes kontury
vrcholů. Každý vrchol je posunut v čase mezi t a (t+1) pomocí vzorce:
(1)
kde
je vnitřní síla,
je vnější síla a je pozice vrcholu i.
Vnitřní bod zornice se určí z rozptylu obrazu a poté je vytvořena diskrétní kruhová
aktivní kontura (DCAC) s tímto bodem uprostřed. DCAC je poté přesouvána pod
vlivem interních a externích sil dokud nedosáhne rovnováhy a zornice je určena
(nalezena, lokalizována...).
Obr. 16 Metoda aktivních kontur. [13]
4.5. Normalizace duhovky
Při extrakci duhovky z obrazu je zapotřebí nejprve zjistit velikosti a středy kružnic
ležících na vnějším a vnitřním okraji duhovky. Duhovky od různých uživatelů, mají
34
různé velikosti. Velikost duhovky však může být různá i pro stejné oko a to z důvodu
závislosti na osvětlení, vzdálenosti od kamery a dalších faktorech. Abychom zmenšili
vliv těchto faktorů, zvýšili přesnost a mohli duhovky vzájemně porovnávat, je nutné
provést normalizaci. Proces normalizace vytvoří oblasti duhovky, které mají stejné
konstantní rozměry, tak že dvě fotografie stejné duhovky pořízené za různých
podmínek budou mít charakteristické rysy ve stejné prostorové poloze.
Obr. 17 Zobrazení normalizace. [15]
Normalizace je proces, kdy se převede kruhový region na obdélníkový s pevnou
velikostí. Ze vzniklého obrázku duhovky je následně možné vytvořit její kód.
Polární souřadný systém je popsán parametry θ ϵ (0, 2π) a
ϵ (0, 1) a rovnicemi:
(1)
(2)
Hraniční body zornice (
jsou počítány:
(3)
Hraniční body duhovky (
jsou počítány:
(4)
Kde SP, Sd jsou souřadnice středu zornice a duhovky. Rp, Rd značí poloměr
zornice a duhovky.
Obr. 18 Normalizace. [13]
35
Tato metoda je invariantní vůči velikosti a translaci. Model ovšem nekompenzuje
rotační nekonzistenci, která je řešena posunem šablony duhovky ve směru θ ve fázi
porovnání, dokud obě šablony nedosáhnou shody.
Transformace souřadnic (x,y) na (x’,y’) je provedena následovně:
( )
( )
(5)
( )
kde s je zvětšení,
x, y jsou původní souřadnice,
x’, y’ jsou transformované souřadnice
a R(φ) je matice představující otočení o úhel φ.
4.6. Vytvoření kódu
demodulace
rysů
duhovky
pomocí
2D
waveletové
Gaborovy filtry jsou schopny poskytnout optimální reprezentaci signálů ve
frekvenční a prostorové oblasti. Z extrahované, rozbalené a normalizované duhovky
je potřeba vytvořit její kód (vektor). Na základě tohoto kódu mohou být duhovky
porovnávány. Za tímto účelem je v systému využito Gaborova filtru. Jeho vzorec pro
filtrování v polárním souřadném systému je následující:
(1)
kde (r, ) udává pozici v obrazu, (α,β) určují efektivní výšku a délku a ω je
frekvence filtru.
Demodulace a fázová kvantizace je provedena pomoci vzorce (17). Kódovací
proces je tvořen postupným fázovým kvantováním části vzoru duhovky za pomoci
identifikace kvadrantu komplexní roviny pro každý výsledný fázor, při promítnutí dané
oblasti duhovky na komplexně obohacené 2D Gaborovy wavelety.
{
}
(2)
{
}∫ ∫
kde I( , φ) je hrubý obrázek duhovky v polárním souřadném systému, který je
invariantní vůči velikosti a translaci a který rovněž koriguje rozšiřování zornice. Bit v
komplexní rovině g{Re,Im} odpovídající reálné a imaginární části odezev filtru. Jehož
reálná a komplexní část je buďto 1 nebo 0 (signum) v závislosti na znaménku 2D
integrálu. Symboly α, β značí šířku, respektive výšku obrázku. Jsou to vícerozměrné
2D parametry velikosti waveletu na duhovce v rozpětí od 0,15 mm do 1,2 mm.
Symbol ω je waveletová frekvence. Žádoucí vlastnost definice fázového kódu na
obrázku 25 je cykličnost neboli Grayův kód: rotací mezi sousedními fázovými
kvadranty se mění pouze jediný bit, na rozdíl od binárního kódu, kde se mohou měnit
dva bity, což pak některé chyby znevýhodňuje před ostatními. Celkem je pro každou
36
duhovku spočítáno 2048 takových fázových bitů (256 bajtů), nyní se dále vyjadřuje
počet zakrytých bitů, což značí, zda je nějaká část duhovky zakryta obočím, včetně
zakrytí řasami, zrcadlových odlesků, artefaktů1 kontaktních čoček nebo horších
poměrů signálu k šumu a takové oblasti by měly být při demodulaci ignorovány jako
artefakty.
Kvantování fázové informace reálné a imaginární složky do čtyř úrovní:
∫∫
(3)
∫∫
{
∫∫
(4)
∫∫
{
Každá z těchto úrovní je reprezentována dvojicí bitů. Po této operaci vznikne
z normalizované textury duhovky bitový vektor.
Obr. 19 Proces demodulace fáze použitý pro kódování vzoru duhovky. [7]
Proces demodulace fáze použitý pro kódování vzoru duhovky, je zobrazen na
obrázku 25. Části duhovky jsou promítnuty na plochu 2D Gaborových waveletů, což
vytváří komplexní koeficienty, jejichž reálná a imaginární část specifikuje souřadnice
fázoru v komplexní rovině. Úhel každého fázoru je kvantován do jednoho ze čtyř
kvadrantů, čímž získáváme 2 bity fázové informace. Tento proces je opakován pro
37
všechny části duhovky pro různe velikosti waveletů, frekvence a orientace, abychom
finálně získali 2048 bitů.
4.7. Porovnání kódu duhovky
Porovnání může být prováděno pomocí Hammingovy vzdálenosti mezi oběma 256
bytovými kódy duhovek. Umožňuje nám změřit, kolik bitů se bude shodovat mezi
dvěma bitovými vzorky. Hammingova vzdálenost mezi dvěma kódy duhovky A a B je
dána jako suma exkluzivních součtů (XOR) mezi jednotlivými bity:
∑
(1)
Kde N=2048 (8 x 256), není-li duhovka zastíněna víčkem. V opačném případě jsou
použity pro výpočet Hammingovy vzdálenosti jen platné oblasti.
Pokud budou oba vzorky získány ze stejné duhovky, pak se Hammingova
vzdálenost bude mezi nimi rovnat nule nebo bude blízká této hodnotě nula (díky
vysoké korelaci obou vzorků). K zajištění rotační konzistence je jeden ze vzorů
posunut doleva/doprava a vždy je vypočítána odpovídající Hammingova vzdálenost.
Nejnižší hodnota Hammingovy vzdálenosti je potom brána jako výsledné skóre
porovnání. Uvádím zde příklad porovnání kódu duhovek za použití posunů.
šablona 1 11 01 10 00 10 01 HD = 0,667
šablona 2 01 10 00 10 01 11
posun dva bity doleva
šablona 1 01 10 00 10 01 11 HD = 0,000
šablona 2 01 10 00 10 01 11
posun dva bity doprava
šablona 1 01 11 01 10 00 10 HD = 0,333
šablona 2 01 10 00 10 01 11
4.8. Testování životnosti
Při testování živosti u duhovky existuje hned několik metod. Nejběžnější metodou
je reakce duhovky na změnu osvětlení, kdy se zornice zvětšuje při menším a
zmenšuje při intenzivnějším osvětlení. Další způsob testování živosti může být pohyb
oka, mrkání podle povelů ze skenovacího zařízení.
Měření spektrografických vlastností tkání, tuků a krve. Vzhledem k tomu, že krev
velmi dobře reflektuje infračervené záření stejně jako v duhovce barvivo melanin.
Tento jev se nazývá koaxiální zadní reflexe sítnice, při fotografování je nazývaný jako
„červené oči“, při osvětlení růžové sítnice intenzivním světlem dojde k odrazu světla
zpět do kamery.
38
5 Sítnice oka
Rozpoznávání pomocí oční sítnice je biometrická metoda, která provádí
porovnávání osob na základě snímání a porovnávání vzoru sítnice. Je nutné pro
získání obrazu cév oční sítnice použít speciální optickou kameru.
Sítnice oka obsahuje rovněž dostatek specifických anatomických bodů, které
zajišťují vysokou identifikační schopnost. Snímání biometrického vzorku probíhá
světelným paprskem. Bílá sítnice část paprsku pohlcuje a část odráží. Takto je
zmapováno řečiště drobných žilek a cévek sítnice, které zůstává během celého
života jedince téměř neměnné.
5.1. Anatomie sítnice
Obr. 20 Anatomické zobrazení oka a cév na sítnici.
Sítnice je na světlo citlivý povrch zadní strany oka. Vzhledem ke svému vnitřnímu
umístění je sítnice chráněna před změnami, které jsou způsobeny vlivem vnějšího
prostředí (na rozdíl například od otisků prstů). Díky tomu je vzor cév za oční sítnicí
téměř neměnný. Obraz dopadající na sítnici je zaostřen čočkou (v případě
krátkozrakosti a dalekozrakosti vzniká zaostřený obraz ještě před nebo již za sítnicí a
na sítnici dopadá obraz neostrý), oční duhovka přitom upravuje (svou velikostí)
množství světla dopadajícího na sítnici. Sítnice se skládá se z obrovského počtu
specializovaných nervových buněk, které se nazývají tyčinky a čípky. Jsou to
světločivné buňky. Tyto buňky mají za úkol převádět světelné paprsky na nervové
signály. Čípky poskytují barevné vidění. Díky své husté koncentraci umožňují čípky
nejostřejší vidění. Tyčinky jsou mnohem citlivější na světlo než čípky, ale poskytují
pouze černobílé vidění. Každá tyčinka a čípek je spojen s nervy, jejichž signály
vystupují z oka pomocí očního nervu. Oční nerv, společně s artérií sítnice, vystupují z
oka v bodě, kde nejsou žádné čípky ani tyčinky – jedná se o tzv. slepý bod na sítnici
neboli slepá skvrna. Máme tedy jedinečný znak a přesně definovaný neměnný bod,
což je pro identifikaci naprosto dokonalý materiál. Tyčinky a čípky musí být
zásobovány krví, a tak je na pozadí oka velice rozvětvené krevní řečiště, které se
nazývá choroidální vaskulatura. To je pro každého člověka jedinečné.
5.2. Snímání sítnice
39
Sítnici snímáme za pomocí infračerveného paprsku o nízké intenzitě, tento
paprsek světla popisuje kruhovou dráhu sítnice, který prochází skrze zornici. Pro
světlo této vlnové délky je však sítnice víceméně průhledná. Snímek sítnice vytváří
až teprve odraz sítě cév, který se nachází za sítnicí a tento snímek se používá
k rozpoznávání osob. Tato technologie je velice podobná jako oční vyšetření u
optometristy. Skener postupně obíhá kolem určité oblasti sítnice a zachycuje kruhový
snímek sítnice, na kterém jsou viditelné tmavší cévní struktury než okolní tkáň.
Označení „snímek sítnice“ je tedy poněkud nepřesný, jelikož se jedná o snímek cév
za sítnicí v choroidu. Mezi hlavní nevýhodu patří subjektivní nepříjemnost pro daného
uživatele a velice blízký kontakt se snímacím zařízením, jedná se o vzdálenost 2 až
3 cm oka od snímače. Identifikace také není možná přes brýle a čočky, uživatel si je
tedy nejdříve musí sundat a až poté může být snímána sítnice. Pořizovací cena je
ovšem velice vysoká, ale zato je tato metoda identifikace velice přesná.
Obr. 21 Snímaná část cév v choroidu. [28]
Technologie rozpoznávání sítnice se používá pro měření unikátního uspořádání
cév obsažených v sítnici. Pro získání snímku sítnice se používají specializované
kamery. K osvětlení sítnice se používá světelný infračervený zdroj o nízké intenzitě.
Biometrické systémy pro rozpoznávání sítnice patří mezi nejpřesnější ze všech
biometrických technologií a jsou použity na vojenských zařízeních a jiných vysoce
rizikových zařízeních. Jsou také poměrně drahé vzhledem k požadovanému
hardwaru. Není potřeba bezpečnostních opatření pro zabránění oklamání systému,
protože není možné vyrobit „falešnou“ sítnici a sítnice z mrtvých těl se zhorší až moc
rychle.
Sítnicový skener svítí infračerveným světlem skrz zornici, kruhovou oblast sítnice
a zaznamenává odražené kontrastní informace o cévním řečišti. Skenování sítnice je
považováno za velice přesnou a dokonale chráněnou biometrickou technologii. Je
uznávána jako velmi efektivní řešení pro prostředí s vysokou úrovní bezpečnosti.
Jednotlivec musí umístit oko velmi blízko k čočce zařízení sítnicového-skeneru. Dívat
se přímo do objektivu a zůstat nehybně a zaměřit se na otáčivé světlo, zatímco malá
kamera skenuje sítnici skrz zornici. Každý pohyb může zasahovat do procesu a
může vyžadovat restartování.
40
Na obrázku 27 je zobrazena část cév v choroidu, kde šedé křivky značí vzor cév,
světlý kruh označuje slepou skvrnu, jedná se o místo, kde nerv vstupuje do sítnice.
Černá čárkovaná kružnice značí oblast, která bude snímána, ne však uvnitř celé
oblasti, ale jen podél kružnice.
5.3. Historie rozpoznávání pomocí sítnice
V roce 1935 oční lékaři Dr. Carleton Simon a Dr. Isodore Goldstein byli první, kdo
koncipovaly myšlenku pro identifikaci pomocí sítnice. Během studování očních
onemocnění zjistili, že každé oko má svůj vlastní zcela unikátní vzor krevního řečiště.
Následně publikovali článek v New York State Journal of Medcine o použití
sítnicových snímků pro identifikaci osob právě na základě vzorů cév. Jejich výzkum
podpořil i Dr. Paul Tower, který publikoval článek o studiu jednovaječných dvojčat
v roce 1955. Předpokládal, že jednovaječná dvojčata by měla mít podobné vzory cév
na oční sítnici. Jeho studium identických dvojčat však ukázalo, že právě vzorem cév
na oční sítnici se jednovaječná dvojčata značně liší.
Společnost Eydentify založena Robertem Hillem v roce 1976, byla první
společnost, která využila myšlenku skenování sítnici a začala se vývojem zařízení
zabývat. Hill byl elektroinženýr, který přišel na nápad použít sítnicový skener jako
způsob identifikace, během doby kdy vypomáhal svému otci, oftalmologovi,
detekovat oční vady pomocí fotek. První pokusy při snímání obrazů oční sítnice
vycházely konstrukčně z přístrojů očních lékařů. Byly však velice drahé a náročné na
obsluhu.
Nejprve bylo používáno pro osvětlení sítnice viditelné světlo. Bylo však za potřebí
velkého množství světla pro získání dostatečného poměru signálu k šumu, toto velké
množství světla, bylo často pro uživatele již nepříjemné. Použití viditelného světla se
brzy ukázalo jako nevhodné. Modernější systémy pro osvětlení sítnice využívají
světlo v blízké infračervené oblasti. Dané vlnové délky jsou pro lidské oko neviditelné
a eliminují tak zdroj nepříjemného viditelného světla. Existují návrhy systémů s
využitím laseru, v praxi však žádné takové systémy nebyly implementovány. První
fungující prototyp zařízení pro identifikaci osob pomocí snímání obrazu sítnice byl
vyroben v roce 1981.
Historie rozpoznávání osob podle sítnice je svázaná s firmou EyeDentify. Ta si
řadu principů použitých při rozpoznávání nechala patentovat. Ačkoliv některé prvky
konstrukce snímacích kamer jsou stále ještě chráněny patentem, patent popisující
základní princip snímání sítnice pro rozpoznání osob vypršel v roce 1995.
Skenování sítnice bylo využito v několika vládních agenturách, jako je FBI, CIA a
NASA. Nicméně v posledních letech se skenování sítnice stává stále populárnější i
pro komerční účely. Snímání bylo použito ve věznicích, pro ATM ověřování
totožností.
5.4. Technologie snímání sítnice
Sítnicový skener pracuje na principu osvětlení sítnice infračerveným zářením o
nízké intenzitě, tyto infračervené paprsky vstupují do očí a měří se odraz tohoto
světla. Jakmile se člověk podívá do skeneru, nízkoenergetický paprsek světla
obkresluje kruhovou cestu sítnice na zadní straně oka. Cévy potom absorbují více
41
infračerveného světla než okolní tkáně a jsou snadno identifikovatelné za pomocí
vhodného osvětlení. Z tohoto důvodu je zde různorodost v odrazu, kde skener měří
odraz ve 320 bodech podél trasy paprsku a pak rychle přiřazuje hodnotu mezi 0 až
4095. Výsledky jsou potom zpracovány do počítačového kódu (zakódovány), kde je
následně tento kód porovnán se vzorky, které byly vloženy do počítačové databáze.
Celý funkční princip zařízení pro snímání sítnice se dá rozdělit do tří subprocesů:
 Obraz, získání a zpracování signálů - Optický systém a kamera musí
být schopny zachytit snímek sítnice v digitální formě, která je vhodná pro další
zpracování.
 Porovnání – program v daném zařízení musí extrahovat klíčové
příznaky z daného aktuálně nasnímaného snímku sítnice a porovnat je se
vzory z databáze.
 Reprezentace – Každý otisk sítnice musí být reprezentován takovým
způsobem, aby bylo možné jeho rychlé porovnání se vzory v databázi a také
aby možné jeho uložení do dané databáze.
5.4.1 Získání a zpracování obrazu
Mechanická konstrukce optického zařízení je poměrně složitá záležitost. Kamera
pro snímání sítnice má stejný úkol jako retinoskop používaný očními lékaři.
Retinoskopy jsou poměrně komplikované zařízení a tomu také odpovídá jejich
pořizovací cena.
Princip je tedy stejný jako u retinoskopu, zdroj světla ozařuje oční sítnici a
odražené světlo dopadá do CCD kamery. Světlo vychází z retinoskopu v
soustředěném svazku paprsků tak, aby jej oční čočka zaostřila na bod na sítnici.
Sítnice odráží část světla zpět k oční čočce, která opět soustřeďuje světelné paprsky.
Toto světlo opouští oko pod stejným úhlem, jakým do oka vstupuje, což je proces,
který se nazývá retroodraz. Takovým způsobem lze získat snímek povrchu oka asi
10° kolem vizuální osy, jak je zobrazeno na obrázku 28. Zařízení provádělo kruhový
snímek sítnice a to především z důvodu odrazu světla od rohovky, kdy by při
rastrovém snímání byly body uprostřed nepoužitelné. Světlo odražené od sítnice je
snímáno kamerou.
Obr. 22 Funkční princip pro získání snímku sítnice oka. [33]
42
Aby bylo zajištěno, že kruhový snímek sítnice je centrován na kruhové jamce a
uživatelova sítnice je po celou dobu snímání pod paprsky snímače, je uživateli
ukázán cíl, na který se má zaměřit a po celou dobu snímání musí být zhruba v této
stejné poloze. Cílem může být například řada jednoduchých optických sítí
v ohniskové vzdálenosti -7, -3, 0, +3 dioptrie. Bez ohledu na to, zda je uživatel
krátkozraký nebo dalekozraký, tak pro většinu uživatelů bude alespoň jedna z těchto
optických sítí zaostřena. Když oko zaostří na cíl, zařízení se automaticky zarovná do
osy vycentrováním rotujícího disku na oční pozadí.
Snímání sítnice trvá přibližně 10 – 15 sekund. Po celou dobu snímání nesmí
uživatel hýbat s hlavou, musí mít oči široce otevřené a soustředit se na zelený cíl.
Snímání probíhá ve vzdálenosti 2-3 cm od kamery. Před snímáním je nutné si sundat
brýle. Kontaktní čočky mohou zůstat nasazeny, některé typy čoček však mohou být
problematické.
Při zpracování snímaného signálu je třeba filtrovat světelný šum z okolního světla
a odrazu rohovky. Odrazy zdroje světla přístroje v rohovce jsou jedním z hlavních
důvodů pro využití kruhového snímání sítnice (a ne například čtvercového). Odrazy
by středové pixely čtvercového obrazu sítnice učinily nepoužitelnými, snad jen s
výjimkou využití prstencovitého osvětlení, které však vyžaduje velmi přesné
zaostření. Jádrem snímače je A/D převodník doprovázený nízko-šumovým
zesilovačem a obvodem pro úpravu kontrastu.
Obr. 23 Snímek cév v choroidu. [28]
5.4.2 Porovnání
Při snímání sítnice dochází k různému náklonu hlavy uživatel, než je v původní
nasnímané pozici. Žádný uživatel není schopen mít při každém snímání stejný
náklon hlavy, i když se jedná třeba i o posun několika milimetrů. Rotační algoritmus
(fázový korektor) dokáže data pootočit o několik stupňů. Tento proces je proveden
několikrát, dokud nedojde k nevyšší shodě, tedy nejvyšší korelaci.
Porovnání získaných vzorků je zajištěno v několika krocích:
 Vzorkováním se převede referenční záznam oka do pole se stejným
počtem prvků jako získané pole, což zajišťuje zarovnání (překryv vzorků).
 Normalizují se obě pole tak, aby měla hodnotu RMS rovnu 1,
normalizují se tedy intenzity.
 Spočítá se korelace polí za pomoci ekvivalentu Fourierovy korelace v
časové doméně.
43
Kvalita srovnání je dána korelační hodnotou, kde je časový posun roven 0. Je
v rozsahu <-1, +1>, kde hodnota +1 znamená absolutní shodu a hodnota -1
absolutní neshodu. Skóre, které se pohybuje kolem hodnoty 0,7, může být
považováno ještě za shodu.
5.4.3 Reprezentace
Reprezentace sítnice je odvozena z kruhového snímku vzorů cév v choroidu za
sítnicí, ze kterého nás zajímá pouze prstencovitá oblast – mezikruží. Velikost
snímané plochy je vybrána s ohledem na nejhorší možné podmínky snímání (velmi
zmenšenou pupilu), ale zároveň je dostačující pro biometrickou identifikaci. Z toho
vyplývá, že nebude potřeba získat obraz příliš velké plochy a rozlišení.
V každém bodu bereme v úvahu poměr jasu k průměrnému jasu oblasti. Největší
kontrast je nejjasnější odraz na nasnímaném kruhu a nejnižší kontrast je nejtmavší
odraz na nasnímaném kruhu. Intenzity v časové oblasti mohou nabývat hodnot <8,7>, přičemž se provádí normalizace na toto rozložení- úprava na 4 bity intenzivního
rozložení.
Existují dvě základní reprezentace sítnice oka:
 Původní reprezentace se skládá ze 40 bajtů údajů o kontrastu
kódovaných jako reálné a imaginární souřadnice ve frekvenční doméně,
které byly získány rychlou Fourierovou transformací.
 Druhá reprezentace má 48 bajtů a uvádí údaje o kontrastu v časové
doméně. Jedná se vlastně o pole devadesáti šesti čtyřbitových čísel
znamenajících kontrast pro všech 96 pozic rovnoměrně rozmístěných na
nasnímaném kruhu. Výhodou reprezentace v časové doméně je rychlejší
zpracování.
Proces registrace spočívá v získání několika snímků sítnice. Pořízené snímky jsou
korelovány navzájem, pokud je korelace vyšší než přibližně 0,75–0,8 jsou získaná
data považována za dostatečně kvalitní a je možné je použít pro vytvoření
referenčního záznamu. Referenční záznam je založen na zprůměrovaných
hodnotách z nejlepších snímků.
5.5. Testování živosti
O testování živosti u sítnice neexistuje mnoho informací. Už jenom snímání sítnice
je poměrně problematický proces, který není lehké napodobit. Pro obelstění
snímače, by muselo být vyrobené oko se stejnými vlastnostmi jako oko živé, jedná se
o velice komplikovaný až nemožný způsob.
Nabízí se zde testování barvy žluté skvrny. Teprve u mrtvého jedince se žlutá
skvrna stává žlutou, do té doby je načervenalá. Nebo další možností je testovat
živost na základě pohybu oka. Princip je následující. Přístroj je vybaven pozorovací
tečkou a několikrát ji náhodně přemístí. V každém přemístění se provede sejmutí
sítnice a porovná pozici slepé nebo žluté skvrny. Pokud je po každém vyfocení na
jiném místě, jedná se o oko živé.
44
5.6. Výhody a nevýhody technologie

Výhody:
 Nízký výskyt falešně negativních výsledků, avšak je nutné získat
dostatečně kvalitní oční sítnice. Uživatelská nepřívětivost a nutnost soustředit
se na jeden bod až 15 sekund a strach některých uživatelů, stěžují získání
kvalitního snímku a to způsobuje nesprávná odmítnutí některých uživatelů.
 Extrémně nízké falešné positivy.
 Vysoce spolehlivé, protože žádné dvě osoby nemají stejný vzor sítnice.
Také podvést snímač oční sítnice je velice nesnadný úkol, konstrukce
umělého oka sebou nese řadu technických problémů, které je potřeba při
vytvoření umělé sítnice vyřešit. Umělé oko by muselo emulovat řadu vlastností
skutečného oka včetně odrazivosti sítnice. Čočky, která zaostřuje příchozí a
odražený svazek paprsků a systém zaměření/zaostření, který umísťuje oko do
správné vzdálenosti od snímací kamery a otáčí oko kolem osy.
 Rychlý výsledek, identita objektu je v dnešní době rychlých počítačů
ověřena velmi rychle (zlomky sekundy). I identifikační režim s databází o
velikosti tisíců záznamů pracuje dostatečně rychle.

Nevýhody:
 Náchylnost na nemoci, jako je šedý zákal a glaukom.
 Metoda není velmi uživatelsky příjemná, i když snímání není vyloženě
nepříjemné, ale nutnost přiblížit snímací zařízení k oku anebo oko ke
snímacímu zařízení a vydržet nehybně 10 až 15 sekund, z této metody dělá
podstatně méně příjemnou, než snímání otisku prstu.
 Při snímání je použito infračervené záření o nízké intenzitě, toto záření
je zdraví neškodné, ale mezi uživateli panují obavy, že systémy pro snímání
oční sítnice ji mohou poškodit.
 Subjekt, u kterého probíhá skenování, se musí soustředit na skener,
který je od něho vzdálený asi 3 cm a uživatel musí odložit brýle. To může
lidem se silným astigmatismem způsobovat problémy při zaměřování teček v
kameře a ve fixaci cíle.
 Vysoké náklady na vybavení.
 Špatné osvětlení může ovlivnit výsledky a je nemožné použít snímače
ve venkovním prostředí. To souvisí s malou velikostí čočky a taky
s množstvím okolního světla, které ovlivňuje získaný snímek. A protože světlo
musí projít čočkou dvakrát (jednou směrem do oka, podruhé směrem ven),
způsobí příliš malá čočka uživatele získání nedostatečně silného odrazu, čímž
snižuje kontrast snímku.
45
5.7. Snímače a spolehlivost
Aby bylo možno sejmout vzorek sítnice, musí se uživatel přiblížit k snímači na
velmi malou vzdálenost cca 3 cm. Pak musí zaostřit na přesný bod. Následně je mu
sejmut obraz sítnice snímáním pomocí infračerveného paprsku. Z toho obrazu je
vytvořena 40 bajtů velká předloha. Tento proces je pro uživatele velice nepříjemný,
proto systémy založené na principu snímání oční duhovky jsou instalovány jen v těch
nejvíce střežených prostorách. Kromě nepříjemností tohoto procesu musí také
uživatel značně spolupracovat. Je známo, že systém od firmy EyeDentify, nebyl
nikdy obelstěn útočníkem.
Zařízení firmy EyeDentify testovala americká národní laboratoř Sandia s
výsledkem FRR pod 1 % a nulovým FAR. Tento test byl však proveden v roce 1991 v
samých začátcích testování biometrických systémů. Podle údajů firmy EyeDentify se
distribuce výsledků porovnání vzorů sítnice blíží ideální Gaussově distribuci se
střední hodnotou 0,144 a standardní odchylkou 0,117. Na této distribuční křivce je při
prahové hodnotě 0,7 pravděpodobnost nesprávného přijetí asi 1:1 000 000.
Chybovost systémů rozpoznání osob na základě oční sítnice je způsobena
především nedostatečnou kvalitou snímku sítnice, což vede k nesprávnému
odmítnutí uživatele. Mezi faktory, které snižují kvalitu snímku, patří nesprávná
vzdálenost oka od snímače, posunutí oka během snímání, nedostatečná velikost
oční čočky, příliš silné okolní světlo a hrany kontaktních čoček nebo brýle.
Tabulka 1 Parametry systému pro snímání oční sítnice
FRR – pravděpodobnost chybného zamítnutí
<0,4%
FAR – pravděpodobnost chybného přijetí
0,001%
Rychlost verifikace
1,5
až
sekundy
Míra spolehlivosti
vysoká
4
5.8. Porovnání charakteristik sítnice a duhovky – Akceptace


Duhovka – akceptace u identifikace podle duhovky je na střední úrovni. Jak
bylo zmíněno výše, není potřeba interakce s uživatelem. Ten musí pouze stát
v určité vzdálenosti před zařízením a dívat se pouze na snímač bez natočení
hlavy. Snímání a vyhodnocení obrazu trvá přibližně 2 vteřiny.
Sítnice – V případě použití metody pro identifikaci pomocí snímání sítnice je
akceptace nízká. A to především z důvodů, že mnoho lidí má z použité této
metody strach. Obávají se, že při snímání bude použit laser, který by jim mohl
poškodit zrak. I když obavy jsou zcela zbytečné, jelikož tato metoda
nepoužívá laser, ale infračervené záření. Procedura získávání obrazu sítnice
je mnohem zdlouhavější. Nutná je i přímá interakce uživatele, ten se musí
přiblížit na vzdálenost jednotek centimetrů a zaostřit zrak na dané fixační
body.
46
6 Identifikace pomocí otisku prstů
Tato metoda nazývá daktyloskopie, jedná se o nauku o kožních papilárních liniích na
prstech, dlaních a ploskách nohou. Jedná se o jednu z nejznámějších a nejvíce
publikovaných biometrických metod.
Založena na principu snímání a porovnávání otisku prstu identifikované osoby.
Každý člověk má unikátní a jedinečné otisky prstů. Dokonce ani jednovaječné
dvojčata nemají stejný vzor otisku. Tento vzor je složen z papilárních linií, které se
nacházejí na bříšcích prstů.
Základním prvkem, každého otisku prstu jsou papilární linie. Jsou to vyvýšené
reliéfy o výšce 0,1 – 0,4 mm a šířce 0,2 – 0,7 mm, které vytvářejí smyčky a spirály.
Označují se jako dermatoglyfy, vzájemně se kříží, rozvětvují, spojují, přerušují a tak
vytvářejí právě jedinečné charakteristické znaky člověka, tzv. markanty. Tyto
markanty, má právě každá osoba jedinečné. Nevyskytují se však pouze na bříšcích
prstů u rukou, ale i na celých prstech, dlaních a chodidlech. Avšak markanty na
prstech se používají pro identifikaci nejčastěji.
Obr. 24 Otisk prstu. [31]
6.1. Historie otisků prstů
Pokud budeme pátrat po počátcích daktyloskopie, musíme si uvědomit, zda se
nám jedná o to, kdy si lidé začali uvědomovat, že konečky prstů mají různé papilární
linie, anebo okamžikem využití této znalosti pro identifikaci osob.
Nejstarší otisky prstů byly nalezeny na babylonských hliněných tabulkách a
keramice. Byly také nalezeny v egyptských hrobkách nebo na minojské a čínské
keramice staré tisíce let. Archeologové si všimli, že některé otisky prstů, které byly
hluboce vytlačeny do hlíny, sloužily jako značka a měli identifikovat výrobce. Ovšem
některé otisky se tam jistě dostaly neúmyslně díky nepříliš pečlivým řemeslníkům.
Místo podpisů používali bříška prstů otištěné ve hlíně již ve starověkém Babylónu
ve druhém tisíciletí před naším letopočtem. Kolem roku 246 před naším letopočtem
otisky prstů ve hlíně používat i čínské úřady. Čínský zákoník v letech 618 - 906
nařizoval, aby manžel, který se chtěl rozvést, připojil k dokumentu s důvody rozvodu
své otisky prstů. První zmínky o využívání otisků prstů v kriminalistice v Číně pochází
již z roku 1107, kdy zde vládla dynastie Sung.
V Japonsku se rozmáhá používání otisků prstů k identifikaci ve stejné době jako v
Číně. První zmínky pochází z roku 672 a v roce 720 se o daktyloskopii píše v knize
Dějiny Japonska "Nihongi". Kromě otisků celé dlaně se v Japonsku používá i tzv.
pečeť palce ("bo-han"). Odsouzení zločinci musely otiskem levého palce ztvrdit svůj
rozsudek. Důkazy o používání daktyloskopie jsou však známy i z Tibetu, Persie,
Egypta nebo Turecka.
47
V Evropě se tato metoda rozvíjí v 17 a 18 století. V roce 1684 anglický rostlinný
anatom a fyziolog Nehemiah Grew (1641 - 1712)věnoval se studiu papilárních linií a
umístění potních pórů na rukách. Roku 1684 vydává vědeckou práci, která se zabývá
strukturami na kůži bříšek prstů a dlaních, čímž pokládá základy daktyloskopii. O rok
později v roce 1685 publikují holandský fyziolog Govard Bidloo (1649 - 1713) a
italský fyziolog Marcello Malpighi (1628 - 1694) knihy o anatomii, kde jsou právě
popisovány vyvýšené struktury na prstech. V roce 1788 Johann Christoph Andreas
Mayer publikuje dílo o unikátnosti otisku prstů u každého jedince.
Jan Evangelista Purkyně (1787 – 1869) se zabýval papilárními liniemi na
posledních článcích prstů pouze z biologického hlediska, nikoli identifikačního. A jako
první popsal a klasifikoval obrazce papilárních linií do 9 vzorů, publikoval o tom dílo
roku 1823. Poukázal také na důležitý klasifikační znak deltu, který popisuje
trojúhelníkové seskupení papilárních linií.
Používání otisku prstu jako metody pro identifikaci se začala používat už na konci
19. století, kdy Sir Francis Galton nalezl a definoval některé charakteristické body na
prstu, které mohou sloužit k identifikaci člověka. Tyto ,,Galtonovi body“ položily
základ vědnímu zkoumání otisku prstu, který byl rozvíjen po celé století. Také spočetl
pravděpodobnost shody dvou otisků prstů jako 1 ku 64 miliardám. Henry Faulds
publikoval roku 1880 dílo zabývající se použitelností otisků prstů k účelu identifikace
osob, přičemž navrhl i metodu pro získání otisků prstů pomocí inkoustu.
Od 90. let 19. století se daktyloskopie prosazuje i v kriminalistice. V roce 1901
zavádí daktyloskopickou registraci pachatelů britský Scotland Yard. O rok později
byla tato metoda zavedena v USA a ani Praha nezůstává stranou nových trendů a
tak je i zde 21. 6. 1903 založena daktyloskopická registrace pachatelů.
Obr. 25 Schématický vývoj a ovlivnění daktyloskopů. [19]
6.2. Papilární linie
48
Otisk prstu je vzor tvořený strukturou papilárních linií. Jsou to unikátní vyvýšeniny
povrchové struktury pokožky každého prstu. Výška papilárních linií leží v rozmezí 0,1
– 0,4 mm šířka papilárních linií v rozmezí 0,2 – 0,5 mm. Informace o struktuře těchto
útvarů je důmyslně zabudována až v nejhlubších úrovních pokožky, zárodečné
vrstvě kůže. Z tohoto důvodu ji tedy nelze snadno odstranit bez použití velmi
násilných postupů. Tato informace odolá povrchovému mechanickému poškození i
poleptání. Po čase potřebném ke zhojení se tato kresba opět regeneruje, pokud
nedojde k nevratnému poškození zárodečné vrstvy kůže.
Obr. 32 Schéma stavby kůže s papilárními liniemi. [19]
Obrázek 32 popisuje stavbu kůže, kde 1 – pokožka (epidermis), 2 – škára (curie), a –
rohová vrstva, b – zárodečná vrstva, c – póry, d – vývody potních žláz, e- potní žlázy,
f – cévy, g – podkožní tuk, h – svalstvo.
Neustálým obnovováním odumřelých buněk pokožky novými, diferencujícími se
právě ze zárodečné vrstvy, nedochází s věkem ke změně distribuce
charakteristických bodů otisku, tzv. markantů.
Kůže má dvě základní vrstvy, vrchní pokožku (epidermis), která se bezprostředně
stýká se zevnějškem, a pod ní vlastní vazivovou kůži (cutis neboli corium). Mezi
epidermis neboli vrchní pokožkou, z hlediska papilárních linií a spodní vazivovou
vrstvou (Stratum papilae, corium nebo škáry) se nachází vrstva Stratum Malpighii.
Hranice mezi vrstvami není rovná a tvoří hřebínkovité výběžky (papilae) a brázdy, do
nichž přesně zapadají epiteliální lišty a čepy pokožky. Papily jsou tím vyšší, čím větší
a jemnější pohyblivost vyžaduje určité místo kůže.
49
Obr. 33 Hřebeny a údolí na otisku prstu. [20]
Určité uspořádání a směr snopců vláken kůže a podkožního vaziva probíhá tak, aby
mohla při pohybech nejlépe vzdorovat tahu a tlaku. Stav a vývin kůže – kožních papil
– se vyvíjí již v embryonálním životě. Papilární linie se objevují mezi čtvrtým a pátým
měsícem embryonálního stavu. V této době je dán základ nezaměnitelné kresbě
obrazců papilárních linií. Pokožka dále jen sílí, rýhy se prohlubuji, linie se zvyšují a
rozšiřují vždy s v souladu s vývojem embrya a po narození v přímé souvislosti s
růstem člověka.
Z povrchu kůže, a tedy i z papilárních linií, neustále odpadávají zrohovatělé buňky,
které jsou nahrazovány novými buňkami ze zárodečné vrstvy kůže. Během 75 let
života člověka odpadne takovýchto buněk v průměru 20 kg. Papilární linie jsou
neustále dotovány novými buňkami a přitom jejich tvar, obrazec a markanty jsou
neměnné.
Z globálního pohledu vytvářejí papilární linie v otisku prstu vzor, který se nazývá
třídou otisku prstu. Třídy se také někdy označují jako singularity. Existují tyto třídy
otisků prstů: oblouk, strmý oblouk, spirála (závit, vír), levá smyčka a pravá smyčka.
Třídy otisků prstů jsou znázorněny na obrázku 34.
Obr. 34 Základní třídy otisků prstů: a) oblouk, b) strmý oblouk, c) levá smyčka, d)
pravá smyčka, e) vír. [20]
50
Třídy smyčka a vír obsahují dva typy singulárních bodů: deltu a jádro . Bod delta je
definován jako bod hřebenu v místě rozbíhání (setkávání) papilárních linií z různých
směrů. Tento bod se společně s jeho okolím nazývá singularita typu delta. Bod jádro
je definován jako bod ležící na vrcholu nejvnitřnějšího zakřiveného hřebenu. Dalším
důležitým údajem pro klasifikaci otisku prstu je počet papilárních linií, které protínají
pomyslnou čáru mezi jádrem a deltou
Obr. 35 Singulární body delta a jádro. [20]
51
Obr. 36 Přehled základních markantů.
Na lokální úrovni se ve struktuře papilárních linií nachází tzv. markanty. Markant je
malý detail, který je nějakým způsoben výjimečný ve vztahu ke struktuře papilárních
linií, jedná se například o náhlé ukončení papilární linie, nebo o její rozdvojení
Základní markanty jsou zobrazeny na obrázku 34. Otisky reprezentované markanty
zaberou při ukládání málo místa a detekce markantů je relativně odolná vůči
poškození otisku.
6.3. Základní principy daktyloskopie

Zákon o neměnitelnosti papilárních linií – obrazce tvořené papilárními liniemi
zůstávají po celou dobu člověka relativně neměnné. Důkaz ohledně
neměnnosti papilárních linií provedli na sobě nezávisle W. J. Herschel a
52


antropolog Walker. Ti s časovými odstupy daktyloskopovali řadu osob a
porovnávali změny jednotlivých otisků. Hovoříme zde pouze o relativní
neměnnosti dermatoglyfů, jelikož během lidského života od narození přes
stárnutí až po jeho smrt dochází v souvislosti s vývinem a stárnutím
organismu k jejich částečným změnám. Může pozorovat změny ve velikosti
papilárních linií i celých sledovaných ploch pokožky, může docházet k jejich
poškození nebo přerušení při různých poškozeních nebo tvorbě vrásek.
Skladba a návaznost papilárních linií se však nemění, zůstávají neměnné i
relativní vzdálenosti mezi jednotlivými markanty. Papilární linie se tvoří ještě
před narozením a zůstávají patrné ještě nějakou dobu po smrti.
Zákon o neodstranitelnosti papilárních linií – tento zákon o neodstranitelnosti
papilárních linií ověřili dva francouzští kriminalisté Wikovský a Locard, kteří
experiment prováděli přímo na sobě. Popálili si konečky prstů vřelou vodou,
olejem, rozžhaveným železem nebo poleptali žíravinami. Papilární linie se
však vždy po zhojení zranění objevily ve svých původních tvarech bez
nejmenší změny. Tím zjistili, že pokud nedojde k odstraněné zárodečné vrstvy
kůže, obrazce papilárních linií se vždy obnoví. Pokud dojde ke zničení
zárodečné vrstvy, vytvoří se jizevnatá tkáň bez papilárních linií.
Zákon o individuálnosti obrazců papilárních linií – na světě neexistují dva lidé
se stejnými obrazci papilárních linií. Ital Balthazard počítal v roce 1911
pravděpodobnost shody pro jeden prst a došel k číslu 1:10 60. Pokud budeme
uvažovat 20markantů na jednom prstě (může jich však být i více), pak podle
Galtonova výpočtu lze nalézt šedesát čtyři miliard variant obrazců. Toto je tak
strašně vysoké číslo, že můžeme dospět k závěru, aby existovala reálná
možnost výskytu dvou stejných dermatoglyfů. Navíc otisky se liší i u
jednovaječných dvojčat, což umožňuje jejich identifikaci i, která s použitím
jiných metod např. analýzy DNA doposud není možná.
6.4. Metody zachycení otisku prstu
Biometrické systémy sloužící pro rozpoznávání osob na základě otisků prstů,
používají pro nasnímání otisku prstu snímače, jedinou výjimkou však jsou
daktiloskopické karty, kde stále převládá způsob otištění prstu na papírovou
daktyloskopickou kartu, která se později načítá do počítače pomocí skeneru. U
snímačů otisků prstů nás budou zajímat některé parametry, jako např. rozlišení, to se
pohybuje od 250 dpi do 1000dpi, přičemž nejběžnější je kolem 500 dpi. Snímací
plocha, která se obvykle pohybuje 0,7 cm x 0,7 cm pro přístupové systémy a 10 cm x
6 cm pro daktyloskopické systémy, kde se ukládají rolované otisky prstů. Počet bitů
pro zakódování barvy, standardem je 8 bitů pro odstíny šedé, ale jsou i senzory,
které používají pouze 3 bity. Geometrická přesnost, jedná se o množství zkreslení
otisku prstu oproti skutečnosti a kvalita obrazu.
6.4.1 Získání otisku pomocí inkoustu a papíru
53
Jedná se o klasickou metodu, která se používá hlavně ve forenzní sféře, policií při
vyšetřování. Anglicky bývá označována jako rolled finger. K této metodě se potřebuje
pouze inkoust a papír. Prst bývá po papíře rolován, aby se získal otisk celého prstu
s co nejvíce možnými markantami. Rolování probíhá prakticky od nehtu po nehet.
Obr. 26 Otisk prstu pomocí inkoustu a papíru.
6.4.2 Statické snímání
Tato metoda je nejběžnější, používá se zde senzorů, které jsou popsány níže.
Uživatel přitiskne k senzoru prst a nehýbá s ním. Hlavní výhodou této metody je
jednoduché ovládání, stačí přiložit prst k senzoru a nehýbat s ním. Avšak u této
metody vzniká i celá řada nevýhod, například pokud uživatel bude přehnanou silou
tlačit prst, může rozlomit snímací čočku nebo přiložení prstu a jeho současné
pootočení vede k deformaci pokožky a celého otisku, senzor je náchylný na
zašpinění a také na něm mohou zůstat latentní otisky.
6.4.3 Snímání šablonováním
Uživatel přejíždí prstem po senzoru, který snímá a opětovně skládá obraz pomocí
pásů. Toto je zobrazeno na obrázku 38. Cena tohoto typu snímání se odvíjí od
velikosti snímače, jelikož se používá křemíkový snímač, cena se rovněž pohybuje
v oblasti křemíkových součástek. Cenu však lze redukovat právě velikostí senzoru,
tím že snímač bude mít tvar úzkého pruhu. Celková cena pro pořízení otisku prstu je
poté výrazně nižší. Mezi výhody šablonovaného snímání patří: snímač zůstává vždy
čistý, jelikož každý sejmutý pruh vyčistí senzor, na snímači nezůstávají latentní staré
otisky a snímání je rychlé. Nevýhodou je, že obsluha takového zařízení není intuitivní
a uživatel se musí naučit určitý postup.
54
Obr. 27 Otisk prstu šablonováním. [11]
6.5. Typy senzorů pro snímání otisku prstů


Kontaktní (optické, elektronické, optoelektronické, kapacitní, tlakové,
teplotní)
Bezkontaktní (optické, ultrazvukové)
V případě kontaktních senzorů je technologie založena na fyzikálních metodách a
poznatcích v oblastech elektrických vlastností kůže. U bezkontaktních metod se
jedná zejména o využití optiky nebo ultrazvuku.
6.5.1 Optická technologie
Jejich první použití se definuje do 70. let. Jedná se o relativně jednoduchý optický
princip. Zdroj světla (LED) osvítí plochu prstu, který je přiložen na skleněnou plochu
senzoru. Hřebeny papilárních linií jsou v kontaktu s povrchem skleněné desky,
zatímco údolí mezi liniemi v kontaktu s deskou nejsou. Kamera CCD/CMOS snímá
odražený světelný tok. Množství odráženého světla záleží na hloubce papilárních linií
a údolí. Papilární linie odrážejí světlo více, údolí méně. Na odraz má vliv i potnětukový výměšek, příp. smíšený se špínou, mezi kůží a sklem. Citlivost CCD prvku je
nastavena tak, že CCD prvek neregistruje odraz od údolí. Existují však i bezkontaktní
3D optické senzory, kde prst nemusí být přiložen na plochu, příkladem mohou být
snímače společnosti TBS Holding AG. Světelný paprsek umožňuje snímat
daktyloskopický otisk na vzdálenost 30 až 50 mm. Tento způsob eliminuje znečištění
snímacího senzoru dotyky špinavých prstů a zároveň eliminuje ulpívání papilárních
linií na povrchu snímač.
55
Obr. 28 Princip optického snímače. [20]
6.5.2 Optoelektronické biometrické snímače
Jsou vhodné především pro algoritmy rozpoznávání založené na markantech.
Markanty jsou speciální útvary na otisku prstu, které tvoří papilární linie.
Princip činnosti optoelektronického snímače je založen na rozdílném odrazu
světla. Snímač zachycuje digitální zobrazení otisku pomocí viditelného světla, na
rozhraní plochy hranolu a přiloženého prstu. Obraz otisku se přenese na maticový
CCD detektor, je následně digitalizován a dále předán pro zpracování.
Pod vrstvou, kde se přikládá prst, se nachází vrstva fosforu, která osvětluje celou
plochu prstu. Odražené světlo od povrchu prstu prochází luminoforní vrstvou k CCD
maticovému detektoru, a tam se vytvoří obraz otisku, jelikož světlo se odráží
z papilárních linií, ale z rýhy nikoliv.
 Výhody optoelektronického snímače – odolnost proti statickým výbojům a
minimální vliv okolního prostředí, vysoká kvalita.
 Nevýhody optoelektronického snímače – znečištění nebo poškození prstu
může způsobit špatné sejmutí otisku prstu. Otisk, který se aktuálně vytváří,
může při snímání zachytit předchozí stopu otisku. Optoelektronická zařízení
jsou větších rozměrů, což je limitujícím faktorem pro implementaci do malých
a přenosných zařízení.
56
Obr. 29 Princip Optickoelektronického snímače. [20]
6.5.3 Kapacitní biometrické snímače
Senzor je složen z matice malých vodivých plošek, na nichž je napařena vrstva
nevodivého oxidu křemičitého. Jemnost těchto vodivých plošek je vyšší než jemnost
papilárních linií. Princip činnosti je založený na využití rozdílu kapacity mezi deskou
snímače a povrchem prstu. Z toho je zřejmě, že snímač bude představovat jednu
desku kapacitoru a druhou desku interpretují jednotlivá místa na povrchu prstu. Pro
získání obrazu se prst přikládá na citlivou plochu snímače. Elektrody nebo-li vodivé
plošky převádějí kapacitně otisk prstu na digitální obraz, který je dále možné
zpracovat. Papilární linie na prstu jsou k senzoru více přilehlé než mezery mezi nimi
a tedy mají vyšší kapacitní odpor.
 Výhody - malý rozměr, jednoduchý princip funkce, vysoká kvalita.
 Nevýhody – krátká doba životnosti snímače, k jeho zničení dochází vlivem
statické elektřiny. Snímače je nutné měnit v rozmezí 3 let, nejedná se o
cenový problém jako spíše o problém z organizačního hlediska.
Obr. 30 Princip kapacitního snímače. [20]
57
Obr. 31 Přímé kapacitní měření.
6.5.4 Tlaková technologie
Senzor založený na tlakové technologii je složený ze tří vrstev, přičemž mezi
elektrovodivé vrstvy je vložen nevodivý gel. Přiložením prstu na plochu senzoru
dojde ke stisku nevodivého gelu v místě dotyku papilárních linií tak, že se
elektrovodivé vrstvy dotknou. Povrch je tvořen elastickým, piezoelektrickým
materiálem (piezoelektrickými krystaly), který tlak papilárních linií transformuje do
elektrického signálu a tak vytváří obraz daktyloskopického obrazu. Papilární linie
vyvolávají na snímané ploše lokální tlakové působení, kdežto v brázdách je tlak nižší.
Pro tlakové senzory pro snímání otisků obecně platí, že pracují stejně dobře v
suchém a mokrém prostředí. Jejich použití není limitováno vzdušnou vlhkostí jako u
některých jiných typů, založených na odlišných fyzikálních principech. Tento typ
senzoru není tedy ani citlivý na „vlhké“ nebo „suché“ otisky prstů určitých skupin lidí.
6.5.5 Teplotní biometrické snímače
Princip termické technologie je založen na tepelném záření. Tyto senzory obsahují
citlivý čip – pyrodetektor. Pyrodetektor snímá teplotní rozdíly mezi papilárními liniemi
a prostoru mezi nimi. Papilární linie mají vyšší vyzařování tepla než prohlubně mezi
nimi. Abychom získaly obraz otisku prstu, je nutné po snímači přejíždět prstem.
Získáme tím obraz otisku ve formě digitálních pásů (frames). Tyto pásy se pak
následně skládají do výsledného obrazu otisku.
 Nevýhody – nízká kvalita, problémy s algoritmy pro zpracování markantů. Je
obtížné vytvořit databázi otisků prstů, jelikož otisky se snímají pouze pohybem
prstu, po několika sejmutích může být sejmuta jiná část prstu. Špatná kvalita
obrazu otisku dále činí tento snímač nevhodným pro použití v přístupových
systémech.
6.5.6 Ultrazvuková technologie
Ultrazvukové senzory jsou založeny na podobném principu jako senzory optické.
Na povrch kůže s daktyloskopickými liniemi dopadá krátkovlnný svazek, který se
odráží od povrchu. Papilární linie a brázdy ovlivňují odražený svazek, který je
vyhodnocován.
Principem ultrazvukového snímání je vysílání zvukových vln s vysokou frekvencí
(řádově MHz) generovaných zdrojem směrem ke snímané ploše a vyhodnocování
odražených zvukových vln přijímačem. Vysílaný signál má charakter velice krátkých
58
impulsů (4 až 25 MHz). Na plastickém povrchu prstu dochází k interakci zvukových
vln s papilárními liniemi a brázdami. Snímání odražených a deformovaných vln je
realizováno rotující hlavou (snímačem) nebo hustou sítí pevných, v rovině
umístěných snímacích čidel. Vyhodnocuje se funkční závislost mezi dopadajícími a
odraženými zvukovými vlnami. Obraz otisku prstu je trojrozměrný (3D), s vysokým
kontrastem. Snímání má vysokou přesnost, jejíž hodnota je 0,1 mm. Ultrazvukové
vlny proniknou i pod povrch kůže, tato technologie tedy může lehce odhalit falešné
prsty.
 Výhody - Ultrazvukové snímání odstraňuje některé nedostatky ostatních
metod snímání, zejména optických. Snímané otisky jsou trojrozměrné (3D), s
vysokým kontrastem. Výsledný obraz papilárních linií je bez jakéhokoliv
zkreslení. Nedochází ke zkreslení znečištěním otisku, nebo nízkou či vysokou
vlhkostí povrchu kůže.
Obr. 32 Princip Ultrazvukového snímače. [20]
6.5.7 Elektroluminiscenční biometrické snímače
Tyto snímače mají speciální vrstvu, která reaguje na tlak způsobený
luminiscenčním efektem. Aby byl systém funkční je důležité světlo – eliminující
vrstva, která filtruje světlo z míst, kde na ni tlačí papilární linie. Zpracování otisku je
zajištěno pomocí fotodiod a výstup je opět v digitální podobě.
 Výhody – zařízení pro otisk prstu je malých rozměrů a je velice dobrý poměr
ceny zařízení vzhledem k poskytovanému rozlišení. Tyto zařízení dovedou
číst při srovnatelné kvalitě i extrémně suché otisky prstů.
 Nevýhody - menší odolnost proti mechanickému poškození, náchylnost proti
znečištění prachem a vodou.
6.5.8 Radiofrekvenční biometrické snímače
Princip tohoto snímače spočívá v připojení generátoru střídavého signálu na 2
rovnoběžné desky. Z toho je jedna deska plocha snímače a druhá plocha otisku
59
prstu. Jelikož je vlnová délka mnohem větší než délka desek, vyskytuje se pouze
složka elektrického pole bez pole magnetického. Jelikož jedna z desek bude náš
otisk prstu, tak se tvar tohoto elektrického pole změní a bude kopírovat tvar
papilárních linií, tzn. Výběžky a prohlubně otisku prstu. Vodivé prostředí mezi prstem
a plochou je docíleno pomocí vodivé plochy kolem každého snímače, z toho důvodu
nebudou ani suché prsty pro snímání problém, jelikož se pracuje s živou tkání těsně
pod povrchem pokožky. Zvlněním pole, které je způsobené přiloženým otiskem prstu,
dopadá na senzory signál s rozdílnou velikostí signálu. Výběžky mají větší signál a
tzv. údolí nižší signál. Kapacitní senzory tak měří rozdílnou permitivitu mezi výběžky
a údolími.
 Výhody – Tato metoda je velice odolná vůči nečistotám, a pokud budou
nečistoty v tzv. údolích, nepředstavuje to pro snímání otisku žádný problém.
6.5.9 Multispektrální biometrické snímače
Multispektrální zobrazovací technologie je schopna snímat a zpracovat vlastnosti
prstu i pod povrchem kůže.
Obr. 33 Multispektrální zobrazovací technologie. [32]
Senzor se skládá ze dvou hlavních částí, kterými jsou zdroj světla a zobrazovací
systém. Tyto systémy využívají více osvětlovacích soustav o rozdílných vlnových
délkách. Světlo projde pod povrch kůže a senzor umožní shromáždit více
identifikačních údajů z prstu.
60
Obr. 34 Multispektrální obraz. [32]

Výhody
Extrémní podmínky prostředí - může spolehlivě fungovat za
extrémních podmínek okolního prostředí (stříkající a tekoucí voda,
vliv okolního světla, apod.). Což u standardně používaných
technologií způsobuje velké problémy.
Obr. 35 Extrémní podmínky - porovnání senzorů. [32]
Nevýrazné otisky - u některých osob se může stát, že jejich otisky
jsou nevýrazné, tj. pokud rozdíly mezi "hřebeny" a "údolími" otisku
prstu jsou minimální, nebo jsou zaneseny špínou. Může se tedy stát,
že potřebné identifikační údaje z otisku budou neúplné a tudíž
nepoužitelné. Multispektrální technologie je schopna tento obraz z
otisku dotvořit, a tudíž zabránit odmítnutí identifikace.
61
Obr. 36 Nevýrazné otisky - porovnání senzorů. [32]
Slabé stisknutí prstu - při slabém stisknutí dochází u běžných
snímačů k odmítnutí identifikace z důvodů malého počtu potřebných
údajů. Multispektrální technologie však dokáže dotvořit přesný obraz
otisku, což řeší problém s potenciálně zamítnutou identifikací.
Obr. 37 Slabé stisknutí prstu - porovnání senzorů. [32]
Detekce proti útoku - tradiční snímače nejsou vždy plně spolehlivé a
lze je s určitou pravděpodobností obejít. Existuje mnoho materiálu,
ze kterých je možno vytvořit umělý otisk prstu, který bude mít stejný
tvar papilárních linií, jako i jiné osoby. Oproti tomu multispektrální
technologie založená na spektrální analýze obrazu používá více
vlnových délek světla k identifikaci otisku. Ty snímají biometrické
údaje i pod povrchem kůže a tím zabraňují neoprávněné osobě s
falešným otiskem správné identifikaci pod jiným uživatelským účtem.
Technologie tak umožňuje rozpoznat otisk živé či mrtvé osoby a
jiných organických a syntetických materiálů. Tato technologie dokáže
62
odhalit i situaci, kdy má identifikovaná osoba na svém otisku prstu
nanesenou tenkou vrstvu, na které je otisk cizí osoby. Při přitlačení
otisku k senzoru dochází v tomto místě prstu k odkrvení. Toto
odkrvení je snímačem, který snímá i údaje pod povrchem otisku,
detekováno a lze pak jednoduše určit, jestli jde o skutečný otisk nebo
o falsifikát.
Obr. 38 Porovnání spektra skutečného otisku s falšovaným. [32]
6.6. Chyby v procesu snímání
Tyto chyby mohou vzniknout při špatné interakci uživatele se snímacím
systémem, někdy však i vlivem samotné metody. Většinou tyto chyby dokážeme
vhodnými algoritmy potlačit v průběhu procesu předzpracování. Každá taková chyba
může způsobit chybnou identifikaci, neb k rozpoznání otisku prstu vůbec nedojde a
proces snímání se musí opakovat.
 Posunutí – přiložený střed bříška prstu pozičně nekoresponduje se středem
snímacího senzoru. Muže tak dojít k posunutí znaků obrazu vůči vzoru o
konstantní vzdálenost ∆x, ∆y, nebo ∆xy, v soustavě souřadnic 0xy.
 Rotace - v případě snímání otisku prstu přiloženého pod jiným úhlem než
originální obraz by došlo při porovnávání k chybě z rotace. Všechny body
obrazu jsou pootočeny o konstantní úhel vůči bodům v originále.
 Částečné překrytí - prst byl přiložen částečně mimo aktivní zónu snímače.
Přicházíme tak o část obrazu, která může nést důležité informace. Pokud je
chybějící část obrazu velká, nemusí být použitý identifikační algoritmus ze
zbytku obrazu schopen nalézt dostatek charakteristických dat pro
porovnání se vzorem.
 Nelineární distorze - při snímání obrazu došlo k deformaci povrchu prstu
tahovými a tlakovými silami. Papilární linie by se z tohoto důvodu 100%
63


neshodovaly ani v případě dvou obrazů sejmutých za naprosto totožných
podmínek. Toto zkreslení je možné eliminovat použitím bezkontaktních
snímacích technik.
Vliv tlaku na vlastnosti kůže - pokud je prst nedostatečně přiložen, nebo
naopak přiložen příliš velkou silou. Takto vznikají místa, kde buď není část
otisku zaznamenána, nebo poddajností papilárních linií dojde tlakem ke
spojení více čar v jednu. Kůže také může svými okamžitými vlastnostmi být
špatně čitelná pro některé typy snímačů (např. příliš suchá kůže bude
problematicky snímána kapacitním snímačem).
Inkoustový snímek - pokud má být souhrn možných chyb celistvý, musíme
zmínit i chyby analogového procesu snímání. Jeho kvalitu ovlivňují
podobné vlivy jako u snímání digitálního (tlak, tah, rotace, atd.). Nejběžnější
chybou je příliš „suchý“ nebo „mokrý“ snímek v důsledku množství
použitého inkoustu. Dochází tak ke dvěma anomáliím (místní přerušení
linie, spojení dvou i více paralelně jdoucích linií můstky).
Chyby mohou být samozřejmě i různě zkombinované u různých procesů
snímání. Tím vzrůstá i náročnost algoritmu pro potlačení těchto anomálií.
6.7. Zpracování a rozpoznávání otisků prstů
Opticky sejmutý daktyloskopický otisk je pro další počítačové zpracování
digitalizován. Každý digitalizovaný obraz otisku prstu má nezanedbatelnou binární
velikost. Nasnímaný obraz často obsahuje i nežádoucí šum, cílem je tyto rušivé
elementy co nejvíce potlačit, usnadnit tak následné zpracování a zvýšit přesnost
výstupu.
6.7.1 Komprimační metody
Pokud máme sejmutý snímek otisku prstu v digitální podobě, je potřeba ho také
uložit adekvátním postupem. V databázích amerického federálního úřadu pro
vyšetřování se stalo standardem rozlišení 500 dpi, ale v komerčních aplikacích se
pracuje s obrazy i s nižším rozlišením.
Pokud bychom ukládali obrazy v příliš vysokém rozlišení, zabíraly by spoustu
datového prostoru. Proto je potřeba obraz před samotným uložením do databáze
nejdříve zkomprimovat. Komprimace probíhá pomocí komprimačních metod. V praxi
se ukázalo, že komprimace otisků do formátu JPEG, který je hojně používán
v počítačovém světě pro zpracování obrazové dokumentace, není příliš vhodný.
Dochází k nežádoucímu vzniku „umělých hran“ v obraze tzv. „čtvercování“, toto je
způsobeno samotným komprimačním algoritmem. Výsledný, komprimovaný obraz je
deformován šachovnicovou sítí, na které jsou zcela patrné čtvercové hrany, které se
v obraze periodicky opakují. Výsledný obraz pak připomíná moiré efekt.
64
Obr. 39 Výsledný formát JPEG s typickým defektem šachovnicové kresby. [28]
Pro komprimaci digitalizovaných daktyloskopických otisků se používá metoda
WSQ (Wavelet Scalar Quantization), kvůli svým jedinečným vlastnostem. Metoda
WSQ nabízí poměrně vysoký komprimační poměr (1:4 až 1:50) s minimální ztrátou
zpracovávaných dat a je standardně používána pro výkonnou vizuální a
automatizovanou identifikaci osob založenou na daktyloskopickém přístupu. Metoda
WSQ ve srovnání s ostatními komprimačními metodami zaručuje nejen přijatelný
komprimační poměr, ale i vysokou rychlost komprimace.
Metoda komprese WSQ se skládá z těchto tří samostatných etap:
 waveletova transformace,
 Kvantifikace,
 Standartní bezztrátová komprese.
V první etapě je za pomoci diskrétní waveletové transformace (DWT)
daktyloskopický obraz dekomponován do množiny frekvenčních pásem. Do každého
pásma se ukládají informace se stejnou frekvencí. Ve druhé etapě jsou všechna
pásma kvantifikována pomocí hodnot uložených v kvantifikačních tabulkách. V
poslední etapě již kvantifikované hodnoty jsou směřovány do Huffmanovy kódovací
procedury, ve které dochází ke komprimaci dat. Popsané etapy jsou znázorněny na
obrázku 51. Dekomprimační postup je tentýž, jen v opačném pořadí.
Obr. 40 Základní algoritmus komprimační metody WSQ. [28]
6.7.2 Předzpracování
Smyslem počítačového předzpracování obrazu otisku prstu je zvýraznit kresbu
papilárních linií a odstranit všechny nežádoucí šumy (nekvalitní, nečitelné oblasti,
65
nereálné, falešné markanty, jizvy atd.) tak, aby bylo dále možné efektivně nalézt
typické markantní body, identifikující každý daktyloskopický otisk.
1. Segmentace – Pomocí segmentace získaného obrazu jsme schopni
oddělit samotný obraz otisku od zarušeného pozadí snímku. Na pozadí se
totiž mohou vyskytovat vady způsobené různými nečistotami na prstu, či
snímači. Obraz otisku prstu je nejdříve rozčleněn na malé, pravidelné
obrazové lokality. U každé papilární linie, procházející touto pomyslnou sítí
lokalit, je znázorněn její směr. Filtr je pak následně aplikován na každý
obrazový bod (pixel). Této operaci se odborně říká prostorová konvoluce.
Filtr zvýrazní všechny obrazové body, které se nacházejí ve směru
papilární linie v téže lokalitě a naopak potlačí ty body, které jsou
orientovány jiným směrem. Tak je odstraněn nežádoucí šum. Filtr je
nazýván adaptivním filtrem, protože se sám přizpůsobuje orientaci
papilárních linií v téže lokalitě.
2. Binarizace – Po odstranění šumu jsou v otisku nalezeny papilární linie.
Protože papilární linie mají v obraze různé odstíny, jsou nejprve převedeny
do jediného barevného odstínu. Této operaci se říká binarizace Metoda,
která transformuje originální obraz ve 256 stupních šedi do binárního
zobrazení, které má jen dvě hodnoty. Černá barva pro vyvýšené papilární
linie a bílá pro mezery mezi nimi. Pomocí binarizace dojde ke zřetelnějšímu
rozlišení jednotlivých struktur v obraze, zejména rozpoznání hran a
následnou lepší detekci charakteristických bodů
3. Skeletizace – Papilárních linie v základním obraze jsou pro počítačové
zpracování příliš silné. Každou papilární linii lze vlastně popsat jako dvě
souběžné linie s výplní mezi nimi. Čáry papilárních linií jsou transformovány
do tenkých čar o tloušťce jednoho obrazového pixelu. Tímto se odstraní
problém duplicity bodů, který vzniká rozvětvováním nebo ukončením
„tlustých“ papilárních linií.
6.8. Detekce a extrakce markantů
Unikátnost každého otisku prstu je způsobena různým počtem, umístěním a
vzájemnými kombinacemi individuálních znaků, markantů. U nalezených
markantních bodů je pozornost zaměřena na identifikaci typů markantů, jejich pozici
v soustavě souřadnic a směrové orientaci v prostoru určené směrovým vektorem.
Tento vektor vychází z vlastností tečny v bodě, kde je lokalizován zkoumaný
markant. Na základě nalezených markantů se dále provádí porovnání s jinými otisky
v evidenci (počítačové databázi). Vyhledání daktyloskopických markantů probíhá na
skeletizované kresbě papilárních linií. Množina použitelných markantů pak tvoří
biometrickou šablonu daktyloskopického otisku.
Většina SW aplikačních řešení využívá pouze nejjednodušší daktyloskopické
markanty, začátek a ukončení papilární linie a jednoduchou bifurkaci (dvojitou vidlici),
které mají v otiscích sice vysokou četnost, ale nízkou identifikační hodnotu. Extrakční
algoritmy musí vyloučit i všechny falešné markanty.
66
Body markantů se různými způsoby graficky spojují a tím je stanoveno „pořadí“
markantů a vazeb mezi nimi. Šablony se používají pro konečné porovnání a
vyhodnocení otisků.
Obr. 52 Nalezené markantní body mohou být různým způsobem pospojovány do
šablony. [21]
Šablona otisku prstu obsahuje 10 až 100 markantních bodů. Pro datové uložení
každého markantu je zapotřebí 1 bitu pro typ markantu (v případě, že se používají
pouze dva typy markantů), dvakrát po 9 bitech pro jeho souřadnice x, y a 8 bitů pro
orientaci (směr) markantu, celkově tedy 27 bitů. Jestliže toto číslo zaokrouhlíme na 4
byty, pak pro uložení šablony o 100 markantech potřebujeme 400 bytů. To však
nemusí být obvyklým standardem, protože v praxi se setkáváme i se šablonami o
velikosti 1024 bytů.
6.9. Detekce bodů singularity
Každý otisk prstu je charakterizován hlavním obrazcem papilárních linií. Tyto
obrazce jsou snadno rozpoznatelné již při pohledu na bříško posledního článku prstu,
v jehož centru je lokalizován. Základní třídy jsou oblouk, klenutý oblouk, závit, levá
smyčka, pravá smyčka, dvojitá smyčka. Tyto obrazce jsou bodem singularity. Jejich
vzájemné uspořádání tvoří dva charakteristické znaky: bod delta a jádro (core). V
bodě delta dochází ke spojení papilárních linií ze tří různých směrů tvořících
trojúhelník. Jádro je charakterizováno v bodě prudkého otočení směru papilární linie
o 180° (smyčka) nebo ukončení v uzavřené spirálovité smyčce (závit).
Příslušnost do výše uvedených tříd se řídí právě různými kombinacemi a
vzájemnou lokalizací těchto bodů na otiscích prstů. Oblouk nemá žádný singulární
bod, klenutý oblouk je určen jedním bodem delta a jedním jádrem, stejně tak i pravá
a levá smyčka, navzájem se však liší právě různým relativním umístěním. Závit je
charakterizován dvěma body delta a jedním jádrem, kde delta body bývají často
umístěny souměrně vzhledem k jádru. Nejznámější metodou detekce bodů
singularity je tzv. Poincaré index.
Obr. 41 Základní rozdělení typů otisků prstů podle bodů singularity. [21]
6.10. Metody rozpoznávání otisků prstů

Metody založené na markantech,
67


metody založené na korelaci,
metody založené na vlastnostech papilárních linií.
6.10.1
Metoda založená na markantech
Jedná se o nejčastěji používanou metodu. Tato metoda bývá označována též jako
technika založená na charakteristických rysech, oblastech zájmu. Dochází ke zjištění
a následné extrakci množin markantů z obou porovnávaných otisků. Tyto množiny se
porovnávají a hledá se většinou určitý počet markantů nalézajících se na stejné
pozici. Dále také typy a umístění bodů jádro, delta a tvarování papilárních linií mezi
spárovanými body singularity, to vše je využito pro klasifikaci do náležitých tříd.
6.10.2
Metoda založená na korelaci
Označována jako obrazová technika. Obrázky dvou otisků prstů jsou položeny přes
sebe a je spočítána korelace mezi odpovídajícími pixely pro různé pozice (různé
posunutí a natočení).
6.10.3
Metody založené na vlastnostech papilárních linií
Porovnávají se tvary papilárních linií zahrnující jejich hustotu rozložení. Tato technika
bývá také označována jako hybridní. Dochází ke kombinaci vybraných prvků obou
předchozích postupů. Neuronové sítě, Gaborova filtrace.
6.11. Detekce živosti
Detekce živosti u otisků prstů hraje velice důležitou roli. Jelikož otisky prstů
zanecháváme téměř na všem, čeho se dotkneme, není teda složité získat otisk prstu,
který nám nepatří. Proto je důležité ověřovat živost, aby se zabránilo zneužití
cizího/falešného otisku prstu.
Metod pro detekci živosti je mnoho. Některé z metod jsou jednoduché a cenově
dostupné, jiné náročnější na realizaci, avšak funkčně spolehlivé.
6.11.1
Detekce potu
Prsty jsou pokryty potními póry, jako většina lidského těla. To obsahuje na ploše
jednoho čtverečního palce okolo 600 potních žláz, ty vylučují pot (zředěný roztok
chloridu sodného). Pokud je detekována aktivita potních pórů je detekována i živost
prstu. Prst je přitisknut na plochu snímače a ponechán zde po dobu cca 5 sekund.
Z potních pórů v papilárních liniích dojde k výronu kapiček potu, tím dojde ke změně
papilárních linií na tmavší.
6.11.2
Spektroskopické vlastnosti
68
Princip je založen na multispektrálních vlastnostech lidské kůže. Při osvětlení
povrchu lidského prstu světelnými zdroji o různých vlnových délkách (navíc
polarizovaným světlem), dojde k částečnému pohlcení a odražení různých vlnových
délek. Měří se odražené světlo, které je ovlivněno strukturálními a chemickými
vlastnostmi vzorku (daného prstu), kůže každého člověka reaguje mírně odlišně.
Používají se různé vlnové délky, protože pronikají do různé hloubky vzorků a jsou
různě odráženy a rozptylovány.
6.11.3
Ultrazvuková technologie
Ultrazvukové metody používají vysílač a přijímač. Vysílač vysílá akustický signál
proti otisku prstu a přijímač detekuje odražený signál, který je ovlivněn interakcí
s otiskem. Hřebeny a údolí mají různý akustický odpor a proto jsou různě odráženy
nebo lomeny i signály v kontaktní oblasti. Využívá se zde i vlastnosti, že akustické
vlnění není pouze odráženo a lomeno, ale může být také rozptylováno a
transformováno do jiného druhu vlnění. Díky tomuto principu lze odhalit nalepený
falzifikát otisku prstu, jelikož odražené vlny neodpovídají svou charakteristikou
odraženým vlnám ze živé tkáně.
6.11.4
Fyzické vlastnosti
Patří mezi nejjednodušší metody ověření živosti. Jsou založeny na různých jevech
spojených s kůží prstu, které jsme schopni měřit.
 Teplota,
 teplý a studený podnět,
 změny při přítlaku,
 elektrické vlastnosti kůže,
 bioimpedance,
 srdeční aktivita – puls,
 oxidace krve.
69
7 Identifikace podle geometrie ruky
Člověk je schopen rozpoznat identitu druhého jedince na základě tvaru jeho ruky.
Proto se začala také používat geometrie ruky pro identifikaci člověka.
Tato metoda je založena na identifikaci podle geometrie ruky, na rozdílnosti
rozměrů prstů, dlaně a velikosti nehtových lůžek. Zařízení měří fyzikální
charakteristiky ruky a prstů z hlediska třídimensionální perspektivy. V počátcích
vývoje byla tato metoda založena jen na měření délek prstů. Následně se měření
zdokonalilo i na snímání délky a šířky dlaně i prstů a bočního profilu ruky.
7.1. Historie
První zařízení pro měření geometrie ruky bylo vyvinuto panem Robertem p.
Millerem v Stafordském výzkumném institutu. V roce 1971 pan Robert P. Miller
obdržel patent na zařízení, které umožňovalo měření délky jednotlivých prstů ruky,
jednalo se tedy o tzv. jednorozměrnou geometrii. Zařízení bylo mechanické a
nazývalo se Identimat. Identimat byl určen pro kontrolu přístupu do investiční
společnosti Shearson Hamill na Wall Street, později v objektech společnosti Western
Electric.
Druhá vývojvá řada byla již „dvourozměrně orientována“. Měřila se nejen délka,
ale i šířka všech prstů na jedné ruce. Moderní opto-elektronické komponenty,
spojené s odpovídajícím softwarem, dnes umožňují 3D měření. Oproti předchozí
generaci přibývá ještě rozměr výšky. V roce 1988 pan Sidlausks získal patent na
zařízení, které již bylo elektronické.
7.2. Princip snímání
Kombinace délky, šířky a tloušťky, měřené na všech pěti prstech jedné ruky, jejich
tvar (obrys, kontura) a tedy rozměry jsou jedinečné. Identifikační charakteristiky ruky
se od dospělosti nemění. Případné změny jsou způsobovány buď změnou tloušťky
prstů a dlaně jako takové, nebo některými nemocemi, popřípadě úrazy.
Snímání probíhá CCD kamerou s malým rozlišením od 100 do 200 dpi. Na tuto
kameru nejsou kladeny specifické nároky, může snímat ve stupních šedi, protože
barevná informace nic nového nepřináší. Skener snímá pouze siluetu dlaně s prsty,
nikoliv však otisky prstů či dlaně. Většina systémů vlastní světelný zdroj ať už ve
viditelném nebo blízkém infračerveném spektru. Většina systémů snímá siluetu ruky
shora – hřbet ruky nebo zespodu – dlaň ruky.
První optické kamery používaly přímou optickou cestu pro snímání geometrie ruky
kamerou. Vzdálenost mezi snímací kamerou a základovou deskou byla v průměru 28
cm. Pro redukci této vzdálenosti se u modernějších skenerů používá soustava
zrcadel, která kromě snížení rozměrů umožňuje třírozměrné snímání. Hovoříme pak
o nepřímé optické cestě, která snižuje velikost skeneru o polovinu.
70
Obr. 42 Princip snímání geometrie ruky. [28]
Při snímání se používá podložka reflektující dopadající světlo pod rukou, to má za
následek značné zvýšení kontrastu mezi rukou a podložkou, čímž se usnadní proces
separace ruky od pozadí. Pokud je snímána i boční silueta ruky je reflexní podložka
umístěna i na boční stěnu.
Z výsledného snímku se kontroluje délka, šířka a tloušťka jednotlivých prstů a
dlaně. Získaný snímek se poté redukuje na 9-ti nebo 20-ti bytovou předlohu. Tato
předloha je velmi paměťově nenáročná. Díky tomuto faktu a vlastnostem biometrické
metody geometrie ruky je možné v jediném zařízení uchovávat desítky tisíc
referenčních šablon.
Obr. 43 Uchycení ruky uživatele do snímače. [28]
71
Jak je vidět na obrázku 55, ve snímačích často bývají uchyceny distanční kolíky,
které napomáhají správnému přiložení ruky ke čtecímu zařízení. Distanční kolíky
jsou umístěny tak, aby co nejméně narušovaly siluetu ruky a zároveň co nejméně
zasahovaly do cesty při vkládání ruky. To zajišťuje větší spolehlivost, aby
nedocházelo k odmítnutí oprávněných osob.
Proces pořizování referenční nebo-li vzorové šablony je v anglické terminologii
označován výrazem „enrollment“ (zápis). Tato referenční šablona vznikne
aritmetickým průměrem trojího snímání. Kvalita pořízení referenční šablony záleží na
několika faktorech. Výška snímací desky skeneru určuje relativní pozici těla a ruky a
ovlivňuje pozici ruky na skeneru a snímaný geometrický tvar ruky. V praxi musí být
referenční šablona snímána tak, aby podmínky pří snímání charakteristik byly
identické s podmínkami reálného provozu. Jestliže referenční šablona bude
pořizována například v sedě, tak pokaždé když se bude uživatel přihlašovat do
systému, měl by uživatel opět sedět.
7.3. Metody rozpoznávání podle geometrie ruky
Základních metod je hned několik, patří sem například metoda založená na
přímých měřeních, zarovnání rukou nebo analýze šířky prstů a metody založené na
3D geometrii.
7.3.1 Metoda založená na přímých měřeních
Metoda je založena na přímém měření významných rozměrů na snímku ruky.
Proces se stává z několika významných kroků.
1. Pokud na podložce budou umístěny distanční kolíky, je potřeba je
z nasnímaného obrazu odstranit. Jejich hlavní význam je v tom, že
zamezují v jisté míře uživateli chybně umístit ruku (není poté potřeba
korekce orientace celé ruky, jejího posunutí, orientace prstů a podobně).
Jejich barva se volí co nejvíce kontrastní s barvou lidské ruky a podložky,
což nám usnadňuje jejich odstranění.
2. Ve většině zařízení je použito standardních vlastností ruky jako příznaků.
Mezi tyto příznaky patří délka prstů, šířka prstů v různých místech, šířka
dlaně a další. Jednotlivé délky slouží jako příznaky a z nich je přímo
vytvořená šablona.
3. V procesu porovnávání referenční šablony se šablonou právě sejmutou
skenerem se porovnávají vzdálenosti předem takto určených bodů (velikosti
úseček). Jejich počet a umístění záleží na konkrétním biometrickém
zařízení daného výrobce. Vyhodnocuje se pak skóre porovnání těchto
identifikačních markantů.
7.3.2 Metoda založená na zarovnání rukou
Její princip spočívá v tom, že se pokoušíme natočit ruce do předem definované
polohy a poté měříme, jak se od sebe liší vzor a právě nasnímaný snímek. Její
postup je následující:
72
1. Odstranění distančních kolíků – k jejich odstranění se používá maska,
která obsahuje známé pozice všech pěti kolíků, a tyto kolíky jsou
nahrazeny barvou pozadí.
2. Extrakce kontury – pro extrakci tvaru ruky se používá adaptivní
prahování (binarizace).
3. Extrakce a zarovnání prstů – nejprve jsou extrahovány pozice a směry
prstů, které se překrývají se šablonou, s níž je daný snímek porovnáván.
4. Výpočet párových vzdáleností – každé zarovnání z předchozího kroku
produkuje množinu shody bodů. Dochází k výpočtu průměrné
vzdálenosti mezi si odpovídajícími body (MAE – Mean Aligment Error).
5. Proces verifikace – pokud bude MAE < T, potom se jedná o shodné
ruce, kde T je treshold (práh).
7.3.3 Metoda založená na analýze šířky prstů
U této metody se využívá šířek jednotlivých prstů lidské ruky.
1. Nejprve je celý obrázek binarizován a tím se nám oddělí ruka od pozadí.
Po binarizaci nám mohou v oblasti ruky vzniknout trhliny, které mohou
být způsobené například přítomností prstenu. Trhliny jsou zceleny
použitím morfologického operátoru dilatace.
2. Poté je nalezena hlavní osa ruky, která se vypočítává pomocí vlastních
vktorů matice setrvačnosti. Osa, která je potom kolmá na hlavní osu, a
která obsahuje nejdelší segment ruky, rozděluje ruku na oblast s prsty a
oblast obsahující zbytek ruky.
3. Provádí se analýza okraje prstu. Binární tvar ruky je vyhlazen pomocí
morfologického otevření, a algoritmus začíná v bodě, kde dochází
k protnutí hlavní osy se spodní vedlejší osou. Od tohoto počátečního
bodu je sledován okraj ruky a lokální maxima a minima vzdáleností jsou
označena jako špičky prstů a údolí mezi prsty.
4. Dochází k segmentaci na jednotlivé prsty, na základě nalezených špiček
prstů a údolí mezi nimi.
5. Každý bod na okraji prstu je promítnut na osu prstu, a jsou spočítány
všechny vzdáleností bodů od osy a je vytvořen histogram délek.
6. Histogram délek je potom přepočítán na 100 úrovní a je normalizován
počtem promítnutých bodů na prstu. Výsledkem je pravděpodobnostní
rozložení těchto délek. Rozložení je vyhlazeno Gaussovým filtrem.
73
Obr. 44 a) původní snímek ruky b) binarizovaný snímek ruky s jedním neuceleným
prstem c)hlavní komponenta ruky se zaceleným prstem a osami ruky d) ruka bez
oblast zápěstí a detekovanými špičkami a údolími prstů e) segmentovné prsty a
hlavní osy prstů f) vzdálenosti prstu k jeho ose. [33]
7.3.4 Metody používající 3D geometrii
V poslední době se objevily první články, které pro rozpoznání člověka pomocí
lidské ruky využívají 3D geometrii ruky. Extrakce rysů je použita pro celý povrch ruky
reprezentovaný vhodnou množinou parametrů popisující geometrii ruky.
Pro získání trojrozměrného povrchu ruky se buď používá strukturované světlo a
běžná CCD/CMOS kamera. Pro lepší rozlišení jednotlivých linií promítané struktury
se používá barevné strukturované světlo. Nebo pro získání trojrozměrného povrchu
se využívá infračervené světlo. Z deformace linií promítnutých na ruku a z principů
triangulace, jsou odhadnuty polohy bodů v prostoru. Přesnost rekonstrukce povrchu
je řádově v jednotkách milimetrů. Po zrekonstruování jsou extrahovány příznaky
(povrchy jednotlivých prstů). Nejprve se lokalizují a zjišťuje se jejich orientace
v prostoru, poté je možné určit i šířky a průměrné zakřivené prstu v různých
segmentech. Takto získané údaje slouží jako příznaky a pro vytvoření šablony, která
opisuje geometrii ruky. Vektory příznaků jsou pak porovnány, nejčastěji výpočtem
jejich vzdáleností (např. Euklidova vzdálenost). Získáme výsledné skóre porovnání a
to je pak normalizované vhodnou normalizační funkcí.
Metoda pro geometrii ruky neposkytuje mnoho informací a nelze ji proto nasadit
pro účely identifikační. Používá se zejména jako prostředek pro rychlou verifikaci.
7.3.5 Skenery geometrie dvou prstů
74
V praxi se můžeme setkat i se skenery, které nesnímají geometrii celé ruky (tedy
dlaně s pěti prsty), ale pouze prsty dva – ukazováček a prostředníček. Toto
podstatně urychluje proces verifikace, ale na úkor snížení jednoznačnosti identifikace
osoby, jelikož se snižují geometrické charakteristiky na údaje, které se vztahují
k jediným dvěma prstům. Tyto zařízení jsou určeny teda k velmi rychlé verifikaci osob
s nižšími nároky na bezpečnost.
Fyzické rozměry zařízení jsou menší než u klasických skenerů celé dlaně.
Pořizování referenční šablony trvá do jedné minuty, proces verifikace je kratší než
jedna sekunda. Biometrická šablona má velikost kolem 20 bytů. Reálná průchodnost
je pak deset osob za minutu. Zařízení nerozlišuje praváky nebo leváky a tak obě
skupiny mohou se zařízením volně pracovat.
7.3.6 Výhody a nevýhody geometrie ruky

Výhody
Tato metoda je pro uživatele velice rychlá a jednoduchá. Už během několika málo
pokusů se uživatel naučí správně klást ruku na snímací plochu, která je vyznačena
stabilizačními kolíčky. S touto metodou však mohou mít problém osoby staršího věku
a to z důvodu třesoucích se rukou nebo také osoby nemocné artritidou, postihující
prsty horní končetiny. Používá lehce nalezitelné rysy, je robustní vůči vlivům
prostředí.
Další výhodou je velice malá velikost referenční šablony. Tato velikost může být
buď to 9 bytů nebo 20 bytů. Tato velikost 9 bytů patří k nejmenším u biometrických
metod.
Verifikace osob, založená na geometrii ruky se v devadesátých letech dvacátého
století, se stala obecně druhou nejrozšířenější verifikační metodou. Od technologie
geometrie ruky, založené na optickém snímání, byla odvozena podobná biometrická
technologie, která určuje identifikační/verifikační závěry na základě topologie
(rozmístění) žil a cév krevního řečiště na hřbetě ruky.

Nevýhody
Přesnost biometrické metody, založené na geometrii ruky, je poměrně nízká. Je
však vyšší, než behaviorální biometrické metody, jako jsou rozpoznávání hlasu nebo
podpisu. Tuto metodu nelze používat pro identifikaci uživatelů, ale pouze pro
verifikaci. Pomocí biometrické šablony nejsme schopni jednoznačně identifikovat
osobu, která ji patří. Tato její nevýhoda se v jistém smyslu slova stává i její výhodou.
Nedochází k narušování osobních (identifikačních) údajů a metoda poskytuje
dostatek soukromí pro kontrolované osoby. Metoda může být náchylná na vytvořené
třírozměrné padělky (napodobeniny) tvaru dlaně a prstů oprávněné osoby.
Skener geometrie ruky, stejně jako jakákoliv jiná biometrická technologie, je citlivý
na poranění nebo fyzické změny snímané charakteristiky. Podobně lidé, trpící
Parkinsonovou nemocí, pro kterou je typický třes rukou, nemohou využívat tuto
metodu, protože nedokáží položit správně ruku mezi polohovací kolíčky.
75
8 Biometrie krevního řečiště
Rychlý rozvoj a neustále klesající cena u technologií snímacích CCD kamer vede
k využití i v novějších biometrických metodách. Do těchto metod patří i rozpoznávání
osob pomocí obrazu cév ruky.
U biometrie ruky můžeme zkoumat cévní systém. Jedná se o méně známou
technologii. Tvar krevního řečiště je při skenování celé ruky měřen buď na hřbetu,
nebo dlani ruky. V případě skenování pouze prstu se prst svou spodní stranou
přikládá na připravené místo na skeneru, kde je zajištěno, aby převážná většina
posledního článku prstu jakoby "visela ve vzduchu".
8.1. Základní princip metody žil hřbetu ruky
Povrch hřbetu lidské ruky je protkán sítí cév. Pod souhrnným pojmem cévy
rozumíme tepny, přinášející okysličenou krev od srdce a plic a žíly, které vracejí krev
od jednotlivých tělních orgánů zpět k okysličení. Toto rozležení krevního řečiště (tvar,
velikost, orientace) je specifické pro každou osobu. Obraz krevního řečiště tvořeného
cévy je unikátní a dostatečně stabilní v průběhu života osob. Rozmístění cévních
kanálů je formováno již v prenatálním období. Obraz krevního řečiště se liší pro
pravou i levou ruku a liší se i u dvojčat. Rozlišovací schopnost je vyšší než u
geometrie ruky (v literatuře lze nalézt systém až s 18 tisíci uživateli, u geometrie ruky
se jedná řádově o stovky uživatelů). Žíly ruky lze použít jak pro verifikaci, tak i pro
identifikaci.
Na rozdíl od geometrie ruky se nesnímají ani nevyhodnocují vzdálenosti
charakteristických bodů, ale pořizuje se celkový plošný obraz rozložení všech cév v
blízkosti povrchu hřbetu ruky. Zařízení, do kterého uživatel vloží ruku, obsahuje zdroj
infračerveného světla a černobílou CCD kameru. Po nasvícení ruky CCD kamera
může pořídit snímky. Infračervené snímkování je citlivé na vyzařované teplo, krev
v lidském těle roznáší tepelnou energii a na snímku je možné rozeznat objekty
s různou teplotou. Kyslík v lidském těle je roznášen krví, ve které se váže
hemaglobin a vytváří tzv. oxyhemaglobin. Oxyhemaglobin postupuje povrchem
cévních kanálů a okysličuje okolní tkáně. Fyzikální vlastnosti oxyhemaglobinu
napomáhají vykreslování obrazu krevního řečiště. Odkysličený hemoglobin v žilách
-4
pohlcuje světlo o vlnové délce přibližně 7,6x10 mm, což je hodnota blízká
infračervenému světlu. Hloubka absorpce IR záření živou tkání je přibližně 3 mm, tzn. že
termální IR záření proniká do hřbetu ruky jen povrchově a v nasnímaném obrazu je pak
nejvíce rozeznatelné právě celé cévní řečiště. Cévy kontrastně vystupují a tím se
vytváří síť tmavých čar a ty určují tvar krevního řečiště. Snímek je pořízen v barevné
hloubce 256 odstínu šedi. V dalším kroku se snímek převede na černobílý obraz a
vzor krevního řečiště se upravuje až do stavu, kdy jsou žíly nejtenčí možné. Toto je
ekvivalentní ztenčováním linií až na velikost jednoho pixelu uvedených pro
identifikaci pomocí otisku prstu. V daném obrazu se pak dají určit jednotlivé
charakteristické znaky a pomocí vhodných algoritmů převést do binární podoby.
Řešení musí brát na zřetel různou vzdálenost žilek od povrchu kůže a zároveň se
musí umět vypořádat s proměnlivým průměrem žil, jež se pod vlivem teploty roztahují
nebo zužují.
76
Obr. 45 Průběh algoritmizace snímku.

Segmentace obrazu - Účelem tohoto primárního kroku je rozdělit
nasnímaný obraz na část ruky, tj. požadované části, a pozadí obrazu.
Obr. 46 Segmentace ruky od pozadí. [22]

Vyhlazení a redukce šumu - Pro redukci šumu a vyhlazení obrazu () se
používá např. filtr Gaussovské rozmazání (nezachovává hrany) nebo
nelineární rozptýlení (zachovává hrany). Tento krok slouží k vyhlazení
obrazu cévního řečiště a k potlačení případného vlivu tvaru hřbetu ruky.
Obr. 47 Segmentace ruky od pozadí. [22]

Lokální prahování - Úkolem tohoto kroku je oddělit vzor žilní struktury od
zbytku obrazu. Metody pro toto oddělení lze rozdělit do 4 skupin:
segmentace prahováním, segmentace pomocí hran, segmentace pomocí
oblastí a segmentace porovnáním. Výpočetně nenáročná a rychlá je první z
uvedených metod. Používá se technika lokálního prahování, tj. výpočet
průměrné hodnoty z okolních pixelů a použití této průměrné hodnoty jako
hodnoty prahu.
77
Obr. 48 Lokální prahování obrazu. [22]

Postprocessing - Posledním krokem je postprocessing, kde se již po
finálních úpravách na obrázku vyskytuje pouze struktura žil hřbetu ruky ve
stavu, který lze již označit jako šablonu.
Obr. 49 Postprocessing. [22]
Nasnímaný obraz je chápán vektorově. Uživatel pak není nijak nucen v procesu
snímání umisťovat ruku do stále téže polohy, tak jak to je známé v metodě geometrie
ruky prostřednictvím stabilizačních kolíčků. Obraz krevního řečiště je prostorově
orientován až v samotném procesu zpracování obrazu, jehož cílem je nalezení
šablony a konečná verifikace uživatele. Při předzpracování, vyhledávání a
porovnávání identifikačních/verifikačních charakteristik se používají poznatky z
neuronových sítí, fuzzy logiky, genetických algoritmů a vektorových strojů.
Důležitým faktorem pro bezpečnou identifikaci nebo verifikaci osoby je testování,
zda pověřený objekt je živý. Tepelné vyzařování v určitém logickém rozsahu pak
může sloužit právě jako důkaz.
8.2. Technologie žil dlaně
Tato technologie pro získání snímku žil dlaně lidské ruky, je velice podobná
technologii pro rozpoznávání pomocí žil hřbetu ruky. Nasnímány jsou však žíly dlaně,
a tím vzniká i rozdíl samotné konstrukce zařízení a zpracování dat.
Ukázka takového scanneru je zobrazen na obrázku 62, scanner funguje na
stejném principu jako u technologie rozpoznávání žil hřbetu ruky:
 NIR (Near-InfraRed) osvětlení
 Hemoglobin v žilách ~ černá barva
78
Obr. 50 Technologie žil dlaně ruky.[33]
Jedná se opět o bezkontaktní a dobře akceptovatelnou metodu. U této metody
nehraje roli osvětlení, pozice ruky a ani výška ruky. Chybové míry se pohybují u FRR
přibližně 1% a u FAR přibližně 0,5%.
8.3. Technologie žil prstu
Žíly prstů jsou jedinečné pro každého jedince, jsou uloženy pod povrchem
pokožky a proto je celkem složité získat jejich vzor pro případné oklamání senzoru.
Hlavní výhodou oproti snímání žil dlaně a hřbetu ruky je ta, že zařízení pro snímání
žil prstu je mnohem menší a dá se případně použít například v kombinaci se
senzorem otisků prstů.
8.3.1 Získání obrazu žil prstu
Známe dvě metody, které pomocí NIR osvětlení a CCD kamery nasnímají žíly
v prstu.
 Reflexní metoda, založená na odrazu světla. Kamera a světelný zdroj jsou
umístěny na stejné straně prstu. Obraz vzoru žil je reprezentován
nepatrnými rozdíly intenzity odraženého světla. Žíly absorbují světlo, tím
dosáhneme toho, že oblasti žil jsou tmavší než jejich okolí. Výhoda této
metody spočívá v tom, že zařízení je menší a pro uživatele příjemnější,
který nemusí vkládat prst dovnitř zařízení. Nevýhodou je velmi složitá
extrakce žil, jelikož obraz je velmi málo kontrastní.
79
Obr. 51 Reflexní metoda. [33]
Obr. 52 Snímek žil při použití metody s odrazivým světlem. [33]

Transmisivní metoda, metoda založená na prosvícení prstů a útlumu
paprsku uvnitř prstu. Prst je vložen mezi zdroj světla a kameru. U této
metody je získaný obraz velmi kontrastní, protože obraz postupuje z druhé
strany prstu a není zde efekt rušivé odrazivosti kůže. Roli zde ovšem hraje
tloušťka lidského prstu. Nevýhodou je, že zařízení je větší a uživatel musí
vsunout prst mezi zdroj světla a senzor, což snižuje jeho komfort.
Obr. 53 Transmisivní metoda. [33]
80
Obr. 54 Snímek žil při použití metody s prostupujícím světlem. [33]
8.3.2 Zpracování obrazu žil prstu
Zpracování je podobné, jako tomu bylo u metod pro získání žil dlaně a hřbetu
ruky. Zahrnuje:
 Normalizace obrazu – upraví obraz do takové podoby, aby střední hodnota
a rozptyl jeho intenzity byly v určité normě.
 Extrakce žil (příznaků) – Z normalizovaného obrazu extrahuje žilní řečiště.
 Porovnávání – dochází k porovnání extrahovaných příznaků se šablonou
uloženou v databázi.
8.4. Vlastnosti žil ruky
Tento systém je velice dobře akceptovaný uživateli, nedochází k žádnému
kontaktu se snímacím zařízením. To je velice výhodné z hlediska s hygienických
podmínek. Na provedení verifikace nemají vliv prsteny, onemocnění kůže nebo
revma, jako tomu je u geometrie ruky. Žíly zůstávají po celý život neměnné, není
třeba pravidelně registrovat novou šablonu. Další výhodou této metody je její
rozlišovací schopnost, která je mnohem větší než u geometrie ruky. Snímání je kratší
než 0,5 sekundy a vytvoření množiny rysů z obrázku cca 1 sekunda. Hodnoty FAR = 104 %, FRR = 10-1 %.
81
9 Biometrie obličeje
Obličej patří k nejznámějším biometrickým rysům. Obličej používáme intuitivně
každý den, bez toho aniž bychom si uvědomovali, že se jedná o biometrické
rozpoznávání.
Identifikace osob pomocí rozpoznávání lidských tváří je nejstarší metodou. Lidé již
po tisíciletí intuitivně rozpoznávají své blízké, přátelé, rodinu, kolegy, sousedy …
Lidský mozek automaticky porovnává obrazy tváře, které má uložené ve své paměti
s předlouhou, jež vnímá a vidí před sebou. Tento proces, identifikace známe osoby,
zpracovaný na základě obrazové informace obličeje, mozku zabere zlomek vteřiny.
Rozpoznávání druhé osoby na základě lidské tváře je pro člověka nejpřirozenější
a nejpoužívanější způsob identifikace. Tuto „operaci“ provádíme rutinně během dne
s velmi vysokou spolehlivostí. Je proto pochopitelné, že snaha o automatické
rozpoznávání podle charakteristik lidské tváře má v biometrii jedno
z nejvýznamnějších postavení. Vzhled lidské tváře pro identifikační účely, začal být
důsledně vědecky zkoumán teprve až ve 20. a 21. Století. Primárním parametrem je
strojové vyhledávání a rozpoznávání lidské tváře. Metoda umožňuje bezkontaktní
snímání i na poměrně velkou vzdálenost.
Obr. 55 Biometrie obličeje. [4]
Extrakce charakteristik a rozpoznávání lidské tváře se může lišit v závislosti od
typu aplikace, od požadavků, které jsou na ni kladeny. Může se jednat, jak o klasické
verifikační úlohy, u kterých se ověřuje identita dané soby. Tak o identifikaci, kdy
v počítačové databázi hledáme osobu, jejíž tvář byla zaznamenána na sledované
scéně. Takovýmto způsobem může oprávněná osoba dostat signál
z monitorovaného prostoru, že se zde objevila určitá zájmová osoba. V dalších
aplikacích nám systém umožňuje najít všechny osoby, které jsou v určité míře
podobné hledanému vzoru, jedná se zejména o aplikace bezpečnostního charakteru.
82
Obr. 56 Různé podoby stejné tváře, jen jinak zpracované nebo vnímané. [28]
9.1. Rozdělení systémů pro identifikaci obličeje
Systémy pro identifikaci založené na rozpoznávání obličeje můžeme rozdělit na
systémy statické a dynamické nebo systémy řízené a neřízené.
 Systémy statické a řízené – U těchto systémů dochází k vědomé identifikaci
osoby. Identifikaci je zde prováděná kamerou, která snímá jedince z čelního
úhlu. Výsledný obraz má dané rozlišení, dané pozadí, nasvícení a
podobně. Tyto systémy jsou na náročnost vybavení a implementaci méně
náročné.
 Systémy dynamické a neřízené – U těchto systémů dochází k nevědomé
identifikaci osoby. Úkolem těchto systému je zachytit a identifikovat jedince
například v davu. Tyto systémy jsou využívány jako bezpečnostní systémy
např. na letištích, v bankách a podobně.
Systémy lze rozdělit z hlediska spektra.
 Černobílí obrazy,
 barevné obrazy,
 infračervené obrazy,
 jakákoliv jejich kombinace.
Systémy lze také rozdělit na základě povahy snímaných dat.
 Rozpoznávání na základě 2D snímků,
 rozpoznávání na základě 3D snímků,
 rozpoznávání na základě termosnímků.
83
Systémy lze rozdělit na základě způsobu snímání obrazu.
 Rozlišujeme čelní pohledy,
 pohledy z boku,
 obecné pohledy,
 a jejich kombinace.
Rozdělení z hlediska použitých výpočetních nástrojů (algoritmů) při zpracování.
 Rozlišujeme technologie založené na znalostních pravidlech,
 pravidlech statického rozhodování,
 neuronových sítích,
 genetických algoritmech,
 a další.
Obr. 57 Různé pohledy na strojové zpracování lidské tváře. [28]
9.2. Rozpoznávání obličeje na základě 2D snímků
84
Rozpoznávání obličeje na základě 2D snímků je jednou z nejrozšířenějších metod.
A to především proto, že je velmi snadné 2D snímky získat.
Postup rozpoznávání je většinou následující:
 Detekce obličeje na snímku.
 Normalizace nalezeného obličeje (kompenzace různého osvětlení, pozice,
natočení, velikosti…).
 Extrakce příznaků = transformace nalezených dat za účelem lepší
rozpoznatelnosti (filtrace, statická analýza…).
 Vyhodnocení podobnosti se šablonou nebo-li sadou šablon.
9.2.1 Detekce a lokalizace obličeje
V prvním kroku je nutné lokalizovat obličej na daném snímku. Obličeje jsou
nasnímány za různých podmínek (osvětlení, liší se v barvě, pozici, rozměrech,
orientaci, výrazu obličeje…).
Tento problém se řeší několika způsoby způsoby:
 Detekce obličeje na základě expertních znalostí – U této detekce se
využívá známých vlastností, které jsou charakteristické právě pro lidský
obličej. Tato metoda předpokládá, že všechny lidské obličeje mají společné
některé charakteristiky. Může to být barva kůže, pozice, barva očí, úst a další.
Její postu je následující:
1. Kompenzace osvětlení.
2. Detekce tónu kůže (existuje celá řada metod pro detekci tónu kůže, její
spolehlivost však klesá, pokud pracujeme s obrázky z různých etnických
skupin).
3. Detekce rysů obličeje (oči, ústa a ohraničení obličeje).
4. Hranice obličeje (výpočet založen na samotné velikosti obličeje a
orientacích gradientu).

Detekce obličeje na základě strojového určení – U této metody se využívá
obecných algoritmů strojového učení. Ty se trénují pomocí velkého množství
snímků, na kterých je manuálně vyznačena oblast obličeje. Tyto snímky pak
slouží jako vstupní data pro zvolenou učící se metodu (např. neuronová síť,
kaskáda klasifikátorů, pravděpodobnostní usuzování). Takto je pak
natrénován model, který je pak schopen samostatně rozpoznat lidský obličej.
Jádrem celého detektoru je klasifikační algoritmus, který je schopen o daném
výřezu snímku říct, zda obsahuje, nebo neobsahuje lidský obličej. Detektor
pak tomuto klasifikátoru postupně předkládá různé výřezy originálního obrazu
a poznačí si ta místa, která byla označena pozitivně. Tento algoritmus tedy
nevyhledává aktivně obličeje, ale vždy prochází celý obraz. Průchodů bývá
dokonce více za použití různě velkých (a někdy i různě rotovaných) výřezů.
Jeden nejrozšířenější algoritmus z této kategorie je metoda ADABOOST.
Klasifikátor kombinuje vhodným způsobem mnoho velmi jednoduchých
85
slabých (nedostatečně spolehlivých) klasifikátorů do jednoho silného. Postup
je následující:
1. Nastav váhy trénovacích dat na výchozí hodnotu.
2. Z množiny slabých klasifikátorů vybere ten, který dosahuje nejlepších
výsledků na trénovacích datech (v závislosti na vahách).
3. Vypočítejte koeficient pro tento klasifikátor na základě úspěšnosti.
4. Uprav váhy trénovacích dat tak, že váha roste pro data, která jsou špatně
klasifikována a naopak.
5. Pokračuj krokem 2, dokud není výsledek klasifikátoru dostatečně přesný.
Jako slabé klasifikátory jsou obvykle použity takzvané Haarovy příznaky.
Kritériem pro ukončení trénování může být dosažení požadované celkové
spolehlivosti.
 Metody založené na rozložení odstínu šedi v obraze – U tváří jednotlivých
osob existují velké rozdíly mezi jejich vzhledy, ale i přesto lze určit obecná
pravidla o distribuci odstínů šedé barvy v obraze za normálních světelných
podmínek. Například oblast očí bude vždy tmavší než třeba oblast čela. Tato
metoda je dosti efektivní a v praxi je hojně používána. Asi nejznámější
metodou z této skupiny je metoda mozaiky, výhodou této metody je její
dostatečná efektivnost i v případě, že je oblast obličeje na snímku malá nebo
nevýrazná. U této metody se vychází z přirozeného rozpoznávání tváří
lidským mozkem. Princip metody je následující.
1. Zpracovávaná oblast je rozdělena do obrazových bloků ve čtvercové síti
4x4. V těchto blocích budou ležet oči, ústa, nos, líce a podobně.
2. Jestliže se ve zpracovávaném obraze bude nacházet lidská tvář, pak právě
v obrazových blocích nalezneme identifikující markanty (oči, ústa, líce,
nos…), které vyhovují pravidlům distribuce odstínů šedé barvy.
3. Postupně se vybírají jednotlivé obrazové bloky a zkoumá se, zda se v nich
nalézají hledané markanty.
4. Bloky, které hledané markanty nemají, se vyřazují z dalšího zpracování.
5. Obrazové bloky, které zůstaly, se znovu dělí do sítě ještě detailnějších
obrazových bloků, v rozlišení 8x8.
6. Pomocí metody detekce hran definitivně určujeme pozici identifikujících
markantů – očí, úst, nosu apod.
Tato metoda má několik variací, jejichž cílem je ještě vyšší efektivita
zpracování obrazu. Například se zpracovávaná oblast dělí do čtvercové sítě
3x3 místo původních 4x4. Celkový zpracovávaný obraz je ovlivňován
celkovými světelnými podmínkami, a to tak, že některé oblasti tváře leží ve
stínu a jiné jsou přímo osvětleny, dochází k lokálnímu zpracování jednotlivých
oblastí pomocí tzv. adaptivního přizpůsobování. V každém obrazovém bloku
jsou využívána vlastní pravidla zpracování. Zpracování touto metodou je
pomalé a kombinuje se s dalšími metodami, aby výsledná kvalita byla co
nejvyšší a zároveň doba zpracování co nejnižší.
86

Metody založené na rozpoznávání obličejových rysů – Obrys nebo-li
kontura je další důležitou charakteristikou tváře. Jestliže dokážeme korektně a
přesně definovat obrys tváře, pak další detekce tváře je podstatně jednodušší.
Často si nemůžeme být jisti, že jsme korektně detekovali hrany tváře, jelikož
současné algoritmy na detekci hran mají své omezení. Přesto lze obrysy
obličeje využít v kombinaci s dalšími přístupy. Detekce kontur lze využít k
nalezení jednotlivých objektů v tváři – oči, nos, ústa apod., jež jsou vstupními
charakteristikami pro další metody, používané v procesu identifikace nebo
verifikace tváře. Obrysy, kontury, hrany objektů lze obecně nalézt pomocí tzv.
prahování, detekce hran, segmentace narůstáním oblastí, segmentace
srovnáním se vzorem apod.

Metody založené na informaci o barvách – I když barva kůže obličeje bývá
u každého lidského jedince odlišná, můžeme definovat určité zásady, které
odlišují obličej od barevně diferenciovaného prostředí. Rozložení barev v
obličeji u lidí téže rasy je si velice podobné a lze nalézt typické oblasti s určitou
barvou. Pro oblast očních důlků je například typická barva stínů, zatímco nos
je jinak barevně výrazný a ohraničený stíny apod. Pomocí barev tedy lze
efektivně detekovat tvář na scéně. Pokud bude lidská tvář dobře osvětlena, lze
barvy rozeznávat pomocí poměrně jednoduchých algoritmů. Problémy však
nastávají při velice jasném nebo temném osvětlení nebo při různých úhlech
dopadajícího světla na tvář. Za těchto podmínek je velice obtížné rozlišit různé
barvy a to i tehdy, kdy se barvy lidských tváří od sebe výrazně liší (přísluší
různým rasám).

Metody založené na informaci o pohybu na scéně – Pro detekci a lokalizaci
tváří na scéně lze využít i časovou sekvenci snímků. V praxi se můžeme
setkat s pojmem metoda optických toků (optic flow), která je hojně využívána
nejenom pro lokalizaci tváře, ale i pro její rozpoznávání. Detekce objektů na
základě pohybu se používá již od 60. let 20 století a celou dobu se
zdokonaluje. Problémy detekce tváří založené na pohybu vznikají zejména
tehdy, jestliže je na scéně více osob, které se navíc pohybují různými směry,
různými rychlostmi a navíc se tváře mohou vzájemně překrývat nebo být
překrývány (zakrývány) jinými objekty (sloupy, stromy atd.)

Metody založené na symetrii – Lidská tvář je do jisté míry symetrická. A
právě tohoto se využívá u této metody. V tomto případě bude detekce
znamenat nalezení symetrického obrazce, který odpovídá charakteristikám
lidské tváře.
Ani jeden z uvedených způsobů nefunguje vždy úplně spolehlivě. Proto lze
využívat jejich kombinaci, kdy se například algoritmem strojového učení naleznou
kandidáti, kteří mají charakteristiku podobnou obličeji. Tito kandidáti se potom
sekvenčně projdou a jsou buď potvrzeni, nebo zamítnuti znalostním algoritmem.
87
Vzájemná kombinace metod odstraňuje nedostatky jednotlivých přístupů, které se
projevují v nedostatečné nebo falešné detekci.
9.2.2 Normalizace detekovaného obličeje
Po detekci většinou přichází na řadu normalizace. Jejím úkolem je vhodně
předzpracovat výřezy, které obsahují obličej, aby se tím zvýšila spolehlivost
porovnávání. Její typickým úkolem je snížení vnitrotřídní a zvýšení mezitřídní
variability. Všechny normalizované obrazy různých tváří pak mají stejnou velikost,
prostorovou orientaci a stupně šedi, bude je tedy možné vzájemně porovnávat, i když
byly původně sejmuty z různé vzdálenosti, pod různými úhly a za zcela jiných
světelných podmínek.
Typy normalizace:
 Změna měřítka - všechny výřezy nejsou vzorkován do stejných rozměrů.
 Extrakce obličeje od pozadí - oblast pozadí bývá nahrazená jednotnou barvou
(černou).
 Zarovnání význačných bodů – v obličeji jsou detekovány pozice oči, úst a
nosu a poté je obrázek transformován takovým způsobem, aby všechny tyto
body byly zobrazeny d předem určených (šablonových) pozic.
 Jasová kompenzace – snímky jsou obvykle převedeny do plného jasového
rozsahu (ekvalizace), některé algoritmy se snaží i o kompenzaci osvětlení.
 Další typy normalizací – může jednat o normalizaci výrazu v obličeji (například
detekce tvaru úst a jejich transformace do neutrální podoby). Nebo se mohou
některé algoritmy snažit o potlačení účesu, vousů nebo brýlí a podobně.
9.3. Rozpoznávání obličeje daného jedince
Další důležitým krokem v rozpoznávání obličeje je samotné zodpovězení otázky,
kdo se nachází na snímku. K tomuto řešení vede celá řada postupů. Pár jich je
popsáno níže.
9.3.1 Rozpoznávání pomocí podobnosti obrazových dat
Spadají zde postupy obecně použitelné pro podobnost dvou obrazů. Jedná se o
naivní přímé porovnávání obrazových dat, bod po bodu. Nebo statické metody jako
jsou PCA (Principal Component Analysis), LDA (Linear Discriminant Anallysis), nebo
metody založené na strojovém učení, jako jsou například neuronové sítě, SVM
(Support Vector Machines). Tyto metody se používají na data, které bývají většinou
vhodně předzpracována (normalizována), aby se dosáhlo lepších výsledků.
Tyto metody obvykle pracují s jednorozměrným vektorem příznaků délky n
(Feature Vector). Ten bývá zkonstruován převzorkováním vstupního obrazu obličeje
na určitou pevnou velikost (w x h bodů) a poskládáním jednotlivých řádků do
výsledného vektoru za sebe. Vznikne tím n-dimenzionální prostor R, ve kterém je
každý obličej tvořen jedním bodem. Toto je znázorněno na obrázku 70. Úkolem
88
zmíněných metod je separovat body reprezentující stejnou osobu od bodů
reprezentovat ostatní osoby.
Obr. 58 Příklad reprezentace obrázku v prostoru obličejů. [33]
9.3.2 Rozpoznávání využívající topologické vlastnosti obličeje
U těchto metod bývá prvním krokem topologické porozumění rozpoznávanému
obličeji. To probíhá tak, že algoritmus nejdříve zjistí údaje, jako jsou pozice očí, nosu,
obočí, úst, obrys hlavy a může zjistit i některé další údaje (výraz v obličeji, přítomnost
dalších externích předmětů a další). Podle takto zjištěných hodnot probíhá výpočet
podobnosti. Patří zde metody AAM (Active Appereance Model), EBGM (Elastic
Bunch Graph Matching). Normalizace není u těchto metod použita v takové vysoké
míře, jako u metod předchozích. Jelikož samotný algoritmus do značné míry už
normalizaci obsahuje, jedná se především o změnu měřítka a zarovnání význačných
bodů.
9.3.3 Další metody rozpoznávání
Do této metody spadají algoritmy, které nelze jednoznačně zařadit do předchozích
skupin. Může to být například metoda proměnného 3D modelu obličeje (3D
Morphable Model).
9.3.4 Rozpoznávání založené na PCA
Princip metody PCA (Principal Component Analysis) spočívá v transformaci
prostoru obličeje do prostoru nového, jeho vytvoření je závislé na rozložení vstupních
dat. Osy tohoto prostoru jsou seřazeny podle velikosti variace dat v těchto osách.
Toto nám umožňuje zanedbat některé nejméně relevantní dimenze s co nejmenší
ztrátou informace. Princip metody je znázorněn na obrázku 71.
89
Obr. 59 Princip metody PCA. Podprostor vzniká na celkovém rozložení dat. Vlevo
rozložení, kdy PCA bude fungovat výborně. Vpravo je příklad nevhodného rozložení.
[33]
Metoda využívá učení bez učitele. Výsledný prostor obličejů vzniká bez uvedení
znalostí, do jaké třídy který vstupní vektor patří. To znamená, že ve fázi učení
nemusí vědět, kdo je na jednotlivých snímcích. V literatuře tato metoda bývá velice
často označována jako eigenfaces.
Postup metody PCA je následující:
1. Mějme n-dimenzionální prostor a v něm sadu k-bodů (i-tý bod bude
charakterizován vektorem xi délky n).
2. Centrování bodů (ci): Spočítej střední hodnotu všech bodů m x a odečti od
každého bodu: ci = xi – mx.
3. Spočítej za všech bodů ci kovariační matici C.
4. Urči vlastní hodnoty a vlastní vektor kovariační matice C.
5. Seřaď vlastní hodnoty (a odpovídající vlastní vektory) vzestupně.
6. Vyber prvních a vlastních vektorů a generuj množinu dat v nové
reprezentaci.
Při testování bude nový bod v dané projekci (po odečtení střední hodnoty m x)
porovnán s body z trénovací sady za použití měřítka podobnosti. Výsledkem je
nejbližší bod z trénovací sady, ten se bude nejvíce podobat testovanému bodu.
9.3.5 Rozpoznávání založení na LDA
Princip metody LDA (Linear Discriminant Analysis) je podobný jako u metody
PCA. Opět je zde snaha o zredukování prostoru obličejů pro hledání vzorů. Zásadní
rozdíl oproti metody PCA je ve vytvoření tohoto prostoru. Bude se zde jednat o učení
s učitelem, a u každého snímku tedy musí být uvedeno, kdo na něm je zobrazen.
Metoda se snaží nový prostor vytvořit tak, aby co nejlépe separoval body
reprezentující stejnou osobu od bodů ostatních osob. Princip metody je znázorněn
na obrázku 72. U tohoto postupu hrozí možnost přílišné adaptace nebo-li přeučení
na osoby, které se účastnily učení. Pokud se u systému, který používá tuto metodu
90
objeví nová osoba (která se neúčastnila učení) není možné předvídat, zda její obraz
bude od ostatních dostatečně separován. V literatuře tato metoda bývá velice často
označována jako Fisherfaces.
Obr. 60 Princip metody LDA. Podprostor vzniká v závislosti na příslušnosti dat ke
třídám. [33]
9.3.6 Rozpoznávání založené na ASM a AAM
Předchozí metody fungovaly pro libovolné rozpoznávání vzorů, bude u nich tedy
jedno, jestli na vstupu bude obra lidského obličeje, nebo čehokoliv jiného. Oproti
tomu metody ASM (Active Shape Model) a AAM (Active Appearance Model) se
diametrálně liší v tom, že tyto metody se nejprve snaží interpretovat obraz jako
obličej (nalézt v obraze očí, ústa, nos…), a až potom hledají podobnost.
Metody fungují na principu aktivní šablony. Šablona je složena z několika desítek
(obvykle dvou až tří desítek) bodů, které si v různých obličejích vzájemně významově
odpovídají, například koutek oka, ušní lalůček... Ve fázi předzpracování je nutné na
každém snímku z trénovací sady ručně určit pozici všech bodů šablony. Z této
trénovací sady si model šablony zapamatuje vzájemnou polohu bodů a případně
texturní informace v polohách vymezených jednotlivými body. Na novém neznámém
snímku se šablona přiloží na snímek a iterativně se mu přizpůsobí.
ASM u této metody se šablona skládá pouze z bodů a hran mezi nimi. Hrany se
pak snaží iterativně namapovat na hranový obraz zkoumaného snímku. Informace o
textuře se extrahují až po konvergenci šablony, textura je pak deformována
v závislosti na výsledném tvaru šablony.
AAM u této metody se šablona skládá nejen z bodů hran, ale i z informace o
textuře uvnitř šablony. Tvar šablony a texturní informace jsou potom v procesu
iterování šablony používány společně, proto tato metoda obvykle dosahuje lepších
výsledků. Při samotném rozpoznávání identity jedince je možné buď porovnávat
referenční a extrahovanou šablonu, nebo je možné obě tyto šablony promítnout do
snímku a porovnávat je některou z výše zmíněných metod.
9.3.7 Rozpoznávání založené na rozložení odstínů šedi v obraze
91
Metoda mozaiky založená na rozložení odstínu šedi v obraze tváře, která byla
popsána výše, je kromě lokalizace využívána i k rozpoznávání konkrétní tváře.
Princip je následující. Obraz neznámé tváře je opět rozložen do jednotlivých
geometrických bloků (segmentů) mozaiky a stejná operace bude provedena i
s obrazovým záznamem známé tváře uložené v databázi. Poté dochází k porovnání
segmentů u obrazu známé a neznámé tváře. Zkoumá se bezprostřední, popř. i
vzdálenější okolí právě porovnávané dvojice segmentů. K porovnání je použit nrozměrných vektorů. Nakonec se rozhoduje, zda obrazy tváře patří stejné osobě.
Takto se porovnávají postupně všechny referenční obrazy v databázi s neznámou
tváří, až do té doby dokud nedojde ke shodě mezi porovnávanými záznamy. Jinými
slovy až do chvíle, než je osoba identifikována nebo verifikována. Tato metoda je
výpočetně náročná, jelikož dochází k porovnání segmentů neznámého obrazu se
segmenty velkého počtu tváří známých osob uložených v databázi. Každý segment
se porovnává s každým segmentem a při tom se navíc zkoumá okolí těchto
segmentů. Rychlost závisí tedy i na počtu uložených referenčních tváří v databázi.
9.3.8 Rozpoznávání založené na
identifikačních markentech
geometrických
tvarech
a
Identifikační markanty jsou oči, nos, ústa a brada, ty vytvářejí konkrétní podobu
tváře každého lidského jednice a slouží pro klasifikaci tváří. Metoda vychází z
definování geometrických, vizuálních charakteristik, určených člověkem. Jedná se o
dílčí charakteristiky určené vzdálenostmi a úhly mezi identifikačními body –
markanty. 12 základními antropometrickými body jsou:
 Vnitřní koutky oka (body 4,5),
 vnější koutky oka (body 6,7),
 vnější horizontální body rtů (body 1,2),
 bod přechodu nosu v čelo (bod 8),
 bod spodní hrany nosu- špičky(bod 3),
 body zvané tragus – body na chrupavce ucha, chrání vnější zvukovod
(body 9,10),
 body cauda helicis – body přechodu ušního lalůčku do tváře (body 11, 12).
Metody založené na antropometrickém přístupu mají v praxi automatizovaného
zpracování následující problémy:
 Automatická detekce antropometrických identifikačních bodů není vždy
spolehlivá, body jsou mezi sebou velice odlišné a těžko se automatizovaně
vyhledávají z obrazu nízké kvality, nízkého stupně rozlišení, různých,
špatných světelných podmínek nebo úhlů osvětlení apod.
 Počet měřitelných identifikačních bodů – markantů je malý a pro počítačové
zpracování ne vždy nedostatečný. Osoba může být na scéně zachycena
pod různými úhly a ne proto všechny body jsou vždy viditelné nebo
definovatelné.
92

Lze těžko vyjádřit spolehlivost,
antropometrických charakteristik.
přesnost
měření
všech
těchto
Obr. 61 Obličej s vyznačenými 12 základními antropologickými markanty. [28]
Při použití této metody se její autoři většinou zaměřují na charakteristiky očí, nosu,
úst a brady. Oblast uší není vždy využitelná a to z důvodů určité polohy hlavy, kdy
tyto body nemusí být viditelné a často bývají u žen nebo mladších mužů zakryty
porostem vlasů.
93
Obr. 62 Fyzický model tváře pomocí pružin. Různé vzdálenosti a deformace
markantů definují tváře různých osob. [28]
9.3.9 Metoda neuronových sítí
Umělé neuronové sítě (artificial neural network - AAN) jsou inspirovány procesem
lidského mozku, jsou schopny se učit a analyzovat rozsáhlé a komplexní množiny
dat, které mnohem lineárnější algoritmy jen těžko zvládnou. Neuronová síť
napodobuje lidský mozek v získávání znalostí v procesu učení a získané znalosti
jsou uloženy ve spojení mezi jednotlivými neurony.
Obr. 63 Jednoduchý Perceptron. [42]
První umělou metodu neuronových sítí zvanou Perceptron vymyslel v roce 1958
psycholog Frank Rosenblatt. Smyslem její existence mělo být modelování postupu,
při kterém lidský mozek zpracovává vizuální data a učí se rozeznávat objekty.
94
Obr. 64 Základní schéma neuronové sítě. [28]
Neuronová síť vytváří spojení mezi mnoha různými procesními prvky, z nichž
každý je analogický
se samostatným neuronem v biologickém mozku. Každý neuron obdrží mnoho
vstupních signálů a na základě vyvažovacího sytému, jež zohledňuje váhy
jednotlivých akcí, produkuje jednotlivý výstupní signál, který je většinou zasílán jako
vstup jinému neuronu. Neurony jsou propojeny a organizovány do různých vrstev.
Vstupní vrstva dostává vstupní údaje, výstupní vrstva vytváří finální výstup. Mezi tyto
dvě vrstvy je obvykle vložena jedna nebo více skrytých vrstev. Tato struktura
neumožňuje předvídat ani znát přesný tok dat.
Učení neuronových sítí:
1. Umělé neuronové sítě typicky začínají s náhodnými váhami pro všechny své
neurony. „Nevědí“ nic a musí být školeny na řešení konkrétního problému.
2. Existují dvě meto školení samoorganizující se AAN (je vystavována velkému
množství dat a směřuje k odhalení zákonitostí a souvislostí v těchto datech) a
zpětně šířící ANN (během školicího období učitel vyhodnocuje, zda je výstup
ANN správný. Pokud je správný, neuronové váhy, které tento výstup vytvářejí,
jsou posíleny, pokud je výstup nesprávný, zodpovědné váhy jsou oslabeny).
Umělé neuronové sítě se ukázaly užitečnými v rozmanitých aplikacích skutečného
světa, jež pracují s komplexními, avšak často neúplnými daty.
Metody neuronových sítí pro rozpoznávání lidských tváří lze rozdělit do dvou
základních kategorií:
1. Identifikační charakteristiky (markanty) jsou rozpoznány nejrůznějšími
metodami a neuronové sítě jsou použity pro klasifikaci tváří.
2. Neuronové sítě slouží pro určování jednotlivých identifikačních
charakteristik, ale i pro závěrečné rozpoznání.
95
Obr. 65 Princip jednoduché neuronové sítě pro detekci tváře. [28]
Na obrázku 77 je zobrazen princip detekce tváře pomocí jednoduché neuronové
sítě. Podprostor je zde rozbit na n-stejnoměrných obrazců, které se vyhodnocují
jednoduchou neuronovou sítí. Povšimněte si velkého množství vazeb mezi neurony
různých vrstev. Na obrázku 78 je zobrazen princip detekce tváře pomocí
komplexnější metody neuronových sítí. Plocha vybraného podprostoru je zde třikrát
rozdělena, a to pokaždé jiným způsobem. V prvním případě na čtvrtiny, ve druhém
na šestnáctiny a v posledním na pět stejných, horizontálních pásem. Každá oblast je
ve všech třech případech segmentace zprůměrována a slouží jako vstupní hodnota
do neuronové sítě. Počet vazeb mezi neurony různých vrstev se podstatně snížil.
Druhá metoda má výhodu urychlení samotného vyhodnocení a různě veliké
segmenty mohou efektivně pomoci nalézt různé identifikační markanty. U velkých
čtvercových segmentů se detekují oči a nos, podlouhlé horizontální segmenty se
lépe hodí pro detekci úst a obočí.
96
Obr. 66 Princip komplexnější neuronové sítě pro detekci tváře. [28]
9.3.10
Metoda optických toků
Budeme mít sekvenci snímků pohybu hlavy se jedné a téže osoby. Pokud budeme
pozorně analyzovat dvojici snímků, jdoucí časově po sobě, zjistíme, že dochází
k dynamickým změnám (ke změně světelné intenzity mezi odpovídajícími si body na obou snímcích a
zároveň dochází k prostorovému pohybu těchto bodů, jež lze vyjádřit vektorově ). Každý bode má svůj
směr pohybu a za určitou časovou jednotku urazí určitou dráhu. Navíc odpovídající si
body mají i svou rychlost. Obraz bude podléhat texturálním změnám (změnám
intenzity) a strukturálním změnám (změny prostorové).
Mezi dvěma snímky lze pak definovat rozdíly, vyjádřené pomocí optického toku
(optic flow) a ty využívat pro rozpoznávání pohybu a rovněž pro rozpoznávání tváře.
Optický tok tak určuje charakter i výraz tváře. Metoda optického toku může být
využívána i lokálně. Jedná se např. o sledování pohybů rtů při pronášení slov, vět.
Obr. 67 Vpravo je zobrazen výsledný optický tok snímku dvou rozdílných osob. [28]
9.4. Rozpoznávání obličeje na základě 3D snímků
Zastánci 3D přístupu tvrdí, že třírozměrný prostor obsahuje více informací a
odpovídá běžné realitě vnímání okolního světa. Při porovnání obličeje na základě 2D
metody, dochází ke ztrátě informace. Proto se mnoho 2D metod pokouší tento
97
nedostatek odstranit simulováním předpokládaného tvaru lidského obličeje. Nicméně
rozpoznávání osob na základě prostorového modelu lidského obličeje přináší
mnohem větší možnosti.
9.4.1 Snímání 3D obličeje
Pro 3D snímání musí být využit mnohem složitější snímací zařízení než při 2D
snímání, kde nám stačil pouze obyčejný fotoaparát nebo kamera. Snímací zařízení
pro použití u 3D snímaní obvykle funguje na bázi 2,5D skeneru.
2,5D sken není v podstatě nic jiného než 2D obraz, který má pro každý bod
uloženou informaci o jeho hloubce. Tímto způsobem jsou reprezentována data, ale
tyto data nemohou být považována za 3D model. Jelikož tímto způsobem nemohou
být reprezentovány body, které leží na stejných souřadnicích, ale v jiné hloubce,
například místo koule zaznamenáme vždy jen polokouli.
Obr. 68 Rekonstrukce 3D modelu z 2,5D skenů. [33]
Většina zařízení, které tvoří 2,5D sken k tomu využívají strukturované viditelné
nebo infračervené světlo. Promítnutím jistého vzoru na 3D povrch a jeho snímání
pod jiným úhlem vede k dostatečné tvorbě 2,5D skenu. Pokud budou některá místa
při snímání v zákrytu, tak sken bude obsahovat díry. Většinou bývá pořízeno více
skenů z různých míst a ty se poté skládají do plného 3D modelu, jak je znázorněno
na obrázku 80. V praxi se však většinou využívá snímání pouze z jednoho místa a
předpokládá se, že získaní informace budou pro rozpoznávání dostatečné.
Nasnímaná data lze poté reprezentovat mnoha způsoby:
 Mrak bodů,
 polygonální síť,
 hloubková mapa.
98
Obr. 69 Ukázka reprezentace 3D modelů, mrak bodů, polygonální síť a hloubková
mapa. [33]
9.4.2 Možnosti rozpoznávání 3D obličeje
Při použití 3D snímače nemusíme nutně rozpoznávat lidské obličeje pomocí
porovnávání 3D modelů. Existuje více možností při porovnávání referenční šablony
uložené v databázi s aktuálně dotazovanými daty.
 3D šablona x 2D dotaz – U této možnosti je 2D snímek porovnáván s 3D
šablonou. Výhodou u této možnosti je, že stačí na všech pracovních
stanovištích pouze 2D technologie, to nám zajišťuje mnohem menší
náklady na zařízení. Ale pouze při registraci osob do databáze, je potřeba
využít 3D technologie a k tomu nám stačí, pouze jedno zařízení.
 2D šablona x 3D dotaz – Princip porovnání je stejný jako v předchozím
případě, ale nevýhodou je, že na všech pracovištích musí být k dispozici 3D
technologie. U této varianty se zvyšují náklady, ale i bezpečnost, jelikož 3D
snímače není tak snadné oklamat.
 3D šablona x 3D dotaz – Porovnávají se zde navzájem 3D modely, které
sebou nesou nejvíce informací a můžeme zde předpokládat nejlepší
výsledky.
9.4.3 Normalizace 3D modelu
Stejně jako u 2D snímků, tak ani zde nemůžeme očekávat, že dva snímky stejné
osoby budou naprosto totožné. Proto je nutné získaný obraz normalizovat.
Normalizace zde probíhá přes detekci klíčových bodů, jimiž jsou koutky očí a špička
nosu. Po detekci těchto bodů lze model transformovat do výchozí polohy, ve které
lze předpokládat vysokou míru korelace mezi dvěma modely stejného obličeje.
 Detekce nosu – nejjednodušší metoda je za využití předpokladu, že nos je
nejvystouplejší částí směrem ke kameře. Pro kompenzace hlavy je model
rotován kolem os x a y, a jako nos je potom zvolen bod, který má
souřadnice z v průměru nejnižší, jedná se tedy o nejméně vzdálený bod.
99

Hrubé zarovnání – pracuje se vzájemnou korespondencí tří bodů v rovině.
Jedna trojice bodů P= (P1, P2, P3) je neměnná, pro druhou trojici bodů A=
(A1, A2, A3) hledáme transformaci T, po jejímž provedení dostaneme novou
trojici bodů A’= T*A tak, aby celková odchylka bodů P i od A’i pro i = {1, 2, 3}
byla co nejmenší. Transformace T se skládá z rotace, posunutí a změny
měřítka, a její parametry lze vypočítat analyticky.
Obr. 70 Hrubé zarovnání 3D modelu obličeje. [33]
9.4.4 Hledání podobnosti
Opět ani v této oblasti neexistuje jedna univerzální a nejlepší metoda. Metody se
od sebe liší v rychlosti složitosti a přesnosti. Uvedeny zde jsou jen základní metody
pro hledání podobnosti.
 Podobnost 3D modelů – používá algoritmus ICP (Iterative Closest Point),
který najde jemné zarovnání testovacího snímku a šablony a výsledná
podobnost se pak určí na základě rozdílů tvarů zarovnaných 3D
reprezentací (polygonálních sítí).
ICP algoritmus nejprve vybere kontrolní body (podmnožina bodů
testovaného snímku). Poté iterativně transformuje testovací snímek, proto
aby všechny kontrolní body měly minimální vzdálenost od povrchu šablony.
Tyto kontrolní body jsou vybírány v oblastech, kde dochází k malé změně u
různých výrazů obličeje, ale tak, aby pokryly co možná největší plochu
obličeje, ukázka na obrázku 83.
100
Obr. 71 Výběr málo tvárných bodů pro algoritmus ICP. [33]
Postup algoritmu ICP:
1. Vyber kontrolní body v jedné množině.
2. Najdi nejbližší body v množině druhé (korespondence).
3. Vypočti optimální transformaci mezi oběma množinami na základě
aktuální korespondence.
4. Transformuj body, opakuj algoritmus od kroku 2 až do konvergence.

Podobnost založená na tvaru a vzhledu – v nejlepším případě tato metoda
pracuje s komplexním 3D modelem, který obsahuje i texturní informace,
uložené v šabloně a 2,5D skenem aktuálního testovaného snímku. Metoda
je založena na hledání transformace původního modelu tak, aby co nejlépe
odpovídal testovanému snímku (stejně jako u předchozí metody ICP) a
zároveň pro tento model hledá takovou projekci, včetně osvětlení, aby se
vizuálně shodovala s aktuálním snímkem (syntéza vzhledu), zobrazeno na
obrázku 84.
101
Obr. 72 Porovnání založené na vzhledu, a) 2,5D testovaný snímek, b) 3D model po
provedení normalizace, c-f) syntetizované obrázky z b) s posunutím v horizontálních
a vertikálních směrech, g-j) syntetizované obrázky se změnami osvětlení. [33]

Porovnání povrchů (ICP) nám nabídne M nejlepších kandidátů testovaného
snímku a syntéza vzhledu je pak provedena pouze na těchto M modelech.
Výsledná podobnost je kombinací tvarové a vzhledové podobnosti.
Podobnost hloubkových map – tato metoda pracuje pouze s hloubkovou
mapou získanou z určitého výřezu normalizovaného 3D obličeje. Jedná se
o jednu z nejdůležitějších metod pro porovnání 3D obličejů. Hloubkovou
mapu můžeme chápat již jako 2D obraz a využít techniky používané v této
oblasti (PCA, LDA). Vhodnější je použít filtrovanou podobu hloubkové mapy
než její originál. Může být využito například Sobelova operátoru.
9.5. Rozpoznání obličeje na základě termografie
Zatím jsme se zabývali metodami pro rozpoznávání obličeje ve viditelném spektru
světla. Se zvyšováním vlnové délky světla se mění i informace, kterou jsme schopni
snímat. U této metody se budeme zabývat pořizováním termosnímků obličejů, jedná
se o snímky pořízené v infračerveném záření dlouhých vlnových délek.
Rozpoznávání je založeno na základě tepelného vyzařování ve tváři uživatele.
Pomocí termografie se zaznamená teplo vyzářené žilním systémem a okolními
tkáněmi. Snímek je pak pořízen infračerveným optickým snímačem. Tato metoda
102
vyžaduje určitou spolupráci identifikující osoby. Metoda využívá infračervené
spektrum, není závislá na kvalitě vnějšího osvětlení, při němž je tvář zpracovávána.
Obr. 73 Termografický snímek. [5]
Povrch tváře je protkán hustou sítí krevního řečiště, tvořeného cévami, žílami a
kapilárami, které krví roznášejí kyslík po celém povrchu obličeje. Krev má mnohem
vyšší teplotu než bezprostřední okolí krevního řečiště. Snímání obrazu tváře je pak
založeno na rozložení tepla v obličeji, a vyzařování tepla do okolí. Teplota povrchu
tváře se pak měří pomocí infračerveného spektra. Speciální kamery termovize
dokáží rozlišovat teplotu s přesností 0,01°C a tak snímají detailní obraz krevního
řečiště, charakterizující svými specifickými tvary konkrétní tvář. V infračerveném
pásmu jsou teplejší oblasti zobrazované světlejšími barvami. Záznamem jsou
obrázky termomap obličeje. Verifikačně-identifikační úlohy jsou založeny na
porovnávání tvarů obrazců v infračerveném spektru, různá teplota slouží pouze pro
vykreslení těchto obrazců. Obraz krevního řečiště v tváři má podobné identifikačněverifikační vlastnosti jako např. obraz krevního řečiště na hřbetu ruky. Výhodou
infračervených kamer je ten, že dávají stejný obraz jak při plném denním osvětlení,
tak i v temnu. Druhou velkou výhodou této technologie je obtížnost vytvoření
falzifikátu. Útočník by musel vytvořit zařízení, které vyzařuje různou teplotu na
různých místech v závisosti na napodobovaném obličeji. Tato technologie má
samozřejmě i nevýhody a ta nejvýznamnější je proměnlivost teplotní charakteristiky
jedince v závislosti na vykonávané aktivitě, teplotě okolí, nebo dokonce i na emocích.
Během jediné sekundy je snímáno až 30 obrazů tváře. K detekci a rozpoznávání
tváří v infračerveném pásmu se používá zejména metoda PCA (Principal Component
Analysis), která pracuje s celou tváří jako se šablonou.
Vzhledem k tomu, že využití termosnímků sebou přináší řadu výhod, ale i nevýhod
Proto se nabízí nepoužívat tuto technologii samostatně, ale v kombinaci s běžnými
snímky. Tato kombinace přináší mnohem lepší výsledky než použití obou technologií
samostatně.
9.6. Snímací zařízení
Při pořizování termosnímků je nutné používat speciální zařízení, takzvané
termokamery. Její rozšíření není tak běžné, jako je tomu u klasické kamery, což se
bude odrážet i na její cenové dostupnosti. Při jejím snímání je potřeba dodržet
následující parametry:
 Emisní koeficient kůže e=0,98,
 konstantní vzdálenost (správné zaostření),
103


relativní vlhkost okolí,
teplota okolí.
9.7. Výhody a nevýhody rozpoznávání na základě obličeje

Výhody
Cenová dostupnost u metody, která využívá pouze běžné dvourozměrné snímky
obličejů (fotografie), pak je potřebný k pořízení snímku obyčejný fotoaparát. Snímání
může zcela probíhat bez vědomí snímané osoby, což rozšiřuje možnosti nasazení
této metody do naprosto nových oblastí. Další výhodou biometrické metody pro
rozpoznávání obličeje je snímání i na velkou vzdálenost.

Nevýhody
Náklady na snímací zařízení mohou růst v závislosti na použité metodě
(požadavek na konstantní osvětlení, použití stereovize, 3D snímací zařízení,
termokamery a další). Větší výpočetní náročnost u 3D metod pracujících se 3D
modely. Identifikace osoby na základě její tváře má ve srovnání s metodou otisků
prstů nebo oční duhovky nižší identifikační jednoznačnost.
Tabulka 2 Parametry systémů geometrie obličeje.
FRR – pravděpodobnost chybného zamítnutí 1%
FAR – pravděpodobnost chybného přijetí
0,1%
Rychlost verifikace
3 sekundy
Míra spolehlivosti
Střední
104
10 Biometrie chůze
Bipedální lokomoce neboli dynamika chůze, je další z mnoha možností, jak
identifikovat člověka. Pojem lokomoce znamená pohyb z jednoho místa na druhý. Ve
vztahu k člověku je lokomoce definována jako pohyb člověka v gravitačním poli
vlastní silou (bez pomoci jakýchkoliv technických prostředků) pomocí končetin nebo
jiných anatomických částí lidského těla. Pohyb člověka je jedinečný a svým
způsobem neměnný v relativně širokém časovém období.
K další lokomoci člověka kromě bipedální lokomoce (běh, chůze) patří lezení,
skákání, plavání či let (volný pád). Pomocí biometrické identifikace v současné době
je využívaná pouze chůze či běh.
Rozpoznávání člověka na základě jeho chůze je jednou z nově vznikajících oblastí
biometrických aplikací. Výhodou této metody je bezkontaktnost ve srovnání
s většinou ostatních biometrických metod a také tato metoda není nepříjemná pro
samotného člověka. Určitou nevýhodou této technologie je nižší rozlišovací
schopnost mezi uživateli. Velký podíl na rozvoji této metody má i rozvoj záznamové a
snímací techniky. Rozlišovacím znakem jedinců je různý dynamický stereotyp celého
pohybu těla. Do biometrie chůze jsou vkládány velké naděje, zejména v souvislosti s
fyzickou bezpečností a s potenciálním využitím již nasazených technických
prostředků pro bezpečnostní účely. Nabízí se totiž použít již instalovaných
průmyslových kamer, monitorovacích systémů rozšířené o automatizované
vyhodnocování lidské identity (i zpětné) založené na metodách rozpoznávání tváře a
chůze (samostatně i zvlášť). Uplatnění této metody v dnešní době je především ve
forezní sféře. Kriminalistika zkoumá jakékoliv stopy zanechané pohybem (lokomocí)
člověka.
Svéráznost lokomoce je podmíněná celou řadou anatomických a
psychofyziologických vlastností člověka, jeho tělesnou výškou, hmotností,
zdravotním stavem, anatomickými odchylkami od normy (zakřivení páteře, ploché
nohy, různou délka končetin, stupněm volnosti v kyčelním kloubu apod.), některými
profesionálními zvláštnosti a sportovními návyky.
Funkční a dynamické návyky lokomoce jsou poměrně stereotypní, ale na druhou
stranu jsou variabilní v rámci určitých druhů přemístění, např. rychlá nebo pomalá
chůze, běh, apod. Chůze jdoucího člověka může procházet prudkými změnami pod
vlivem vnějších faktorů – nesení těžkého břemene, nerovné cesty (strmé klesání
nebo stoupání) a vnitřních příčin (bolest, únava, stres atd.). Taktéž technické a
fyzikální podmínky snímání ovlivňují celkový obraz chůze – různé úhly, ze kterých
kamery snímají scénu, ovlivňují výsledné vnímání pohybu, které je pak odlišné od
standardních podmínek, dává zcela jiné identifikační charakteristiky chůze. Prostředí
pro snímání chůze z pohledu aplikací pro rozpoznávání osoby dle její chůze není
zatím, ale nikterak standardizováno – kamery jsou v různém počtu, scénu snímají z
různých úhlů a vzdáleností, ve velmi stižených světelných podmínkách. Biometrická
chůze patří k nejsložitějším oblastem.
10.1. Historie biometrie chůze
Konkrétní aplikační možnosti biomechaniky v kriminalisticko bezpečností teorii a
praxi jsou v české literatuře poprvé uvedeny v roce 1977. Právě jednu z těchto
možností představuje biomechanická analýza bipedální lokomoce člověka.
105
Úvahy Porady a Karase dále teoreticky rozvíjí, precizuje a zaměřuje zejména na
problémy klasifikace stop, důležité geometrické, kinematické a dynamické markanty
a zejména biomechanický obsah stop při bipedální lokomoci.
Novák [24] uvádí metody biomechanického výzkumu, mj. i kinematické
vyšetřování zejména sportovních pohybu (kinematografická metoda rovinná a
prostorová) se všemi potřebnými údaji k její aplikaci. Se stejným zaměřením na
biomechaniku tělesných cvičení uvádí s odstupem 20 let Karas, Otáhal, Sušanka [23]
metody a základní prostředky experimentální biomechaniky pro vyšetřování pohybu z
hlediska kinematické geometrie a kinematiky a metody a prostředky kinematografie,
zejména vysoce rychlostní kinematografie, vyhodnocovací techniky a praktické
využití.
Obr. 74 Nomogram ilustrující závislost délky kroku na frekvenci chůze a rychlosti
chůze. [28]
Základy pro experimentální rozpoznávání lidské chůze položil Johansson v
experimentu s bodovými světly (point-light display – PLD). Jeho experiment prokázal
možnost identifikovat typ pohybu osoby pozorováním dvou-rozměrových pohybových
charakteristik světelných zdrojů připevněných k lidskému tělu. Když byly světelné
body pozorovány v statickém režimu, připomínaly hvězdy nebo vánoční stromeček.
Jakmile se ale daly do pohybu, zobrazovaly pohyb osoby. Později bylo prokázáno, že
pomocí bodových světel lze určit různé druhy pohybu osoby. Skákání nebo tanec
byly lehce rozpoznatelné, stejně tak ale i komplexnější pohyby charakterizující druh
chůze nebo dokonce identitu člověka. To dále v roce 2001 vedlo k závěru, že
dynamika lidské chůze je pro každou osobu unikátní a může být použita pro
biometrické účely.
10.2. Analýza stop lokomoce
Stopy lokomoce mohou být zkoumány různým způsobem a s různým cílem.
Většina prací, v nichž byla prováděná analýza stop lokomoce člověka
z geometrického a kinematického hlediska, se vyznačuje deskriptivním přístupem,
obvykle s úzkým zaměřením. Analyzují se tyto aspekty:
 Stanovení rychlosti lokomoce.
106


Grafické vyjádření rychlosti lokomoce (stochastický charakter rychlosti
lokomoce, poznatky k frekvenci chůze, dále délka kroku a časové
uspořádání kroku, bipedální lokomoce člověka: pohybový projev, opěrná a
lokomoční funkce nohou).
Sledování lokomočních pohybů (kombinovaná kinematicko-dynamografická
analýza).
10.3. Lékařské výzkumy
Biomechanická literatura uvádí připomínky týkající se identity chůze: “ Daná osoba
bude vykonávat vzor chůze obrázek 87 charakteristickým způsobem a docela
opakovatelně. Tento vzor je dostatečně jednoznačný a je možné podle něj rozpoznat
osobu, která může být i ve větší vzdálenosti.“
Cílem lékařského výzkumu v oblasti chůze bylo a stále je určit jednotlivé prvky
chůze za účelem ošetřit patologicky abnormální pacienty. Systém sběru dat používá
požadované, definované markanty ve spojení se sledovaným subjektem. Tento
přístup je typický pro většinu systémů sběru dat pro medicínské účely, ale nikterak se
nehodí pro identifikační úlohy. Murray považuje chůzi jako obraz celkového cyklu
chůze – tedy chůzi je možné chápat jako periodický signál.
Obr. 75 Časový vztah mezi jednotlivými fázemi cyklu chůze dle Murraye. [28]
Cyklus chůze je definován jako časový interval mezi odpovídajícími si okamžiky,
kdy se pata stejné nohy při po sobě následujících krocích dotkne pevného podkladu
podloží. Každá noha se pohybuje ve dvou od sebe oddělených časových periodách –
ve fázi stoje (chodidlo je v kontaktu s podkladem) a ve fázi švihu (chodidlo se již
nedotýká podkladu, ale švihem směřuje k následujícímu kroku vpřed. Cyklus začíná
v okamžiku, kdy pata nohy se poprvé dotkne podkladu a tento okamžik znamená
začátek fáze stoje. Po kontaktu paty s podkladem se chodidlo následně celé dotýká
podkladu a v tuto chvíli je na něj přenesena celá váha těla. Druhá noha je mezitím ve
vzduchu a švihem směřuje vpřed, aby se vzápětí opět dotkla patou podkladu. Autor
107
definuje odděleně délky kroku z pravé nohy na levou a opačně, délku kroku pravé
(levé) nohy a celkovou dobu cyklu chůze pravé nohy. Krok je pohyb mezi
odpovídajícími si kontakty pat obou nohou s podkladem; kompletní cyklus chůze se
skládá ze dvou kroků.
Stojová fáze tvoří 60–62 % z celkového cyklu fáze, fáze švihová 40–38 % při
normálním tempu chůze. Čím jdeme rychleji, tím se podíl švihové fáze zvětšuje.
Průměrný dospělý jedinec při normální chůzi udělá 113 kroků za minutu při průměrné
délce kroku 70,1 cm.
Murray navrhuje, že pokud bychom v úvahu brali a měřili všechny prvky chůze,
pak chůzi jako takou bychom mohli považovat za jedinečnou. V jeho práci se
vyskytuje ale dvacet rozdílných prvků chůze, z nichž některé je možné měřit jen z
pohledu svislé osy lidského těla, tj. pohledem shora. Murray zároveň objevil
skutečnost, že rotace pánve a hrudníku je vysoce variabilní mezi různými
pozorovanými subjekty.
Změnu v chůzi mohou způsobit tyto proměnné faktory, jako je obuv, zatížení
člověka, ale také i druh oblečení, těsné oblečení může ovlivnit chůzi, zatímco volné
oblečení ovlivní spíše vnímání chůze z videa, ale i použití alkoholu ovlivní výsledek
chůze.
10.4. Pohyb člověka v kloubech při chůzi
Chůze je rytmický pohyb vykonávaný dolními končetinami a provázaná souhyby
všech částí těla. Při každém kroku nastává jeden okamžik, kdy obě nohy spočívají na
zemi – tzv. dvojí opora. Mezi okamžiky dvojí opory spočívá tělo na jedné končetině a
druhá přitom kmitá dopředu. Lidská chůze je sice vrozená, ale každý jedinec se
v průběhu svého vývoje učí chodit sám a tím si vytváří osobní charakter chůze
související s držením těla.
Obr. 76 Zobrazení lidské chůze. [25]
Rozlišují se různé druhy chůze: vpřed, vzad, stranou, chůze po schodech,
v terénu, při výstupu a vstupu (např. do dopravních prostředků), při překračování
překážek a mnoho dalších. Pro rozpoznávání člověka je důležité pozorovat určité
pohyby při chůzi. Například tyto momenty:
 Rytmus, pravidelnost chůze - při poruše rytmu, může docházet k tomu, že
zdravá noha dělá rychlejší krok než postižená.
 Délka kroku - Délka končetiny, bolesti, rozsah kloubní pohyblivosti, svalová
síla apod. mohou být příčinou nesouměrné délky kroku.
108







Osové postavení dolní končetiny - vliv na zatěžování nosných kloubů.
Postavení nohy a její odvíjení od podložky - první dotyk podložky je patou,
dále se přenáší váha přes zevní okraj nohy na špičku.
Pohyb těžiště - švihovou fází druhé nohy se posune těžiště těla vpřed a tím
i váha těla.
Souhyby horních končetin, hlavy a trupu – při pohybu paží dochází i k
mírné rotaci trupu. Při chůzi se střídá levá paže s pravou.
Svalová aktivita - snížením svalové síly se výrazně projeví charakter chůze
(omezený pohyb v kloubech, kontraktury – zkrácení svalů).
Stabilita při chůzi – jedná se o schopnost udržovat rovnováhu,
přizpůsobovat se změnám terénu, rychlosti chůze a překonávání překážek.
Používání pomůcek – jako například berle, hůl dlaha, ortéza, protéza a
další.
Při rozpoznávání pohybu chůze je dobré znát i úhly maximálních ohybů kloubů.
 Kloub kyčelní – kulovitý kloub, ve kterém dochází k flexi, extenzi, addukci a
abdukci, cirkumdukaci a rotaci.
Obr. 77 Rozsahy pohybu kyčelního kloubu. [26]
109


Obr. 78 Pohyb kyčelního kloubu. [26]
Kloub kolenní – složený kloub, největší a nejsložitější v lidském těle. Flexe
je v rozmezí od 0°- 140° a při extenzi u mužů do 10°a u žen do 15°.
Obr. 79 Flexe kolenního kloubu. [25]
Kloub hlezenní – flexe hlezenního kloubu je do 50°a extenze do 15°až 20°.
Obr. 80 Ohyb hlezenního kloubu. [25]
10.5. Princip metody
Historicky prvním zkoumaným způsobem identifikace bylo podle měnícího se
těžiště, respektive sledování a následné vyhodnocování jeho trajektorie při chůzi.
Dále byl doplňován dalšími složkami chůze (ohyb v kolenech, kyčlích, kotnících,
rotace hrudníku a pánve a další) a tak se výsledná křivka neustále zjemňovala.
Dalšími sledovanými body jinými vědci bylo temeno hlavy či střed ucha.
110
Bipedální chůze odlišuje člověka od ostatních stvoření. Chůze je výsledkem
mnohaletého evolučního vývoje a umožňuje člověku chodit zpříma, zdvihnout hlavu,
pohybovat se po náročném terénu. Fyzikálním důsledkem anatomické konstrukce
našeho těla je skutečnost, že člověk nedokáže udržet své těžiště při pohybu v přímé
linii. Pohyb těžiště lidského těla má charakter vlnící se křivky. Tato skutečnost má
však rozhodující význam pro to, abychom určili, jak chodíme.
Obr. 81 Zjednodušený pohled na pohyb těžiště lidského těla. Trajektorie křivky je
zobrazena vpravo, šipky označují maxima a minima. [28]
Výsledkem vyhodnocování trajektorie těžiště, je skutečnost, že v průměru 55 %
váhy lidského těla střídavě namáhá každou nohu při chůzi, a těžiště se při chůzi
pohybuje nahoru a dolů, ze strany na stranu v sinusoidálních vlnách s amplitudou
kolem 5–6 cm. Protože těžiště lidského těla není přímo viditelné, mnoho autorů pro
identifikační úlohy používala sledování pohybu temene hlavy, středu ucha apod.
Průběh grafu pro pohyb těžiště těla a např. středu hlavy bude podobný, nikoliv však
shodný. Pohyb hlavy vykazuje oproti těžišti těla větší amplitudy.
Toto sledování jednoho bodu nám však nepřináší dostatek informací, proto se
zkoumá pohyb jednotlivých částí pohybového aparátu, zejména kloubů. Při pohybu
kloubů měříme měnící se úhel mezi určitou částí končetiny a kloubem směrem dolů
od předozadní osy procházející sledovaným kloubem. Toto metoda se nazývá
sagitální kinematika.
Obr. 82 Měření úhlů pohybu kolene a kyčle v sagitálním směru.
111
Měření úhlu probíhá po dobu jednoho cyklu chůze, tento úhel je znázorňován do
grafů, podobných ukázkám na obrázku 95. Tímto způsobem můžeme změřit hned
několik parametrů chůze najednou u každého jedince. Popsaná metoda byla
primárně navržena pro medicínské účely, ale postupem času našla uplatnění i
v biometrickém vyhodnocování lidské chůze.
Obr. 83 Ukázky měření sagitálních úhlů pro kyčel, koleno a kotník. Prostřední je
průměrná hodnota, horní a dolní křivky jsou standardní maximální a minimální
odchylky od průměru. [28]
V současnosti se metody používané k identifikaci chůze dělí do dvou základních
směrů a to podle používaných analytických metod:
 Metody založené na zpracování siluety pohybujícího se objektu - silueta
osoby, rozpoznané podle chůze, je vyčleněna z pozadí a ta se sleduje a
vyhodnocuje.
 Metody využívající modelování (rozpoznávání) pohybu - sledují a
vyhodnocují dynamiku pohybu. Konkrétně pohybu horní části těla nebo
nohou a zohledňují délky a úhly při chůzi.
10.5.1
Metody založené na zpracování siluety pohybujícího se
objektu
112
Tato metoda vyčleňuje z pozadí scény siluetu pohybujícího se objektu, a na ní
sleduje, vyhodnocuje siluetu (např. různým průměrováním) nebo její pohyb.
Jedna z metod je i analýza délky kontury siluety, která se převádí do grafu a
následně před dalším zpracováním se normalizuje.
Obr. 84 Délky kontur čtyř osob. [28]
10.5.2
Metody využívající modelování pohybu
Metody založené na modelování vycházejí z analýzy pohybu horní části těla
(torsa) nebo nohou. Tato metoda se zaměřuje na dynamiku pohybu, nikoliv na jeho
tvar (siluetu) na rozdíl od metod pracujících se siluetou pohybujícího se objektu.
Pozornost je věnována tělesným rozměrům – délkám a úhlům při chůzi.
Využívají se zde tři základní modely: drátěný, cylindrický a oválný. Přístup
založený na modelování byl historicky používán pro extrakci a následné sledování
pohybu, a to nejenom pro identifikační účely. Na volbě správného zvolení modelu
záleží rekognifikační efektivnost. Nejpoužívanější model byl a dodnes je drátěný
model a to nejen pro svou jednoduchost, ale možnost využití i v 3D modelování. U
drátěného modelu jeho jednotlivé části začínají a končí v kloubech. U tohoto modelu
se může lišit různý počet jeho částí. Nejmenší počet je šest částí (hlava, torzo těla,
dvě paže a dvě nohy).
Obr. 85 Základní modely lidského těla pro analýzu pohybu (drátěný, cylindrický,
oválný). [28]
113
10.6. Pořízení obrazu
Fáze pořízení obrazu s dostatečnými informačními hodnotami závisí:
 Na výběru vhodného snímacího zařízení,
 určení geometrických parametrů snímání,
 parametry expozice kamery a trvání snímání.
10.7. Předzpracování obrazu
Předzpracováním obrazu se obvykle rozumí filtrace šumu, výřez důležité části
v obraze, geometrické transformace v případě různých geometrických zkreslení, ale i
bodové a jasové transformace. V případě obrazového záznamu chůze osob za
definovaných a do jisté míry i zvolených podmínek (osvětlení, přizpůsobení pozadí
scény apod.) je potřeba odstranit pouze případný šum.
Při snímání pohybujícího se objektu se mohou v obraze vyskytovat jasově
temnější místa, kde rozdíl mezi objektem a pozadím bude velmi malý. Naopak tomu
bude v jasnějších místech, kde rozdíl mezi objektem a pozadím bude velký. Pro oba
případy rozpoznávání objektů v obraze budeme potřebovat odlišnou optimální
velikost prahu.
10.8. Metody segmentace pro sekvence snímků
Segmentace slouží k nalezení objektů v obraze – pro oddělení objektů od pozadí.
U pohybujícího se objektu musí být nalezeny jeho hranice nebo nějaké vztažné
body rozmístěné na těle objektu, které by přesně označovaly souřadnice umístění
v prostoru snímání kamery. Existují algoritmy s různou rychlostí výpočtu a výsledným
výstupním obrazem. Mezi nejznámější patří:
 Optický tok
 Detekce významných bodů
 Rozdílové metody
 Shlukové metody
10.8.1
Optický tok
Optický tok zachycuje všechny významné změny v obraze za čas dt. Je založena
na hledání stejných jasových hodnot v jistém okolí výskytu pohybu objektu ve dvou
po sobě jdoucích obrazech. Po správném nalezení souvisejících bodů pak každému
ve výsledném obrazu odpovídá dvojrozměrný vektor rychlosti, vypovídající o směru a
velikosti rychlosti pohybu v daném místě obrazu.
10.8.2
Detekce významných bodů
Metoda se používá, když časové intervaly mezi snímky nelze považovat za velmi
malé vzhledem k časovým konstantám určujícím pohyb v obrazu. Postu metody se
skládá ze dvou kroků.
114


Prvním krokem je nalezení významných bodů v obraze, kdy se jedná
například o hraniční body, jasově odlišné plochy a podobně.
Druhým krokem je nalezení korespondence těchto bodů mezi jednotlivými
obrazy.
Ve všech obrazech posloupnosti (sekvence) je třeba nalézt taková místa, která
jsou nějakým způsobem významná, tj. jsou co nejméně podobná svému okolí,
představují vrcholy či hranice objektů. K tomuto účelu se používají hranové detektory
nebo Moravcův operátor, ten určuje významnost bodu na základě co největší
odlišnosti malé části obrazu od jejího okolí. Je definován takto:
∑
∑ |
|
(12)
Tato rovnice popisuje výpočet specifické hodnoty Moravcova operátoru pro každý
pixel v obrazu tak, že pomocí čtvercového okna předem zadané velikosti NxN (v
případě rovnice 4. velikosti okna 3x3) vypočítáme součet rozdílů jasů sousedních
pixelů s prostředním pixelem. Náročnost výpočtu se tedy bude kvadraticky zvětšovat
z velikostí okna a velikostí obrazu. Je taky zjevné, že Moravcův operátor není
invariantní vůči rotaci a je velmi náchylný na šum. Tyto nedostatky do určité míry
odstraňuje Harris/Plesseyův operátor, který k nalezení významných bodů využívá
algoritmus založený na výpočtu gradientu. Operátor je sice invariantní vůči natočení,
ale bohužel je taky velmi citlivý na šum a je výpočetně velmi náročný kvůli výpočtu
konvoluce s Gaussovským oknem, kterou potřebuje pro nalezení významných bodů
v obrazu. Poté se určuje korespondence těchto bodů mezi jednotlivými snímky a
určení pohybu objektu. To se provádí postupným srovnáváním dvojic všech
nalezených bodů ve dvou po sobě nalezených snímcích a určováním
nejpravděpodobnější věrohodnosti korespondence.
Metoda je velice náročná na výpočet, jelikož se musí přepočítávat hodnoty okolí
každého bodu ve snímku, jsou pomalé a nepoužitelné v real-time operacích.
10.8.3
Rozdílové metody
Tato metoda je jednodušší a rychlejší. Detekce pohybu se provádí výpočtem
rozdílů mezi obrazy. Při snímání nepohybující se kamerou dynamického pohybu
snímáme obrazy f1(x, y), f2(x, y) atd. Rozdílový obraz je v binární obraz, kde hodnota
logická 0 představuje sobě odpovídající místa dvou obrazů, v nichž nedošlo ke
změně (změna není větší než stanovený práh ε) jasu mezi okamžiky snímání. Pokud
rozdíl jasu bude větší než stanovený práh ε, dáme na příslušnou pozici snímku
hodnotu logická 1. Tímto lze detekovat pohyb objektu jasově odlišného od pozadí.
Výsledný binární obraz lze definovat:
{ |
|
115
(13)
Rozdílová metoda může být:
 Jednosměrná – výsledný binární snímek je tvořen pouze kladnými změnami
jasových hodnot oproti následujícímu snímku.
 Obousměrná - výsledný binární snímek je tvořen zápornými i kladnými body
v absolutní hodnotě rozdílu dvou po sobě následujících snímků.
Rozdílové snímky jsou sice jednoduché na výpočet a získáme z nich informaci o
pohybu, ale mají i několik vad. Jednou z nich může být i situace, když jednobarevný
objekt se pomalu pohybuje v určitém směru. Rozdílový snímek pak zachytí jenom
malý objem přední a zadní části objektu. Tyto velmi malé části, můžeme velmi mylně
označit za šum prostředí, a v obrázku nám nevznikne žádný pohyb.
10.8.4
Shlukové metody
Hlavním úkolem těchto metod je rozdělení objektů, které jsou si něčím podobné,
do několika skupin. V těchto skupinách jsou obsaženy objekty, které jsou si mezi
sebou podobné a jsou odlišné od objektů v jiných skupinách. Těmito objekty mohou
to být body v obraze s odlišnými barvami a různou vzdáleností od bodů se stejnou
barvou, a skupiny jsou shluky těchto bodů odlišující se právě barvou, popřípadě
jasem pixelu nebo vzdálenosti od pixelu stejné barvy.
Cílem těchto metod je tedy odlišit body s podobnými vlastnostmi od bodů od nich
se lišících pomocí kritéria, které zajistí optimální oddělení těchto bodů do shluků s
hlediska potřeb uživatele (v našem případě je třeba odlišit pohybující se objekt od
pozadí). Použitím následujících metod docílíme rozdělení obrazu do několika shluků,
které vyjadřují podobné jasové hodnoty v barevných odstínech obrazu nebo podobné
jasové hodnoty v šedotónovém obrazu a vzdálenost mezi těmito body. Těmito shluky
odliším jednotlivé objekty ve snímané scéně.
1. Metoda k-means - Jedná se o klasickou iterační metodu pro klasifikaci
vstupních bodů do předem určeného počtu k shluků. Jako první definuje k
středy, každý shluk musí obsahovat jeden střed. Tyto středy by měly být
logicky rozmístěny na odlišných místech co nejdál od sebe, protože různé
rozmístění počátečních středů zapříčiní různé výsledky. Poté přiřadíme
každý bod ze vstupních dat do středu, ke kterému je nejblíže. Pokud máme
rozděleny všechny body do shluků, musíme přepočítat těžiště všech středů.
Pro některé body se změní nejbližší střed, a tak musíme tyto body přeřadit
do shluků, kde mají nejbližší střed. Tento algoritmus se pak opakuje až do
té doby, kdy se už souřadnice středů nepohybují. V konečném důsledku se
tato metoda snaží minimalizovat cílovou funkci :
∑ ∑‖
‖
Kde ‖
‖ je vzdálenost mezi vstupními body
počet vstupních bodů a k je počet středů.
116
(14)
a středy
, n je
Algoritmus je velmi citlivý na náhodné rozmístění počátečních středů
shluků. Tento problém může být vyřešen vícenásobným spuštěním
algoritmu. Nejlepší možné rozpoznání všech shluků v obrazu a přiřazení k
nim bodů však závisí na několika aspektech, z nichž nejdůležitější jsou:
o Inicializace počátečního rozmístění středů – na tomto nastavení
závisí konečný počet iteračních kroků a tedy i čas výpočtu.
o Nastavení počtu shluků – Většinou je nastaven uživatelem, ale může
být nastaven i automaticky, například po zjištění všech maxim
v histogramu.
o Na použité metrice pro měření vzdáleností bodů od středů.
Obr. 86 Princip metody k-mens. [34]
2. Metoda mean shift – jedná se o neparametrickou shlukovou metodu, která
nepotřebuje počáteční znalost o počtu shluků. Metoda je založena na
odhadu hustoty jádra. Máme n bodů dat xi, i=1,…, n, d-rozměrného
prostoru Rd, pak vícerozměrný odhad hustoty jádra s jádrem K(x) a
poloměrem okna h je :
117
∑
(
(15)
)
pro radiálně symetrickou funkci jádra (kernelu) můžeme zvolit profil:
(16)
‖ ‖
Kde
je normalizační konstanta, která zaručuje konvergenci funkce K(x)
do 1.
Po dosazení rovnice (25) do (24) a vypočítání gradientu funkce
:
∑
(‖
∑
‖ )] [
∑
[∑ (‖
‖ )
(‖
(‖
‖ )
(17)
]
‖ )
kde g(s) = -k’(s). První termín v rovnici je proporcionální k odhadu hustoty v
‖ ‖ a druhý termín:
x počítaná s jádrem
∑
∑
(‖
(‖
‖ )
(18)
‖ )
je mean shift vektor, který vždy míří směrem k maximálnímu růstu hustoty.
Postup při algoritmu obsahuje tyto výpočty:
o Výpočet mean shuft vektoru
,
o Přepočet okna
Tyto dva výpočty se provádějí až do doby konvergence a zajištění, že
gradient funkce hustoty je nulový. Bod, ve kterém se výpočet zastavil, je
pak lokální maximum hustoty shluku bodů
Postup výpočtu pro praktické použití pomocí algoritmu mean shift a
rozdělení bodů v obrazu na shluky:
o Pro každý bod se použije algoritmus mean shift a zapamatujeme si
lokální maximum, ve kterém skončil.
o Shlukujeme vzorky, které skončily ve stejných lokálních maximech s
určitou tolerancí.
10.8.5
Algoritmus rozpoznávání chůze
Ze získaných videosignálů se musí nejprve definovat hraniční boxy pro postavu
člověka. Poté je provedena extrakce siluety postavy dle hraničních boxů. Rozlišení
hraničních boxů je změněno na 128x88 pixelů, aby provedení korelace nebylo tolik
výpočetně náročné.
118
11 Identifikace podle charakteristiky hlasu
Technologie se zakládá na odlišnostech vokálního traktu jednotlivých uživatelů. To
aby byl hlasový otisk dostatečně odlišný způsobuje tvar a rezonance ústní dutiny,
hlasivek, jazyka a zubů. Z tohoto pohledu by se dalo říci, že se jedná o čistě
biometrický znak. Je však, ale třeba si uvědomit, že náš hlas utváříme i sami a
záměrně. Existují osoby, kteří dokáží imitovat dobře hlasy jiné. Hlas je navíc závislý
na našich emocích, zdravotním stavu a jiných okolnostech.
Rozpoznávání řeči je možné rozdělit na několik oblastí :
 Rozpoznávání řeči (rozpoznávání jejího obsahu) – Věnuje se extrakci
významu (obsahu) řeči. Cílem tohoto rozpoznávání je vytvořit aplikaci, která
bude schopna rozpoznat řeč, analyzovat jej a poté porozumět i jejímu
obsahu. Toto rozpoznávání lze dále rozdělit do několika podskupin:
o Rozpoznávání plynulé řeči (rozeznání hlásek, slov, vět).
o Rozpoznávání s porozuměním významu (nejen rozeznání toho, co
bylo řečeno, ale i významu vyřčených slov z kontextu - sémantiky).

Rozpoznávání mluvčího (verifikace a identifikace) – Verifikace spočívá
v ověření totožnosti mluvčího na základě vyřčeného textu. Prvním krokem
pro verifikaci hlasu je pořízení jeho záznamu. Ten můžeme pořídit
klasickým mikrofonem nebo i třeba mobilním telefonem. Pro identifikaci
existují dva druhy systémů:
o Textově závislé – požadují, aby byla vyřčena předem dohodnutá
fráze. Tento způsob je mnohem jednodušší na realizaci, ale jistým
způsobem je i méně pohodlný pro všechny zainteresované.
o Textově nezávislé jakýkoliv mluvený text, což je mnohem
náročnější na realizaci.
Text obsahuje více akustických informací než jednoduché slovo. Délka
zpracovaného vzorku ovšem hraje velmi důležitou roli, více informací
poskytuje vyšší kvalitu srovnávacího procesu. Dalším krokem je
předzpracování, které je velice složité a využívá se zde několika filtrů. Po
předzpracování dochází k extrakci důležitých rysů. Takovéto informace
popisují jedinečné vlastnosti vokálního traktu a tvoří biometrický vzorek.
Takovému vzorku se říká „otisk hlasu“. Ten již může být porovnáván s
databází, nebo do ní uložen jako etalon.
Oproti tomu identifikace má identifikovat jedince na základě promluvy, tento
úkol je velice nesnadný, neboť v mnoha případech se sám jedinec snaží
změnit hlas a není ochoten spolupracovat, proto aby nemohl být
identifikován. Toto se d použít například při telefonickém vydírání, museli
bychom mít databázi hlasových vzorků všech jedinců, pak by nebyl problém
zjistit, kdo je oním vyděračem. Tento jedinec by se však určitě pokoušel
změnit svůj hlas, aby se co nejméně podobal normálu, a právě v takovýchto
případech by bylo potřeba z hlasu získat takové parametry (příznaky), které
člověk nemůže ovlivnit.
119

Speciální rozpoznávání – U této metody se zjišťují v hlase příznaky stavu
jedince. Stavem je myšlen jeho fyzický, ale i psychický stav. Z hlasu je
možné poznat hladinu alkoholu v krvi, při určitém množství promile alkoholu
v krvi dochází ke změnám hlasu, které nelze vůlí ovlivnit. Lze rozpoznat i
psychický stav jako je stres, jistým způsobem i nálada jedince, nebo fyzický
stav jako je únava, opilost a další.
11.1. Vznik řečového signálu
Lidská řeč je zvukový signál, který lze vyjádřit časovým průběhem akustického
tlaku, průběh lze interpretovat jako signál s určitými specifickými vlastnostmi.
Grafické znázornění signálu je na obrázku 99 znázorňuje se jako závislost amplitudy
elektrického signálu produkovaného snímacím zařízením na čase.
Obr. 87Příklad průběhu závislosti amplitudy signálu na čase (slovo "Emanuel"). [28]
Řeč vzniká tak, že vzduch, který je pod tlakem vytlačován z plic, způsobuje vibraci
hlasivek a produkuje signál s určitou základní frekvencí a s vyššími harmonickými
frekvencemi. Tento vzniklý signál prochází hlasovým traktem. Hlasový trakt se skládá
z dutiny nosní, hrdelní a ústní. Dutiny působí jako rezonátory a podle velikosti jejich
průřezu ovlivňují procházející signál. Člověk je schopen modifikovat charakter
výsledného signálu. Výsledkem celého procesu je zvuk. Při určité modifikaci
hlasového traktu vznikají fonémy a ty v určitém sledu tvoří plynulou řeč.
Foném je nejmenší součást zvukové stránky řeči, která ještě má rozlišovací funkci
v systému konkrétního jazyka. Záměna fonému má schopnost změnit význam slova
(např. lis – les – los). Foném tedy není každá hláska (ve smyslu konkrétního zvuku),
nýbrž jen ta, která je schopna význam odlišit (tzv. distinkce). Fonémy se dělí na:
 Znělé fonémy – zachovávají harmoničnost signálu produkovaného
hlasivkami. Jejich energie bývá soustředěna do několika frekvenčních
pásem. Rezonanční frekvence jednotlivých dutin se nazývají formanty.
Formantů je několik a ke každému z nich se dá přiřadit určitá dutina
hlasového traktu, která se nejvíce podílí na jeho vzniku.
120
Obr. 88 Frekvenční spektrum samohlásky "a" a vyznačení formantů. [33]

Neznělé fonémy – jejich frekvenční charakteristika je vyrovnaná a
nevykazuje žádné soustředění do frekvenčních pásem, mají povahu šumu.
Vznikají dynamickou změnou polohy jazyka, rtů a zubů. Změna jejich
polohy ovlivňuje průřezy jednotlivých dutin a polohu překážek zvukovému
signálu, což mění i charakter výsledného signálu.
11.2. Fonetická a technická terminologie





Amplituda – velikost rozkmitu hlasivek, síla tónu. Udává se v decibelech[dB]
Formanty - tóny vznikající rezonancí (zesílením určitých harmonických tónů
dle tvaru a velikosti rezonátoru, tedy vokálního traktu) v nadhrtanových
dutinách.
Frekvence - udává počet hlasivkových kmitů za vteřinu, výška tónu. Udává
se v Hertzích [Hz].
Harmonické tóny - celé násobky kmitočtu základního hlasivkového tónu,
vznikají v nadhrtanových dutinách.
Kepstrum – Je definováno jako zpětná Fourierova transformace
z logaritmovaného modulu spektra signálu.
{
|
{
}|}
(19)
Koeficienty c(n) s nízkým indexem n charakterizují formantovou strukturu úseku
řeči (pomalé změny ve spektru), zatímco koeficienty s vyšším indexem n
charakterizují buzení (rychlé změny ve spektru).
 Lineární predikce - metoda vychází ze zjednodušeného modelu hlasového
ústrojí.
121
Obr. 89 Model vytvoření znělého úseku řeči. [28]

Generátor pulsů modeluje kmitání hlasivek při vytváření znělého úseku řeči,
filtr H(z) modeluje hlasový trakt. Koeficient G je zesílení, a proto je buzení
U(z) uvažováno přímo na vstupu lineárního filtru H(z).
Spektrum zvuku – je to soubor složek, z nichž je skládá složený zvuk.
Spektrum periodického zvuku je diskrétní, a je možné v něm izolovat
jednotlivé složky, které jsou v daném časovém okamžiku t charakterizovány
frekvencí a amplitudou vlny.
11.3. Specifické vlastnosti mluvčího
Řečový signál nese v podstatě dva druhy informace o identitě mluvčího.
 Fyziologické vlastnosti – Jak už bylo zmíněno výše, anatomické uspořádání
hlasového ústrojí má vliv na vytváření řečového signálu. Fyziologické
charakteristiky jsou například rozměry nosní, ústní a hltanové dutiny nebo
délky hlasových chord. Tyto charakteristiky ovlivňují způsob vytváření
fonémů. Systémy rozpoznání mluvčího nepřímo zachytí některé z těchto
fyziologických vlastností charakterizujících mluvčího.

Behaviorální rysy - Vzhledem k typu osobnosti a vlivu rodičů, vytvářejí
mluvčí fonémy různým tempem, prozódií a koartikulací. Vzhledem ke
vzdělání, socioekonomickému stavu a prostředí mluvčí používají různé
slovníky, gramatické konstrukce a dikci. Všechny tyto vysokoúrovňové rysy
jsou samozřejmě specifické danému mluvčímu. Rozpaky, doplňující zvuky
a výstřednost také pomáhají při rozpoznání mluvčího.
11.4. Analýza řečového signálu
Analýza hlasu poskytuje prostředky pro rozpoznávání hlasu či mluvčího. K analýze
se používají známé matematické metody pro zpracování a analýzu jednorozměrných
signálů, kterým řečový signál taky je.
Základem pro rozpoznání řečových vzorů je rozsáhlá databáze nahrávek, která
bývá vhodně rozdělena podle hledaných tříd. Bývá pravidlem, že větší část databáze
je využita pro trénování, menší pak k testování klasifikátoru.
Hlasový signál je akustický signál, který musí být převeden z domény akustického
tlaku na elektrický signál, který je dále vzorkován a ukládán do počítače nebo jiného
digitálního zařízení. Druhým krokem bývá předzpracování zvukové nahrávky, jako je
normalizace, preemfáze a segmentace zvukového signálu. Jejím cílem je upravit
původní zvukový signál do podoby vhodné pro další zpracování. Dalším a
nejdůležitějším krokem je výpočet příznaků. Může se jednat o příznaky v časové,
122
spektrální a kepstrální oblasti, nebo o příznaky transkripční. Snahou je vypočítat co
nejvíce příznaků, které dokážou nejlépe oddělit dané třídy. Vypočtené příznaky pak
tvoří tzv. „vektor příznaků“, jehož délka určuje počet dimenzí, mezi kterými bude
klasifikátor hledat odpovídající třídu. Posledním krokem je najít ke vstupní nahrávce
odpovídající třídu. Vstupem klasifikátoru je vektor příznaků a výstupem informace,
která reprezentuje danou třídu. Pro klasifikaci lze použit například SVM, LDA, NN,
HMM nebo GMM.
Výsledkem verifikace je vždy jednoduchá odpověď, ale výsledkem identifikace
může být, kromě jednoduché odpovědi i seznam kandidátů nebo celé pole porovnání
s pravděpodobnostmi toho, že žadatel žádající o identifikaci je určitým žadatelem
z databáze. Identifikace tedy bude mnohem náročnější.
Na rozdíl od například otisků prstů neexistuje u rozpoznávání podle hlasu
standardizovaný postup, a to právě proto, že z hlasu je možné vyextrahovat velké
množství různých informací a je jen na nás, které použijeme.
11.4.1
Normalizace
Normalizací zajistíme, že úroveň zvukového signálu s(n) pro všechny nahrávky v
databázi bude mít stejný rozsah hodnot. Je nutná, pokud při výpočtech, které souvisí
s energií nebo výkonem signálu. V signálu s(n) se najde maximální absolutní
hodnota, kterou se pak každý vzorek vydělí. Pro absolutní úroveň každého
signálového vzorku pak bude platit s (n) ≤1.
|
11.4.2
|
(20)
Preemfáze
Statisticky zjištěné dlouhodobé spektrum řečového signálu ukazuje, že střední
část spektra klesá se sklonem 6 dB/oktávu. Větší část celkové energie řečového
signálu leží pod hranicí 300Hz kmitočtového pásma, ale užitečné informace v signálu
se nachází v pásmu nad 300Hz. Pokud navíc vezmeme v úvahu, že kvantizační šum
vykazuje rovnoměrné spektrum, tak tento šum bude mít mnohem větší negativní vliv
na energeticky slabší, ale důležitější vyšší složky spektra řečového signálu.
Preemfáze je předzpracování za pomoci digitální horní propusti, která zlepšuje oblast
vyšších frekvencí a u znělých fonémů snižuje vliv základního tónu řeči a tím i
výraznost prvních formantů, to vede k tomu, že lépe rozpoznáme mluvčího.
(21)
Kde s(n) je digitalizovaný řečový signál, sP(n) výsledný signál po filtraci a λ je
koeficient preemfáze, který leží obvykle v intervalu λ ϵ ⟨
. Většinou se však
koeficient preemfáze volí λ=0,97. Preemfáze je tedy filtrace signálu s(n), ze které
vznikne signál po preemfázi sp(n). Někdy se používá název preakcent řečového
signálu.
123
11.4.3
Segmentace
Hlasový signál produkovaný různými mluvčími se liší způsobem, jímž byl vyřčen
(hlasovou intonací, délkou vyslovených hlásek…). Tyto rozdíly se však objevují i u
jediného mluvčího, proto většinou není možné pracovat s řečovým signálem jako
celkem. Celý signál se rozdělí na tzv. segmenty, které mají délku N vzorků, jejichž
celkový počet lze vypočítat jako:
(
(22)
)
Kde funkce int (x) vrací celou část parametru x. jednotlivé segmenty jsou
označeny indexy j=1,2,…,J. Délka segmentu musí být na jedné straně dostatečně
malá pro aproximaci naměřených parametrů konstantními hodnotami a na druhé
straně dostatečně velká, aby byly požadované parametry bezchybně změřeny. Oba
protichůdné požadavky jsou vcelku splněny pro úseky řeči dlouhé 10 až 25 ms, což
souvisí se změnami nastavení lidského hlasového ústrojí.
Je vhodné zvolit i určitou úroveň překrývání segmentů, aby nezanikly některé
krátké a nevýrazné hlásky, to by pak mohlo vést k chybnému rozpoznání. Celkový
počet segmentů je pak dán:
(
(23)
)
Kde U je definované překrytí. Tím se dosáhne většího vyhlazení časového
průběhu za cenu větší výpočtové náročnosti.
 Násobení oknem - Pokud vynásobíme signál oknem, zvolíme délku okna,
která je shodná s délkou segmentu.
(24)
Kde sw(n) je výsledná hodnota vzorku signálu po vynásobení původní
hodnoty vzorku s(n) s hodnotou vzorku okna w(n). Existuje mnoho různých
oken, které se dají při zpracování signálů použít. Zde budou zmíněny pouze
dva základní typy:
o Pravoúhlé okno – proces segmentace je v podstatě násobení
pravoúhlým oknem. Tento efekt je nežádoucí, a proto je vhodné
použít některé okno jiného typu.
〈
{
〉
(25)
Kde N je počet vzorku segmentu signálu.
o Hammingovo okno – jedná se o nejpoužívanější okno.
124
{
(
〈
)
〈
〉
〉
(26)
Kde N je počet vzorku segmentu signálu.
Obr. 90 Násobení řečového signálu oknem a vliv na signál v časové oblasti. [33]
Na obrázku 102 je znázorněn vliv obou oken na řečový signál v časové oblasti.
Kde průběh A znázorňuje průběh původního signálu s(n), obrázky B znázorňují vlevo
pravoúhlé okno a vpravo Hammingovo okno. A na obrázku C vlevo je vliv
pravoúhlého okna na původní signál v časové oblasti a vpravo vliv Hammingova
okna na původní signál v časové oblasti.
11.4.4
Výpočet příznaků
Výběr vhodných příznaků je klíčový za účelem rozpoznání určitých parametrů z
řeči například identita mluvčího, určení pohlaví, emocí… Mezi elementární příznaky
patří střední energie signálu a počet průchodu nulou. Jsou snadno vypočitatelné a
jsou dobrým základem pro další analýzu a metody.
 Energie signálu – Energie diskrétního řečového signálu s (n)na jednom
segmentu délky N vzorků je dána vztahem:
125
∑
Takto se počítá energie celého signálu s (n), tato energie se nazývá
dlouhodobá energie. Celý signál lze rozdělit na j částí s délkou N vzorků,
definujeme vztah pro výpočet segmentu, tato energie se nazývá krátkodobá:
∑
(27)
Kde sj (n) je j-tý segment celého signálu s(n) a j=1,2,…,j. Energie signálu
udává kolik energie je v signálu soustředěno. Její hodnota se hodí třeba pro
rozpoznávání samohlásek, neboť jsou energeticky velice bohaté a to dává
dobrou šanci na jejich odlišení od ostatních hlásek.
 Počet průchodů nulou – udává počet kolikrát je v daném segmentu protnuta
časová osa průběhem signálu. Tato hodnota lze vyjádřit vzorcem:
∑|
(
)
(
)|
(28)
Přičemž funkci sign(x(n)) definujeme jako:
(
)
{
(29)
Z průběhu průchodu nulou je možné určit šum, vykazuje nejvíce průchodu
nulou. Samohlásky a sykavky mají v porovnání s ostatními fonémy vysokou
hodnotu počtu průchodu nulou.
 Lineární predikční koeficienty (LPC) – Odhaduje z řečového signálu parametry
modelu vytváření hlasu. Princip této metody spočívá v předpovědi n-tého
vzorku řečového signálu pomocí lineární kombinace určitého počtu
předcházejících váhových vzorků téhož signálu podle vztahu:
∑
(30)
Kde am jsou predikční LPC koeficienty, M značí řád prediktoru nebol-li počet
koeficientů, spred je výsledný signál a s(n) je původní signál. Pokud budou
dobře nastaveny koeficienty am, je hodnota předpovězeného signálu lineární
kombinací předchozích hodnot. Pokud máme určeny koeficienty LPC, jsou jimi
jednoznačně stanoveny charakteristiky periodického signálu. Pokud máme
vypočítány LPC koeficienty, tak pomocí nich můžeme vypočítat i tzv.
frekvenční LPC spektrum. To se od klasického spektra liší kvalitně
126
vyhlazeným průběhem. Dlouhodobá varianta tohoto průběhu (dlouhodobý
průměr tohoto spektra) velmi dobře charakterizuje daného mluvčího a lze toto
spektrum použít i při rozpoznávání mluvčích. Problém nastává s tzv.
“dlouhodobostí“, kdy je potřeba zaznamenat příliš velké množství řeči, aby
bylo možné spektrum prohlásit za „dlouhodobé“.
Na obrázku 103 jsou znázorněny rozdíly mezi frekvenčním spektrem
samohlásky „a“ a vyhlazeným průběhem LPC spektra samohlásky „a“. V LPC
spektru jsou patrné formanty, které je možné spatřit i ve frekvenčním spektru,
ale nelze je algoritmicky snadno nalézt. V LPC spektru je možno je snadno
nalézt například pomocí metody pro hledání maxim a minim.
Obr. 91 Porovnání frekvenčního a LPC spektra samohlásky "a". [33]

Lineární predikční kepstrální koeficienty (LPCC) – Kepstrální koeficienty
popisují přenosovou funkci hlasového traktu. Výhodou této metody oproti LPC
je menší korelace koeficientů. Přepočtem LPC koeficientů a(k) lze získat
LPCC koeficienty c (n):
(√ )
∑
(31)
(32)
Kde G je zesílení syntetizačního filtru, a(0)=1, a(n)=0 pro n>M. Z takzvaného
kepstra signálu lze zjistit, zda jde o znělý či neznělý segment, neboť u znělých
fonémů obsahuje kepstrum výraznou špičku, kterou je možné reprezentovat
jako základní frekvenci hlasu. Naproti tomu u neznělých úseků jsou první
hodnoty koeficientů kepstra maximální, neboť na jeho počátku jsou
kumulovány vyšší frekvence. Z kepstrálních koeficientů a jejich dynamického
průběhu lze zjistit, jaké slovo bylo vyřčeno a podle nastavení systému lze určit
i mluvčího.
 Mel – frekvenční kepstrální koeficienty (MFCC) – Jsou navrženy tak, aby
respektovaly nelineární vnímání zvuku lidským uchem, to nereaguje na
všechny frekvence stejně. V oblasti vyšších frekvencí se projevuje výrazná
127
nelinearita v reakci na tóny určité frekvence. Toto chování je možné popsat
přibližně lineárně v oblasti nižších frekvencí přibližně do 1000Hz a u vyšších
frekvencí pak logaritmicky. K tomuto využívají banku trojúhelníkových
pásmových filtrů s lineárním rozložením frekvencí v tzv. melovské frekvenční
škále, jež je reprezentována vztahem:
(
)
(33)
Kde f[Hz] je frekvence v lineární škále a fmel[mel] odpovídá frekvenci
v melovské škále má jednotku [mel]. Takto lze transformovat signál
z frekvenční oblasti do oblasti s tzv. „melovou“ stupnicí. Platí že 1000mel =
1000Hz. Postup výpočtu koeficientů je následující. Na vstup systému jsou
přivedeny vzorky řečových signálů s(k). Je provedena preemfáze signálu
(kompenzace poklesu spektrálních složek řečového signálu na vyšších
frekvencích). Poté je aplikovano nejčastěji Hammingovo okno na segmenty
signálu obvykle délky 10- 30 ms. Počet vzorků signáluv segmentu se volí jako
mocnina 2 z důvodu použití rychlé Fourierovy transformace(FFT). Pomocí
algoritmu FFT je signál převeden z časové do frekvenční oblasti a je
|. Klíčová část celého
vypočítáno jeho modulové (amplitudové) spektrum |
procesu zpracování je melovská filtrace. Výpočetní algoritmus této filtrace je
realizován bankou trojúhelníkových pásmových filtrů s rovnoměrným
rozložením středních frekvencí podél melovské frekvenční osy.
Obr. 92 Banka trojúhelníkových filtrů a) v melovské škále b) v lineární škále. [44]
Odezvy filtru v melovské škále lze určit vztahem:
∑ |
|
(34)
Kde i je pořadí filtru, bi střední frekvence daného filtru, M počet filtrů v bance, f
jsou vybírány ze souboru frekvencí využívaných při výpočtu FFT a u(f,i) je
vyjádření trojúhelníkového filtru, který lze popsat pomocí vztahu
128
(35)
{
Průchod signálu filtrem znamená, že hodnoty spektra (každý koeficient FFT)
jsou vynásobeny ziskem filtru a sečteny pro jednotlivé filtry. Poté následuje
výpočet logaritmu výstupů ym(i) jednotlivých filtrů, to nám vhodně omezí
dynamiku signálu. Posledním krokem je provedení diskrétní kosinovy
transformace (DCT):
∑
(
)
(36)
Kde M* je počet pásem melovského pásmového filtru a M je počet MFCC
koeficientů.
 Percepční lineární prediktivní analýza (PLP) – je efektivní prostředek pro popis
spektrálních vlastností řečového signálu. Pro transformaci výkonového spektra
řečového signálu do odpovídajícího sluchového spektra kombinuje tato
metoda tři složky z psychofyziky slyšení: kritické pásmo spektrální citlivosti,
křivky stejné hlasitosti a vztah vyjadřující závislost mezi intenzitou zvuku a
jeho vnímanou hlasitostí.

Základní tón řeči (FO) – Toto je velice používán příznak pro kódování řeči a
rozpoznání mluvčího. Měření periody základního tónu znesnadňuje přítomnost
formantové struktury ve frekvenčním spektru řeči. Základní tón řeči můžeme
určit v časové oblasti například pomocí autokorelační funkce ACF, která se
aplikuje na různě upravený řečový signál. Délka základního tónu je pak určena
vzdálenosti mezi špičkami v autokorelační funkci.

Formantové frekvence (FX) - První tři formantové frekvence nesou důležitou
informaci o charakteru samohlásek a znělých souhlásek. Informace o
formantech bývá nejprokazatelněji obsažena ve spektrální obálce
analyzovaného úseku řeči. Tuto spektrální obálku můžeme získat pomocí
koeficientů LPC, kde můžeme z vrcholů v průběhu vyčíst formantové
frekvence a jejich šířky pásma. Je možné z nich získat informace, jako je
pohlaví a věk mluvčího

Modulační energie na 4 Hz (ME) – Tento příznak se používá ve spektrální
oblasti k rozlišení řeč/hudba. Princip metody spočívá v tom, že řeč má
modulační špičku v okolí kmitočtu 4Hz slabikové změny. Modulační energie
využívá při výpočtu všech výstupů melovské banky filtrů, spektrální energie v
129
sousedních bankách jsou vysoce korelované, což účinnost modulační energie
oslabuje. Postu metody je následující:
1. Nejdříve se vypočte výkonové spektrum n segmentů X[n,k] za pomocí
diskrétní Fourierovy transformace (DFT), které následně znásobíme
s melovskou bankou filtrů. Tím získáme sady výstupních koeficientů banky
v závislosti na n-tém segmentu.
2. Pro trajektorii koeficientů přes všechny segmenty následně vypočteme
modulační spektrum banky FMS [n, k, q], pomocí druhé diskrétní
Fourierovy transformace.
3. Nakonec filtrujeme FIR pásmovým filtrem s centrálním kmitočtem 4Hz.
[
∑
]
|
∑
[
]|
[
]
(37)
Kde ME[n,q] je modulační energie na 4Hz, q značí hodnotu ME pro daný
segment n, M je počet kanálů banky filtrů, P je velikost druhé DFT a E[n]
energie n-tého segmentu.
 Mel–kepstrální modulační energie na 4Hz (MCME) – Je rovněž příznakem,
který odděluje řeč/hudbu, ale v kepstrální oblasti. A tímto kompenzuje
nevýhody spektrální metody ME. Postup výpočtů je podobný jako metody ME,
rozdíl je pouze v použití kepstrálních koeficientů.
1. Nejdříve se vypočte výkonové spektrum n segmentů X[n,k] za pomocí
diskrétní Fourierovy transformace (DFT), které následně znásobíme
s melovskou bankou filtrů, ale tentokrát v kepstrální oblasti. Tím získáme
sady výstupních MFCC koeficientů banky v závislosti na n-tém segmentu.
2. Pro trajektorii koeficientů přes všechny segmenty následně vypočteme melkepstrální modulační spektrum banky MCMS [n,l,q], pomocí druhé diskrétní
Fourierovy transformace.
3. Nakonec filtrujeme FIR pásmovým filtrem s centrálním kmitočtem 4Hz.
[
]
∑
∑
|
[
]|
[
]
(38)
Kde MCME[n,q] je mel-kepstrální modulační energie na 4Hz, q značí hodnotu
MCME pro daný segment n, L je počet MFCC koeficientů, P je velikost druhé
DFT a E[n] energie n-tého segmentu.
 Příznaky závislé na mluvčím – je zde potřeba využít takové příznaky, které
berou v potaz individuální vlastnosti hlasu každého mluvčího. Patří, jsem
například:
o Banka filtrů závislá na mluvčím
o Koeficienty závislé na mluvčím
130
11.4.5
Detekce řečové aktivity
Co nejpřesnější detekce řečové aktivity je velice důležitá pro správnou analýzu
řečového signálu. Jedná se tedy o ta místa v záznamu, kde se nachází skutečný
záznam řeči. Při špatné detekci může dojít k chybné analýze výsledky mohou být
nepřesné. K nalezení začátku a konce slova existují různé metody. Popsány zde
budou dvě z nich:
 Metoda sledování obálky – jedná se o nejjednodušší, ale i nejméně kvalitní
metodu pro detekci řeči. Metoda porovnává obálku řečového signálu
s adaptivním prahem, který se stanovuje jako průměrná hodnota obálky
hluku pozadí. Hluk je šum, který je vydáván prostředím, když zrovna mluvčí
nemluví. Adaptivní práh S lze vypočítat podle vztahu:
[

∑
∑
(39)
]
Kde Nšum je délka signálu šumu, sšum je šumový signál, Nsig je délka
řečového signálu a ssig je řečový signál. Pro výpočet hodnoty prahu budeme
tedy potřebovat dva signály (šumový signál a řečový signál). Toto je velký
zápor metody. Kladem je jednoduchost metod y a možnost použití
analogových přístrojů.
Metoda rozdílnosti příznaků – tato metoda je schopna detekovat řečovou
aktivitu, ale i přechody mezi jednotlivými fonémy uvnitř slova. Princip
metody spočívá ve sledování relativních změn autokorelačních koeficientů
R(0) a absolutní změny autokorelačních koeficientů vyššího řádu R(k), pro
k=1,2,…,K, kde K je maximální sledovaný řád. Postup tohoto algoritmu je
následující:
1. Určení průběhu křivky B(j) spočívá v průběhu určení funkce, podle
vztahu:
|
|
∑|
|
(40)
Kde R(j,s) je autokorelační funkce řádu s segmentu j=1,2,…,J, kde J je
celkový počet segmentů. l1 je počet kroků (segmentů) časového posunu
vpřed, l2 je počet kroků časového posunu vzad, k=1,2,…,K je řád
autokorelace, kde K je maximální řád korelace a b je reálná konstanta
udávající míru vlivu členů vztahu. l1 a l2 ovlivňují citlivost metody, při velkém
časovém rozdílu mohou zaniknout některé krátké fonetické úseky a nebo
některé pomalé změny mezi sousedními úseky nemusí vůbec zaznamenat.
2. Vyhlazení průběhu křivky B(j):
131
[
]
(41)
3. Určení lokálních maxim a minim ve vyhlazeném průběhu B‘(j):
{
}
(42)
Každé z nalezených maxim může tvořit hranici fonémů (a tím i slov).
Minima slouží pro rozhodování, která maxima jsou natolik výrazná, aby
mohly být hranicí mezí fonémy. Pro rozhodování která maxima jsou
výrazná slouží funkce:
(
(
)
)
(
(
)
)
(43)
Vyloučení nevýrazných maxim se provádí podle vztahu:
(44)
Pokud jsou splněny obě podmínky, pak maximum na pozici j max(i) není
hranicí mezi fonémy. Tato metoda selhává pokud se na začátku nebo na
konci slova vyskytuje tzv. frikativ (hláska, která se svým charakterem
podobá šumu).
11.4.6
Klasifikátory

Neuronové sítě – byly blíže popsány v kapitole devět, biometrie obličeje. V
oblasti rozpoznání řeči se pro klasifikaci využívají neuronové sítě o 3
vrstvách. Počet neuronů v první vrstvě odpovídá rozměru klasifikovaných
příznaků P, pro druhou (skrytou) vrstvu se volí počet neuronů (3 ∙ C), kde C
značí počet tříd a poslední vrstva obsahuje C neuronů. Architektura
neuronové sítě je tedy Px3CxC . Výstupem neuronové sítě bude vektor
hodnot, kde nejvyšší hodnota bude ležet na indexu, který odpovídá dané
třídě. Do prvního kroku metody patří natrénování neuronové sítě, k tomuto
účelu slouží část databáze, ze které se pro tento účel vytvoří trénovací a
cílová matice. Trénovací matice bude mít rozměr Tr[P,N], kde N je počet
příznaků a cílová matice Ta[C,N] obsahuje výstupy neuronové sítě pro
vektory vstupních příznaků v trénovací matici.

Metoda k nejbližších sousedů kNN – Metoda vyhledává k nejbližších
sousedů v příznakovém prostoru. Najde se taková vzdálenost od vstupních
příznaků, aby v okolí byl přesný počet k sousedů. Poté nejvyšší počet
132
sousedů, který bude patřit do určité jedné třídy, určuje hledanou třídu. Okolí
je určeno „Euklidovskou vzdáleností“, kde r značí dimenzi prostoru:
(45)
√∑

Gausovy smíšené modely (GMM) – Jedná se o nejpoužívanější klasifikátor
v oblasti rozpoznávání řeči. Jednotlivé třídy jsou v příznakové oblasti
statisticky modelovány jednou nebo více gaussovými funkcemi rozložení
pravděpodobnosti.
√
∑
(
∑
)
(46)
Rovnice 60 ukazuje jednu d-rozměrnou Gaussovou funkci, kde μ značí
střední hodnotu, (x-μ) vektor středních hodnot a ∑ kovariační matici.
∑
(47)
Kde N(x) je smíšený model, který vzniká lineární kombinací více
Gaussovských funkcí rozložení pravděpodobnosti, αi značí váhu a M počet
Gaussovských funkcí.
Ověřování hlasu je velmi významnou metodou mezi ostatními biometrikami z
důvodu její sociální přijatelnosti. Rychlost, snadné použití v praxi a nízká cena jsou
dalšími výhodami těchto systémů. Nevýhodou této metody je malá spolehlivost, a to
právě proto, že hlas je náchylný ke změnám (jako jsou např. nemoc, okolní šum,
jinými zkreslujícími vlivy).
133
12 Další biometrické metody
Obecně můžeme říci, že existuje ještě spousta dalších znaků, podle kterých je
možné provádět identifikaci člověka. Některé další metody jsou popsány níže.
12.1. Identifikace pomocí DNA
Mezi biometrickými metodami si stále významnější místo získává identifikace
jedince prostřednictvím analýzy jeho deoxyribonukleové kyseliny (DNA). Metoda je
relativně nová a její kořeny sahají do poloviny 80. let minulého století. Nepracuje se
zde s měřitelnými morfologickými nebo fyziologickými znaky člověka, ale nosič
genetické informace – molekula DNA. Abychom získlali vzorek potřebujeme
jakoukoliv buňku s jádrem. Tou může být například jedna bílá krvinky, která obsahuje
buď krev anebo sliny. Nebo kořínek vlasů (samotný vlas nemá buňky s jádrem).
K použití jsou vhodné i některé buňky bez jader, a to buňky z kostí nebo zubů.
Obr. 93 Dvoušroubovice molekuly DNA. [46]
Možnost použití analýzy DNA pro identifikaci osob byla poprvé popsána v roce
1985 anglickým genetikem Alecem Jeffreysem, který učinil svůj objev de facto
náhodou. Alec Jeffreys se zabýval úplně jinou oblastí molekulární genetiky, studiem
genu pro myoglibin u tuleňů. Tento gen obsahuje dlouhou repetitivní sekvenci a
Jeffreys se rozhodl pomocí specifické sondy vyhledat stejnou sekvenci v lidské DNA.
Rozštěpil DNA izolovanou z krve laboranta, za pomocí štěpících enzymů (restriktáz)
a rozdělil vzniklé fragmenty elektroforézou na gelu. Poté nechal hybridizovat sondu,
aby identifikoval fragment, ve kterém se nachází hledaná repetitivní sekvence.
Objevilo se však něco, s čím nepočítal – nikoli jeden, ale hned několik fragmentů
různé délky reagovalo se sondou pozitivně. Jeffreys opakoval pokus s vlastní DNA a
byl překvapen ještě víc – opět se sondou reagovalo více fragmentů, ale byly to
fragmenty jiné délky než v DNA laboranta. Postupně takto analyzoval DNA řady lidí a
nikdy nebyl výsledný hybridizační vzor stejný – Alec Jeffreys objevil náhodně způsob,
jak zobrazit jedinečnost DNA každého člověka. První využití této metody
v kriminalistice bylo, když se na Jeffreyse obrátil vyšetřovatel, který vyšetřoval vraždy
a znásilnění dvou dívek v Anglii. V obou případech byla zajištěna stopa spermatu a
právě Jeffreys prokázal, že patří jednomu muži. Vyšetřvatel poté přistoupil
k masovému testování mužů ve věku 16-34 let žijcích v okolí. Bylo analyzováno DNA
134
více než 4000 osob, až se nalezl skutečný pachatel. Případ vešel do historie, jelikož
jako první byla použita metoda identifikace pomocí analýzy DNA, bylo první masové
testování.
Metoda identifikace podle DNA je využívána pouze k identifikaci osob
v kriminalistice. DNA sebou nese i informace o náchylnosti k dědičným chorobám a
tyto informace by pak mohly být zneužívány nežádoucími osobami nebo komerčními
či zdravotními pojišťovnami, proto se u této metody neuvažuje i o rozšíření do
komerční sféry.
 DNA – Kód DNA si lze představit jako lineární nerozvětvený řetězec,
tvořený střídáním čtyř možných prvků (nukleotidů) A, C, G a T, toto je velice
zjednodušeně řečeno. Nukleotidy získaly své označení z názvů chemických
sloučenin (bazí), kterými jsou tvořeny, adenin, cytosin, guanin a tymin.
Chemické vazby mezi molekulami navíc zajišťují jednosměrnost kódu, tzn.
že kód nelze číst pozpátku. Ty úseky DNA, které nesou informaci o stavbě
příslušného organismu označujeme jako kódující, nebo-li geny. Podstatně
větší část DNA informaci o stavbě příslušného organismu nenese proto se
označuje jako nekódující.
Metoda je sice extrémně spolehlivá, ale náročná na provedení a velice drahá.
Provádí se v řadě dnů až týdnů. Získání DNA otisku se skládá přibližně z pěti kroků.
Během nichž se ze vzorku tkáně vypreparuje nejprve celá spirála DNA, která je
následně štěpena na enzym EcoR1 a posléze jsou fragmenty DNA prosévány, až se
získá řetězec využitelné velikosti. Získané fragmenty jsou přeneseny na nylonovou
membránu a po přidání radioaktivních nebo obarvených genových sond je získán
rentgenový snímek – otisk DNA. Otisk má podobný vzhled jako čárový kód a proto je
snadné jej převést do elektronické podoby.
12.2. Identifikace podle dynamiky podpisu
Analýza ručně psaného písma je další behaviorální biometrickou metodou. Podpis
osoby svým způsobem graficky reprezentuje identitu dané osoby. Svůj podpis často
přikládáme jako souhlas s obsahem určitého dokumentu, formuláře atd. podpis je
chápan jako vyjádření našeho souhlasu s patřičným dokumentem. V dobách, kdy lidé
neuměli psát byl místo podpisu využíván otisk prstu.
Grafologie je vědní obor, který se zabývá projekcí osobnosti a dalších psychických
funkcí v ručně psaném písmě, tato vědní disciplína prokázala unikátnost podpisu.
Byla vyvinuta v 19. století, ačkoli podpis se jako identifikační charakteristika využívá
již několik set let. Problematika srovnávání písma je stará okolo 2000 let. Pí je ovšem
mnohem starší, prvním předchůdcem písma byly piktogramy. Jeden obraz u
piktogramů vyznačoval většinou jednu celou větu. Tito předchůdci písma se objevili
někdy v době 4-5 tisíc let před naším letopočtem. Dalším stupněm při vývoji písma
jsou ideogramy. Jedná se o smluvné znaky, kde každá znak vyjadřoval buď jedno
slovo nebo podstatnou jeho část. Postupně se vyvíjelo k slabikovému a hláskovému
písmu. Toto písmo se na některých územích udrželo až do současné doby a to
například v Číně, Japonsku nebo na Korejském poloostrově. Souběžně s rozvojem
egyptského písma hieroglifického v Mezopotámií došlo k rozvoji písma klínového.
Okolo roku 1000 před naším letopočtem došlo k vytvoření Fénické abecedy. Každá
135
hláska zde je již vyjádřena jedním znakem a toto písmo se rozšířilo do celého tehdy
známého světa. Z tohoto písma vychází i abeceda v antickém Řecku a tato se stala
základem k pozdějšímu rozvoji písma latinského, které se s různými obměnami
používá dodnes. A právě na základě řecké abecedy vzniklo i slovanské písmo
Cyrilice, název má po svém tvůrci Cyrilovi. Jejím předchůdcem byla hlaholice
Konstantina a Cyrila. Ze slovanských abeced se vyvinula dnes známá azbuka. Ta je
rozšířena hlavně na území Ruska a ve státech bývalého Sovětského svazu,
Bulharsku a v Srbsku. Na počátku 19. Století nastal prudký rozvoj písma kurzivního,
a toto písmo je současně vyučováno ve školách jako písmo psací.
S analýzou podpisu se setkáváme historicky mnohem dříve, než se zkoumáním
samotného písma. Jelikož podpis je svazován s hmotnými i nehmotnými
transakcemi, potvrzením autorství nebo našim souhlasem s určitými skutečnostmi,
existují snahy o jeho napodobení nebo falzifikaci. Při porovnání podpisu
s referenčním originálem se například můžeme setkat při platbě kartou, kdy
prodavači kontrolují náš podpis se vzorovým originálem a snaží se najít odpověď na
otázku, zda je skutečný a odpovídá nebo neodpovídá dané osobě. Porovnávání je
ovšem v takovémto případě subjektivní. Vývoj technologií jde stále kupředu a různá
zařízení jsou schopna rozpoznat naše ručně psané písmo a převádět jej do znakové
podoby. Technologie jsou navíc schopné vyhodnocovat nejen výsledný statický
obraz, ale i kompletní proces vytváření – psaní podpisu. Bude se tedy jednat o
dynamické verifikace podpisu, které vyhodnocují v reálném čase rychlost psaní
podpisu, tlak hrotu pera na podložku ve všech směrech v jednotlivých fázích
rukopisu, rychlost jednotlivých obloučků, zvednutí pera od podložky. Vyhodnocuje se
i směr a posloupnost psaní některých prvků, jako je škrtání, zdůrazňování určitých
partií, psaní teček atd. Některé osoby píší např. háčky, čárky a tečky až na závěr,
jiné zase průběžně. Někdo podtrhává nebo škrtá zleva doprava, jiný naopak. Toto je
výhoda metody, jelikož případný útočník není schopen analyzovat z podpisu jeho
dynamické vlastnosti, a je těžké systém obelstít. K identifikaci je nutné speciální
podložky a pera, které jsou schopny požadované informace zaznamenávat. Tato
metoda je vysoce akceptovatelná, jelikož lidé jsou zvyklí na podpis k ověření identity,
jak tomu bývá při uzavírání smluv či transakcí. Pro uživatele je tato metoda přirozená
a důvěryhodná. Problém při použití této biometriky mohou mít lidé jejichž dynamika
podpisu se vždy výrazně liší. Pokud budeme mít dva absolutně stejné podpisy (jejich
grafické podoby) jsou dnes chápány spíše jako možný výsledek podvrhu či
falzifikace, než ideální shoda mezi podpisem a jeho originálním vzorem. Žádný
člověk se totiž dvakrát nepodepíše absolutně stejně.
136
Obr. 94 Speciální pero a podložka firmy Interlink. [5]
Individualizace písma - Písmo je výsledkem velmi složitých psychologických a
fyziologických procesů, které postupně formují jeho individuální charakter.
Invidualizací je myšleno jeho odchýlení od vyučované školní normy a také jeho
jedinečnost v porovnání s ostatními jedinci. Charakter rukopisu určuje technický i
grafický návyk. Vlastní formování stereotypu psaní je založeno na vytváření
dočasných spojů v šedé kůře mozkové, tj. podmíněných reflexů. Vliv na
individualizaci písma mají i anatomické vlivy jako např. stavba kostí, pohyblivost
kloubů, vývoj svalstva, ostrost zraku apod. K vnějším vlivům patří např.: poloha
pisatele, podmínky při psaní a prostředí. I tyto vlivy přispívají k odklonu od školních
norem a tím i k individualizaci písma.
Verifikace podle rozpoznávání písma podpisu osoby je jedna z nejpraktičtějších
metod pro ověřování lidské identity. Jelikož podpis nemůže být ztracen, odcizen ani
zapomenut. Jeho výhodou je přirozenost při používání v běžném životě, při
každodenních operacích. Biomechanický proce podpisu je následující. Primární
vzruch vzniká v centrálním nervovém systému – v lidském mozku s předem
definovanou intenzitou a trváním. Nervový systém pak aktivuje příslušné svaly v
definovaném pořadí. Pohyb pera po papíře, což je výsledek stahování a uvolňování
svalů, zanechává stopu hrotu psacího nástroje.
Existují dva základní typy pro rozpoznávání osob pomocí podpisu:
 Off-line systémy – U tohoto systému se verifikovaná osoba podepisuje na
běžný papír. Poté je až její podpis digitalizován skenerem nebo kamerou.
Následně se určuje shodnost podpisu s referenčním vzorem uloženým
v databázi. Tyto systémy se nazývají statické systémy. V dnešní době
automatizovaného zpracování nejsou tyto systémy pro verifikaci osoby
podle jejího podpisu příliš vhodné. Důvodem je princip metody porovnávání
dvou statických obrazů podpisu, který je navíc v dnešní době náchylný
k falzifikátům. Systémy mají své opodstatnění především ve forenzní praxi.
137
Obr. 95 Statické charakteristiky podpisu. [28]
1. Předzpracování – Zde se používají standartní algoritmy jako je
vyhlazování, zjednodušování, skeletizace, segmentace a normalizace a
další.
Prahování - Každý pixel obrazu v celém svém spektru šedivosti je
porovnáván s definovaným prahem. Podle toho zda daný práh
převyšuje či nikoliv je mu přiřazena hodnota 0 nebo 1. Obraz je po
prahování přeměněn do binárního obrazu.
Vyhlazování a normalizace – Toto se používá k odstranění
nevýznamných oblastí jako je šum v obraze. Poté se zpravidla používá i
normalizace, obraz je převeden do určitého relativního měřítka.
Zjednodušování – Používá se ke zjednodušování obrazové scény podpisu.
Po zjednodušení šířka tahu hrotu psacího nástroje podél celé trajektorie
podpisu je změněna na jediný pixel, takže vznikne jen základní kostra
(skelet) podpisu.
2. Extrakce biometrických charakteristik – Charakteristiky u off-line
systémů mohou být dvojího typu:
Textově závislé – Zcela závisí na tom co uživatelé napíši. Většina těchto
charakteristik má geometrické a topologické rysy.
Textově nezávislé – Nezáleží na tom co lidi píší, jaký je obsah písemného
sdělení. K extrakci těchto charakteristik se využívá texturové analýzy,
transformačních metod a histogramů. Různé metody a přístupy statické
analýzy písma využívají nejrůznější uzavřené smyčky a speciální body, jako
jsou hraniční nebo křižující se body na křivce podpisu nebo využívají různé
plochy, které vznikají jako oblasti ohraničené uzavřenou křivkou podpisu,
např. horní a spodní uzavřené plochy.
Společná kombinace obou charakteristik u off-line systému pro ověření
osoby na základě podpisu zajišťuje vyšší rozlišovací schopnost.
3. Vyhodnocování – Jsou založeny na vyhodnocování vektorů
charakteristik. Nejrozšířenější algoritmy využívají neuronové sítě a
138

statistické přístupy. Statistické přístupy jsou založeny na klasifikátoru
nejbližšího souseda, K- klasifikátoru nejbližšího souseda, na lineárním a
prahovém klasifikátoru.
On-line systémy – Oproti předchozímu systému jsou charakteristiky právě
psaného podpisu získávány v reálném čase pomocí specializovaného
tabletu, nebo speciálně upraveného pera či jiným speciálním snímacím
hardwarem. Všechna tyto zařízení zachycují nejen statické, ale hlavně i
dynamické charakteristiky podpisu v průběhu jeho samotného vzniku.
K dynamickým vlastnostem patří rychlost psaní, tlak pera v jednotlivých
bodech trajektorie, pořadí psaní jednotlivých částí podpisu a další. Tyto
online systémy se někdy nazývají dynamické systémy pro ověřování osoby
podle podpisu.
Charakteristiky u této metody můžeme rozdělit do dvou tříd a to na statické
a dynamické. Tyto charakteristiky jsou obvykle extrahovány v průběhu
celého procesu podpisování se. Jsou to např. průměrná rychlost psaní,
maximální rychlost psaní, měření vlastností zakřivení tahů, poměr dlouhých
a krátkých tahů, různé délky segmentů podpisu atd. Dynamické
charakteristiky jsou vyjádřeny pomocí časové funkce, kde je podpis
charakterizován v každém časovém okamžiku jeho vzniku.
1. Předzpracování a extrakce charakteristik - Charakteristiky u on-line
systémů mohou být v podstatě dvojího typu:
Statistické charakteristiky – na ně se rovněž můžeme dívat jako na
parametry, které jsou obvykle vyjádřeny jako vektor charakteristik
P=(p1,p2,…pm)T. Kde m je rozměr vektoru P, udává počet parametrů.
Takovými charakteristiky mohou být například průměrná rychlost psaní,
maximální rychlost psaní, měření vlastností zakřivení tahů, poměr dlouhých
a krátkých tahů, různé délky segmentů podpisu atd. Tyto charakteristiky se
obvykle extrahují v průběhu celého procesu podepisování.
Dynamické charakteristiky – Jsou vyjádřeny časovou funkcí, která
charakterizuje podpis v každém časovém okamžiku jeho vzniku. Časová
funkce popisuje pozice hrotu pera pomocí souřadnic x(t) a y(t), také rychlost
v(t), zrychlení a(t), tlak hrotu pera na podložku p(t) a samozřejmě další.
139
Obr. 96 Základná atributy dynamického podpisu: tlak hrotu pera na horním obrázku,
jeho rychlost uprostřed a zrychlení dole. [28]
Při předzpracování záleží hlavně na tom jaké charakteristiky chceme využít
pro další zpracování. Pokud se rozhodneme pro statistické charakteristiky
tak předzpracován bude poměrně jednoduché a primárně zaměřeno na
redukci šumu, detekci mezer (přerušení linií tahu hrotu psacího nástroje na
dvourozměrné psací ploše) a normalizaci.
2. Verifikace – Uživatel před samotnou verifikací musí nejdříve vložit do
systému své ID číslo. Systém extrahuje množinu referenčních
charakteristik, jež jsou linkovány se vstupním identifikačním číslem, z
referenční databáze. Tyto referenční charakteristiky byly do databáze
vloženy v procesu vzorového podpisu. Poté se uživatel podepíše na
speciální vstupní zařízení, může se jednat o tablet, elektronické pero…
Aplikace získává trajektorii a další vlastnosti podpisu a ukládá ji jako
vzorek. Následně počítá míru ztotožnění s refenčními a právě
nasnímanými charakteristikami a porovnává je s předdefinovaným
prahem citlivosti. Podle toho rozhodne, zda daná osoba bude
akceptována či odmítnuta.
3. Práh citlivosti – Správné určení prahu citlivosti hraje významnou roli,
neboť určuje jak celkovou výkonnost, tak i spolehlivost aplikace. Pokud
bude práh citlivosti příliš nízký. Poroste pravděpodobnost chybného
přijetí FAR, ale pravděpodobnost nesprávného odmítnutí bude klesat a
naopak. V obecných aplikacích se často setkáváme s doporučením
stejného nastavení prahu citlivosti pro FAR i FRR. Ale pokud bude
kladen velký důraz na bezpečnost aplikace, je akceptace
neoprávněného uživatele nepřijatelná a tomu odpovídá i specifické
nastavení prahu citlivosti. Dokonce ve specifických aplikacích může být
práh citlivosti nastaven individuálně pro každého uživatele.
140
Proces verifikace osoby na základě jeho podpisu se skládá ze dvou základních
kroků:
 Z prvního kroku učení – v tomto kroku systém používá extrahované
charakteristiky z jednoho nebo více pokusných vzorků, proto aby vytvořil
referenční databázi podpisu. Potom bude každé podpisující se osobě
přiděleno její vlastní identifikační číslo ID. Jedná se o unikátní identifikační
klíč pro podpisující se osobu a je právě spojeno s databázi se vzorem jejího
referenčního podpisu.
 A z druhého kroku testování (vlastní verifikace podpisu) – V tomto kroku se
bude podpisující osoba přihlašovat pod svým ID číslem a bude se
podepisovat na speciální vstupní zařízení. Podle zadaného ID verifikační
systém vyhledá v databázi referenční podpis (šablonu) a porovná ji
s charakteristikami podpisu sejmutého ze vstupního zařízení. Výsledkem
celého procesu bude zda daná osoba byla verifikována (ověřena) či nikoliv.
Obr. 97 Biometrický podpis. [47]
12.3. Identifikace podle psaní dynamiky na klávesnici
Jedná se o další behaviorální charakteristiku. Základem systému je měření doby
stisku klávesy a času mezi jednotlivými stisky. Šablona psaného vzoru by měla být
pro každého jedince jednoznačná, protože každý z nás má jiné neurofyziologické
faktory, které rytmus psaní ovlivňují.
Tato identifikace nebyla objevena až s příchodem počítačů. První zmínky této
metody můžeme nalézt již za druhé světové války, kdy experti porovnávali dynamiku
psaní morseovky od jednotlivých agentů s referenčním vzorkem. Armáda tuto
metodu nazývala „Fist of the Sender“.
Při analýze vzorů psaní nás nezajímá ani tak obsah psané zprávy, ale způsob
jakým byla zpráva napsána a tomuto podřizujeme i výběr sledovaných rysů.
Nejčastěji se sledují tyto rysy:
141

Časové prodlevy mezi úspěšnými stisky kláves, jedná se o čas, který
uběhne mezi uvolněním staré klávesy a stiskem nové klávesy. Za
povšimnutí stojí fakt, že měření rozdílu časů uvolnění jedné klávesy a
stisknutí následující může vést k záporným hodnotám. Tomu odpovídá
například používání dobře známých klávesových zkratek „ALT+F4“,
„CTRL+C“ a jim podobných, kdy uživatel stiskne další klávesu ještě před
uvolněním předcházející.

Délka trvání každého stisku (jak dlouho je každá klávesa stisknuta).

Poloha prstu na klávese.

Tlak aplikovaný na klávesu – Každý uživatel, během psaní nepůsobí na
všechny klávesy stejnou silou. Záleží především na tom, kde se daná
klávesa nachází a kterým prstem je klávesa stisknuta. Pro tento typ měření
samozřejmě nepostačuje obyčejná klávesnice, ale musí se použít speciální
varianta klávesnice měřící sílu stlačení.

Celková rychlost psaní – Do určité míry má každý uživatel odlišnou rychlost
psaní na klávesnici, proto se zkoumá celkové množství stisknutých kláves
za určitou dobu.

Frekvence chyb – Každý uživatel, přidá do textu časem překlep, který
zpravuje stiskem klávesy backspace. A právě sledování stisku této klávesy
poskytuje nástroj pro výpočet celkové frekvence chyb, přitom se
předpokládá, že bude použit dostatečně dlouhý text. Například kombinace
login-heslo pro tento účel není postačující nejen kvůli své krátkosti, ale také
proto, že uživatelé mají přihlašovací sekvenci dobře zažitou a nedopouštějí
se chyb.

Styl psaní velkých písmen – V tomto případě se sleduje, zda uživatel při
psaní velkých písmen nejprve uvolní klávesy shift nebo klávesu s daným
znakem.
Při záznamu dynamických vlastností úhozu hraje roli i samotné psané slovo,
protože ergonomie klávesnice neumožňuje stejné napsání slova „Martin“ a např.
„987654“. Proto je dynamika stisku kláves závislá i na psaném textu.
Existují dvě možné verifikace při identifikaci pomocí dynamiky stisku kláves:
 Statická verifikace – U statické verifikaci jsou stisky kláves analyzovány
pouze ve specifických časových okamžicích, například při přihlašování do
systému. Umožňují mnohem robustnější verifikaci, než pouze samotným
heslem. Avšak neposkytují průběžnou bezpečnost, Neumí identifikovat
záměnu uživatelů po přihlášení k počítači.
 Průběžná verifikace – Oproti tomu u průběžné verifikace, se monitoruje
celkové chování uživatele během jeho práce s počítačem. Její nevýhoda
142
ovšem spočívá v tom, že musí neustále běžet vyhodnocovací proces, což
se nepříznivě projevuje na zatížení počítače.
Princip metody od firmy Biopassword inc., která si nechala patentovat technologii
Biopassword je následující. Uživatel zadává referenční vzorek, čím je delší, tím lépe.
Minimálně se však jedná o text, kde se osmkrát opakuje osm znaků. Tento text je
pak potřeba napsat minimálně patnáctkrát. Vidíme tedy, že pro uživatele je tento
způsob zavádění poněkud zdlouhavý a nepříjemný. Tento software je následně
schopen, při přihlašování uživatele ke stanici, identifikovat člověka a případně mu
zamítnout přístup. Tato technologie není příliš hardwarově náročná, jelikož vstupním
zařízením může být jakákoliv klávesnice. Z toho vyplývá, že srdcem biometrické
systému je softwarová aplikace.
Dvě po sobě psaná písmena se nazývají digraf, tři po sobě napsaná písmena pak
trigraf. Délka trvání u trigrafu se určuje časem od stisku první klávesy až po uvolnění
poslední třetí klávesy. U digrafů je to čas mezi první a druhou klávesou. Budeme mít
například text „america“, který pomocí trigrafů rozložíme:
ame=277ms, mer=255ms, eri=297ms, ric=326ms, ica=235ms
Ve vektoru se tyto hodnoty budou ukládat ve vzestupném pořadí:
ica=235ms, mer=255ms, ame=277ms, eri=297ms, ric=326ms
Stupeň „nepořádku“ je pak sumou absolutních změn v pozici mezi dvěma
uspořádanými poli.
Mezi výhody této metody patří její akceptovatelnost, neinvazivnost, možné
průběžné monitorování uživatele a detekce případného náhlého proniknutí do
systému neautorizovaným uživatelem, Umožňuje tvorbu silného hesla, které se
skládá z běžného textového hesla a dynamického vzorku zaznamenaného při jeho
psaní. Nevýhodou této metody je vysoká míra FRR díky změně tylu psaní. Metoda je
citlivá na změnu klávesnice.
12.4. Identifikace podle dynamiky pohybu myší
Stejně jako předchozí i tato behaviorální charakteristika je uživatelsky veřejností
akceptovatelná. Princip metody je jednoduchý, identifikující osoba musí za pomoci
myši nakreslit nějaký předem určený vzor, který již byl předem uložen do databáze
ve formě etalonu. Software z takto nakresleného vzoru extrahuje důležité rysy, jako
jsou pozice, rychlost tahu, úhly a zaoblení, jež následně porovnává s referenčním
vzorkem v databázi. Tato technologie je zatím stále ve vývoji.
12.5. Identifikace podle ucha
V zemích Indočíny byla v dávných dobách délka ušního lalůčku považována za
znak moudrosti. Proto na všech sochách ztvárňujících podobu Budhy můžeme
pozorovat neobvykle dlouhé ušní lalůčky. Aristoteles považoval délku ušních lalůčku
za znak dobré paměti. Prvním vědcem, který navrhl exaktní metodu měření vnějšího
tvaru ucha, byl Schwalbe. Jako první poukázal na závislosti tvaru lidského ucha na
jednotlivých lidských rasách. Tvar, rozměry a umístění uší používal jako jeden z
identifikačních znaků při antropometrických měřeních francouzský kriminalista
Alphonse Bertillon. Z českých vědců využití tvaru ucha pro identifikaci zkoumal
143
pražský ušní lékař R. Imhofer. Identifikace osob na základě morfologických
charakteristik lidského ucha ve spojitosti s místem trestného činu popsali důstojníci
Söderman a O’Connell. Ti definovali význačné části ucha. Doporučili používat tyto
identifikační markanty: tvar ušní mušle, kozlíku a protikozlíku. Trube-Becker z
Düsseldorfu poukazuje na skutečnost, že neexistují dvě absolutně identické uši, ale
pouze uši podobné. Ani uši od jedné osoby nejsou identické, mezi pravým a levým
uchem existují rozdíly. Toto platí i pro uši jednovaječných dvojčat. Otisky ucha je
možné snímat podobně jako otisky daktyloskopické a uchovávat je pro další
zpracování.
12.5.1
Anatomie lidského ucha
Ucho je sluchový orgán a skládá se ze tří základních částí, vnější ucho, střední
ucho a vnitřní ucho. Vnější ucho je složeno z boltce, zvukovodu a bubínku. Boltec je
tvořen chrupavkou, pouze lalůček chrupavčitou kostru nemá. Střední ucho je systém
vzduchem vyplněných dutin, vystlaných sliznicí. Začíná bubínkem, na nějž jsou
napojeny tři sluchové kůstky (kladívko, kovadlinka a třmínek). Ty přenáší zvuk od
bubínku do vnitřního ucha. Vnitřní ucho leží v kostěném labyrintu kosti skalní.
Obr. 98 Anatomie ucha. [35]
V kriminalistické praxi se využívá jen vnějšího ucha. Ušní boltec se vytváří
poměrně brzy během vývoje lidského plodu. Jeho podoba zůstává stejná po celou
dobu od narození až do smrti. Během růstu dochází ke změnám velikosti, ale
relativní vzdálenosti mezi jednotlivými markantami a tvar částí ušního boltce zůstává
stále stejný.
144
Obr. 99 Základní anatomické charakteristiky vnějšího ucha v názvosloví latinském a
českém v tabulce 3.[28]
Tabulka 3 Základní anatomické charakteristiky vnějšího ucha v názvosloví latinském,
českém.
Číslo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Názvosloví latinské
crus helicis
helix
tuberculum auriculae
sulcus helicotragicus
tuberculum anterior
tragus
Názvosloví české
rameno závitu
vnější kožní val boltce, závit
Darwinův ušní hrbolek
závitovo-kozlíkovitá rýha
přední hrbolek
kozlík – vyvýšenina na boltci, z níž rostou chloupky
(tragipili)
incisura intertragica
rýha mezi tragem a antitragem, mezikozlíkový zářez
antitragus
protikozlík, vyvýšenina na boltci proti tragu
cavum conchae
dutina mušle
anthelix
část ušního boltce, ležícího proti jeho zevnímu valu,
protizávit
crus inferior anthelicis
dolní rameno
crus superior anthelicis
horní rameno
lobulus auriculae
lalůček boltce, ušní lalůček
fossa triangularis
trojúhelníková jamka
scapha
člunek, člunkovitá rýha mezi helixem a anthelixem
cymba conchae
člunek mušle
meatus
acusticus vchod do zvukovodu
externus
Rozlišujeme čtyři základní tvary ušního boltce: tvar oválný, kulatý, obdélníkovitý a
trojúhelníkovitý.
145
Obr. 100Základní tvary vnějšího ucha. A - oválný, B - kulatý, C - obdélníkovitý, D Trojúhelníkovitý. [28]
Pro identifikaci nejvýznamnějšími součástmi vnějšího ucha jsou:
 helix (lišta vroubící boltec),
 antihelix (val souběžný s lištou),
 tragus (chrupavčitá vyvýšenina na přední hranici ušního boltce),
 antitragus (výrazný hrbolek na dolním konci antihelixu),
 tzv. Darwinův hrbolek (vyvýšenina na zadním okraji helixu, která však
nemusí být vždy patrná),
 ušní lalůček.
Četnost a rozměry jednotlivých markant ve vztahu k tvaru a rozměrům ušního
boltce vytváří originální tvar dobře využitelný k individuální identifikaci jedince.
12.5.2
Metody identifikace
Tato identifikace je založena na individuálním tvaru a morfometrické stavbě ušního
boltce každého jedince. Existuje několik typů identifikace:
 Dle morfometrických vztahů – v tomto případě je předmětem zkoumání
geometrie ušního boltce a to ve 2D nebo 3D formě. Ucho je ze vzdálenosti
0,5 – 1 metru snímáno optickým snímacím zařízením. Zkoumanými daty
jsou v tomto případě rozměry, tvary, položení významných bodů či křivky.
Ty jsou vyhodnoceny příslušným algoritmem a porovnány s databází. U
této metody je velkou nevýhodou množství chyb vznikajících překrytím části
ušního boltce vlasy nebo pokrývkou hlavy.
146
Obr. 101 Geometrické charakteristiky ucha. [5]


Dle otisku struktur ušního boltce – je velmi podobná technologii na
rozpoznávání otisků prstů, ale protože není uživatelsky přívětivá využívá se
jen ve forenzní oblasti.
Dle termogramu – v termografickém snímku se zkoumá rozložení tělesné
teploty. Lze použít u plně nebo částečně zakrytých ušních boltců. Využívá
snímání obrazu ucha v infračerveném pásmu.
Obr. 102 Termografický snímek ucha. [5]

Dle ozvěny vracené kanálkem – tuto techniku navrhl roku 2003 A. Brown,
čtecí zařízení je v tomto případě jakousi obdobou telefonního sluchátka, za
kterého se při identifikaci ozývá posloupnost různých klapavých zvuků.
Následně se analyzují ozvěny vrácené uchem. Jsou to tzv. otoakustické
emise. Dle mínění vynálezce metody by tato metoda mohla nalézt uplatnění
například v ochraně mobilních telefonů před zneužitím a odcizením.
12.6. Identifikace založena na tvaru nehtového lůžka
Pokud se podíváme zblízka na lidský nehet můžeme spatřit, že jeho povrch není
zcela rovný. Při svém růstu nehet kopíruje tvar lůžka, které se nachází pod ním a
získává tím svůj jedinečný vlnitý tvar. Testováním se prokázalo, že člověk má každý
nehet jinak zvlněný a to samé platí i ve srovnání s dalšími osobami. Mezi nehtem a
lůžkem pod ním se nachází přírodní polymer kreatin, jenž dokáže měnit orientaci
polarizovaného světla. Pokud se tedy osvítí pod správným úhlem lze pakl analyzovat
147
fázové změny paprsku po odrazu. Reprezentativní vzorek lůžka nehtu připomíná
čárový kód. Nevýhodou této metody je nemožnost sejmout nehtové lůžko na ruce s
umělými nehty.
Obr. 103 Identifikace podle nehtu. [36]
12.7. Identifikace založena na absorpčním spektru lidské kůže
Jedna z nejnovějších a nejméně prozkoumaných charakteristik využívá toho, že
lidská kůže je nejen odlišná na pohled, ale také svou vnitřní strukturou. Vrstvy kůže
mají odlišnou tloušťku, ale i rozhraní mezi nimi se odlišně vlní a také tvar a hustota
buněk uvnitř těchto vrstev je rozdílná. Kolagenové a pružná vlákna se u každého
člověka liší, i kapilární lůžka jsou odlišná ve své hustotě a rozmístění, dále se liší
velikost a hustota buněk uvnitř pleťových vrstev.
Obr. 104 Princip metody skin spektroskopu se senzorem zn. Lumidigm.[36]
Snímání probíhá pomocí zařízení, které je složeno z několika LED diod o různých
vlnových délkách (od viditelného až k blízkému infračervenému světlu), ty ozařují
kůži a analyzuje se rozptýlený odraz, který je zachycený fotodiodami. Každá vlnová
délka světla se láme a odráží v jiné vrstvě pokožky a od jiných struktur kůže. Poměr
diod na snímači může být například 32 ku 5. Tato technologie je do jisté míry
podobná ultrazvukovému snímání otisku prstu.
12.8. Identifikace založená na pachu osoby
148
Pro civilní použití se tato technika jeví stále jako okrajová, ale své využití nachází
již řadu let v policejní praxi, kde se využívá pachových stop jako nepřímých důkazů.
Lidský pach může být při dostatečně přesném měření poměrně spolehlivým
identifikačním znakem.
Lidský pach obsahuje kolem třiceti sloučenin, jejichž intenzita či absence vytváří u
každého jedince svůj jedinečný profil. V dnešní době neexistují dostatečně přesné
senzory, které by bylo schopné porovnávat více než jednu pachovou stopu zároveň.
Další problém u této metody nastává při změně pachových stop v různých
emocionálních či hormonálních výkyvech. Pro reálné nasazení této metody do praxe
je zatím jen otázkou budoucnosti.
149
13 Charakteristika technologií
13.1. Duhovka


Akceptace uživateli – Akceptace uživateli u této metody je na střední úrovni.
Uživatel musí jen stát před zařízením v určité vzdálenosti a dívat se směrem
na snímač. Doba sejmutí a vyhodnocení obrazu je asi dvě vteřiny.
Spolehlivost – Jedná se o poměrně spolehlivou identifikační metodu. I když
může docházet k získávání nedostatečných informací vlivem okolního
osvětlení, přivřených víček apod.
13.2. Sítnice


Akceptace uživateli – U této metody je akceptace uživateli velice nízká. A to
hlavně z důvodů strachu, uživatelé jsou přesvědčeni, že se zde používá laser
a ten jim poškodí zrak. Další nevýhodou je zdlouhavá procedura zisku obrazu
sítnice. U snímání sítnice je také nutná přímá interakce uživatele.
Spolehlivost – Spolehlivost je vysoká. Tato metoda je náchylná na některé
podmínky, které musí být při snímání dodrženy. Jako je například dodržení
správné vzdálenosti mezi snímačem a okem.
13.3. Geometrie ruky


Akceptace – Tyto zařízení pro rozpoznávání geometrie ruky jsou velice
rozšířená. Za celou dobu jejich používání nebylo zjištěno, že by uživatelé měli
k těmto technologiím negativní vztah. Je středně až dobře akceptovaný
uživateli.
Spolehlivost – Každá metoda pro rozpoznávání osob pomocí geometrie ruky
vykazuje různou míru spolehlivosti. Úspěšnost metod je znázorněna ROC
křivkami.
Obr. 105 ROC křivka spolehlivosti pro metodu založenou na přímých měřeních. [33]
150
Na obrázku 117 je znázorněna ROC křivka, která vyjadřuje spolehlivost na metodě
založené na přímém měření. Testování bylo provedeno na databázi 50 uživatelů
s 360 snímky pro vyhodnocení.
Obr. 106 ROC křivka spolehlivosti pro metodu založenou na metodě zarovnání
rukou. [33]
Na obrázku 118 je znázorněna ROC křivka, která vyjadřuje spolehlivost na metodě
založené na zarovnání rukou. Testování bylo provedeno na databázi 53 uživatelů
s 353 snímky pro vyhodnocení.
Obr. 107 DET křivka spolehlivosti pro metodu založenou na rozpoznávání člověka
pomocí analýzy šířky prstů. [33]
151
Na obrázku 119 je znázorněna DET křivka, která vyjadřuje spolehlivost na
rozpoznávání člověka pomocí analýzy šířky prstů. Výsledky zde jsou pro pravou i
levou ruku. Testování bylo provedeno na 642 snímcích.
Obr. 108 ROC křivka spolehlivosti pro metodu založenou na rozpoznávání člověka
podle 3D geometrie ruky. Je znázorněno 5 křivek odpovídající různému počtu M
snímaných obrázků. [33]
Na obrázku 120 je znázorněna ROC křivka, která vyjadřuje spolehlivost na
rozpoznávání člověka podle 3D geometrie ruky. Testování bylo provedeno na 73
dobrovolnících. Při porovnávání šablony a aktuálně snímaného obrázku se bral
v potaz jeden či více snímků. V případě použití více snímku bylo provedeno
zprůměrování jednotlivých skóre.
13.4. Technologie žil ruky


Akceptace – Akceptace u této metody je vzhledem k nízkým nárokům na
uživatele vysoká (udává se 99,8%).
Spolehlivost – Technologie založená na žilách ruky (resp. prstů) poskytuje
vysokou přesnost FAR= 10-4%, FRR= 10-1%, technologie žil dlaně ruky je
FAR= 1%, FRR= 0,5%, spolehlivost senzorů pro žíly prstu se pohybu FAR<
10-4%, FRR~ 10-2%, přesné hodnoty jsou vždy závislé no konkrétní
implementaci algoritmů a realizaci daného zařízení.
13.5. Otisk prstu

Akceptace uživateli – Vzhledem k masivnímu rozšíření této technologie do
běžného života, nebývá s akceptací uživateli velký problém. S touto metodou
152

se dnes můžeme setkat skoro všude, jsou implementovány do notebooků,
mobilních telefonů do různých docházkových či přístupových systémů.
Nicméně část obyvatel má obavu ze zneužití otisků prstů anebo si negativně
spojuje otisky prstů s kriminální policií a vyšetřováním. Mnoho systému pro
detekci otisků má zabudovanou detekci živosti, která odhaluje falešné či mrtvé
prsty. Bezpečnost této technologie je na vysoké úrovni.
Spolehlivost – Technologie snímání otisků prstů na biometrickém trhu
zastupuje největší část. Mají vysokou biometrickou entropii (jsou vhodné na
rozpoznávání velkého počtu obyvatel). Pravděpodobnost shody dvou otisků
prstů se pohybuje řádově v rozmezí 10-7 až 10-80.
13.6. Rozpoznávání podle obličeje


Akceptace – Řadí se mezi nejlépe akceptované biometriky, snímání je
bezkontaktní, uživatel nemusí mít obavy z žádných vedlejších účinků.
Ukládaná data neobsahují žádné informace, který by uživatel chtěl udržovat
v tajnosti.
Spolehlivost – Většina vědeckých prací dosahuje téměř 100% výsledků,
problém však je, že jsou vyhodnoceny na jedné sadě snímků, často
nasnímané v ideálních podmínkách laboratoří. V praxi úspěšnost klesá:
o Stejný den, stejné osvětlení: FAR=2%, FRR=0,4%
o Stejný den, různé osvětlení: FAR=2%, FRR=9%
o Různé dny (>1rok): FAR=2%, FRR=11% (43%)
13.7. Rozpoznávání podle hlasu


Akceptace – Systémy založené na rozpoznávání hlasu mají velice vysokou
akceptaci, a to především proto, že hlas patří mezi naprosto běžné prostředky
identifikace mezi lidmi, a právě to předurčuje lidský hlas k tomu, aby byl
jednou z nejlépe přijímaných biometrických technologií.
Spolehlivost – Oproti tomu spolehlivost u této metody patří mezi ty nejnižší
vůbec. Toto je způsobeno povahou řečového signálu. Člověk je schopen
vlastní vůli ovlivnit svůj hlas a mnohdy může být hlas ovlivněn i nemocí nebo
psychickým či fyzickým stavem. Za těchto okolností člověk mnohdy ani není
schopen poznat mluvčího podle jeho hlasu, například po telefonu. Spolehlivost
těchto systémů je tedy značně nestabilní. Základní hodnota EER je zhruba
3%.
Tabulka 4 Výčet základních biometrik s některými vlastnostmi.[5]
Biometrika
Otisk prstu
Geometrie ruky
Rozpoznávání obličeje
Přesnost Cena Proměnlivost Uživatelská Celkem
V čase
nepříjemnost
●●●
●●○
●●●
●○○
●○○
●●○
●●○
●●○
●●○
●●○
●●○
●●○
●●○
●●○
●○○
153
Oční duhovka
●●●
Oční sítnice
●●●
Lůžko nehtu
●●●
DNA
●●●
Ověřování hlasu
●○○
Dynamika podpisu
●○○
Dynamika stisku kláves
●●○
Hodnota
Nízká ●○○
●●●
●○○
●●●
●●○
●●○
●●○
●●●
●○○
●●●
●○○
●●○
●○○
●○○
●○○
Střední ●●○
154
●○○
●●●
●●○
●●●
●○○
●○○
●○○
Vysoká●●●
●●●
●●○
●●○
●●○
●●○
●●○
●●○
14 "Nebiometrická" autentizace
Pojem autentizace pochází z německého slova Authentisierung. Obecně slouží
k ověření uživatelovy proklamované identity a následnému řízení přístupu k některé
z jeho poskytovaných služeb, dat. Hlavním úkolem autentizace tedy bude zamezení
přístupu nepověřených osob, k chráněným službám a datům.
14.1. Autentizace heslem
Nejpoužívanější metodou zabezpečení pro přístup do systému je stále použití
hesla. Velký vliv na to má použití v osobních počítačích, kdy toto heslo používáme
v počítačových sítích, u emailových účtů, k přístupu do elektronického bankovnictví,
u SIM karet mobilních telefonů a u platebních karet a dalších. Bezpečnost je v tomto
případě zajištěna tím, že jen určitý počet uživatelů, v nejlepším případě pouze jeden,
si pamatuje určitou posloupnost znaků o určité délce, která mu umožní přístup do
chráněné oblasti. Nevýhodou hesel je relativně malý stupeň zabezpečení, možnost
dekódování speciálními programy nebo zapomenutí hesla. Mezi výhody patří nízká
cena pořízení a snadná realizace. Bezpečnost hesla lze však zvýšit vhodnou
kombinací malých a velkých písmen nebo speciálních znaků, dostatečnou délkou,
neobvyklými slovy nebo frázemi a nepoužívat hesla, která nějak souvisí s osobou
vlastníka, jako je jméno, datum narození… Heslo by mělo být měněno v pravidelných
časových intervalech, nemělo by být nikde zaznamenáváno a nemělo by se používat
k více zabezpečením.
Charakter správného hesla:
 Obsahuje malá i velká písmena, číslice, speciální znaky dostupné na
klávesnici,
 má dostatečnou délku, minimálně 6 či 8 znaků,
 nejedná se o obvyklé slovo či frázi,
 nelze heslo odvodit ze znalostí osoby vlastníka,
 je pravidelně obměňováno (přibližně co 2 měsíce),
 je distribuováno zabezpečeným způsobem,
 není nikde poznamenáno.
14.2. Autentizace předmětem
U tohoto zabezpečení je potřeba speciálního předmětu – tokenu, který je u
přístupu vždy vyžadován. Token je elektronický klíč, který lze využít v mnoha
aplikacích. Jedná se o jedinečný předmět, který je možná co nejhůře kopírovatelný a
je vybavený autentizační informací, kterou se ověřuje identita daného uživatele. Jeho
výhodou a zároveň i nevýhodou je přenositelnost, proto by měl být používán zároveň
i s jiným zabezpečím jako je heslo nebo biometrický vzorek uživatele. Podle potřeb
tokeny mohou nést šifrovací klíč, elektronický podpis nebo například biometrické
údaje. Takové tokeny bývají většinou vybaveny USB konektorem pro připojení.
Některé tokeny se připojují bezdrátově a to například pomocí RFID nebo Bluetooth a
generované klíče se odesílají přímo do klientského systému. Typy tokenů:
155




Tokeny pouze s pamětí (magnetické, elektronické nebo optické karty) jedná
se o obdobu mechanického klíče.
Tokeny s heslem, vyžadují zadání hesla zároveň s jeho použitím. Mohou to
být například platební karty.
Logické tokeny – zpracovávají jednoduché podněty, například vydej
klíč/cyklickou sekvenci klíčů.
Inteligentní token (smart card) - mohou mít vlastní vstupní zařízení pro
komunikaci s uživatelem, mohou umět šifrovat a generovat náhodná čísla.
Dále lze tokeny rozdělit podle uložiště. Jako uložiště označujeme předměty, kde je
autentizační informace pouze uložena a k samotné autentizaci dochází na jiném
zařízení. Uložiště se dělí na dvě třídy:
 S nechráněnými daty – z tohoto uložiště lze informaci vyčíst bez jakéhokoliv
omezení, za použití vhodného čtecího zařízení.
 S chráněnými daty – U tohoto uložiště se nachází vyšší stupeň ochrany,
kde jsou autentizační informace chráněny jednoduchou kryptografickou
šifrou (je nutná znalost dešifrovacího klíče) nebo k jejich vyčtení bude
potřeba znát heslo popřípadě klíč.
o s přístupovou ochranou
o s kryptografickou ochranou
Každý token v sobě obsahuje informaci, která je skrytá a využívá se k ověření
identity. S touto informací může být nakládáno několika způsoby:
 Statické heslo – Token obsahuje heslo, které je fyzicky skryto a při každé
autentizaci se přenáší. U tohoto typu je malá odolnost vůči opakovatelným
útokům.
 Synchronní dynamické heslo – Za pomocí časovače jsou procházeny
kombinace kódů, které jsou vygenerované šifrovacím algoritmem. Časovač
tokenu a autentizačního serveru musí být synchronizovány. Tyto časově
synchronizovaná hesla jsou jednorázová hesla, měnící se v pravidelném
časovém intervalu, například jednou za minutu. Aby vše správně fungovalo,
musí být synchronizace mezi uživatelským tokenem a autentizačním
serverem. Hlavní problém u těchto tokenů nastává. Že mohou v průběhu
doby přestat synchronizovat.
 Asynchronní heslo - Bez použití časovače je generováno jednorázové heslo
podle šifrovacího algoritmu nebo podle Vernamovy šifry. Generuje se série
jednorázových hesel z tajného sdíleného klíče. Každé heslo je unikátní a
neuhodnutelné, i přesto že jsou předchozí hesla známá.
 Challenge-response (výzva – odpověď) – U tohoto typu je použit veřejný
klíč, podle kterého se prokazuje vlastnictví privátního klíče bez jeho
vyzrazení. Veřejným klíčem je zašifrována výzva autentizačního serveru.
Token prokazuje vlastníka tak, že privátním klíčem dešifruje výzvu.
156
Ty nejjednodušší tokeny není potřeba připojovat k zařízení, jsou opatřena LCD
displejem, ze kterého uživatel opíše zobrazené číslo do přihlašovacího formuláře.
Nepřipojitelné tokeny patří k nejpoužívanějším bezpečnostním tokenům, obvykle jsou
použity v kombinaci s heslem. Existují i složitější tokeny, které se k zařízení připojují
například přes USB, 3,5mm jack nebo bezdrátově přes Bluetooth, RFID nebo WIFi.
Tento typ automaticky po připojení přenáší data nutná k autorizaci, není potřeba, aby
uživatel data zadával ručně. Nejpouží vanější připojitelné tokeny jsou čipové karty,
USB tokeny.
14.2.1
Karty s magnetickým pruhem
Jedná se o tokeny s pamětí. Čtečka magnetických identifikačních karet načte
informaci z magnetického záznamu na kartě, převede ji na elektrický signál a předá
k dalšímu zpracování. Čtečka nevyhodnocuje oprávnění vstupu to je práce
případného přípojného terminálu, přístupové jednotky nebo počítače a podobně.
Základem magnetických karet je klasický magnetický pásek. Proužek
magnetických karet funguje na principu magnetického záznamu, který je používán
například u magnetofonových kazet či počítačových disket. V proužku je obsaženo
množství magnetických částic kovového základu, který je schopný uchovávat údaj.
Po zmagnetizování se na jeho povrchu vytvoří spousta malých permanentních
magnetů. Pokud bychom chtěli zaznamenat na kartu data, budeme potřebovat dosti
silnou magnetickou indukci, která bude působit na jeden z permanentních magnetů.
Je důležité působit přesně jen na jedno místo, aby nedocházelo k ovlivňování
samotného procesu záznamu a znehodnocení dat, která nechceme, aby se přepsala.
Magnetický proužek má dvě nebo tři datové stopy pro záznam identifikačních údajů.
První stopa obsahuje numerické nebo alfanumerické znaky o velikosti 79 Bajtů.
Druhá stopa obsahuje pouze numerické znaky o velikosti 40 Bajtů a poslední třetí
vrstva obsahuje opět pouze numerické znaky o velikosti 107 Bajtů. Životnost karty je
velmi vysoká, a spolehlivost uložených dat také. Výhodou a zároveň nevýhodou karty
je, že je na ní možné ukládat záznam, ale taky je možné je j i přepsat. Výhodu to má
v tom, že karta je dynamická a starší záznamy je možné přepsat a nevýhodou to je,
pokud je karta vystavena silnému magnetickému poli by se data mohla poškodit.
Rovněž kopírovatelnost karet je velmi snadná, navíc při každém průchodu či příjezdu
musíte vytáhnout kartu a přejet jim přes snímač.
Obr. 109 Magnetický proužek. [37]
Magnetické karty jsou velmi levné, ale podléhají i opotřebení, které je způsobeno
několika vlivy:
 Mechanické poškození – může vznikat protahováním snímače,
157


14.2.2
Nošením karty v kapse nebo obalu,
Přítomností magnetických polí.
Čipové karty
Čipových karet existuje spousta druhů, které jsou poměrně malé a přenosné. Tyto
karty
bývají
často
vyrobeny
z PVC
(polyvinylchloridu),
ABS
(akrylonitrilbutadienstyrenu) nebo polykarbonátu. Velikost karet je dána normou ISO
– 7810 typ ID – 1 s rozměry 85,60 x 59,38 x 0,76 mm. Integrovaný obvod slouží pro
příjem, zpracování dat a vrací požadované informace. Karty s pod standardem ISO
jako IIC označují (Integrated Circuit Card). Obsahují integrovaný obvod s procesorem
a chráněným paměťovým prostorem, kam se ukládá soukromý klíč s certifikátem. To
je pak zalisováno v kartě a s vnějším okolím mohou komunikovat třemi způsoby:
 Dotykově – využívá se zde kontaktních plošek, které jsou umístěné na
kartě. Je zde nutné vložit kartu do čtecího zařízení, dojde k fyzickému
propojení kontaktů karty se čtecím zařízením.
Obr. 110 Rozložení pinů čipové karty. [39]


Každý z kontaktů má svůj specifický význam. C1 =VCC (vstupní napájení),
C2= RST (reset signálů), C3=CLK (poskytuje hodinový signál kartě), C5=
GND (zem), C6=VPP (programovací napětí), C7= I/O (sériový vstup a
výstup), C4 a C8 = jsou volné pro budoucí použití. Nevýhodou zde je
opotřebení kontaktů, ale pomocí těchto karet je bezpečnější komunikace,
proto se tento typ karet využívá při peněžních transakcích.
Bezdotykově – nevyužívají ke své činnosti kontaktu se čtecím zařízením,
stačí, aby se nacházely jen v jeho blízkosti. Aby mohly takto komunikovat,
musí obsahovat i vestavěné antény, které tuto bezkontaktní komunikaci
zprostředkovávají. Bezkontaktní karty lze rozpoznat mnoha způsoby, a to
buď podle tvaru kontaktních plošek (jsou obdélníkové), nebo podle
kružnice, která kopíruje obvod čipové karty. Používá se k rychlé manipulaci,
například při vchodu do budovy, v hromadné dopravě …
Hybridně – jsou kombinací obou předchozích typů. Karta slouží k provádění
hned několika službám zároveň. Příkladem jejich použití může být jak
158
k placení, využívá se dotykový způsob komunikace, tak třeba při umožnění
vstupu do budovy.
Čipových karet existuje mnoho druhů, ale dají se rozdělit na paměťové a
mikroprocesorové. Dále pak na kontaktní a bezkontaktní.
Bezkontaktní karty komunikují na principu elektromagnetických vln a těmto kartám
se taky říká radiofrekvenční. Tyto karty není potřeba zasouvat do čtečky. Vstupní
jednotka vysílá pulsy až do vzdálenosti 30cm a pokud se v této oblasti bude
nacházet čipová karta, příjme vlastní anténou energii z vyslaných pulsů a tu využije
k nabití svého kapacitoru. Ten má dostatečnou energii k aktivaci a následné
odpovědi zpět snímači. Výhodou paměťových karet je jejich dostupnost, jsou levné a
nabízí bezpečnostní funkce související s ochranou přístupu k uloženým informacím.
Tyto karty se používají hlavně jako bezpečné médium, nabízejí kryptografické
funkce. Jejich nevýhodou je však to, že se se dají zkopírovat. U bezkontaktního
systému transpondéry mohou být jakéhokoliv provedení, třeba jako přívěsek na klíče.
Výhodou je, že jsou neopotřebovatelné.
Obr. 111 Princip radiofrekvenční technologie automatické identifikace.[28]
Oproti tomu mikroprocesorové karty jsou aktivní karty s procesorem a s operačním
systémem nabízející potřebné kryptografické, souborové a další funkce. Kvalitní
mikroprocesorové karty mohou obsahovat například hardwarový kryptografický
koprocesor urychlující náročně matematické operace, Kvalitní hardwarové
generátory náhodných čísel a nejrůznější bezpečnostní obvody.
14.2.3
USB tokeny
Vzhledem připomínají USB flash disk, ale jejich architektura je podobná jako u
čipových karet. USB token může sloužit jako uložiště soukromých klíčů, certifikátů a
jiných tajných informací. Před zneužitím cizí osobou jsou chráněny pinem. Úkolem
USB tokenu je zajistit, aby data na něm uložena nebily zkopírovány nebo jinak
zneužity. Proto se při podepisování například emailové zprávy posílají podepisovaná
data do tokenu, kde se zašifrují tajným klíčem.
Velikost paměti USB tokenů se nejčastěji pohybuje okolo 8kB, 16kB, 32kB a
někdy i 64kB. Pro komunikace se využívá USB portu, který je použit skoro ve všech
počítačích a nepotřebuje, tak jako čipové karty speciální čtečky. Tokeny jsou
chráněny i proti mechanické manipulaci, nelze se napojit na obvody tokenu.
Chránění bývá nejčastěji zalepením obvodů, zalitím epoxidem, ty dražší se po
mechanickém otevření skořápky rozpadnou. Úkolem skořápky je také chránit či před
mechanickým poškozením, lidským potem, vylitím tekutin a dalšími vnějšími vlivy.
159
Obr. 112 USB token.
14.3. RFID
V současné době je čím dál více k indentifikaci využívána technologie RFID, neboli
Radio Frequency Identification. Trh nabízí RFID čipy a čtečky pro identifikaci objektů
na různou vzdálenost. Informace u RFID technologie, především identifikační číslo
EPC (Electronic Product Code) jsou elektronicky ukládány do čipu neboli tagu.
14.3.1
Využití RFID
Každý z nás se denně setkává s technologii s RFID, mnohdy s vědomím o její
přítomnosti, ale mnohdy i s nevědomím. RFID princip je v současné době jednou
z nejrozšířenějších metod identifikace, pomocí této technologie fungují imobilizéry
aut, identifikace zboží v obchodě, ale například i identifikace osob v obchodních
řetězcích pomocí zákaznických karet. Oblastí, kde je možné použít RFID je mnoho.
Tato metoda je vhodná především pro identifikaci, sledování, evidence, zajištění
přítomnosti a vyhledání konkrétního předmětu, osoby, obecně nějakého objektu.
RFID technologie je dnes implementována do evidence a logistiky zboží
v obchodech a detekce zcizení nezaplaceného zboží. Další významnou oblastí je
v dopravním sektoru, kde je RFID identifikace využívána sledování vozidel, jejich
pohybů a tras, evidence mýtného, evidence zavazadel. RFID je také hojně využíváno
při průmyslové výrobě výrobku, který prochází dílčími procesy. Výrobku je na vhodné
místo instalován RFID čip, na kterém jsou v počátku zaznamenány informace o
výrobku, jaké by měl mít specifické vlastnosti a jak výrobek postupně vstupuje do
jednotlivých procesů, jsou na RFID čip zaznamenávány všechny činnosti prováděné
na výrobku, z těchto údajů můžeme později zjistit případné chyby nebo a uspíšit
průběh celého výrobního procesu. Další uplatnění RFID je patrné v prodeji surovin s
omezenou dobou spotřeby, jako je například potravina. Pomocí čipu a napojením na
centrální databázi můžeme jednoduše zjistit spotřební dobu, případně cenu suroviny,
šarži výrobku. Významně se tím zlehčuje práce skladníkům, kdy je možné zjistit
přesnou polohu suroviny s nejnižší dobou spotřeby. Další výhodou zboží
označeného RFID čipem je zabezpečení předmětů právě proti krádežím. Obvykle se
RFID čipy umisťují na zboží, které má vyšší hodnotu, v některých případech se na
zboží se přidává i vyšší počet tagů, viditelných či neviditelných. Po zaplacení se tyto
tagy odstraní a některé se pouze „deaktivují“. To neznamená, že se znehodnotí tag,
pouze se vymažou údaje, ale jejich identifikační kód je stále čitelný.
160
14.3.2
Standard RFID technologie
Pro korektní funkci RFID komunikace je třeba definovat a stanovit normy. Určení
frekvencí a výkonových úrovní pro Evropu řídí nezisková organizace ETSI - Evropský
institut pro normalizaci v telekomunikacích (European Telecommunications
Standards Institute) se sídlící v Sophia Antipolis ve Francii. Standard komunikačních
protokolů mezi RFID čtecím zařízení a tagem vytvářejí organizace ISO (International
Organization for Standardization) a EPCglobal. ISO - je světovou federální
normalizační organizací se sídlem v Ženevě, jako příklad norem je např. norma ISO
11784, která specifikuje strukturu pro identifikací zvířat, ISO 11785 specifikuje
parametry přenosových protokolů mezi čipem a čtečkou. EPCglobal - je nezisková
organizace zabývající se technickou standardizací v oblasti využití RFID. EPCglobal
definovala standardy EPC Class 0 (GEN1) a EPC Class 1 Ver. 2 (GEN2). EPCglobal
je konsorcium různých společností zabývajících se RFID, mezi nejznámější patří
Hewlett-Packard a Motorola. V České republice je zástupcem EPCglobal společnost
EAN ČR. Ty definují rozměry a tvar tagů, technická řešení, strukturu dat, komunikaci
na radiovém rozhraní, testování či předepisují konkrétní možné aplikace. EPCglobal
je částí GS1, která spravuje UCC-EAN systém standardizovaných čárkových kódů.
14.3.3
Struktura paměti RFID čipu
Pamět RFID čipu se sestává z několika bloků, v závislosti na typu RFID a určení,
avšak maximálně se paměť může skládat ze 4 bank (bloků paměti). První blok je
rezervovaný pro přístupová hesla, další blok nese jedinečný kód EPC, následujícími
bloky jsou TID kód a USER – uživatelská paměť, jak je patrné z obrázku 125.
Obr. 1135 USB token

Blok RESERVED:
- minimální velikost tohoto bloku je 64 bitů. V této paměti je uložen přístupový klíč
ACCESS PASSWORD pro přečtení dalších informací, které paměť čipu RFID. Bitová
hloubka tohoto klíče je 32 bitů a z výroby je nastavena na 0. V případě, že není
znám, tento klíč, není možné přistoupit ke čtení dalších informací
161
Další důležitou informací, kterou tento blok obsahuje, je klíč pro deaktivaci RFID tagu
KILL PASSWORD. Bitová hloubka tohoto klíče je 32 bitů a z výroby je nastavena na
0.

BLOK EPC:
- obsahuje 16 bitové CRC, PC kód a EPC kód. CRC kontrolní součet je daný
polynomem:
Kontrolní součet je počítaný jak z PC, tak z EPC. PC neboli Protocol Control
deklaruje délku EPC kódu. EPC je elektronický kód produktu. EPC je určené pro
jednoznačnou identifikaci produktů v logistickém řetězci. EPC je 96bitové unikátní
číslo. Toto číslo se centrálně přiděluje výrobcům v jednotlivých řadách. Díky EPC je
možné identifikovat kategorii zboží a výrobce. 96 bitů je dostatečná velikost paměti,
pojme 268 milionů výrobců, produkující každý 16 miliónů druhů výrobků (tříd) a v
každé třídě 68 miliard sériových čísel. Z důvodů příliš naddimenzovaného počtu
mohou čipy používat EPC o délce 64 bitů, což sníží jejich cenu, naproti tomu,
v budoucnu je zde i výhled pro přechod na 128 bitů pro případ, že by číselné řady
přestaly stačit.
Struktura EPC kódu - sériové číslo uložené v tagu :
8 bit - hlavička, EPC číslo verze
28 bitů - informace o firmě, 268 milionů firem
24 bitů - třída výrobku, 16 miliónů tříd
36 bitů - unikátní číslo produktu, 68 miliard čísel

Blok TID:
- obsahuje informace o samotném tagu. Celková délka TID je 32bitů. Je složeno
z identifikace třídy tagu AC (Allocation Class), délka je 8 bitů. Následující informací je
MDID (Mask-Designer ID), což určuje spolu s TMN(Tag Model Number) jedinečné
sériové číslo tagu z hlediska hardwaru.

Block USER:
- Tento blok obsahuje uživatelskou paměť, její velikosti je dána výrobcem. Její
velikosti může být například 2kB, ale také ji tag nemusí obsahovat vůbec.

Dělení RFID:
RFID čipů je na trhu široká škála, pro přehlednost je třeba je rozdělit z různých
hledisek:
Aktivní a pasivní RFID čipy
Rozdělení z hlediska nosné komunikační frekvence
Rozdělení z hlediska použití
14.3.4
Aktivní a pasivní RFID čipy
162
Tagy se dělí na pasivní a aktivní. Pasivní tag se skládá z čipu a antény(Obrázek
126). Anténa má dvě funkce, první nabíjecí prvek kondenzátoru v čipu a druhá
původní funkce – vysílání dat. Princip je takový, že kondenzátor čipu se přes anténu
pomocí nabíjecích pulzů, které čtečka vysílá, nejdříve nabije a poté čip vyšle svoje
EPC popřípadě další informace, komunikační protokol tohoto charakteru se nazývá
ITF (Interrogator Talk First).
Obrázek 126 Pasivní RFID tag Chyba! Nenalezen zdroj odkazů.
Aktivní tag se liší od pasivního tím, že má vlastní zdroj energie a vysílá údaje do
okolí (TTF tag talks first). Vysílání probíhá cyklicky v určitých intervalech nebo na
základě nějakého vstupního signálu (například tlačítka). Nevýhodou těchto aktivních
čipů je menší odolnost vůči příliš vysokým nebo nízkým teplotám z důvodu, že zdroj
energie většinou tvoří baterie. Aktivní tag má obvykle větší rozměry, jak je partné z
Obrázek . Výhodou oproti pasivním čipů je obvykle vysoká vysílací vzdálenost, která
samozřejmě závisí na HW návrhu aktivního RFID čipu. Dosah se pohybuje ve
vzdálenostech desítek metrů.
Obrázek 127 Příklad aktivního RFID tagu Chyba! Nenalezen zdroj odkazů.
Z obrázků je patrné, že rozměr i hmotnost pasivního RFID čipu je menší, než
aktivního. Aktivní RFID se v současné době neuživají v takové míře jako pasivní
jednak z hlediska použití a jednak z hlediska ceny.
Z důvodu odlišení základních funkcí RFID čipů a zařízení byly stanoveny normy,
které každé RFID zařízení zařazují do určité třídy (class), pomocí které lze určit, o
jaký typ se jedná.
Class 0: - patří zde pasivní RFID tagy, umožňují pouze čtení, Electronic Product
Code je programován ve výrobě a jeho bitová hloubka je 64 nebo 96bit, dále slouží
163
pouze pro čtení. Mají pouze jednu funkci – předat svoje EPC . Nevyžadují klíč při
komunikaci, nelze je deaktivovat.
Class 1: - patří zde pasivní RFID tagy, umožňují čtení i zápis, obsahují svoje EPC a
TID, dále mají integrovanou uživatelskou paměť, velikost uživatelské paměti je
definována výrobcem. Tyto tagy disponují funkci „Kill“, čili je možné je deaktivovat
pomocí klíče (Kill password). Přístup k uživatelským datům je řešen pomocí
přístupového klíče (Access password).
Class 2: - patří zde pasivní RFID tagy, které mají stejné vlastnosti jako tagy
specifikované třídou Class 1, ale nad rámec těchto funkcí mají nějakou další funkci,
například rozšířenou uživatelskou paměť, rozšířené TID, pomocí kterého lze
identifikovat výrobce tagu. Další rozšiřující funkce doposud nebyly definovány
Class 3: - tato třída zahrnuje tagy na pomezí pasivních a aktivních tagů, tzv. semi –
pasivní tagy. Jsou to pasivní tagy dle specifikace Class 2, avšak opatřeny
podpůrným zdrojem energie, které většinou tvoří „knoflíková baterie nebo
akumulátor“. Tyto tagy komunikují stále protokolem ITF . Další odlišností oproti
Class 2 je integrovaný obvod, který měří intenzitu nabíjecích pulzů od čtečky.
V případě, že intenzita pulzů je dostatečná, RFID čip využívá přijímanou energii,
v opačném případě je využíván interní akumulátor nebo baterie.
Class 4: - zde patří všechny aktivní RFID tagy. Tyto čipy, jak již bylo výše zmíněno,
jsou vybaveny vlastním zdrojem energie, který je tvořen akumulátorem nebo baterii,
a nevyužívají přijatou energii zvenčí k napájení vlastních obvodů. Tagy spadající do
třídy Class 4, komunikují protokolem TTF, čili iniciátorem komunikace je samotný
RFID tag, což umožňuje realizaci různých síťových topologii, například Peer - To Peer a Broadcast. Peer – To – Peer je způsob komunikace, kdy spolu komunikují
dva jednotliví klienti, v tomto případě RFID tag s jiným RFID tagem. Broadcast je
způsob komunikace, kdy zpráva vysílaná adresátem je určena pro všechna zařízení
v téže síti.
Class 5: - tato třída specifikuje vlastnosti a způsob komunikace všech čtecích
zařízení „čteček“.
14.3.5
Rozdělení z hlediska nosné komunikační frekvence
Nosná frekvence ovlivňuje několik vlastností. Přenosová rychlost – čím vyšší nosná
frekvence, tím vyšší přenosová rychlost Průnik překážkami – čím nižší nosná
frekvence, tím vyšší pronikavost překážkami jako je například kapalina, kov. Čtecí
dosah – čím vyšší nosná frekvence, tím vyšší dosah. Zde je kladen důraz na
stanovení maximálního vysílacího výkonu, neboť signál nižší frekvence má větší vliv
na organismy než signál vyšší frekvence stejného výkonu.
Přehled komunikačních frekvenčních pásem:
Low Frequency (LF):
Frekvenční pásmo: 125 – 135kHz
Kov a kapalina nemají vliv na přenos
164
Vlivem nízké nosné frekvence je nízká přenosová rychlost
Vysoké náklady na výrobu
Komunikace pro tuto frekvenci nezahrnuje antikolizní mechanismy
Dosah do 0,2m
Užití v oblasti řízení přístupu, zaměstnaneckých karet, imobilizérů apod.
Electronic Article Surveillance (EAS):
Frekvenční pásma: 3,155 – 3,400MHz a 7,400 – 8,800MHz
Kapalina nemá vliv na přenos, horší prostupnost kovem
Dosah se pohybuje od 0,1m do 0,5m
Užití pro zamezení odcizení zboží z obchodu
High Frequency (HF):
Frekvenční pásmo: 13,56MHz
Signál hůře prochází kapalinou, neprostupnost kovem
Střední přenosová rychlost
Nízké náklady na výrobu
Dosah do 1m
Užití v oblasti přístupu osob, logistiky, dopravy zavazadel, knihovních
systémech apod.
Ultra High Frequency (UHF):
Frekvenční pásmo: 860 – 956MHz
Signál je absorbován kovem i kapalinou
Vysoká přenosová rychlost
Nejnižší náklady na výrobu
Komunikace zahrnuje antikolizní mechanismy
Díky vysoké přenosové rychlosti a antikolizním mechanismům lze číst a
zapisovat desítky i stovky čipů současně
Dosah se pohybuje od 0,1m do 10m
Užití v dopravě (mýtné systémy), Sledování kontejnerů, palet
V některých státech jsou přidělena frekvenční pásma pro UHF tagy:
Region 1: 865 - 870 MHz Evropa a Afrika
Region 2: 865 - 865 MHz Indie
Region 3: 902 - 928 MHz Severní a Jižní Amerika
Region 4: 917 - 922 MHz Čína
Region 5: 918 - 926 MHz Austrálie
Microwave (MW):
Frekvenční pásma: 2,45GHz a 5,8GHz
Signál je zcela pohlcován kapalinou
Nejvyšší přenosová rychlost
Vysoké náklady na výrobu
Komunikace zahrnuje antikolizní mechanismy, avšak je možnost vzniku kolize
z důvodu
přítomnosti bezdrátových sítí WiFi a BlueTooth na stejné nosné
frekvenci.
Dosah do 20m
165
Při realizaci RFID sítě není nutné nejen správně zvolit nosnou frekvenci vysílače (u
pasivních tagů čtečky a u aktivních samotného tagu), ale také zajisti, že maximální
výkon vysílače nepřekročí danou mez, která je pro konkrétní frekvenční pásmo
uvedena v Tabulka 5.
Tabulka 5 Přehled kategorií frekvenčních pásem Chyba! Nenalezen zdroj odkazů.
Maximální
Frekvenční pásmo
Oblast
povolený výkon
125 kHz – 135 kHz (LF)
Celosvětově
72 dBμA/m
3.155 - 3.400 MHz
Celosvětově
13,5 dBμA/m
Electronic Article Surveillance
(EAS)
7,400 - 8,800 MHz
Celosvětově
9 dBµA/m
Electronic Article Surveillance
(EAS)
13,56 MHz (HF)
Celosvětově
60 dBµA/m
865 MHz – 870 MHz (UHF)
Evropa
2 W ERP
902 MHz – 928 MHz (UHF)
Severni a Jižní Amerika
4 W EIRP
917 MHz – 922 MHz (UHF)
Čína
2 W EIRP
918 MHz – 926 MHz (UHF)
Austrálie
1 W EIRP
865 MHz – 867 MHz (UHF)
Indie
4 W EIRP
celosvětově,
venkovní
2.400 - 2.483 GHz (MW)
prostory
0,5 W EIRP
2.446 - 2.454 GHz (MW)
celosvětově, uvnitř budov
4 W EIRP
5.725 - 5.875 GHz (MW)
Evropa
0,5 W EIRP
5.725 - 5.875 GHz (MW)
Severní Amerika
4 W EIRP

ERP vs. EIRP
Některé úřady uvádějí hodnotu maximálního vyzářeného výkonu pro frekvence UHF
a MW v jednotkách ERP (Effective radiated power), jiné úřady v jednotkách EIRP
(Effective isotropically radiated power). V zásadě je hodnota výkonu uvedená v ERP
nižší, než hodnota stejného výkonu uvedená v EIRP, zhruba 1 W ERP = 1,7 W EIRP.
Rozdíl je způsobený typem použité teoretické antény. U metody ERP se předpokládá
směrová anténa, zatímco u metody EIRP ideálně všesměrová anténa. Chyba!
enalezen zdroj odkazů.
14.3.6
Rozdělení z hlediska použití
Dle konkrétní aplikace je vždy nutné zvolit správný typ RFID čipu z hlediska principu
použití, dosahu, nesených dat a jejich velikosti, ceny výrobku vůči ceně RFID čipu,
chráněného přístupu, možnosti deaktivovat čip a topologie sítě nebo čtecího
systému, ve kterém se bude čip používat.
1) Výrobní průmysl
2) Potravinářský průmysl
3) Zamezení zcizení zboží
166
4) Logistika
5) Monitorování zaměstnanců
6) Monitorování lidí a zvířat
7) Přístup k účtům
8) Přístup do objektů
9) Evidence majetku
10) Platba mýtného na dálnicích
11) Lékařství – kontrola předmětů
12) Zjištění konfigurace komplementárních výrobků
13) Imobilizér v automobilu

Výrobní průmysl
- v případě, že výrobek prochází několika výrobními procesy, nabízí se řešení řízení
a monitorování výroby pomocí RFID technologie. Je nutné si uvědomit, že mnohdy
bude čip podléhat nízkým, či vysokým teplotám proto je bezpečnější použít pasivní
RFID čip, neboť aktivní čipy jsou při nízkých nebo naopak vysokých teplotách
nestabilní vlivem integrované baterie nebo akumulátoru. Dalším hlediskem je, zdali je
pro výrobce přívětivější pracovat s databází, která obsahuje všechny informace o
výrobku a RFID čip slouží pouze jako identifikátor. Výrobek pak postupuje výrobními
procesy, kde na každém stanovišti jsou načtena data o výrobku z externí databáze.
V této variantě je možné použít RFID čip třídy Class 0, neboť do RFID čipu není
nutné zapisovat a slouží pouze ke čtení. Toto řešení však má úskalí v podobě
situace, kdyby databáze s daty o výrobku nebyla dostupná a to by mělo důsledek
zpomalení nebo zastavení výroby. Z tohoto důvodu je vhodnější zvolit RFID z třídy
Class 1 nebo Class 2, neboť RFID čip obsahuje uživatelskou paměť, do které se
mohou nahrát jak data o výrobku před započetím výroby, tak během samotné
výroby, které mohou specifikovat závady a další důležité informace. V tomto případě
je možné řešit řízení výroby autonomně i při výpadku externí databáze.

Potravinářský průmysl
- v této oblasti je technologie využívaná převážně z důvodu skladování a zjištění data
spotřeby. Optimální typy pro toto užití jsou RFID čipy z třídy Class 0 nebo Class 1.
RFID čip je umístěn přímo na výrobku nebo na zabalené paletě s více výrobky.
Pomocí RFID čipů je vyčítán počet výrobků a datum spotřeby. Pomocí tohoto
systému lze jednoduše a efektivně zlepšit zásobování ať už u samotného výrobce,
dovozce potravin nebo u velkospotřebitelů jako jsou supermarkety apod.

Zamezení zcizení zboží
- použití v obchodech, prodávané produkty jsou před vyskladněním do obchodu
opatřeny jedním nebo víc RFID čipy. V případě zajištění zboží více RFID čipy se
většinou používají čipy s různými komunikačními pásmy. Specifikace RFID je různá
dle ceny a tvaru zboží.

Logistika
167
- použití je obdobné jako v oblasti průmyslu. Na počátku expedice se na balík nebo
paletu umístí RFID čip a ten je v průběhu dopravování monitorován na každém
překladišti, s tím, že je třeba brát v potaz, že signál musí proniknout překážkami,
z těchto důvodu je optimálním řešením RFID čipy třídy Class 1 nebo Class 2
v komunikačním pásmu LF.

Monitorování zaměstnanců
- v dnešní době chce každý zaměstnavatel monitorovat své zaměstnance.
Monitorování pomocí RFID technologie se nabízí hned dva způsoby – aktivní a
pasivní. Pasivní monitorovaní se provádí pomocí RFID karet při vstupu do firmy a při
odchodu z firmy. Každému zaměstnanci je přidělena karta s RFID čipem.
Zaměstnanec pak při příchodu do firmy přiloží kartu na čtečku a do databáze se
zapíše čas příchodu, stejně tak provede před odchodem z firmy. Tato metoda však
není efektivní v ohledu na přítomnost zaměstnance na svém pracovišti. Z tohoto
důvodu je vhodnější aktivní monitorování zaměstnance, kdy zaměstnanec je vybaven
aktivním RFID čipem. V závodu je rozmístěna síť čteček a zaměstnanec, resp.
přidělený RFID čip, je monitorován, kde se zrovna nachází, což přináší
zaměstnavateli větší přehled například o tom, kolik času zaměstnanec stráví na
obědě, kantýnách nebo na jiných pracovištích.

Monitorování lidí a zvířat
- z hlediska rozměru a váhy RFID čipu je monitorování pomocí této technologie
vhodné i pro zvířata. Používají se aktivní i pasivní RFID čipy. Mnozí lidé si však
neuvědomují, že se dobrovolně nechají monitorovat například obchodními řetězci.
Princip je takový, že zákazník dostane zákaznickou kartu, pomocí které řetězec je
schopen monitorovat, kdy byl zákazník v obchodě naposledy, lokace, u kterého zboží
se zákazník zdrží a které naopak rychle projde a další důležité údaje pro marketing
obchodu.

Přístup k účtům
- dnešní firemní karty, karty stravování apod. obsahují RFID čip, pomocí kterého
jednoduše přistoupit na svůj účet a objednat si stravu, zaplatit v kantýně nebo
zapůjčit si knihu.

Přístup do objektů
- v přístupu do objektu pomocí RFID karty je třeba zajistit zamezení přístupu ke
klíčovým datum. Proto je vhodný typ RFID čipu právě z třídy class 1 nebo class 2,
kde k přístupu datům je vyžadován přístupový klíč.

Evidence majetku
- v případě, že je nutné vést inventáře například ve státních zařízeních, jako jsou
nemocnice nebo školská zařízení, je optimálním řešením opatřit inventární předměty
RFID čipy. Pak jsou v místnostech, kde je požadovaná inventarizace nebo evidence
majetku, u vchodu umístěna čtecí brána a veškerý materiál označený RFID čipy je
jednoduše evidovaný.

Platba mýtného na dálnicích
168
- každé vozidlo s povinností platit mýtné musí být vybaveno elektronickým zařízením,
které není přenosné na jiná vozidla. Mýtné je dle délky trasy, třídy komunikace, dne
v týdnu, počtu náprav vozidla a emisní třídě odečítáno při průjezdu mýtnou bránou.

Lékařství – kontrola předmětů
- v historii se prokázalo, že i chirurgové a zdravotnický personál jsou pouze lidé,
důkazem tohoto byl nespočet operací, kdy v operovaném místě pacienta byly
zanechány předměty jako například tampón, nebo nějaký nástroj. Proto se
v nadcházející době významně rozšiřuje RFID technologie v lékařství. Princip je
takový, že každý předmět, který může přijít do styku s pacientem, je opatřen RFID
čipem a před uzavřením operovaného místa je pomocí RFID čtečky kontrolována
nepřítomnost jakéhokoliv předmětu v pacientovi.

Zjištění konfigurace komplementárních výrobků
- využívá se tehdy, kdy nějaké zařízení je složeno z několika dalších zařízení nebo
částí, které se mohou lišit, nebo jsou navzájem vyměnitelné s jiným. Takovými
typickými zařízením je například PC nebo automobil. U počítače je při kompletací
firmou označen každý element RFID čipem, pak při následné úpravě hardwaru nebo
v případě potřeby technik pouze přijde s čtečkou a bez jakéhokoliv bližšího zkoumání
má bezprostřední informace o hardwarové konfiguraci PC. Vždy se pro tyto účely
používají pasivní RFID z důvodu vysoké teploty v PC.

Imobilizér v automobilu
- používá se jak aktivní tak pasivní RFID čipy. Pomocí aktivních RFID se ovládá jak
samotné zabezpečení vozu, tak přístup do vozidla, pomocí pasivních RFID pouze
zabezpečení zapalování nebo motoru.
14.3.7
Komunikace, čtení a zápis
RFID čipy a čtečky komunikují dvěma základními protokoly, nazývají se ITF
(Interrogator Talk First) a TTF (Tag Talk First).

ITF (Interrogator Talk First)
- komunikace, která se využívá u pasivních RFID čipů. Čtečka inicializuje komunikaci
a tag na její žádost odpovídá. Pro komunikaci s každým tagem je pak nutné provést
novou inicializaci, z toho plyne, že v případě, že je třeba detekovat více tagů zároveň
nebo po sobě, vždy je posláno dvakrát více zpráv, než je počet tagů k identifikaci.

TTF (Tag Talk First)
- zde jsou dvě varianty komunikace, které tento komunikační protokol podporuje.
Broadcast: čtečka vyšle příkaz do okolí a jednotlivé tagy, které jsou v okolí, přijmou
tuto zprávu a postupně odpovídají.
Peer – To – Peer (P2P): Tag vysílá stále a vyčkává na příchozí zprávu od čtečky.
14.3.8
RFID čtečky
169
Zařízení určené pro komunikaci s RFID tagy. Čtečka může mít jednu i více antén,
které vysílají radiové vlny a přijímají signály vyslané tagem. Čtečky se od sebe
mohou velice lišit na základě jejich parametrů a způsobu funkce, např. existují čtečky
nazývané:
Dumb reader - čtečky, které mají pouze funkce čtení tagů a získaná data předávají
k vyhodnocení a zpracování přes nějaké komunikační rozhraní (Ethernet, USB,
RS485)dalšímu zařízení, například PC, server.
Intelligent reader – je termín přidělovaný čtečkám, které dokáží nad načtenými daty
z tagů aplikovat filtr a vyfiltrovaná data dále serveru přes nějaké komunikační
rozhraní.
Agile reader - multifunkční čtečka, která dokáže vysílat a operovat na různých
frekvenčních pásmech. Zastává funkci více čteček v případě, že monitorované
objekty jsou vybaveny více typy RFID čipů, z čehož je patrná i vyšší cena takovéto
čtečky.
-Čtečky se používají k mnoha účelům a dle těchto účelu je třeba přizpůsobit vhodné
technické řešení dle konkrétní aplikace. Proto se čtečky vyskytují v různé podobě:
Mobilní terminály - jedná se o přenosná čtecí zařízení, která mají svůj vlastní
operační systém, jsou přizpůsobené pro použití v průmyslovém prostředí, vybaveny
obrazovkou a odolné proti pádu a vodě.
Přenosná zařízení - většinou je realizováno kapesním PDA nebo jinou výpočetní a
komunikační jednotkou s přídavnou RFID čtečkou, která se zapojí do příslušného
portu (Většinou komunikační rozhraní USB), takové řešení je mnohem levnější než
mobilní terminál, ale není vhodné pro průmyslové použití.
Brána - jedná se bránu, která se skládá ze systému čteček a jejich antén nebo
pouze jedné čtečky s více kanály a příslušným počtem antén. Tyto brány je možné
zabudovat do dveří. Většinou se používají v průmyslových aplikacích, obchodech
apod.
Stacionární čtečky - se používají tam, kde se neočekává manipulace čtečky
člověkem a jsou pevně připevněny na konkrétním místě. Typickým příkladem jsou
např. čtečky na otevírání dveří.

Middleware
Čtečku jako zařízení nečiní pouze hardware, ale i systém spuštěný na hardwaru
čtečky, tzv. Midleware. V některých případech nemusí běžet přímo na čtečce, ale na
externím zařízení, například PC nebo PDA. Obecně by je to software, který propojuje
informační nebo řídící systém, ve kterém je identifikace nasazena, s RFID
hardwarem. Je potřebný pro systém, aby bylo možné pracovat s hardwarem.
Midleware umožňuje přenos informací mezi čtečkami, ale také mezi RFID sítěmi a
informačním nebo řídicím systémem.
170
RFID Middleware může mít dle možností hardwaru pět hlavních funkcí:
Sběr dat - V RFID sítích middleware ukládá, sbírá data, které nasbírala různá čtecí
zařízení. Funguje i zároveň jako vyrovnávací paměť mezi nezpracovanými daty z
čtecích zařízení a mezi daty, zvenčí, čili z informačního systému. Bez této funkce by
se mohl zahltit daty hlavní nadřazený informační systém.
Filtrování dat – z přijatých dat Middleware aplikuje různé filtry dle nastavení.
Autonomní řízení procesu - Middleware je možné využít ke spouštění událostí
založených na předdefinovaných výrobních pravidlech. Midleware obstarává funkci
nadřízeného řídícího systému, proces je pak vykonáván nezávisle.
Směrování dat – zjednodušuje propojení RFID sítě s informačním systémem a
určuje, kam budou data posílána dle charakteru dat.
Správa čtecích zařízení – Middleware analyzuje stav a kooperaci připojených
čtecích zařízení. Větší sítě mohou obsahovat nespočet různých druhů čtecích
zařízení, které je potřeba ovládat, kde se nelze obejít bez automatické diagnostiky a
správy. Další z výhod Middlewaru v tomto ohledu je možnost spravovat RFID síť
pomocí vzdáleného přístupu.

Kolize čteček
Hlavní problém vzniká v okamžiku, kdy je v těsné blízkosti více čteček. V tomto
případě pak vzniká situace, kdy signál jedné čtečky je rušen signálem druhé čtečky,
tímto vznikne kolize čtečky. Východiskem je aplikováním technologie TDMA (time
division multiple access). Tento princip funguje tak, že každá čtečka přistupuje k
rádiovému spektru v jiný časový úsek. Tímto je vyřešeno vzájemné rušení, nicméně
toto opět přináší další problém, kdy další čtečka v následujícím časovém okamžiku
by mohla opětovně přečíst RFID čip a znovu jej zanést do systému. Proto se
systémy konfigurují tak, aby další čtečka nenačetla tag podruhé. Tento problém
může být řešen již mezi jednotlivými čtečkami, které jsou propojeny například
komunikačním rozhraním ethernet nebo až přímo v serveru.
Dalším řešením může být podpora režimu DRM (dense reader mode) nejčastější
využití tohoto módu je pro rozsáhlé instalace, kde je nutné mít RFID čtečky umístěné
blízko u sebe a dochází k překrývání jejich signálu a pro současné čtení velkého
množství RFID tagů. V této situaci je pak nutné při tomto režimu přeladit čtečku na
jiný kanál v určitém frekvenčním pásmu.

Rušení čtečky
- v závislosti na umístění čtečky, je možné, že čtečka může být rušena jinými
zařízeními zvenčí v takové míře, že není schopna pracovat. Tento problém lze do
jisté míry řešit kovovým stíněním, v kterém je umístěna čtečka a objekty procházejí
tímto stíněním také například na dopravníku.

Rychlost čtení
171
-rychlost čtení a možnost zapsat závisí na třídě (Class), do které čtené tagy spadají.
Rychlost je udávána v sumě přečtených tagů za jednu sekundu. Zápi
Class 0: tagy určené pouze pro čtení, EPC programováno ve výrobě, čtení
1000tagů/sec
Class 0++: tagy, které umožňují čtení i zápis, programováno kdykoliv, čtení
1000tagů/sec
Class 1: tagy, do kterých lze zapsat jednou/zápis mnohokrát, programováno při
použití, čtení 200tagů/sec
Gen 2: tagy určené pro čtení a zápis, programováno kdykoliv, čtení 1600tagů/sec
14.4. NFC
NFC (Near Field Communication) a RFID technologie spolu úzce souvisí. Použité
standardy jsou vzhledem ke zpětné kompatibilitě téměř totožné, stejně jako rychlost
přenosu dat. Rozdílnost technologií se liší ve vzdálenosti komunikace mezi
jednotlivými Zařízeními, avšak i přesto je velký rozdíl, kam se každá z těchto
technologií ubírá a jaké je tedy použití v praxi. NFC se díky použitelnosti v mobilních
zařízeních a platebních kartách stalo hlavně využitelné u bezkontaktních plateb.
Krátká vzdálenost, na kterou zařízení komunikují, je v tomto případě velkou výhodou
z pohledu zabezpečení.
Aby bylo možné platit pomocí technologie NFC je zapotřebí buď platební karta
podporující technologii NFC (Dnes již běžně k dostání u bank poskytující účty v ČR)
nebo mobilní telefon s hardwarem podporující technologii NFC. V případě, že
uživatel chce používat mobilní telefon, další podmínkou je platební aplikace a tzv.
secure element.
Teprve po splnění těchto tří podmínek je možné provádět bezkontaktní platby, ale
pouze u obchodníků, kteří tuto technologii podporují. Jednodušším řešením je již
zmiňovaná bezkontaktní platební karta, ale vzhledem ke skutečnosti, že mobilním
telefonem dnes disponuje každý, se předpokládá, že se pomalu bude od platebních
karet upouštět.
14.5. Secure element
Aby bylo možné mobilní telefon s NFC technologií používat k podobným operacím, je
důležité, aby měl podporu tzv. „secure element“. Secure element je nezávislé
úložiště dat, které je spolu s aplikací spojnicí mezi NFC čipem a operačním
systémem telefonu. Data vkládaná do této chráněné autonomní oblasti paměti jsou
velmi citlivá a lehce zneužitelná. Z těchto důvodů musí být data šifrována a
v neposlední řadě je použito zabezpečení pomocí hesla. Na základě těchto
ochraných mechanizmů je míra zneužití bez vědomí majitele velmi nízká. Data
uložená na Secure element úložišti mohou mít různý charakter - můžou to být
informace například o platební kartě, ID kartě (použití pro docházkový systém v práci
nebo v knihovně), věrnostní kartě nebo časové jízdence pro MHD. Kapacita secure
elementu se pohybuje v násobcích stovek kilobajtů. Pokud tedy uživatel používá
172
mnoho ID karet, je možné, že kapacitu paměti vyčerpá. Mobilní telefon může podle
disponovat třemi různými druhy secure elementu:
SIM karta – Mobilní operátoři v dnešní době vydávají speciální druh SIM karty, na
které je integrován secure element. Tato SIM karta je označena UICC (Universal
Integrated Circuit Card). Řešení secure elementu na SIM kartě operátora bude
zřejmě nejužívanějším typem. Výhodou je řízení secure elementu, které bude v režii
operátora.
Integrovaný secure element jako součást mobilního telefonu – další možností je
přidaný hardware v mobilním telefonu, který je jeho součástí a obsahuje secure
element. Zde záleží na výrobci HW mobilních telefonů, zda tento prvek přidají při
výrobě do svých přístrojů.
Externí secure element – tento typ secure elementu je lehce oddělitelný od
mobilního telefonu například v podobě MicroSD karty.
14.6. Komunikace pomocí NFC
NFC zařízení komunikují dvěma základními komunikačními protokoly, nazývají se
NDEF (NFC Data Exchange Format) a LLCP (Logical Link Control Protocol).
V těchto protokolech je definována struktura protokolu, zabezpečení, kontrola
přenosu a šifrování dat.

NDEF protokol
NDEF (NFC Data Exchange Format) protokol definuje strukturu, pravidla, typy a
velikost aplikačních dat, jakým způsobem jsou při výměně informací mezi dvěma
NFC zařízeními zapouzdřeny zprávy. Při komunikaci je požadován na nižších
vrstvách spolehlivý a bezpečný transportní protokol. Výsledkem je efektivní a
jednoduchý formát zprávy zajišťující tyto podmínky:
1)
Zapouzdření různých typů dat, kterými mohou být jakékoliv soubory,
šifrovaná data, XML data, obrazová data atd.
2)
Zapouzdření dat o neurčité velikosti. Tato funkce je aplikována při
dynamickém generování obsahu o větších velikostech, který jsou následně
segmentován do více bloků.
3)
Sloučení různých typů dat, které mají společnou logickou souvislost, ať
už z hlediska přenosu (např. pokud jsou zasílaná v rámci jednoho paketu,
nebo z hlediska segmentace), do jedné zprávy. Slučování nevelkých bloků
informací do jedné zprávy by nijak nemělo měnit míru složitosti.
Zápis nebo čtení jednoho záznamu z NFC uložiště se může skládat z jednoho nebo
více komunikačních rámců, graficky je struktura popsána v Tabulka 2. Identifikace
každého NDEF záznamu je označena jeho typem (PAYLOAD TYPE), délkou
(PAYLOAD
LENGTH)
a
tzv.
volitelným
identifikátorem
(PAYLOAD
IDENTIFICATION). Tyto identifikátory se dělí takto:
173
1)
PAYLOAD LENGTH (délka dat) – délka užitečných dat, která jsou
zapouzdřená v relevantním NDEF záznamu. Tento objem dat je definován polem
PAYLOAD LENGTH o velikosti jednoho bytu pro záznamy krátké a velikostí 4 bytů
pro záznamy běžné délky. Krátké datové rámce se indikují SR (Short Record) bit,
který je nastaven na hodnotu 1.
2)
PAYLOAD TYPE (typ dat) - je identifikátor dat, která jsou přenášena v
tomto NDEF záznamu. Nastavení konkrétního typu přenášených dat se provede v
poli TNF (Type Name Format). Tento typ určuje, zda jsou data známým formátem
NFC (TNF =1), typ označující médium (RFC 2046 TNF =2) absolutním formátem URI
(RFC 3986 TNF=3) nebo formátem typu MIME.
3)
PAYLOAD IDENTIFICATION (identifikace dat) - je identifikátorem, který
má označení „volitelný“. Pomocí tohoto identifikátoru jednotlivé aplikace rozpoznávají
data v NDEF záznamu. Na základě toho je možné pomocí URI (Uniform Resource
Identifier) vzájemně mezi sebou linkovat data. Nevýhodou tohoto identifikátoru je
jeho nepřítomnost v NDEF, a proto je potřeba doplnit jej do aplikace ze strany
uživatele.
Jak již bylo zmíněno při specifikaci tohoto protokolu, NDEF umožňuje zasílání
jednotlivých kusů záznamů o neznámé velikosti, jedná se o tzv. Record chunks.
Odesílatel tedy zasílá průběžně se doplňující zprávu, která se teprve generuje do
finální podoby. Toto se děje v rámci jedné zprávy.. Každá NDEF zpráva, která je
generována bez ohledu na vnitřní obsah (jestli je složena z několika či jen jedné
části) musí obsahovat počátek, střed (byť by byl nulový) a konec záznamu. Protože
se jedná o celek realizovaný jako NDEF záznam, jsou dle pro tyto jednotlivé části
záznamu definována tato pravidla:
1)
Počátek NDEF záznamu je označován CF (Chunk Flag). Polem „TYPE“
je označen typ celého úseku a to bez ohledu na to, zda je jeho délka nulová či
nikoliv. Identifikaci kusu dat obstarává ID pole, což je vlastně identifikátor rámce.
2)
Prostřední část NDEF záznamu má již přednastavený CF příkaz
indikující stejný typ obsahu dat a také stejný identifikátor jako počátek NDEF
záznamu. Stejně tak jako pro všechny části záznamu, i pole PAYLOAD_LENGTH
určuje objem bloku dat. V prostředním bloku musí pole TYPE_LENGTH a IL nabývat
nulových hodnot.
3)
Koncový záznam NDEF obsahuje prázdný příkaz CF. Tento příkaz
označuje poslední blok dat mající stejný typ s počátečním blokem dat.
4)
Ostatní pole, jako jsou TYPE_LENGTH, IL a PAYLOAD_LENGTH,
nabývají stejných hodnot jako v prostřední části záznamu.
Rozdělení užitečných dat je podmíněno jen na jednu NDEF zprávu. Právě proto
střední a počáteční kus záznamu nemůže obsahovat část zvanou ME (Message
End).
Tabulka 6 Struktura NDEF rámceChyba! Nenalezen zdroj odkazů.
7
6
5
4
3
2
1
0
MB ME CF SR IL
TNF
TYPE LENGTH
PAYLOAD LENGTH 3
PAYLOAD LENGTH 2
174
PAYLOAD LENGTH 1
PAYLOAD LENGTH 0
ID LENGTH
TYPE
ID
PAYLOAD

LCCP protokol
LLCP (Logical Link Control Protocol) disponuje procesními prostředky k převodu
vrstvy informací mezi dvěma NFC zařízeními. Mezi hlavní funkce a vlastnosti
poskytované LLPC protokolem podle patří:
1)
Aktivace komunikace jednotlivých zařízení, které vytvoří spojení v
závislosti na detekci kompatibility. Následně řídící zařízení dohlíží na připojení ke
vzdálenému zařízení a nakonec spojení deaktivuje na základě požadavku.
2)
Umožňuje asynchronní režim mezi koncovými body v obou
uživatelských zařízeních.
3)
LLCP je schopen pojmout několik protokolů vyšší úrovně ve stejnou
dobu.
4)
LLCP není určen pro přenos dat, jako jsou zvuk nebo video. Nejsou zde
dány žádné záruky přenosu s ohledem na časovou posloupnost, protože data se
posílají bez synchronizace.

Zabezpečení NFC komunikace proti útoku
Jak bylo výše zmíněno, NFC komunikace se používá k platebním operacím, což
přímo vybízí k dešifrování komunikace a změně dat nebo zjištění přístupových údajů,
proto je nutné přenos informací dostatečně zabezpečit. Prvním krokem k zajištění
vyšší bezpečnosti je úmyslné snížení vzdálenosti, při které jsou NFC zařízení ještě
schopna komunikovat. A však tento způsob zabezpečení se ukázal jako
nedostačující. V roce 2006 se o tuto ukázku postarali Ernst Haselsteiner a Klemens
Breitful. Jejich popis útoků a ukázky prokázaly zranitelnost technologie NFC. Útok
Man-in-the-middle (člověk uprostřed) k získání specifického klíče byl úspěšný. Proti
této technice není obrany v ISO standardu, a proto bylo nutné zavést kryptografické
protokoly vyšších vrstev. Jedním z těchto protokolů je např. SSL k vytvoření
zabezpečeného kanálu. Je důležité, aby zabezpečení komunikace bylo zajištěno
všemi zařízeními, která spolu komunikují. Ochrana dat probíhá již ze strany výrobců,
kdy aktivních zařízení používají ochranu v podobě silné kryptografie a autentizacích
protokolů. Dalším zabezpečení se realizuje ze strany operačních systémů, které
používají antiviry a hesla.
Další důležitou dodatečnou ochranou je kódování, v současné době se používají tyto
typy kódování:
175
1)
Od čtečky nebo aktivního zařízení k tagu nebo emulaci tagu je použita
ASK modulace se 100% hloubkou a Millerovým kódováním. Pro opačný směr
komunikace je použita modulace OOK a použito je kódování Manchester.
2)
Od čtečky nebo aktivního zařízení k tagu nebo emulaci tagu je použita
ASK modulace s 10% hloubkou a NRZ-L kódováním. Pro opačný směr komunikace
je použita modulace BPSK a použito je také kódování NRZ-L.
Přehled dosavadních typů útoků:
1)
Změna dat - Tento druh útoku spočívá ve změně jednotlivých bitů za
pomocí RFID rušičky.
2)
Přepojovaný útok – Narušující zařízení se z hlediska komunikační sítě
tváří jako čipová karta a požadavky z aktivního zařízení (čtečky), přeposílá k oběti
útoku a naopak. Výsledkem je získání, dat jako jsou například přístupové hesla apod.
3)
Zneužití Secure elementu při jeho ztrátě nebo odcizení – V případě, že
není Secure element u mobilního telefonu opatřen heslem, je možné jej při ztrátě
mobilního telefonu zneužít nálezcem.
4)
Záznam komunikace - Jedná se o záznam komunikace buď aktivního
nebo pasivního NFC zařízení. U pasivního zařízení je odposlech obtížnější, neboť
negeneruje magnetické pulzy.
5)
Neukončené spojení – Pokud spolu komunikují dvě NFC zařízení, tak
po přenesení dat je automaticky ukončeno spojení. Tohoto může využít útočník, tím,
že přímo naváže další komunikaci, čili převezme komunikaci a nabourává se do
zařízení.
14.7. Porovnání autentizačních metod
Hesla jsou použity pro nejnižší stupeň zabezpečení, jelikož jsou snadno přenositelné
a lehce se jich lze zmocnit. Pro vyšší stupeň zabezpečení se používají tokeny, jsou
ale opět přenositelné a lze se jich snadno zmocnit. Pro relativně vysoký stupeň
zabezpečení se používá kombinace hesla a tokenu. Tato kombinace je celkem
odolná při ztrátě nebo odcizení tokenu, pokud nedošlo k vyzrazení nebo prolomení
hesla. Toto zabezpečení je opět přenositelné. Pro nejvyšší stupeň zabezpečení se
používá biometrických znaků osoby, jejich hlavní výhodou je nepřenositelnost, nelze
je ztratit ani předat. Pro verifikační účely se biometrické znaky kombinují s hesly
nebo tokeny.
Rozdělení metod autentizace:
•
Znalost – uživatel se prokazuje znalostí, kterou by měl znát pouze on, heslo,
PIN…
•
Vlastnictví – k autentizaci dochází pouze při vlastnictví nějakého předmětu –
tokenu, například čipová karta USB token…
•
Biometrika – měří biometrické vlastnosti uživatele – otisk prstů, geometrie
ruky, oční sítnice nebo duhovka, tvar obličeje…
Pojem dvoufaktorová autentizace se rozumí použití těchto dvou různých metod
(faktorů). Může to být například token + heslo. Třífaktorová autentizace je potom
využití tokenu, znalosti a biometriky vše dohromady.
Pokud vše shrneme, můžeme říci, že veškeré metody zabezpečení je možné
podrobit útokům. Je ale možné tyto hrozby snížit kombinacemi jednotlivých
autentizačních metod. Použití biometrické specifické vlastnosti člověka v
176
automatických systémech řízení a kontroly vstupů však představuje v současnosti
nezastupitelný prostředek pro dosažená nejvyššího stupně zabezpečení objektu.
Další zdroje
[1] Daugman,j. High confidence visual recognition of persons bz a test of statistical
indenpendence. Proceedings of the IEEE Transactions on Pattern Analysis and
Machine Intelligence 15(11): 1148-1161,1993.
[2] http://www.irisid.com/irisrecognitiontechnology
[3] http://www.biometricke-ctecky.cz/biometriky
[4] http://www.silhanek.net/bakalarskaprace.pdf
[5] http://minsky.ic.cz/veci/identifikace_cloveka_pomoci_biometrickych_udaju.pdf
[6]https://dspace.vutbr.cz/bitstream/handle/11012/2112/roman_kubica_BP.pdf?seque
nce=1
[7]http://www.vutbr.cz/www_base/zav_prace_soubor_verejne.php?file_id=9617
[8]http://www.biometrics.gov/Documents/irisrec.pdf
[9]http://www.cl.cam.ac.uk/~jgd1000/irisrecog.pdf
[10]http://www.fi.muni.cz/usr/jkucera/pv109/2003/xvach_biometriky.htm
[11]http://dspace.k.utb.cz/bitstream/handle/10563/8060/kov%C3%A1%C4%8D_2009
_dp.pdf?sequence=1
[12]https://dspace.vutbr.cz/bitstream/handle/11012/12148/bakalarska_prace_98559.
pdf?sequence=2
[13]https://dip.felk.cvut.cz/browse/pdfcache/jaskope1_2013dipl.pdf
[14]https://www.vutbr.cz/studium/zaverecne-prace?zp_id=51790
[15]http://www.scribd.com/doc/54914528/1/Daugman-s-Integro-differential-Operator
[16]https://dspace.vutbr.cz/bitstream/handle/11012/15139/DP%20%20Identifikace%2
0osob%20pomoc%C3%AD%20biped%C3%A1ln%C3%AD%20lokomoce%20%20Krzyzanek.pdf?sequence=1
[17]http://news.bbc.co.uk/2/shared/spl/hi/guides/456900/456993/html/nn4page1.stm
[18]http://www.lesnicka-skola.cz/gallery/clanky3501/daktyloskopie.pdf
[19]http://dspace.k.utb.cz/bitstream/handle/10563/11329/hrub%C3%A1_2010_bp.pdf
sequence=1
[20]https://dspace.vutbr.cz/bitstream/handle/11012/3847/Diplomov%C3%A1%20pr%
C3%A1ce.pdf?sequence=1
[21]https://dspace.vutbr.cz/bitstream/handle/11012/14315/BP_Biometrie%20otisku%
20prstu.pdf?sequence=1
[22]http://www.biometricke-systemy.cz/snimky/snimek2.html
[23] Karas, V., Otáhal, S., Sušanka, P.: „Biomechanika tělesných cvičení“, Praha:
1990.
[24] Novák, A.: „Biomechanika tělesných cvičení“, Základy obecné biomechaniky.
Praha:SPN, 1970. [25] N. J. Rittcr and J. R. Cooper. "Locating the Iris: A First Step to
Registration and Identifica¬tion." Proceedings of the 9th lASTliD International
Conference on Signal and Image Process¬ing, IASTED, pp. 507-512, August 2003.
[26] http://ftk.upol.cz/fileadmin/user_upload/FTKkatedry/biomechanika/APBMF_Kycelni_kloub.pdf
177
[27]http://www.vavyskov.cz/sites/default/files/attachments/node823/sbornik_konference_odv_2011.pdf
[28] Rak, R., Matyáš, V., Ř9ha, Z., a kolektiv, “Biometrie a identita člověka ve
forenzních a komerčních aplikacích“,Grada
[29] http://cs.wikipedia.org/wiki/Lidsk%C3%A9_oko
[30] http://www.ejournal.aessangli.in/ASEEJournals/EC131.pdf
[31] http://en.wikipedia.org/wiki/Fingerprint
[32] http://www.comfis.cz/biometrie?print
[33]Drahanský, M., Orság, F., a kolektiv, “Biometrie“, Brno 2011, 1.vydání, ISBN 97880-254-8979-6
[34]http://www.elearn.vsb.cz/archivcd/FEI/ZBS/Mohylova_Zpracovani%20biosignalu.
pdf
[35]ttp://cs.wikipedia.org/wiki/Ucho
[36]http://www.biometrickypodpis.cz/PDF/biometricke_metody.pdf
[37] http://www.elektrorevue.cz/clanky/02054/index.html#2
[38] http://cs.wikipedia.org/wiki/Bezpe%C4%8Dnostn%C3%AD_token
[39]
https://dspace.vutbr.cz/bitstream/handle/11012/5096/xsevci43.pdf?sequence=1&isAll
owed=y
[40] TOENNIES, Klaus D. Advanced Biomedical Image Analysis: Methods and
Algorithms. Magdeburg: Springer, 2012. 2012. ISBN 978-1447127505.
[41]https://dspace.vsb.cz/bitstream/handle/10084/98657/TOM683_FEI_N2649_3901
T009_2013.pdf?sequence=1
[42]http://cs.wikipedia.org/wiki/Perceptron
[43]http://books.google.cz/books?id=8P9nwH8eLAsC&pg=PA76&lpg=PA76&dq=RIT
TER,+N.+J.;+COOPER,+J.+R.+Locating+the+iris:+A+first+step+to+registration+and
+identi+cation.&source=bl&ots=2bGCtJdvtw&sig=EpIJtfhUh4sSH5RFOiXhJOchMi8&
hl=cs&sa=X&ei=GYOEUvSYEcqAtAbEy4HABA&ved=0CDcQ6AEwAQ#v=onepage&
q=active&f=false
[44]https://dspace.vutbr.cz/bitstream/handle/11012/27336/bp_kopriva_tomas_13654
2.pdf?sequence=2
[45]https://dspace.vutbr.cz/xmlui/bitstream/handle/11012/4721/Jan%20Ma%C5%A1e
k-Diplomov%C3%A1%20pr%C3%A1ce.pdf?sequence=1
[46]http://www.astrochem.org/sci/Nucleobases.php
[47]http://www.signosoft.com/biometrickepodpisy.php
[48]https://dspace.vsb.cz/bitstream/handle/10084/98688/HUD143_FEI_N2647_2612
T025_2013.pdf?sequence=1
[1]
HUNT, Daniel; PUGLIA, Albert; PUGLIA, Mike. RFID-A GUIDE TO RADIO
FREQUENCY IDENTIFICATION. New Jersey : John Wiley & Sons, Inc., 2007. 201 s.
ISBN 978-0-470-10764-5.
[2]
Systém GS1, [online]. [cit. 2014-05-12] ]. Dostupné z:
http://www.gs1.org/gsmp/kc/epcglobal/uhfc1g2/uhfc1g2_1_1_0-standard20071017.pdf
[3]
ZANDL, Patrick. RFID. Budoucnost. Realita (1.) [online]. 28. 7. 2004 [cit. 201405-12]. Dostupné z WWW:< http://www.lupa.cz/clanky/rfid-budoucnost-realita-1
[4]
ZANDL, Patrick. RFID. Budoucnost. Realita (2.) [online]. 29. 7. 2004 [cit. 201405-012]. Dostupné z WWW: http://www.lupa.cz/clanky/rfid-budoucnost-realita-2/
178
[5]
[cit. 2014-05-15]. Dostupné z: http://news.softpedia.com/news/RFID-betweenspying-and-utility-868.shtml
[6]
[cit. 2014-05-15]. Dostupné z:
http://www.newsteo.com/en/studies/productions-examples.php
[7]
Frekvence RFID, standardy a normy. . [online]. 15.5.2014 [cit. 2014-05-15].
Dostupné z: http://www.codeware.cz/rfid-standardy-frekvence-vlastnosti.html
[8]
15.5.2014 [cit. 2014-05-15]. Dostupné z: http://cs.wikipedia.org/wiki/NDEF
[9]
NFC FORUM. NFC Forum [online]. 2010. [cit. 2014-05-18]. Dostupné z:
http://www.nfc-forum.org/home/
[10] NFC Data Exchange Format. Wikipedia[online]. 2013. [cit. 2014-05-16].
Dostupné z: http://cs.wikipedia.org/wiki/NDEF
[11] 15.5.2014 [cit. 2014-05-15]. Dostupné z:
http://nfcpy.readthedocs.org/en/latest/topics/ndef.html
179

Podobné dokumenty