Projektgruppe CSI:PC 2 Abschlusspräsentation

Transkript

1 Einleitung Architektur Ergebnisse Zusammenfassung Projektgruppe CSI: Abschlusspräsentation CSI: Paderborn Center for Parallel Computing ( ) Universität Paderborn Projektgruppe CSI: - Abschlusspräsentation 1/38

2 Einleitung Architektur Ergebnisse Zusammenfassung Motivation Ziele Grundlagen Gliederung 1 Einleitung Motivation Ziele Überblick Ergebnisse Grundlagen 2 Architektur 3 Ergebnisse 4 Zusammenfassung Projektgruppe CSI: - Abschlusspräsentation 2/38

3 Einleitung Architektur Ergebnisse Zusammenfassung Motivation Ziele Grundlagen Motivation Biometrische Merkmale gewinnen immer mehr an Bedeutung Anforderungen an biometrische Systeme steigen Datenbankgröße (Anzahl Datensätze) Antwortzeiten Bestehende Systeme erfüllen Anforderungen nicht IAFIS vom FBI: 50 Millionen Fingerabdrücke 2h (Behörden) bzw. 24h (zivil) Anfragezeit Eines der größten Systeme für Iriden: Ca. 0.5 Millionen Iriden 2 Sekunden Antwortzeit Skaliert sich bis maximal 2 Millionen Einträge Projektgruppe CSI: - Abschlusspräsentation 3/38

4 Einleitung Architektur Ergebnisse Zusammenfassung Motivation Ziele Grundlagen Ziele von CSI: Entwicklung eines biometrischen Systems Mit state-of-the-art Performance und hoher Erkennungsgenauigkeit Zur Identifikation und Verifikation Von Fingerabdrücken und Iriden Unter Verwendung von Cluster Parallelisierung Rekonfigurierbare Hardware (FPGAs) Projektgruppe CSI: - Abschlusspräsentation 4/38

5 Einleitung Architektur Ergebnisse Zusammenfassung Motivation Ziele Grundlagen Biometrische Operationsmodi Verifikation Bestätigung der Identität 1 : 1 Vergleich, z. B. Zugangskontrolle Identifikation Ermittelung der Identität 1 : n Vergleich, z. B. gefundener Fingerabdruck Projektgruppe CSI: - Abschlusspräsentation 5/38

6 Einleitung Architektur Ergebnisse Zusammenfassung Motivation Ziele Grundlagen Begriffe / Definitionen Template Automatisch erkennbare, konstante und charakteristische Merkmale eines Bildes (z. B. Fingerabdruck, Iris oder Gesicht). Feature-Extraction Verarbeitung des aufgenommenen Bildes, Erkennung der charakteristischen Merkmale und Umwandlung in ein Template. Template Matching Vergleich verschiedener Templates gegeneinander zur Verifikation oder Identifikation. In der Regel anhand eines Scorewertes. Projektgruppe CSI: - Abschlusspräsentation 6/38

7 Gliederung 1 Einleitung 2 Architektur Überblick Frontend Feature-Extraction Cluster Template Matching 3 Ergebnisse 4 Zusammenfassung Projektgruppe CSI: - Abschlusspräsentation 7/38

8 Architektur / Ablauf - Übersicht 1. Scan des biometrischen Merkmals (Fingerabdruck oder Iris) 2. Vorbereitung im Frontend / Vorschau Projektgruppe CSI: - Abschlusspräsentation 8/38

9 Architektur / Ablauf - Übersicht 1. Scan des biometrischen Merkmals (Fingerabdruck oder Iris) 2. Vorbereitung im Frontend / Vorschau 3. Feature-Extraction Projektgruppe CSI: - Abschlusspräsentation 8/38

10 Architektur / Ablauf - Übersicht 1. Scan des biometrischen Merkmals (Fingerabdruck oder Iris) 2. Vorbereitung im Frontend / Vorschau 3. Feature-Extraction Projektgruppe CSI: - Abschlusspräsentation 8/38

11 Architektur / Ablauf - Übersicht 2. Vorbereitung im Frontend / Vorschau 3. Feature-Extraction 4. Template Matching Projektgruppe CSI: - Abschlusspräsentation 8/38

12 Architektur / Ablauf - Übersicht 3. Feature-Extraction 4. Template Matching 5. Präsentation des Ergebnisses im Frontend Projektgruppe CSI: - Abschlusspräsentation 8/38

13 Architektur / Ablauf - Übersicht 3. Feature-Extraction 4. Template Matching 5. Präsentation des Ergebnisses im Frontend Projektgruppe CSI: - Abschlusspräsentation 8/38

14 Fingerabdruck-Scanner Auflösung 500dpi TST BIRD 3 Automatische Aufnahme (optimierte) Aufnahmemodi Projektgruppe CSI: - Abschlusspräsentation 9/38

15 Iriskamera IrisGuard H-100 IrisGuard H-100 Iriskamera Optimierte, automatische Aufnahme kürzere Aufnahmezeit bessere Bilder Gibt per Sprachausgabe Rückmeldung zur Positionierung Alternative: Gewöhnliche Kamera Aufnahme erfolgt manuell Basiert auf DirectShow Projektgruppe CSI: - Abschlusspräsentation 10/38

16 Frontend GUI / Client Screenshot Frontend GUI Integriert Sensoren und Feature-Extraction Kommuniziert via SSH mit dem Server Optimiert für Touchscreen Bedienung Zuschaltbare Hilfe Projektgruppe CSI: - Abschlusspräsentation 11/38

17 Feature-Extraction Fingerabdruck Ablauf Projektgruppe CSI: - Abschlusspräsentation 12/38

18 Feature-Extraction Fingerabdruck (1) Ausdünnung 1 Eigentliches Ausdünnen: Trage Randpixel ab, bis die Linien einen Pixel breit sind 2 Kantenglättung: Eliminiere restliche überflüssige Pixel Projektgruppe CSI: - Abschlusspräsentation 13/38

19 Feature-Extraction Fingerabdruck (2) Orientierungsvektoren Orientierung: Folge für jeden Pixel einem Pfad und berechne den Winkel Weisse Pixel erhalten Orientierung des rechten Nachbarn Projektgruppe CSI: - Abschlusspräsentation 14/38

20 Feature-Extraction Fingerabdruck (3) Core-Point Detection Berechnen des Poincaré- Indexes für verschiedene Blockgrößen findet Bereiche mit hoher Rillenkrümmung Durchschnitt bilden über den nördlichsten Bereich Clusterverfahren zum herausfiltern von Ausreißern Durchschnitt bilden über den größten Cluster Projektgruppe CSI: - Abschlusspräsentation 15/38

21 Feature-Extraction Fingerabdruck (4) Minutiae 1 Erkennung von Minutientypen anhand von Zusammenhangskomponenten 2 Bestimmung der Ausrichtung der Minutien 3 Filterung der Fehlminutien liefert Endergebnis Projektgruppe CSI: - Abschlusspräsentation 16/38

22 Feature-Extraction Iris Ablauf Projektgruppe CSI: - Abschlusspräsentation 17/38

23 Feature-Extraction Iris (1) Lokalisierung der Iris Auffinden der Pupille: approximiert durch Kreis dessen Kontur den größten Helligkeitsgradienten besitzt Bestimmung der äußeren Grenze: ebenfalls durch Gradientenmethode Projektgruppe CSI: - Abschlusspräsentation 18/38

24 Feature-Extraction Iris (2) Maskierung von Artefakten Bestimmung des oberen Augenlides: approximiert durch Ellipsenbogen Auffinden von Wimpern und Lichtreflexionen innerhalb der Iris: anhand Grauwert-Threshold Projektgruppe CSI: - Abschlusspräsentation 19/38

25 Feature-Extraction Iris (3) Normalisierung Generierung des Iriscodes Transformation der ringförmigen Iris in pseudo-polare Darstellung Invarianz gegenüber Größe der Iris und Pupillendilatation Anwendung von Gabor Wavelets auf normalisierte Iris Extraktion von Phaseninformation, quantisiert als binärer Code Projektgruppe CSI: - Abschlusspräsentation 20/38

26 Cluster Control Daemon (CCD) Nimmt Anfragen entgegen, verteilt sie und sammelt Ergebnisse Matching wird von beliebig vielen Knoten übernommen Projektgruppe CSI: - Abschlusspräsentation 21/38

27 Datenbank Fokus: Effiziente Speicherung und schnelles Laden Effizient / schnell durch binäre Flatfile Datenbank Schnell da auf mehrere Dateien verteilt parallel auslesbar Projektgruppe CSI: - Abschlusspräsentation 22/38

28 Minutienmatching Vergleich anhand der extrahierten Minutien Erprobt: Verwendung seit über 60 Jahren in der Kriminalistik Aktiver Forschungsbereich, diverse Verfahren existieren Implementiertes Verfahren basiert auf sog. Point Pattern Matching Richtet Templates anhand ihrer Core-Points aus Berechnet erlaubte Toleranzen um die zwei Punkte variieren dürfen Vergleicht jeden Punkt mit jedem um Übereinstimmungen zu finden Ergebnisscore ist der Anteil der übereinstimmenden Minutien Projektgruppe CSI: - Abschlusspräsentation 23/38

29 Database Clustering Erstellung eines Suchbaums um Ergebnismenge zu reduzieren Filterkritierum: erst Orientierungsfeld, dann Rillendistanz Reduziert Ergebnismenge auf ca. 0.6% Letzter Schritt ist kombinierbar mit anderen Matching-Algorithmen Projektgruppe CSI: - Abschlusspräsentation 24/38

30 Minutienmatching - FPGA Host PC FPGA DB MMU 1... MMU 2 MMU n PCI-X Controller MMU Minutia Matching Unit Global OR bus: asserts if any MMU matches Data bus: programs the MMUs, forwards minutiae data Beschleunigung des Matchings durch Parallelisierung auf FPGA Gemessener Speedup: 18 im Vergleich zur Software Problem: Flaschenhals I/O (PCI-X Bus) Theoretischer Speedup: 80 Projektgruppe CSI: - Abschlusspräsentation 25/38

31 Irismatching HD = (codea codeb) maska maskb maska maskb Vergleich basiert auf Hammingdistanz zwischen den Codes Nur gültige Bereiche werden durch Maske berücksichtigt Rotation des Auges wird über Shifting der Bits ausgeglichen Kritischer Part ist das Bitzählen (Population Count) Mit best bekanntem Population Count Algorithmus: 2.5 Millionen Vergleiche / Sekunde auf 2.2 GHz CPU Wurde auf FPGA evaluiert, schneidet aber schlechter ab Projektgruppe CSI: - Abschlusspräsentation 26/38

32 Architektur - Übersicht Projektgruppe CSI: - Abschlusspräsentation 27/38

33 Einleitung Architektur Ergebnisse Zusammenfassung Statistiken Weitere Punkte Gliederung 1 Einleitung 2 Architektur 3 Ergebnisse Statistiken Weitere Punkte 4 Zusammenfassung Projektgruppe CSI: - Abschlusspräsentation 28/38

34 Einleitung Architektur Ergebnisse Zusammenfassung Statistiken Weitere Punkte Ergebnisse - Skalierung System skaliert sich linear in Bezug auf Antwortzeit und Prozesse Architektur ist stabil bis mindestens 1024 Prozesse Projektgruppe CSI: - Abschlusspräsentation 29/38

35 Einleitung Architektur Ergebnisse Zusammenfassung Statistiken Weitere Punkte Ergebnisse - Matchingzeiten (Daten für 50,000,000 Einträge, Arminius Cluster) Minutien-Matching 64 Prozesse: 9.7 Sekunden / 70k pro Sekunde & Knoten 128 Prozesse: 4.9 Sekunden / 70k pro Sekunde & Knoten Iris-Matching 64 Prozesse: S. / 1,75 Millionen pro Sekunde & Knoten 128 Prozesse: S. / 1,73 Millionen pro Sekunde & Knoten (Daten für 2,000,000 Einträge, Arminius Cluster) Minutien-Matching 8 Prozesse: 2.52 S. / 70k pro Sekunde Clustering Matching 8 Prozesse: 0.27 S. / nicht anwendbar Projektgruppe CSI: - Abschlusspräsentation 30/38

36 Einleitung Architektur Ergebnisse Zusammenfassung Statistiken Weitere Punkte Ergebnisse - Genauigkeit False Rejection Rate (FRR): richtiges Template wird abgelehnt False Acception Rate (FAR): falsches Template wird aktzeptiert Fingerprint-Matching (100 Finger, je 8 Aufnahmen) (vorläufige Ergebnisse, Optimierungen laufen noch) FRR: 2.1% bei FAR von 3.4% (Grenzwert 0.93) FAR: 0.7% bei FRR von 31.2% (Grenzwert 0.98) Iris-Matching (35 Iriden, je 2 Aufnahmen) (Ergebnisse für größeren Datensatz stehen aus, ) FRR: 0.0%: (Grenzwert 0.3) FAR: 0.0% (Grenzwert 0.3) Projektgruppe CSI: - Abschlusspräsentation 31/38

37 Einleitung Architektur Ergebnisse Zusammenfassung Statistiken Weitere Punkte Weitere erwähnenswerte Punkte CSI: A High Performance Biometric System and... Generische Testbeds zur Evaluierung von Feature-Extraction Algorithmen Matching Algorithmen Weitere Matchingalgorithmen als Prototypen Genetische Algorithmen zur Optimierung von biometrischen Algorithmen Framework um biometrische Templates auf FPGAs zu verarbeiten Projektgruppe CSI: - Abschlusspräsentation 32/38

38 Einleitung Architektur Ergebnisse Zusammenfassung Zusammenfassung Ausblick Gliederung 1 Einleitung 2 Architektur 3 Ergebnisse 4 Zusammenfassung Zusammenfassung Ausblick Projektgruppe CSI: - Abschlusspräsentation 33/38

39 Einleitung Architektur Ergebnisse Zusammenfassung Zusammenfassung Ausblick Zusammenfassung Bestehende biometrische Systeme erfüllen Anforderungen nicht Datenbankgröße von 100 Millionen Einträgen und/oder Geringe Antwortzeiten CSI: - A High Performance Biometric System Client / Server Architektur Skaliert linear in Bezug auf Datenbankgröße sowie Prozesse 64 Prozesse, 50 Millionen Templates Fingerabdrücke: 9.7 Sekunden (Minutienmatcher) Iriden: 0.4 Sekunden Leicht erweiterbar: Architektur ist generisch, Algorithmen austauschbar Optional: Performance Gewinn durch FPGAs Projektgruppe CSI: - Abschlusspräsentation 34/38

40 Einleitung Architektur Ergebnisse Zusammenfassung Zusammenfassung Ausblick Ausblick zur weiteren Entwicklung Sourcecode wird unter der GPL auf SourceForge.net veröffentlicht: Integration anderer Open Source Projekte, z. B.: libfprint: Fingerprint Scanner Support Open Biometry: Gesichtserkennung / Face Recognition Etablierung eines Testbeds zum generischen Vergleich von biometrischen Algorithmen Erstellen von weiteren Clients, z. B. mobile Endgeräte oder Web Service Ausweitung der FPGA Unterstützung Integration anderer Algorithmen... Projektgruppe CSI: - Abschlusspräsentation 35/38

41 Einleitung Architektur Ergebnisse Zusammenfassung Zusammenfassung Ausblick Fragen? Vielen Dank für die Aufmerksamkeit! Fragen? Livedemo zum selber ausprobieren direkt im Anschluss! Mehr Informationen und Updates: und Projektgruppe CSI: - Abschlusspräsentation 36/38

42 Einleitung Architektur Ergebnisse Zusammenfassung Zusammenfassung Ausblick CCD Connection GUI Linux Frontend als Testtool Prototyp für andere Clients Projektgruppe CSI: - Abschlusspräsentation 37/38

43 Einleitung Architektur Ergebnisse Zusammenfassung Zusammenfassung Ausblick Parameter Prototyping - Genetischer Algorithmus Parameter Prototyping erfolgt durch genetischen Algorithmus Individuum ist jeweils eine Parameterkonfiguration für den Matchingalgorithmus Nutzt MPI basiertes Testbed zur Evaluierung Je nach der Zielfunktion Optimierung für Geringe False Rejection Rate Geringe False Acception Rate (Zugangskontrolle) Kombinierte Verfahren je nach Einsatzscenario Kann für alle Matcher genutzt werden, Übertragung auf Feature-Extraction möglich Die Parameter für das Minutienmatching wurden durch den genetischen Algorithmus ermittelt (vgl. Ergebnisse) Projektgruppe CSI: - Abschlusspräsentation 38/38