Studie: Evaluierung biometrischer Systeme Fingerabdrucktechnologien BioFinger. Öffentlicher Abschlussbericht

Transkript

1 Studie: Evaluierung biometrischer Systeme Fingerabdrucktechnologien BioFinger Öffentlicher Abschlussbericht Version

2 Inhalt 1. Zusammenfassung Zielsetzung Ergebnisse Aufbau des Berichtes 4 2. Biometrische Authentisierung mit Fingerabdruckerkennung Einleitung Anforderungen an ein biometrisches System Leistungsfähigkeit eines biometrischen Systems Fingerabdruckerkennung Bewertung von biometrischen Systemen Beschreibung der Bewertungskriterien Experimentelle Ermittlung der ROC-Kurven Szenarien für den polizeilichen Einsatz von Biometrie und deren Anforderungen in Bezug auf die Fehlerraten Untersuchung mit Testpersonen Aufnahme der Datenbasis U1 Einfluss der Sensoren auf die Verifikation U2 Einfluss der Merkmalsextraktion auf die Verifikation U3 Einfluss der Algorithmen (MSA) auf die Verifikation U4 Einfluss der Sensoren auf die Qualität des Fingerabdruckbildes U5 + U6 Einflüsse auf die Fingerabdrücke Testergebnisse der verschiedenen Systeme Einleitung Evaluation der Qualität der Fingerabdrücke Vergleich der Systeme ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Sensor ROC-Kurve für Algorithmus ROC-Kurve für Algorithmus ROC-Kurve für Algorithmus ROC-Kurve für Algorithmus ROC-Kurve für Algorithmus ROC-Kurve für Algorithmus ROC-Kurve für Algorithmus 6 79

3 6. Untersuchung mit der Fingerabdruckdatenbank Beschreibung der Datenbasis Untersuchung der Unterscheidbarkeit bei ähnlichen Fingerabdrücken Untersuchung der Alterungseigenschaften der Fingerabdrücke Simulation der reduzierten Sensorfläche Standards und Universal Fingerprint Machbarkeit und Algorithmenverfahren Erfassung der Standards Literatur Abkürzungsverzeichnis 117

4 Zusammenfassung 1. Zusammenfassung 1.1 Zielsetzung Der Fingerabdruck hat als biometrisches Erkennungsmerkmal eine lange Tradition und steht als Synonym für die Einmaligkeit (des Menschen). Bis in jüngster Vergangenheit wurde ausschließlich mit dem resultierenden Fingerabdruckbild als Identifikationsmerkmal gearbeitet und keine Weiterverarbeitung vorgenommen. Menschliche Fingerabdrücke wurden fast nur für kriminalistische Zwecke in der Daktyloskopie verwendet. Daktyloskopen untersuchen den Fingerabdruck auf Informationen, anhand derer Menschen identifiziert werden können. Eine am Tatort gefundene Fingerabdruckspur kann so einer Person als Spurenleger zugeordnet werden. Die Eigenschaft der Klassifizierbarkeit von Fingerabdrücken ermöglicht es, die Fingerabdrücke in unterschiedliche Fingerklassen einzuordnen, wobei die Tatsache ausgenutzt wird, dass durch den Verlauf der Papillarlinien sog. Muster (Schleife, Bogen, Wirbel) gebildet werden und durch Unterbrechungen der Papillarlinien anatomische Merkmale (Minuzien) entstehen. Dank des großen daktyloskopischen Informationsgehalts in den einzelnen Abdrücken kann der daktyloskopische Experte durch Vergleich feststellen, ob Personen identisch sind oder nicht. Früher war es sehr zeitaufwändig, eine Person in der Papierdatenbank zu finden (Identifikation) und die Übereinstimmung mit den Fingerabdrücken aus dem Tatort nachzuweisen. Der erste Einsatz von Computern in der Anwendung der Identifikation beschränkte sich auf eine schnelle Durchsuchung der elektronischen Datenbank, wobei die Informationen für die Suche durch daktyloskopische Experten angegeben wurden. Aufgrund der gestiegenen Leistungsfähigkeit des Computers wurde eine Bildbearbeitung des Fingerabdruckbildes und damit eine elektronische Auswertung möglich. In den ersten daktyloskopischen Systemen wurden alle bekannten Informationen bearbeitet und extrahiert, d.h. Muster und Merkmalsmenge. In der Anwendung als Zutrittskontrollsystem erwies sich die Verwendung dieser umfangreichen Informationen aus dem Fingerabdruck als nicht praktikabel. Die Zeiten der Bearbeitung waren zu lang und die Menge der extrahierten Informationen zu groß. In der Folge wurde die Anzahl an Informationen reduziert, d.h. beispielsweise die Muster vernachlässigt. Darüber hinaus wurde die Anzahl der Minuzien reduziert. Für Zutrittskontrollsysteme werden heutzutage die Minuzien meist nur als Linienendung und Gabelung der Papillarlinien definiert. Neuere Entwicklungen zielen darauf ab, nicht nur Minuzien sondern auch die Bildinformationen aus der Umgebung des Merkmals bei Überdeckung mit einer Filtermaske (z.b. Gabor Filter) zu benutzen. Im Rahmen des Projektes BioFinger Evaluierung biometrischer Systeme - Fingerabdrucktechnologien werden die Eigenschaften von Fingerabdruckerkennungssystemen untersucht. Hintergrund für dieses Projekt ist die mögliche Integration von Fingerabdrücken in deutsche Personaldokumente mit dem Ziel, die Verifikation der Ausweisinhaber zu verbessern. Demzufolge ist das Verifikationsszenario, d.h. die Überprüfung der vorgegebenen Identität der Person (1:1 Vergleich), Ziel des Projektes BioFinger. Im Gegensatz dazu bildet im Hinblick auf die vorgesehene Anwendung das Identifikationsszenario (1:n Vergleich) in dem die Identität der Person durch Abgleich mit einer Datenbank von n Personen festgestellt werden soll keine Rolle. In diesem Kontext werden im Projekt BioFinger eine Reihe von Untersuchungen durchgeführt, die Aufschluss über die Eignung ausgewählter Produkte liefern sollen. Dabei soll aufgezeigt werden, ob es beim Stand der heute verfügbaren Systeme oder Komponenten Fingerabdruckerkennungssysteme gibt oder zusammengestellt werden könnten, die die 1

5 Zusammenfassung Forderung nach der Verifikationseigenschaft erfüllen. Aufgrund der besonderen Anforderungen an Personaldokumente, z.b. Nutzungsdauer von 10 Jahren, ist die Langzeitstabilität von Fingerabdrücken hinsichtlich der Eigenschaft, Personen identifizieren zu können, von großer Bedeutung. Zu Beginn wird eine Marktanalyse durchgeführt, welche alle auf dem deutschen Markt erhältlichen Fingerabdruckstechnologien umfasst. Weiterhin werden einige ausgewählte Systeme ausländischer Firmen in die Untersuchung mit einbezogen. Aus dieser Übersicht werden die erfolgsversprechenden Systeme ausgewählt. Dabei wird der Softwarealgorithmus und die angewandte Hardware des Sensors getestet. Diese Untersuchung soll die möglichen signifikanten Unterschiede der Fingerabdruckerkennungstechnologien deutlich machen. Zur Beurteilung der Leistungsfähigkeit und Vergleichbarkeit der ausgewählten Fingerabdruckerkennungstechnologien werden die dazugehörigen ROC-Kurven ermittelt. Des weiteren wurden die Algorithmen noch in Bezug auf ihre Fähigkeit zur Unterscheidung von sogenannten biometrischen Zwillingen (Personen mit Fingerabdrücken, die für automatische Fingerabdruckerkennungssysteme als ähnlich bewertet werden) untersucht. Ergänzt wurde dies durch eine Untersuchung des Einflusses des Alterungsprozesses auf die Performanz der Algorithmen. Die speziell ausgewählten Datenbasen wurden vom Bundeskriminalamt (BKA) bereitgestellt. 1.2 Ergebnisse Erreichbare Erkennungsleistung Die Untersuchung hat gezeigt, welche Leistung die heute verfügbare Technologie erbringt. Danach hat die Hälfte der Prüflinge 1 eine EER 2 kleiner als 5%. Ein Drittel bringt es zu EERs unter 3%. Im Spitzenfeld (EER 1%) sind 8% der Prüflinge zu finden. Anzahl Prüflinge % 80% absolut % 40% 20% kumuliert 0 0% 40% 30% 20% 10% 0% EER Bei der Verifikation von Ausweisinhabern wird ein Erkennungssystem voraussichtlich so betrieben, dass die FAR 3 besser als die EER ist, z.b. FAR=1. Dies führt zwar zu einer Verschlechterung der FRR 4, dennoch weist die Hälfte der Prüflinge für diesen Betriebs 1 Kombination aus Scanner und Algorithmus 2 EER: Equal Error Rate; Definitione siehe FAR: Falschakzeptanzrate; Definition siehe FRR: Falschrückweisungsrate; Definition siehe

6 Zusammenfassung modus FRRs unter 10% auf. 23% der Prüflinge erreichen hier immer noch FRR von 3% oder weniger. Anzahl Prüflinge % absolut % 60% 40% 20% 0% kumuliert 70% 60% 50% 40% 30% 20% 10% 0% FRR bei FAR=1/1000 Dies bedeutet, dass bei einer sorgfältigen Auswahl von auf einander abgestimmten Komponenten (Scanner und Algorithmus) es nur einer von 1000 Personen mit falschem Ausweis gelingen wird, vom biometrischen System mit der falschen Identität akzeptiert zu werden. Die Wahrscheinlichkeit einer falschen Zurückweisung einer Person mit korrektem Ausweis liegt dann allerdings bei etwa 1:50. Damit bietet diese Technologie eine wirksame Verbesserung gegenüber dem was durch Vergleich eines Gesichts mit einem (Pass-) Foto durch einen Menschen erzielt werden kann. Einfluss der Komponenten Wenige Kombinationen von Sensoren und Algorithmen führten entweder zu auffällig hohen Fehlerraten oder arbeiteten gar nicht zusammen. Ein Vergleich der Ergebnisse für die einzelnen Sensoren zeigt deutliche Unterschiede auf. So ließen sich mit dem besten Sensor etwa 10-fach kleiner Fehlerraten erzielen als mit dem schlechtesten. Mit optischen Sensoren, die auf dem Prinzip der gestörten Totalreflektion basieren, wurden die besten Ergebnisse erzielt. Weniger deutlich sind die Unterschiede zwischen den Algorithmen. Mit dem besten Algorithmus wurden um den Faktor 3 kleinere Fehlerraten erzielt als mit dem schlechtesten. Einfluss des Alters der Referenzdaten Eine mögliche Verwendung von Fingerabdrücken in Personaldokumenten wirft die Frage auf, ob die Erkennungsleistung noch gegeben ist, wenn Referenz- und Verifikationsdaten nicht zeitnah aufgenommen werden sondern zeitlich weit auseinander liegen. Mit zunehmendem zeitlichen Abstand ist prinzipiell mit einer Verschlechterung der FRR zu rechnen. Auf Basis der gemachten Untersuchungen kann abgeschätzt werden, dass sich die FRR etwa verdoppelt wenn der zeitliche Abstand auf 10 Jahre anwächst. 3

7 Zusammenfassung Standards und Universal Fingerprint Die Sichtung der Templates der verschiedenen Algorithmen zur Fingerabdruckserkennung wies trotz einiger Gemeinsamkeiten signifikante Unterschiede auf. Einige Systeme extrahieren nur Minuzien, andere hingegen zusätzlich die Merkmalsumgebung (Pattern) oder verwenden nur oder zusätzlich Bildinformation. Dem zufolge wird i.d.r. das eine System nicht die Daten erzeugen, die das andere System zu Verifikation mit seiner ihm typischen Leistung benötigt. Die kleinste gemeinsame Datenmenge, mit der alle Algorithmen arbeiten könnten, ermöglicht zwar die Interoperabilität der verschiedenen Systeme, würde zwangsläufig aber auf Kosten der biometrischen Performance gehen und zu höheren Fehlerraten führen. Größte Interoperabilität ohne Performanz-Einbuße ist zu erreichen, wenn die Fingerabdrucksbilder statt der Merkmale gespeichert werden; dies erfordert jedoch zusätzliche Merkmalsextraktion bei jeder Verifikation. Möglichkeiten zur Verbesserung Da diese Untersuchung mit allen Fingern ausschließlich des kleinen Fingers vorgenommen wurde, ist mit einer weiteren Verbesserung zu rechnen, wenn nur großflächige Finger (Daumen, Zeigefinger) verwendet werden. Da keine Auswahl der besten Fingerabdrücke erfolgte sondern alle Aufnahmen gewertet wurden, ist mit einer Verbesserung der Erkennungsleistung zu rechnen, wenn z.b. im Fall einer Falschzurückweisung weitere Versuche zur Verifikation zugelassen werden oder beim Enrollment eine Qualitätskontrolle erfolgt. Die Folgestudie BioFinger2 soll aufzeigen, welche Verbesserung erzielt werden kann, wenn mehrere Fingerabdrücke für die Verifikation verwendet werden. 1.3 Aufbau des Berichtes Die einzelnen Kapitel dieses Berichtes werden im Weiteren kurz beschrieben. Das zweite Kapitel enthält die Beschreibung eines allgemeinen biometrischen Verfahrens. Am Anfang wird eine kurze Einleitung in die Thematik der Biometrie gegeben und ein biometrisches System beschrieben. Es werden die Anforderungen an ein biometrisches System erklärt und die Kennzahlen für Leistungsfähigkeit eines biometrischen Systems formuliert. In der zweiten Kapitelhälfte wird das Fingerabdruckerkennungsverfahren detaillierter diskutiert. Im dritten Kapitel werden die Bewertungskriterien für biometrische Systeme und die Bestimmung der Kriterien erläutert. Darüber hinaus werden die vorgestellten Bewertungsmetriken mit konkreten Anwendungsszenarien aus dem polizeilichen Einsatz verknüpft. Damit kann konkret die Tauglichkeit der getesteten Systeme in Bezug auf die beabsichtigte Anwendung beurteilt werden. Im vierten Kapitel ist die Untersuchung mit Testpersonen beschrieben. Dies wird eingeleitet mit einer Beschreibung der Aufnahme der Datenbasis und beinhaltet eine tabellarische Auflistung der Sensoren, die Zusammensetzung der Datenbasis aus den Fingerabdrücken der verschiedenen Personen sowie die Erläuterung der Aufbereitung der Datenbasis um die Fehler herauszufiltern. Im Rahmen der Studie werden eine Reihe von Untersuchungen (U1 bis U6) durchgeführt, die in diesem Kapitel auch erwähnt sind: U 1 U 2 U 3 U 4 U 5 Einfluss der Qualität der Sensoren auf die Qualität der Verifikationen (FAR, FRR) Einfluss der Qualität der Merkmalextraktionsverfahren (ME) auf die Qualität der Verifikationen Einfluss der unterschiedlichen Vergleichsysteme (MSA) auf die Qualität der Verifikationen Einfluss der unterschiedlichen Sensoren auf die Qualität der Fingerabdruckbilder (Auflösung, etc.) Einfluss der Qualität der Sensoren auf die Qualität der erzeugten Merkmalvektoren 4

8 Zusammenfassung U 6 Einfluss der unterschiedlichen MEs auf die erzeugten Merkmalvektoren. Welche Merkmale extrahiert ein Algorithmus (z.b Nur Koordinaten der Minuzien oder Koordinaten der Minuzien und Richtungen, Merkmalsanzahl, Qualität der Daten der Merkmale, etc.)? Im fünften Kapitel sind die Ergebnisse der oben genannten Untersuchungen für unterschiedliche Sensoren und Algorithmen zusammengefasst. Für diesen Test wurden elf Sensoren und sieben Algorithmen eingesetzt. Das sechste Kapitel beschreibt die Untersuchung der Algorithmen mit der Fingerabdruckdatenbank, die vom BKA bereitgestellt worden ist. Im siebten Kapitel werden die heutigen Standards (bezogen auf Fingerabdruckerkennungstechnologie) beschrieben und die Möglichkeit eines universalen Fingerabdruckstandards diskutiert. Darmstadt, den 20. Mai

9 Biometrische Authentisierung mit Fingerabdruckerkennung 2. Biometrische Authentisierung mit Fingerabdruckerkennung 2.1 Einleitung Zur Einordnung der Fingerabdruckerkennung als biometrisches Verfahren seien vorab einige Begriffe erklärt [BRO02], [TTT02]: Statische Merkmale sind anatomische Merkmale des Körpers, die sich im Laufe des Lebens nicht oder kaum verändern (Fingerabdrücke, Augenfarbe, Iris, genetische Information, etc.). Dynamische Merkmale sind Verhaltensmerkmale eines Menschen (Handschrift, Gangart, Stimme, etc.). Passive Erfassung ist Erfassung im Vorbeigehen (z.b. Gesicht durch Kamera). Aktive Erfassung ist Erfassung durch Mitwirkung der Person (z.b. Fingerabdruck). Identifikation: Feststellung der Identität (1:n Vergleich; Wer ist die Person?). Bei der Identifikation wird das biometrische Merkmal mit allen im biometrischen System gespeicherten Referenzmerkmalen verglichen. Gibt es eine Übereinstimmung, ist die Identifikation erfolgreich und der zu dem betreffenden Referenzmerkmal gehörende Name (z. B. User-ID) lässt sich weiterverarbeiten. Verifikation: Bestätigung der Identität (1:1 Vergleich; Ist die Person die, die sie zu sein vorgibt?). Bei der Verifikation gibt der Anwender dem biometrischen System seine Identität vorab bekannt (z. B. die User-ID über Tastatur oder Karte), das System muss das biometrische Merkmal dann nur noch mit dem einen zur User-ID passenden Referenzmerkmal vergleichen. Im Übereinstimmungsfall ist die Verifikation erfolgreich. Die Verifikation ist wesentlich schneller als die Identifikation, wenn die Zahl der Referenzmerkmale / Nutzer sehr hoch ist. Gleichzeitig ist die Verifikation deutlich sicherer als die Identifikation, insbesondere, wenn die Zahl der Referenzmerkmale / Nutzer sehr hoch ist. Authentisierung: Bezeugung der Echtheit (Bezeugung der Identität z.b. durch Identifikation oder Verifikation). Autorisierung: Autorisierung bedeutet Ermächtigung, Bevollmächtigung. Nach erfolgreicher Authentisierung (Identifikation oder Verifikation) mittels eines biometrischen Systems wird die Person ermächtigt, gewisse Handlungen durchzuführen oder bestimmte Dienste zu nutzen. Biometrisches System: Ein System zur biometrischen Erkennung verarbeitet die erfassten biometrischen Daten einer Person mit dem Ziel, mit Hilfe von vorher erfassten Referenzdaten die Identität dieser Person zu bestätigen oder zurückzuweisen. Alle biometrischen Systeme enthalten generell die Komponenten Datenaufnahme, Vorverarbeitung, Merkmalextraktion, Klassifizierung und Referenzbildung. Für die Anpassung an Veränderungen des biometrischen Merkmals kann ein adaptives Verfahren eingesetzt werden. In der Abbildung 2.1 ist der grundsätzliche Aufbau eines biometrischen Systems und in der Abbildung 2.2 ist der Prozess der Verifikation dargestellt. Mit Hilfe eines Sensors werden die Eingabedaten aufgenommen. Sie werden vor oder während des Mustervergleichs vorverarbeitet und normalisiert. Zur Klassifizierung (Einordnung zu einer bestimmten Fingerklasse des Fingerabdrucktyps) können entweder die vorverarbeiteten Daten oder daraus extrahierte Merkmale verwendet werden. Diese Eingangsdaten werden dabei mit den entsprechenden Referenzdaten verglichen. Zur Auswahl der Referenzdaten aus der Referenzdatenbank kann der Benutzer z. B. seine persönliche Identifikationsnummer angeben. Alternativ dazu können 6

10 Biometrische Authentisierung mit Fingerabdruckerkennung die Referenzdaten auch auf einem im Besitz des Nutzers befindlichen Speichermedium (z.b. Chipkarte) gespeichert sein. Bei adaptiven Verfahren können die erhaltenen Bewertungen im Fall einer positiven Klassifizierung zur Aktualisierung der Referenzdaten verwendet werden. Heutzutage steigt der Bedarf an zuverlässigen Personenidentifikationen. Zur Zeit begegnen wir der Problematik der Personenidentifikation in z.b. e-commerce, Zutrittskontrollanlagen, Terrorismusbekämpfung usw. Die Identifikation durch den Besitz eines Objektes wie z.b. eines Ausweises dient zwar noch ihrem Zweck, verliert in der modernen, elektronisch kommunizierenden Welt mit mehr als 6 Milliarden Menschen aber zunehmend an Wichtigkeit. Aus diesem Grunde gewinnt die Biometrie gerade in der letzten Zeit rasch an Bedeutung, da sie die Personenidentifikation mit eindeutigen und unveränderbaren Merkmalen eines Menschen verknüpft. Mit den ständig wachsenden und komplexeren Technologien wird eine genaue Personenidentifikation unerlässlich. Beispielsweise kann man mit dem Identifikationsprozess den Zutritt zu bestimmten Objekten durch bestimmten Rechte regeln. Jeder, der erfolgreich identifiziert und somit akzeptiert wurde, erhält die vorgegebenen Privilegien. Im polizeilichen Umfeld spielt die Identifikation (z.b. Daktyloskopie) eine wichtige Rolle. Dies sind nur zwei von vielen Fällen, in denen die biometrische Identifikation zum Einsatz kommt. Menschen besitzen gewisse, eindeutige Eigenschaften (im Sinne von körperlichen Merkmalen), die sich in der frühesten Phase des menschlichen Lebens in einem Zufallsprozess (randotypisch) ausprägen und für jedes Individuum unterschiedlich sind. Eine der ersten biometrischen Eigenschaften, die entdeckt und wissenschaftlich untersucht wurden, war der Fingerabdruck. Die Oberfläche der Leistenhaut von Menschen und von den meisten Säugetieren weist Muster auf, deren Mannigfaltigkeit schier unendlich zu sein scheint. So verlaufen die Papillarleisten der Leistenhaut auf den Fingern bei jedem Menschen unterschiedlich. Die Papillarleisten bilden verschiedene Muster (Schleife, Bogen, Wirbel), die in Verbindung mit den Unterbrechungen der Papillarleisten (Minuzien) von Finger zu Finger unterschiedlich sind. Die Fingerabdrücke wurden in der Kriminaltechnik schon Ende des 19ten Jahrhunderts zur Identifikation von Personen herangezogen (Daktyloskopie) [HEI27]. Mit dem technologischen Fortschritt erlangt die Frage nach der Sicherheit an Bedeutung. Die biometrische Auswertung der Fingerabdrücke bei Zutrittskontrollen spielt dabei eine zunehmend wichtige Rolle. REGISTRIERUNGSMODUL Schablonendatenbank biometr. Sensor Merkmale IDENTIFIKATIONSMODUL biometr. Sensor Merkmale Vergleich Abbildung 2.1: Allgemeines biometrisches System 7

11 Biometrische Authentisierung mit Fingerabdruckerkennung Datenaufnahme Referenzdaten Referenzdaten- Adaption Vorverarbeitung Referenzbildung Klassifizierung Daten Merkmalextraktion Merkmalvektor Entscheidung Original / Fälschung Abbildung 2.2: Ablauf einer biometrischen Verifikation 2.2 Anforderungen an ein biometrisches System Jede physiologische oder verhaltensbedingte Eigenschaft kann als biometrisches Merkmal zur Personenidentifikation verwendet werden, sofern sie folgende Anforderungen erfüllt: (a) Universalität, jede Person muss dieses Merkmal besitzen, (b) Einmaligkeit, keine zwei oder mehr Personen mit gleichem Merkmal dürfen existieren, (c) Konstanz, die Eigenschaft verändert sich nicht wesentlich über die Zeit, (d) Erfassbarkeit, diese Eigenschaft ist quantitativ messbar. Die in der Praxis überwiegend verwendeten biometrischen Eigenschaften erfüllen allerdings meistens nicht alle oben genannten Anforderungen. Sie sind deshalb teilweise nur bedingt für den Einsatz in praktischen biometrischen Systemen geeignet. Darüber hinaus sind weitere praktische Aspekte zu berücksichtigen: (a) Leistungsfähigkeit des Systems, die quantitative Aussagen über erreichte Identifikationsgenauigkeit, -geschwindigkeit und geforderte Robustheit gegenüber systematischen Faktoren erlaubt, (b) Akzeptanz des Systems im praktischen Einsatz, (c) Überwindungssicherheit des Systems, d.h. Robustheit gegenüber gezielten Methoden, das System zu überlisten. Praktische biometrische Systeme müssen demnach in den meisten Einsatzszenarien imstande sein, eine akzeptable Identifikationsgenauigkeit und -geschwindigkeit zu leisten, vernünftige Anforderungen an die biometrischen Eigenschaften zu stellen, nichtinvasiv zu sein, von den Anwendern akzeptiert zu werden und ausreichend robust gegenüber Missbrauch zu sein. 8

12 Biometrische Authentisierung mit Fingerabdruckerkennung 2.3 Leistungsfähigkeit eines biometrischen Systems Aufgrund der Digitalisierung und damit verbundenen Reduktion der biometrischen Information, die für eine elektronische Verarbeitung notwendig ist, ergibt sich zwar eine sehr große, letzten Endes jedoch grobe Granularität der Klassifizierung unterschiedlicher Merkmale. Schon aus diesem theoretischen Grunde kann die Antwort des Systems, ob man die berechtigte Person ist, nicht absolut ja oder nein lauten; stattdessen wird die Antwort mit einer bestimmten quantitativen Kennzahl oder Matching Score ausgedrückt. Das Ergebnis einer Identifikation kann zum Beispiel lauten: die Kennzahl, dass die biometrischen Merkmale der Person A mit den gespeicherten Daten der Person A übereinstimmen, beträgt 0,85. Die Kennzahl ist in diesem Falle das Ergebnis des Berechnungsalgorithmus und kann z.b. den Grad der Übereinstimmung der biometrischen Merkmale zwischen den aktuellen Daten und dem abgespeicherten Referenzmuster darstellen. Bei jeder Messung erhält man numerisch eine andere Kennzahl, was die statistischen und systematischen Schwankungen des Systems widerspiegelt. Durch die Wahl eines Schwellenwertes in dieser Verteilung werden die richtigen Identifikationen von den falschen getrennt. Eine analoge Verteilung lässt sich für den Fall konstruieren, dass ein Angreifer (Person B) fälschlich als Person A identifiziert wird. Auch hier definiert ein Schwellenwert die falschen und die richtigen Aussagen. Diese zwei Verteilungen und eine gemeinsame Schwelle ergeben vier unterschiedliche Fälle: (a) Person A wird richtig als A identifiziert (richtige Identifikation), (b) Person A wird als A abgewiesen (falsche Rückweisung False Rejection), (c) Person B wird als A abgewiesen (richtige Rückweisung), (d) Person B wird als A identifiziert (falsche Identifikation False Acceptance) Die Fälle (a) und (c) sind richtig, Fälle (b) und (d) stellen die Fehlerfälle dar. Integriert man die oben vorgestellten Häufigkeitsverteilungen für die Fälle (b) und (d), d.h. jeweils so dass der Schwellenwert entweder die obere oder die untere Integrationsgrenze definiert, erhält man zwei Ergebnisse, die normiert die sogenannte Falschakzeptanzrate FAR (False Acceptance Rate) und die Falschrückweisungsrate FRR (False Rejection Rate) darstellen. Die FAR ist definiert als die Wahrscheinlichkeit, dass eine Person B als Person A akzeptiert wird. Die FRR ist definiert als die Wahrscheinlichkeit, dass die Person A abgewiesen wird. Wegen der Überlappung beider Verteilungen muss man bei der Festlegung der im System zu definierenden Schwellwerte Kompromisse eingehen, eine kleine FRR führt gewöhnlich zur großen FAR und umgekehrt (Abbildung 2.3). Gewöhnlich wird die Leistungsfähigkeit eines biometrischen Systems zur automatisierten Personenidentifikation durch die Größen FAR und FRR charakterisiert. Ist beispielsweise FAR Null, so heißt es, dass kein Angreifer akzeptiert wird. Häufigkeit keine Übereinstimmung FRR Akzeptanzschwelle Übereinstimmung FAR 0 Übereinstimmungswert 100 Abbildung 2.3: FAR und FRR 9

13 Biometrische Authentisierung mit Fingerabdruckerkennung Es gibt noch weitere Parameter wie die Verifikations- / Identifikationsgeschwindigkeit, welche die Leistungsfähigkeit der Systeme bewerten. In den Verifikationsprozessen ist wegen des Vergleiches one-to-one die Geschwindigkeit im Wesentlichen durch die benötigte Rechenzeit des Verifikationsalgorithmus limitiert. Es ist gewöhnlich leicht, hier die gestellten Geschwindigkeitsanforderungen zu erfüllen. In dem Identifikationsprozess dagegen insbesondere in Systemen, die Millionen von Einträgen enthalten, limitiert die Zahl der benötigten Vergleiche die Gesamtgeschwindigkeit des Systems. 2.4 Fingerabdruckerkennung Problemdefinition Im Kontext des Begriffes: Identifikation mittels Fingerabdruckes werden die Fingerabdrücke allgemein als Menschenfingerabdrücke angenommen. Eine Identifikation kann funktionell nach den folgenden drei grundlegenden Aufgaben aufgeteilt werden: (a) Fingerabdruckabtastung, (b) Fingerabdruckklassifizierung und (c) Fingerabdruckvergleich. Fingerabdrücke erhält man als Farbabdruck oder mittels eines Sensors, welche die Papillarlinien auf einem Medium (Glas, Papier, Sensoroberfläche, usw.) hinterlassen. Die Klassifizierung ordnet den Fingerabdruck optional in eine bestimmte Kategorie nach der globalen Orientierung der Papillarlinien ein und markiert die Lage der Minuzien. Beim Vergleich wird bestimmt, ob zwei Fingerabdrücke identisch sind, also zum gleichen Urheber (Finger) gehören. Der gesamte Prozess der Fingerabdruckanalyse (Vergleich von Merkmalen) kann schematisch in sechs Schritten dargestellt werden (siehe Abbildung 2.4). Abtastung des Fingerabdruckbildes Bildqualitätsverbesserung Bildaufarbeitung Musterklassifizierung Merkmalextraktion Verifikationsphase Abbildung 2.4: Prozess der Fingerabdruckanalyse 1) 2) Die Aufnahme (Abtastung) des Fingerabdruckbildes. Die Qualität des aufgenommenen Bildes ist für die automatische Identifikation entscheidend. Es ist wünschenswert, einen hochwertigen Scanner zur Erfassung der Fingerabdrücke einzusetzen, der verschiedene Hauttypen, Beschädigungen, Trockenheit oder Feuchtigkeit der Fingeroberfläche tolerieren kann. Bildqualitätsverbesserung. Damit wird eine optische Verbesserung der Strukturen (Papillarlinien) auf dem abgetasteten Bild erreicht. 10

14 Biometrische Authentisierung mit Fingerabdruckerkennung 3) Bildaufarbeitung. Es handelt sich um die Vorbereitungsphase zur Merkmalextraktion und zur Klassifizierung. 4) Musterklassifizierung. Es zeigt sich, dass alle Fingerabdrücke gewisse globale Ähnlichkeiten aufweisen, und eine grobe Einordnung in drei Hauptfingerklassen erlauben. Die Klassifizierung ist allerdings ein schwieriger Prozess sowohl für eine algorithmusgestützte Entscheidung als auch für eine menschgesteuerte, weil manche Fingerabdrücke nicht eindeutig in eine konkrete Fingerklasse einzuordnen sind. Die Musterklassifizierung ist heutzutage nur in den daktyloskopischen Systemen im Einsatz (z.b. AFIS des BKA). In den Zutrittssystemen wird dieses Verfahren in der Regel nicht verwendet. 5) Merkmalextraktion. In diesem Schritt wird die Lage der Minuzien (Gabelung und Linienendung) in dem Fingerabdruck detektiert und extrahiert. In der Praxis weisen die aufgenommenen Fingerabdruckbilder eine unterschiedliche Qualität auf. Die Leistungsfähigkeit der Algorithmen wird durch mangelnde Bildqualität beeinträchtigt. 6) Verifikationsphase. Es handelt sich um den Vergleich von zwei Merkmalvektoren. Die Leistungsfähigkeit des Algorithmus für den Merkmalvergleich hängt stark von der Güte (Signifikanz) der extrahierten Minuzie und vom Vergleichsprozess ab. Im Weiteren beschreiben wir näher die Prozesse der Fingerabdruckabtastung, Musterklassifizierung und des Fingerabdruckvergleichs Fingerabdruckabtastung In Abhängigkeit davon, ob der Prozess der Abtastung on-line oder off-line verläuft, kann der Fingerabdruck entweder (a) Farbabdruck auf z.b. Papier oder (b) die Aufnahme des lebenden Fingers mittels eines Sensors sein. Beim Farbabdruck wird das Bild der Papillarlinien durch Abrollen des mit Farbe (Tinte) benetzten Fingers auf einer Unterlage z.b. Papier erhalten. Ein Muster solcher gerollten Fingerabdrücke wird in der Abbildung 2.5 gegeben. Durch das gleichmäßige Abrollen des Fingers von der einen Nagelseite zur anderen wird garantiert, dass die gesamte Linieninformation abgebildet wird. Anschließend können diese Abdrücke durch einen Scanner oder Kamera elektronisch aufgenommen werden. In der Daktyloskopie wird diese Methode schon seit gut 100 Jahren benutzt. Durch die vollständige Rundum Aufnahme des Fingers werden neben einer höheren Anzahl von Papillarlinien und Minuzien auch die "Makromerkmale" (Delta + Kern) aufgenommen, die zwar in jedem Papillarlinienmuster enthalten sind (nur beim Muster "Bogen" gibt es kein Delta), aber nicht immer abgedruckt werden müssen. Ein Nachteil dieser Methode ist die mögliche Verzerrung, die im Aufdrücken und Rollen des Fingers begründet ist. Ferner ist auch die Rückkopplung für eine Qualitätskontrolle nicht möglich, was zur Qualitätsverschlechterung der Fingerabdrücke führen kann. Aus der Sicht des Benutzers ist diese Methode unangenehm und langsam. Für ein teilautomatisiertes Zutrittskontrollsystem ist sie ungeeignet. Abbildung 2.5: Farbabdruck 11

15 Biometrische Authentisierung mit Fingerabdruckerkennung Der Lebendabdruck eines Fingers ist ein umfassender Terminus für Abbildungen, die mit einem geeigneten Sensor unmittelbar von dem aufgelegten Finger erworben werden. Es gibt eine große Anzahl von verschiedenen Methoden, die für die Abtastung der Papillarlinien verwendet werden können. Hierzu gehören: (a) optische Sensoren, (b) E-Feld Sensoren, (c) polymere TFT Sensoren (TFT Thin Film Transistor), (d) thermische Sensoren, (e) kapazitive Sensoren, (f) kontaktlose 3D Sensoren und (g) Ultraschallsensoren. Als einen biometrischen Sensor bezeichnet man die Hardware-Komponente eines biometrischen Systems, welche zunächst die biometrischen Messdaten liefert. Je nach verwendetem biometrischen Verfahren gibt es die unterschiedlichsten Arten von Sensoren: Die optischen Sensoren verwenden Licht zur Bilderfassung des Fingerabdruckes siehe Abbildung 2.6. Der E-Feld Sensor misst die örtliche Variation des elektrischen Feldes, das auf dem Relief der Fingeroberfläche bei der Aussendung eines kleinen elektrischen Signals entsteht. Der polymere TFT Sensor misst das Licht, das beim Auflegen des Fingers in dem polymeren Substrat dort emittiert wird, wo eine Berührung stattfindet. Der thermische Sensor registriert das Wärmebild des aufgelegten Fingers. Bei dem kapazitiven Sensor bildet die Sensoroberfläche zusammen mit der Fingeroberfläche einen Kondensator, dessen Kapazität sich aufgrund des Hautreliefs (Rücken und Täler) ändert siehe Abbildung 2.6. Diese örtlichen Änderungen werden vermessen und repräsentieren den Fingerabdruck. Die oben vorgestellten Sensoren werden zusammen mit einem datenverarbeitenden Modul als on-line Systeme eingesetzt und ersetzen die off-line Methode, bei der der Fingerabdruck z.b. auf Papier aufgenommen und anschließend digitalisiert wird. Die Qualität der Abdrücke ist stark von dem erreichten Kontrast zwischen den Papillarlinien und den nebenliegenden Furchen abhängig. Da bei der on-line Methode eine Rückkopplung zu dem bildverarbeitenden Algorithmus existiert, ist es relativ einfach, die Qualität der aufgenommenen Fingerabdrücke sofort zu kontrollieren. Der Lebendabdruck wird gewöhnlich durch ein leichtes Auflegen des Fingers auf die Oberfläche des Sensors aufgenommen, Abrollen der Fingeroberfläche wie bei der daktyloskopischen Methode wird aufgrund der Benutzerfreundlichkeit nur im Kontext von AFIS- Systemen durchgeführt. Die Abtastung kann hier natürlich nur solche Papillarlinien einfangen, die im unmittelbaren Kontakt mit der Sensorfläche stehen. Der Lebendabdruck führt deshalb zur Aufnahme eines kleineren Ausschnittes der Fingeroberfläche im Vergleich zu einem gerollten Fingerabdruck und kann zusätzlich hierzu auch kleinere Bildverzerrungen aufweisen. Abbildung 2.6: Kapazitiver Sensor, Optischer Sensor Die zur Zeit am weitesten verbreitete Technologie für den Lebendabdruck ist die optische. Wenn der Finger auf die Glasplatte (Prisma) des Sensors aufgelegt wird, stehen die Erhebungen der Papillarleisten im Kontakt mit dem Glas die Vertiefungen dagegen nicht. Das Aufzeichnungsgerät besteht im Prinzip aus einer Lichtquelle (LED) und einer CCD- Kamera, die sich beide im Gerät auf der anderen Seite der Glasplatte befinden. Das Licht 12

16 Biometrische Authentisierung mit Fingerabdruckerkennung aus der LED beleuchtet das Glas unter einem bestimmten Winkel und das Photoelement empfängt das reflektierte Licht. Der Strahlungsgang ist so angeordnet, dass das auffallende Licht an den angedrückten Papillarlinien wie an einer verspiegelten Oberfläche gestreut wird und zurück in die CCD-Kamera fällt. Dort, wo die Furchen hinter der Glasplatte liegen, tritt das Licht hindurch, diese Stellen bleiben dunkel. Ein Beispiel für einen solchen Fingerabdruck ist in der Abbildung 2.7 dargestellt. Die Abbildung 2.8 zeigt das Design einiger Sensorarten. Abbildung 2.7: Lebendabdruck eines Fingers Eine immer wiederkehrende Frage ist die nach der Lebenderkennung eines Fingers (Wärme, Fluoreszenz, Puls). Gemeint ist damit, ob ein Scanner oder Sensor auch einen künstlichen Finger akzeptiert. Diese Frage wurde bereits in der Studie BioIS untersucht [ZWI00]. An den damaligen Feststellungen hat sich bis heute nichts wesentliches verändert [CT02]. Abbildung 2.8: Sensorarten Musterklassifizierung Die globale Musteranordnung der Papillarleisten in dem zentralen Bereich der Fingerbeere bildet eine spezifische Konfiguration, die schon zu einer groben systematischen Klassifizierung ausreicht. Zu einer Klassifizierung des Fingerabdruckes wird hier nur ein Teil des gesamten Abdruckes, genannt Musterbereich (Pattern Area), verwendet. Der Musterbereich wird als der innere Bereich definiert, der durch zwei Linien die sogenannten Typenlinien (Type Lines) begrenzt ist. In diesem Zentralbereich des Fingerabdruckes (siehe Abbildung 2.9) sind die zwei singulären Punkte: (a) das Delta (davon können mehrere vorhanden sein, beim Muster Bogen gibt es kein Delta) und (b) der Kern enthalten. Das Delta, manchmal auch die äußere Grenze genannt, befindet sich meistens auf dem Rand des Fingerabdruckes. Als Delta wird ein Papillarlinienbild bezeichnet, das dem griechischen Großbuchstaben Delta ähnelt. Es wird aus zwei auseinander laufenden Papillarlinien oder aus einer sich gabelnden Papillarlinie und einer dritten aus einer anderen Richtung kommenden konvex verlaufenden Papillarlinie gebildet. Beispiele einer Delta 13

17 Biometrische Authentisierung mit Fingerabdruckerkennung Konfiguration sind in der Abbildung 2.10 gezeigt. Der Kern eines einzelnen Fingerabdruckes ist aufgrund der großen Variation in der Krümmung der inneren Linien recht schwer definierbar. Deshalb wählt man den Kern als einen spezifischen Punkt, an dem sich das Zentrum des zugehörigen Musters befände. Die Abbildung 2.11 zeigt einige Beispiele der Kernkonfiguration. Ein weiterer wichtiger, quantitativer Faktor in der Klassifizierung der Abdrücke ist die Linienzahl. Dies ist die Anzahl der Linien, welche die imaginäre Verbindung zwischen dem Kern und dem Delta berühren oder kreuzen. Aufgrund der großen Komplexität verschiedener Linienkonfigurationen ist eine eindeutige Bestimmung der Linienzahl oft schwer. Drei einfache Beispiele für die Linienzahl sind in der Abbildung 2.12 dargestellt. Abbildung 2.9: Typenlinien Abbildung 2.10: Delta-Konfigurationen Abbildung 2.11: Kernkonfigurationen Abbildung 2.12: Beispiele für die Linienzahl 14

18 Biometrische Authentisierung mit Fingerabdruckerkennung Anlehnend an die oben gegebenen Definitionen können Fingerabdruckkategorien folgender Maßen beschrieben werden (nach Henry-Klassifizierungssystem [HEN03]): Die Schleife (Loop), hier treten eine oder mehrere Papillarlinien in den Zentralbereich ein, krümmen sich, berühren oder kreuzen die imaginäre Linie zwischen dem Delta und dem Kern und laufen zurück zu der selben Seite, von der sie gekommen sind. Es gibt drei maßgebende Eigenschaften für eine Klassifizierung als Schleife: (a) mindestens eine geeignete gekrümmte Papillarlinie, (b) das Delta, (c) eine von null verschiedene Linienzahl. Je nach der Orientierung der Linienkrümmung wird zwischen rechten (im Uhrzeigersinn) und linken (entgegen dem Uhrzeigersinn) Schleifen unterschieden. Etwa 60-65% der menschlichen Fingerabdrücke gehören zu dieser Kategorie. Der Wirbel (Whorl) besitzt mindestens zwei Deltas, im Kern verlaufen die Papillarlinien wirbelförmig. Diese Definition, obwohl sehr allgemein gefasst, drückt das Wesentliche dieser Kategorisierung aus. Wirbel können weiter nach Unterkategorien aufgeteilt werden: (a) flacher Wirbel, (b) Wirbel mit mittlerer Schräge, (c) doppelter Wirbel und (d) zufälliger Wirbel. Etwa 30-35% der Fingerabdrücke gehören zu dieser Kategorie. Der Bogen (Arch) ist ein recht spezieller Typ des Fingerabdruckes. Weniger als 5% der Fingerabdrücke gehören zu dieser Kategorie. Der Bogen kann nach zwei Kategorien aufgeteilt werden: (a) flacher Bogen und (b) gewölbter Bogen. Bei dem flachen Bogen treten die Papillarlinien an der einen Seite ein, wellen sich mäßig und nahezu parallel in der Mitte und treten auf der anderen Seite aus. Bei dem Typ gewölbtes Bogens ist die Wellung in der Mitte stärker, der Verlauf aller Linien ist nicht mehr parallel und ein Teil der Linien drückt scheinbar von unten. Abbildung 2.13: Flacher Bogen, linke Schleife, rechte Schleife, gewölbter Bogen, Wirbel Es liegt nahe, dass die Klassifizierung aufgrund der riesigen Variationsbreite der Fingerabdrücke immer ein großes Problem sowohl für Experten als auch für die automatischen Systeme bleiben wird. Die Zuordnung zu einer der Kategorie ist eine sehr komplexe Aufgabe. Ein Fachmann für Daktyloskopie benötigt sehr viel Erfahrung, um verlässliche Arbeit leisten zu können. In der Abbildung 2.13 werden die Beispiele für einzelne Kategorien exemplarisch gezeigt. Die Abbildung 2.14 zeigt die Beispiele von Fingerabdrücken, die sehr schwer zu klassifizieren sind. Abbildung 2.14: Linke Schleife, gewölbter Bogen 15

19 Biometrische Authentisierung mit Fingerabdruckerkennung Fingerabdruckvergleich Obwohl die Information über die Fingerabdruckkategorie und weitere globale Merkmale, wie die Anzahl und die Positionen der Zentren, der Deltas und Papillarlinien eine gewisse Unterscheidbarkeit der Fingerabdrücke ergeben kann, wird die wahre Individualität des Fingerabdruckes durch die anatomischen Merkmale der Papillarlinien (Minuzien) und durch ihre gegenseitige Orientierung festgelegt. Ihre vollständige Erfassung ist von den Bedingungen der Aufnahme des Abdruckes und der Fingerabdruckqualität abhängig. Die häufigsten Minuzien sind (a) das Papillarlinienende (Ridge Ending) und (b) die Gabelung (Ridge Bifurcation). Das Papillarlinienende definiert das Ende einer Linie. Die Gabelung ist als Punkt auf der Papillarlinie definiert, an dem sich die Linie in zwei Äste teilt. Die Minuzien sind allgemein stabil und robust hinsichtlich der Bedingungen während der Abtastung. Beispiele sind in der Abbildung 2.15 aufgezeigt. Minuzien können durch ihren Typ, die x- und y-koordinate in einem Koordinatensystem und durch Richtung charakterisiert werden. Die Richtungsdefinition ist in der Abbildung 2.16 dargestellt. Abbildung 2.15: Papillarlinienende, einfache Gabelung, zweifache Gabelung, dreifache Gabelung, einfacher Wirbel, zweifacher Wirbel, seitliche Berührung; Haken, Punkt, Intervall, X-Linie, einfache Brücke, zweifache Brücke, fortlaufende Linie Falls zwei Fingerabdrücke zur gleichen Kategorie gehören und eine bestimmte Anzahl übereinstimmender Minuzien enthalten, kann mit bestimmter Sicherheit gesagt werden, dass sie von dem gleichen Finger stammen. Y (x,y) a (x,y) a Papillarlinienendung Gabelung Abbildung 2.16: Papillarlinienendung und Gabelung X 16

20 Biometrische Authentisierung mit Fingerabdruckerkennung Die verallgemeinerte Definition für die Übereinstimmung zweier Fingerabdrücke besteht aus vier Kriterien und lautet: (a) eine Übereinstimmung der allgemeinen Musterkonfiguration, (b) eine qualitative Übereinstimmung der Minuzien (qualitativer Faktor), (c) der quantitative Faktor besagt, dass eine bestimmte Anzahl Minuzien gefunden sein muss (in Deutschland 12), und (d) gegenseitige Minuzienbeziehung; spezifiziert, dass korrespondierende Minuzien in gegenseitiger Beziehung sein müssen. In der Praxis wurde eine große Anzahl von komplexen Identifikationsprotokollen für den Fingerabdruckvergleich vorgeschlagen. Diese Protokolle sind aus der traditionellen daktyloskopischen Methodologie abgeleitet und geben eine exakte Vorgehensweise für das geschulte Fachpersonal vor. Obwohl sich die verschiedenen Protokolle im Ablauf des Vergleiches und der Entscheidungsdefinition unterscheiden, die wesentlichen Schritte bleiben die gleichen. Typischerweise läuft der Prozess des Vergleiches als iterativer dreistufiger Prozess ab. Am schwierigsten zu vergleichen sind zwei Fingerabdrücke, die sich in ihrer Musterkonfiguration ähneln. Falls dagegen beide Fingerabdrücke aus der Sicht der Musterkonfiguration gänzlich verschieden sind, ist es unmöglich, dass diese Abdrücke vom selben Finger stammen. Im nächsten Schritt werden die bedeutenden Minuzien gesucht, das Zentralgebiet gefunden und miteinander verglichen. Danach wird der entscheidende Vergleich der Minuzien durchgeführt, bei dem alle Minuzien in den Fingerabdrücken verglichen werden und eine Entscheidung aufgrund der identifizierten Paare und deren Konfiguration durchgeführt wird. Wegen der Variation der Fingerabdruckqualität sind nicht immer alle Punkte klar und mit einer gleichen Qualität definiert. Die Experten nutzen hier ihre Erfahrung, mit der sie eine Entscheidung über eine Übereinstimmung treffen können. Einige Gabelungen z.b. können als Endungen der Papillarlinien identifiziert werden, falls die Fingerandruckskraft gering war. Es ist klar, dass die Erfahrung der Experten immer eine gewisse Schlüsselrolle beim Fingerabdruckvergleich spielt. Die Abbildung 2.17 zeigt das Beispiel eines Vergleiches mit 18 entsprechenden Minuzien. Abbildung 2.17: Daktyloskopischer Vergleich mit 18 entsprechenden Minuzien 17

21 Biometrische Authentisierung mit Fingerabdruckerkennung Abbildung des Fingerabdruckerkennungverfahrens In diesem Unterkapitel werden die einzelnen Abschnitte der Applikation Fingerabdruckerkennung mittels Minuzienvergleich in Bildern dokumentiert (siehe Abbildung 2.18). Fingerabdruckabtastung Richtungsfeldbestimmung Bildaufarbeitung Bildqualitätsverbesserung Skelettierung Merkmalextraktion Abbildung 2.18: Minuzien-basiertes Fingerabdruckerkennungsverfahren 18

22 Bewertung von biometrischen Systemen 3. Bewertung von biometrischen Systemen 3.1 Beschreibung der Bewertungskriterien Als Metriken für die Leistungsfähigkeit eines biometrischen Authentifizierungssystems im allgemeinen und eines Fingerabdruckerkennungssystems im besonderen werden verschiedene Arten von Fehlerraten herangezogen. Das Ergebnis eines Vergleichs in dem Vergleichsmodul (engl. Matcher) in einem Fingerabdruck-Erkennungssystem ist der sogenannte Ähnlichkeitswert (Matching Score s), der eine quantifizierte Ähnlichkeit zwischen dem Fingerabdruck und dem gespeicherten Vergleichsmuster (Template) misst. Je stärker sich s an 1 annähert, desto wahrscheinlicher ist es, dass beide Fingerabdrücke vom gleichen Finger stammen. Umgekehrt bedeuten Werte von s nahe 0, dass die beiden Fingerabdrücke mit hoher Wahrscheinlichkeit von unterschiedlichen Fingern stammen. Die Entscheidung des Systems wird durch eine Schwelle T festgelegt, d.h. falls s die Schwelle überschreitet werden die Fingerabdrücke als vom gleichen Finger stammend (Matching Pair) betrachtet. Wenn s unter der Schwelle liegt, werden die Fingerabdrücke als unterschiedlich (Non-Matching Pair) angenommen. In diesem Zusammenhang können zwei Fehlentscheidungen gefällt, d.h. zwei Arten von Fehlern von einem biometrischen System erzeugt werden: False Match zwei von unterschiedlichen Fingern stammende Fingerabdrücke werden als gleich betrachtet. False Non-Match zwei vom gleichen Finger stammende Fingerabdrücke werden als unterschiedlich eingestuft. In der Literatur werden diese beiden Fehler oft als False Acceptance und False Rejection bezeichnet. Um Klarheit in Bezug auf die Definition der verschiedenen Fehlerarten zu schaffen werden diese im folgenden definiert Fehlerarten False Acceptance Rate (FAR) Die FAR ist die Wahrscheinlichkeit, dass ein biometrisches System unterschiedliche Merkmale fälschlicherweise als gleich erkennt, und so z.b. bei der Ablehnung eines po tenziellen Eindringlings versagt. Definition: FAR = Anzahl der Vergleiche unterschiedlicher Finger, die einen Match ergeben Gesamtanzahl der Vergleiche unterschiedlicher Finger False Rejection Rate (FRR) Die FAR ist die Wahrscheinlichkeit, dass ein biometrisches System gleiche Merkmale fälschlicherweise als verschieden erkennt, und so z.b. bei der Akzeptanz einer berechtigten Person versagt. Definition: FRR = Anzahl der Vergleiche gleicher Finger, die einen Non-Match ergeben Gesamtanzahl der Vergleiche gleicher Finger 19

23 Bewertung von biometrischen Systemen False Match Rate (FMR) Die FMR gibt den Anteil der beim Merkmalsvergleich fälschlicherweise akzeptierten Personen an. Vorher auf Grund schlechter Qualität (z.b. des Bildes) abgewiesene Versuche (Failure To Acquire, FTA) werden im Gegensatz zur FAR nicht berücksichtigt. Man beachte, dass es von der Anwendung abhängt, ob ein fälschlicherweise erkanntes Merkmal zur Erhöhung der FAR oder der FRR beiträgt. False Non-Match Rate (FNMR) Die FNMR gibt den Anteil der beim Merkmalsvergleich fälschlicherweise nicht akzeptierten Personen an. Vorher auf Grund schlechter Qualität (des Bildes) abgewiesene Versuche (Failure to Acquire, FTA) werden im Gegensatz zur FRR nicht berücksichtigt. Auch hier hängt es von der Anwendung ab, ob ein fälschlicherweise nicht erkanntes Merkmal zur Erhöhung der FRR oder der FAR beiträgt. Im Gegensatz zu den in der Literatur häufig verwendeten Metriken FAR und FRR werden FMR und FNMR über eine Anzahl von Vergleichen mit dem eingelernten Template berechnet. Demgegenüber werden FAR und FRR über die Transaktionen berechnet und beinhalten beispielsweise auch Failure To Acquire (FTA, s.u.) Raten. Abbildung skizziert die Berechnung von FMR und FNMR. Die Fehlerraten ergeben sich aus den Wahrscheinlichkeitsdichten für den Vergleich von Fingerabdrücken unterschiedlicher und gleicher Finger gemäß: mit 1 T FMR(T ) = p u (s H u )ds FNMR(T ) = p g (s H g )ds T 0 der Entscheidungs-Schwelle T, der Aussage unterschiedlich H u (Eingangsfingerabdruck und Template stammen von unterschiedlichen Fingern), der Aussage gleich H g (Eingangsfingerabdruck und Template stammen von demselben Finger), der Wahrscheinlichkeitsdichte p, dass die Hypothese in den Klammern erfüllt wird, und dem Matching Score s. p unterschiedliche berechtigte Merkmale Nicht Person Berechtigte gleiches Merkmal Person H u H g FNMR(T) FMR(T) 0 Schwelle T Abbildung 3.1.1: FMR und FNMR 1 s Demzufolge sind beide Fehlerraten abhängig von den Wahrscheinlichkeitsdichten p u (s H u ) und p g (s H g ), die das System charakterisieren, und eine Funktion der Schwelle T. 20

24 Bewertung von biometrischen Systemen Equal Error Rate (EER). Die EER ist durch die Bedingung FNMR(T) = FMR(T) definiert. In der Praxis handelt es sich bei den Wahrscheinlichkeitsdichten um diskrete Funktionen, daher kann die EER nicht exakt bestimmt werden. Demgegenüber kann ein Bereich für die EER angegeben werden, in dem die Fehlerraten übereinstimmen. Bei entsprechender Einstellung der Schwelle T des Systems werden demzufolge die gleiche Anzahl von Personen falsch erkannt wie falsch abgewiesen. Darüber hinaus kann es je nach Anwendung sinnvoll sein, die Schwelle T so einzustellen, dass unterschiedliche Fehlerraten erzeugt werden. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 FMR FNMR EER Schwelle T 0 1 Abbildung 3.1.2: FAR, FRR und EER in Abhängigkeit von Schwelle T ZeroFNMR ist die untere Grenze der FMR, für die gilt: FNMR = 0. ZeroFMR ist die untere Grenze der FNMR, für die gilt: FMR = 0. Fehler FMR FNMR ZeroFNMR ZeroFMR EER 0 1 Abbildung 3.1.3: ZeroFMR, ZeroFNMR und EER Schwelle T Failure To Acquire Rate (FTA) gibt den Anteil der fehlerhaften Aufnahmen im automatischen Modus der Aufnahme des Sensors wieder. D.h. die Aufnahme des Fingerabdrucks wurde abgelehnt, obwohl der Finger auf den Sensor gelegt wurde. Je höher dieser Wert ist, desto schlechter ist der Sensor für die Aufnahme des Fingerabdruckes geeignet. In diesem Sinne stellt diese Fehlerrate eine Kennzahl für die Bewertung des Sensors dar. Failure To Enroll Rate (FTE) gibt den prozentualen Anteil der Benutzer an, die von dem System nicht eingelernt werden konnten. Die FTE Raten treten oft im Zusammenhang mit Systemen auf, die über die Kontrolle der Qualität des Fingerabdrucks entscheiden, ob ein 21

25 Bewertung von biometrischen Systemen Template erzeugt wird oder nicht. D.h. Fingerabdrücke mit niedriger Qualität werden in das System nicht eingelernt. In diesem Sinne stellt die FTE eine Kennzahl dar, welche die Fähigkeit des Algorithmus bewertet, mit qualitativ schlechten Fingerabdrücken zurecht zu kommen. Failure To Match Rate (FTM) gibt den prozentualen Anteil der Eingangsfingerabdrücke an, die nicht mit einem gespeicherten Template verglichen oder allgemein bearbeitet werden können. Hier zeigt sich die Unfähigkeit des Systems, eine Entscheidung zu treffen, d.h. es kommt im Unterschied zu einem Matchfehler kein Ergebnis zustande, bei dem eine falsche Entscheidung vorgenommen wird Objektiver Vergleich von Fingerabdrucksystemen Sowohl FMR als auch FNMR sind abhängig von der eingestellten Schwelle T und damit eine Funktion von T. Wenn etwa die Schwelle nach links verschoben (verkleinert) wird, um die Toleranz des gesamten Systems zu erhöhen, nimmt die FNMR ab und entsprechend die FMR zu. Die Systemleistungsfähigkeit in unterschiedlichen Arbeitspunkten (Schwelle T) kann mit einer ROC (Receiver Operating Characteristic) Kurve verdeutlicht werden. Diese Kurve trägt die Fehlerraten gegeneinander auf und eliminiert damit die Abhängigkeit der Darstellung von der Schwelle T. ROC Kurven stellen den Standard in der Beschreibung der Eigenschaften eines Detektierungs- oder Mustererkennungssystems dar. Diese Kurven ermöglichen den objektiven Vergleich von Detektionssystemen und sind insoweit auf die vergleichende Bewertung von biometrischen Systemen im allgemeinen und Fingerabdrucksystemen im besonderen anwendbar. ROC-Kurven stellen entweder die Detektierungsrate (1 - FRR) oder die FRR als Funktion der FAR dar. Die hier gewählte Darstellung entspricht FRR = f(far). 0,001 0,01 0,1 1 1 FRR T fallend 0,1 0,01 EER 0,001 FAR Abbildung 3.1.4: ROC Kurve Die ROC-Kurve bietet die Möglichkeit unterschiedliche Arbeitspunkte zu bestimmen. Ein möglicher Arbeitspunkt ist z.b. die Arbeitsgerade für gleiche Fehler. Auf dieser Geraden liegt der Arbeitspunkt für die EER, der durch den Schnittpunkt der ROC-Kurve mit der Geraden FRR=FAR festgelegt ist. 22

26 Bewertung von biometrischen Systemen Verknüpfung der verschiedenen Fehlerraten für den objektiven Vergleich Betrachtet man ein biometrisches Erkennungssystem von außen als Black-Box 1, so ist es unerheblich woher die Fehlerraten FAR und FRR stammen. Diese setzen sich aus den Fehlern bei der Aufnahme der Bilder FTA, den Fehlern beim Einlernen der Fingerabdrücke FTE und den Fehlern FNMR und FMR, die aus dem eigentlichen Vergleich der Fingerabdrücke resultieren, zusammen: Die FTA Rate beschreibt den Anteil der Fingerabdrücke, die nicht aufgenommen werden konnten. Eine höhere FTA erhöht die FRR und senkt im Gegenzug die FAR. Der Anteil der Fingerabdrücke, die aufgenommen werden konnten, ist demzufolge (1 FTA). Die FTE Rate beschreibt den Anteil der Fingerabdrücke, die von dem jeweiligen Algorithmus nicht eingelernt werden konnten. Eine höhere FTE erhöht die FRR und senkt im Gegenzug die FAR. Der Anteil der Fingerabdrücke, die eingelernt werden konnten, ist dementsprechend (1 FTE). Demzufolge ergeben sich folgende zusammengesetzte Fehlerraten: (1 FTA) FTE : Entspricht dem Anteil an Fingerabdrücken, die aufgenommen aber nicht eingelernt werden konnten. ( 1 FTA ) ( 1 FTE): Entspricht dem Anteil der Fingerabdrücke, die aufgenommen und eingelernt werden konnten. Zusammenfassend gehen die verschiedenen Fehlerarten wie folgt in ein Verifikationssystem ein: FAR ( T ) = ( 1 FTA) ( 1 FTE ) FMR(T ) FRR(T ) = FTA + (1 FTA) FTE + 1 ) ( ( FTA 1 FNMR T FTE) ( ) Als Randbedingungen ergeben sich für die Match-Raten (siehe Abbildung 3.1.1): FMR(0) = 1, FMR(1) = 0 FNMR(0) = 0, FNMR(1) = 1 1 Das System wird ohne Kenntnisse von Interna über die Benutzerschnittstelle getestet. 23

27 Bewertung von biometrischen Systemen 3.2 Experimentelle Ermittlung der ROC-Kurven Ermittlung der Wahrscheinlichkeitsdichtefunktionen In der Praxis werden die Wahrscheinlichkeitsdichtefunktionen experimentell durch den Vergleich von gleichen und unterschiedlichen Fingerabdrücken erzeugt, da kein theoretisches Modell für die Wahrscheinlichkeitsdichten angegeben werden kann. Das Ergebnis des Vergleichs ist der Matching Score s. In Abbildung korrespondiert die linke Funktion zum Vergleich der Fingerabdrücke unterschiedlicher Finger, während die rechte Funktion sich aus dem Vergleich von Fingerabdrücken gleicher Finger ergibt. Die beiden Kurven überlappen sich im allgemeinen, woraus die in Abschnitt beschriebenen Fehlerraten resultieren. p unterschiedliche Merkmale berechtigte Nicht Person Schwelle T Berechtigte gleiches Merkmal Person FNMR(T) FMR(T) 0 Abbildung 3.2.1: Fehlerraten für den Vergleich von gleichen und unterschiedlichen Fingern 1 s Berechnung von FNMR(T) und FMR(T) Die Werte von FNMR(T) und FMR(T) werden jeweils bei Einstellung eines festen Schwellwertes T ermittelt (siehe Abbildung 3.2.1, die Schwelle T ist gekennzeichnet). Um die FNMR(T) zu ermitteln, müssen Fingerabdrücke derselben Finger verglichen werden. D.h. es wird eine Datenbasis verschiedener Fingerabdrücke des gleichen Fingers erzeugt. Durch Variation der Schwelle T lässt sich die Fehlerrate FNMR als Funktion von T experimentell bestimmen. Die Anzahl der Vergleiche N FNMR ergibt sich aus der Anzahl der Vergleiche pro Finger N MF und der Anzahl der Finger in der Datenbank N FDB (N AF = Aufgenommene Abdrücke pro Finger): N AF 1 N FNMR = N MF N FDB = (N AF i) * N FDB = N AF (N AF 1) * N FDB i=1 2 Um die FMR(T) zu ermitteln, müssen die Fingerabdrücke verschiedener Finger verglichen werden. D.h. es muss eine Datenbasis von verschiedenen Fingern vorhanden sein. Analog zu obigem Fall kann bei Durchlaufen der Schwelle T die Fehlerrate FMR als Funktion von T experimentell bestimmt werden. 24

28 Bewertung von biometrischen Systemen Die Anzahl der Vergleiche N FMR ergibt sich in diesem Fall aus der Anzahl der unterschiedlichen Finger in der Datenbank N FDB, die paarweise miteinander verglichen werden: N FMR = N FDB 1 ( N FDB i) = N FDB (N FDB 1) i=1 2 Der wichtige Bereich für die Berechnung befindet sich zwischen dem Anfang der Kurve für den Vergleich von gleichen Fingern und dem Ende der Kurve für unterschiedliche Finger. Im allgemeinen wird die Schwelle T im Bereich von 0 bis 1 variiert. Die Werte FNMR(T) und FMR(T) werden in einem Graph gegen den Schwellwert T aufgetragen (siehe Abb ). Matching Score s 1 FMR(T) FNMR(T) EER 0 1 Schwelle T Bestimmung der ROC-Kurven 0,001 0,01 0,1 1 1 FRR Abbildung 3.2.2: FNRM(T) und FMR(T) Für die Bestimmung der ROC-Kurve wird für jeden Wert der Schwelle T das Wertepaar (FRR (T), FAR(T)) bestimmt. Damit wird der Parameter T eliminiert und eine schwellenunabhängige Darstellung der Performance des biometrischen Systems erreicht. Dies ist insbesondere im Hinblick auf einen objektiven Vergleich von verschiedenen Systemen wichtig, deren Fehlerraten als Funktion der Schwelle T einen völlig unterschiedlichen Verlauf zeigen können. Sofern in der ROC-Kurve auf der x-achse FAR(T) und auf der y-achse FRR(T) aufgetragen wird, durchläuft man die ROC-Kurve mit steigender Schwelle T von rechts unten nach links oben. T steigend 0,1 0,01 Abbildung 3.2.3: Beispiel für eine ROC-Kurve 0,001 FAR 25

29 Bewertung von biometrischen Systemen 3.3 Szenarien für den polizeilichen Einsatz von Biometrie und deren Anforderungen in Bezug auf die Fehlerraten 1. Einsatz unterschiedlicher biometrischer Systeme zur Identitätsüberprüfung z.b. im Rahmen der Grenzkontrolle (Ein-/ Ausreisekontrolle, 1:1 Vergleich). FRR > FAR (FAR 0) 2. Wenn Gesichtserkennungsverfahren in der Lage sind, Gesichter von sich bewegenden Personen auch aus ungünstigen Winkeln zu erkennen und online mit vorhandenen Datenbanken abzugleichen, stellt dies neben der Auswertung von Videobändern durch biometrische Verfahren eine weitere technische Möglichkeit dar, automatisiert und zeitnah die Videoüberwachung von Brennpunkten der Kriminalität sowie besonderen Lagen (wie nicht genehmigte Demonstrationen, Ausschreitungen bei Sportveranstaltungen) effektiv zu unterstützen (1:n-Fahndungsszenario). FRR < FAR 3. Biometrischer Abgleich von Gesichtsaufnahmen mit Phantombildern (1:n). FRR < FAR 4. Mobiler Einsatz von Fingerabdruckscannern (Personenkontrolle vor Ort, 1:n). FRR < FAR 5. ED-Maßnahmen mittels biometrischem Fingerabdruckscan und Abgleich mit AFIS (1:n). FRR < FAR 6. Identifizierung von Wiederholungstätern anhand biometrischer Merkmale wie Stimme und Gang (z.b. über Videoaufnahmen von Banküberfällen, 1:n). FRR < FAR Während im ersten Szenario eine weitergehende Ergebnisüberprüfung des biometrischen Vergleichs in der Regel nicht erfolgt, können die Resultate der biometrischen Systeme in den Szenarien 2 bis 6 lediglich als Ermittlungsansätze bzw. Hinweise dienen, die in jedem Fall durch weitere Maßnahmen, z.b. den Einsatz eines kriminaltechnischen Sachverständigen, verifiziert werden müssen. 26

30 Bewertung von biometrischen Systemen FRR 1 FAR = FRR FAR = 0 FRR > FAR FAR > FRR 1 FAR Abbildung 3.3.1: ROC-Kurven und entsprechende FAR / FRR Angaben Aus Abbildung kann man für verschiedene Szenarien die Leistungsfähigkeit der Systeme ablesen. Auf der linken Seite (zur y-achse) der grünen Linie befindet sich der Bereich für Systeme der Grenz- und Personenkontrolle zur Verifikation. Auf der anderen Seite der grünen Linie (zur x-achse) liegt der Bereich, für Systeme zur Identifikation. 27

31 4. Untersuchung mit Testpersonen Untersuchung mit Testpersonen 4.1 Aufnahme der Datenbasis Es gibt prinzipiell zwei Möglichkeiten, den Einfluss der Sensoren auf die Erkennungsraten zu untersuchen: 1. Es werden mehrere Enrollment-Durchläufe ausgeführt und die entsprechenden Fingerabdruckbilder aufgenommen. Die Umgebungsbedingungen während eines Durchlaufs werden als konstant angenommen. Die Bedingungen werden jedoch i.a. im Vergleich zweier Durchläufe variieren. Damit wird implizit die Robustheit der Sensoren gegenüber Umwelteinflüssen untersucht. Darüber hinaus können vor der jeweiligen Datenaufnahme gezielt physikalische Parameter der Umgebung eingestellt werden. 2. Nach der Aufnahme eines Datensatzes kann der Einfluss von Umweltbedingungen auf die Sensoren und die entsprechenden Fingerabdruckbilder mit Hilfe von Bildverarbeitungsoperationen simuliert werden. Die beiden oben genannten Vorgehensweisen bieten folgende Vor- und Nachteile: 1. Der Vergleich der einzelnen Sensoren ist problematisch, da es schwierig ist, äußere Einflüsse während der Aufnahme der einzelnen Versuchsreihen konstant zu halten. Sofern die Systeme vor der Abspeicherung des Originalbildes eine interne Bildaufbereitung vornehmen, ist dies jedoch die einzige Möglichkeit, diesen Einfluss explizit zu berücksichtigen. 2. Sofern, wie unter 1. erwähnt, die Systeme eine interne Bildverbesserung vornehmen, können Bildverarbeitungsoperationen nicht zur Simulation des Einflusses auf die Fingerabdruckbilder eingesetzt werden, da diese erst nach Abspeicherung des Bildes vorgenommen werden können und damit die interne Aufbereitung des Sensors nicht berücksichtigen. Andererseits eröffnen die verschiedenen Operationen auf den Fingerabdruckbildern die Möglichkeit eine große Datenbasis aus Fingerabdruckbildern zu erzeugen, deren Veränderungen durch Bildverarbeitungsoperationen definiert sind und jederzeit reproduziert werden können. Innerhalb des BioFinger-Projektes wird die Datenbasis entsprechend Vorgehensweise 1 aufgenommen, da die internen Bildverbesserungsoperationen der verschiedenen Fingerabdruckscanner in den Test eingehen sollten. 28

32 Untersuchung mit Testpersonen Sensoren und Algorithmen Für jeden Scanner wird eine Datenbank mit Fingerabdruckbildern aufgenommen. D.h. bei N S Sensoren im Test werden die Datenbanken mit DB i, i=1,.., N S bezeichnet. Technologie Name des Sensors Bildgröße Auflösung drucksensitiv BACU-100 (Hitachi/BMF) dpi kapazitiv TouchChip (STMicroelectronics) dpi kapazitiv ID Mouse (Infineon) dpi kapazitiv AES4000 (AuthenTec) dpi optisch TFS 050 (TBS) dpi optisch TST BiRD IIi (TST) dpi optisch ACCO USB (Heimann) dpi optisch FX 2000 (Biometrika SRL) dpi optisch LS2 / F (Heimann) dpi optisch MorphoSmart MSO100 (Sagem) dpi thermisch FingerChip AT77C101B (Atmel) dpi Papier BKA Datensatz dpi Tabelle 4.1.1: Getestete Sensoren 29

33 Untersuchung mit Testpersonen Beschreibung der Sensoren Produktname: USB Fingerprint Reader BACU-100 Beschreibung: Zutrittssystem Abbildung: Sensorabmessungen Dicke [mm]: 1,9 Sensorabmessungen Breite [mm]: 24,4 Sensorabmessungen Höhe [mm]: 35,9 Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: drucksensitiv Auflösung [dpi]: 440 Lebenserwartung: > 1,2 Million Fingertips Gerätabmessungen Dicke [mm]: 10,8 Gerätabmessungen Breite [mm]: 70,3 Gerätabmessungen Höhe [mm]: 100,9 Gerätabmessungen Gewicht [g]: k.a. Anschlusstyp: USB Algorithmus: k.a. Minuzien: k.a. FAR: 0,01 % FRR: 0,001 % Template Format: k.a. Template Größe [Bytes]: SDK vorhanden (Preis): k.a. Speicherung des Originalbildes: k.a. Speicherung extrahierter Minuzien: k.a. Eingabe modifizierter Bilder: k.a. Eingabe modifizierter Minuzien: k.a. Protokolle: k.a. Betriebssystem: MS Windows, Linux, Mac Installation: Setup von CD Lebenderkennung: Nein Abgerollte Fingerabdrücke: Nein Hersteller: BMF Corporation, Preis: 90 30

34 Untersuchung mit Testpersonen Produktname: TouchChip Fingerprint Sensor TCS1CD Beschreibung: Sensor Abbildung: Sensorabmessungen Dicke [mm]: 3,5 Sensorabmessungen Breite [mm]: 20,4 Sensorabmessungen Höhe [mm]: 27 Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: kapazitiv Auflösung [dpi]: 508 Lebenserwartung: k.a. Gerätabmessungen Dicke [mm]: k.a. Gerätabmessungen Breite [mm]: k.a. Gerätabmessungen Höhe [mm]: k.a. Gerätabmessungen Gewicht [g]: k.a. Anschlusstyp: 20-pin Flex Anschluss Algorithmus: k.a. Minuzien: k.a. FAR: k.a. FRR: k.a. Template Format: k.a. Template Größe [Bytes]: k.a. SDK vorhanden (Preis): Ja (k.a.) Speicherung des Originalbildes: k.a. Speicherung extrahierter Minuzien: k.a. Eingabe modifizierter Bilder: k.a. Eingabe modifizierter Minuzien: k.a. Protokolle: k.a. Betriebssystem: k.a. Installation: k.a. Lebenderkennung: k.a. Abgerollte Fingerabdrücke: k.a. Hersteller: STMicroelectronics GmbH, Preis: k.a. 31

35 Untersuchung mit Testpersonen Produktname: ID Mouse Professional Beschreibung: Zutrittssystem Abbildung: Sensorabmessungen Dicke [mm]: 1,5 Sensorabmessungen Breite [mm]: 18 Sensorabmessungen Höhe [mm]: 21 Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: kapazitiv Auflösung [dpi]: 513 Lebenserwartung: > Fingertips Gerätabmessungen Dicke [mm]: 127 Gerätabmessungen Breite [mm]: 65 Gerätabmessungen Höhe [mm]: 30 Gerätabmessungen Gewicht [g]: k.a. Anschlusstyp: USB Algorithmus: Merkmal- / Bildvergleich Minuzien: Minuzien + Muster FAR: < 10-7 FRR: 0,1 % bis 10 % (Alg.-Abhängig) Template Format: DIN V Template Größe [Bytes]: SDK vorhanden (Preis): Ja (2500 ) Speicherung des Originalbildes: Ja Speicherung extrahierter Minuzien: Ja Eingabe modifizierter Bilder: Ja Eingabe modifizierter Minuzien: Ja Protokolle: k.a. Betriebssystem: MS Windows 98 / NT / ME / 2000 / XP Installation: Setup von CD oder ZIP (aus Internet) Lebenderkennung: Nein Abgerollte Fingerabdrücke: Nein Hersteller: Siemens AG ICM RDC IS BIO, Preis: 101,75 32

36 Untersuchung mit Testpersonen Produktname: AES4000 TEK für USB Beschreibung: Zutrittssystem Abbildung: Sensorabmessungen Dicke [mm]: 1,4 Sensorabmessungen Breite [mm]: 20 Sensorabmessungen Höhe [mm]: 20 Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: kapazitiv Auflösung [dpi]: 250 Lebenserwartung: k.a. Gerätabmessungen Dicke [mm]: k.a. Gerätabmessungen Breite [mm]: k.a. Gerätabmessungen Höhe [mm]: k.a. Gerätabmessungen Gewicht [g]: k.a. Anschlusstyp: USB Algorithmus: k.a. Minuzien: k.a. FAR: k.a. FRR: k.a. Template Format: k.a. Template Größe [Bytes]: k.a. SDK vorhanden (Preis): k.a. Speicherung des Originalbildes: k.a. Speicherung extrahierter Minuzien: k.a. Eingabe modifizierter Bilder: k.a. Eingabe modifizierter Minuzien: k.a. Protokolle: k.a. Betriebssystem: MS Windows 98 / ME / XP Installation: k.a. Lebenderkennung: k.a. Abgerollte Fingerabdrücke: k.a. Hersteller: AuthenTec Inc., Preis: $149,00 33

37 Untersuchung mit Testpersonen Produktname: TFS 050 Beschreibung: Zutrittssystem Abbildung: Sensorabmessungen Dicke [mm]: 30 Sensorabmessungen Breite [mm]: 40 Sensorabmessungen Höhe [mm]: 50 Sensorabmessungen Gewicht [g]: 180 Sensortechnologie: optisch Auflösung [dpi]: bis 1000 Lebenserwartung: > 5 Jahre Gerätabmessungen Dicke [mm]: 30 Gerätabmessungen Breite [mm]: 40 Gerätabmessungen Höhe [mm]: 50 Gerätabmessungen Gewicht [g]: 180 Anschlusstyp: Video, Ethernet, FireWire, optional USB 2.0 Algorithmus: Sagem / Morpho Minuzien: Minuzien FAR: 0,01 % FRR: 0,1 % Template Format: Binary Template Größe [Bytes]: 512 SDK vorhanden (Preis): Ja (1400 ) Speicherung des Originalbildes: Ja Speicherung extrahierter Minuzien: Ja Eingabe modifizierter Bilder: Ja Eingabe modifizierter Minuzien: Ja Protokolle: Seriell Betriebssystem: MS Windows Installation: Setup von CD Lebenderkennung: Ja Abgerollte Fingerabdrücke: Ja (mit TRS 050) Hersteller: Touchless Biometric Systems AG, Preis: ab

38 Untersuchung mit Testpersonen Produktname: TST BiRD IIi Beschreibung: Berührungsloses Fingerabdruck-Zutrittssystem Abbildung: Sensorabmessungen Dicke [mm]: k.a. Sensorabmessungen Breite [mm]: k.a. Sensorabmessungen Höhe [mm]: k.a. Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: optisch Auflösung [dpi]: 500 Lebenserwartung: k.a. Gerätabmessungen Dicke [mm]: 164 Gerätabmessungen Breite [mm]: 100 Gerätabmessungen Höhe [mm]: 185 Gerätabmessungen Gewicht [g]: 530 Anschlusstyp: USB, Ethernet Algorithmus: Merkmalvergleich Minuzien: k.a. FAR: 0,05 % FRR: 5 % Template Format: k.a. Template Größe [Bytes]: 500 SDK vorhanden (Preis): Ja Speicherung des Originalbildes: Ja Speicherung extrahierter Minuzien: Ja Eingabe modifizierter Bilder: Nein Eingabe modifizierter Minuzien: Nein Protokolle: TCP/IP Betriebssystem: MS Windows 98 / ME / 2000 / XP Installation: Installationswizard Lebenderkennung: Ja Abgerollte Fingerabdrücke: Nein Hersteller: TST Touchless Sensor Technology AG, Preis:

39 Untersuchung mit Testpersonen Produktname: ACCO USB Beschreibung: Daktyloskopisches System Abbildung: Sensorabmessungen Dicke [mm]: k.a. Sensorabmessungen Breite [mm]: 19 Sensorabmessungen Höhe [mm]: 24 Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: optisch Auflösung [dpi]: 500 Lebenserwartung: MTBF > Stunden Gerätabmessungen Dicke [mm]: 120 Gerätabmessungen Breite [mm]: 60 Gerätabmessungen Höhe [mm]: 53 Gerätabmessungen Gewicht [g]: 550 Anschlusstyp: USB Algorithmus: Fingerabdrücke werden an AFIS übertragen Minuzien: k.a. FAR: k.a. FRR: k.a. Template Format: k.a. Template Größe [Bytes]: k.a. SDK vorhanden (Preis): Nein Speicherung des Originalbildes: Ja Speicherung extrahierter Minuzien: k.a. Eingabe modifizierter Bilder: Nein Eingabe modifizierter Minuzien: k.a. Protokolle: ANSI / NIST-ITL und Rohbilder in std. Bildformaten Betriebssystem: MS Windows 2000 Professional / XP Professional Installation: Setup von CD (MSI Installer) Lebenderkennung: Nein Abgerollte Fingerabdrücke: Nein Hersteller: Heimann Biometric Systems GmbH, Preis: Projektspezifisch 36

40 Untersuchung mit Testpersonen Produktname: FX 2000 Beschreibung: Zutrittssystem Abbildung: Sensorabmessungen Dicke [mm]: 73 Sensorabmessungen Breite [mm]: 23 Sensorabmessungen Höhe [mm]: 55 Sensorabmessungen Gewicht [g]: 310 Sensortechnologie: optisch Auflösung [dpi]: 569 Lebenserwartung: > 5 Jahre Gerätabmessungen Dicke [mm]: 125 Gerätabmessungen Breite [mm]: 70 Gerätabmessungen Höhe [mm]: 60 Gerätabmessungen Gewicht [g]: 380 Anschlusstyp: USB, Parallel Algorithmus: Merkmalvergleich Minuzien: Gabelung, Linienendung FAR: 0,165 % FRR: 0,249 % Template Format: Eigenes Template Größe [Bytes]: SDK vorhanden (Preis): Ja (1022 ) Speicherung des Originalbildes: Ja Speicherung extrahierter Minuzien: Ja Eingabe modifizierter Bilder: Ja Eingabe modifizierter Minuzien: Ja Protokolle: 128-bit symmetrischer Kode Betriebssystem: MS Windows 95 / 98 / NT / ME / 2000, Linux Installation: Plug & Play Lebenderkennung: In der Entwicklung Abgerollte Fingerabdrücke: Ja Hersteller: Biometrika SRL, Preis: 185 (oder 208 mit Smartkartenleser) 37

41 Untersuchung mit Testpersonen Produktname: LS2 / F Beschreibung: Daktyloskopisches System Abbildung: Sensorabmessungen Dicke [mm]: k.a. Sensorabmessungen Breite [mm]: k.a. Sensorabmessungen Höhe [mm]: k.a. Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: optisch Auflösung [dpi]: 500 Lebenserwartung: MTBF > Stunden Gerätabmessungen Dicke [mm]: 290 Gerätabmessungen Breite [mm]: 173 Gerätabmessungen Höhe [mm]: 130 Gerätabmessungen Gewicht [g]: 4000 Anschlusstyp: FireWire (IEEE 1394) Algorithmus: Fingerabdrücke werden an AFIS übertragen Minuzien: k.a. FAR: k.a. FRR: k.a. Template Format: k.a. Template Größe [Bytes]: k.a. SDK vorhanden (Preis): Nein Speicherung des Originalbildes: Ja Speicherung extrahierter Minuzien: k.a. Eingabe modifizierter Bilder: Nein Eingabe modifizierter Minuzien: k.a. Protokolle: ANSI / NIST-ITL Betriebssystem: MS Windows 2000 Professional / XP Professional Installation: Wird von HBS-Service-Mitarbeitern (vor Ort) installiert Lebenderkennung: Nein Abgerollte Fingerabdrücke: Ja Hersteller: Heimann Biometric Systems GmbH, Preis: Projektspezifisch 38

42 Untersuchung mit Testpersonen Produktname: MorphoSmart MSO 100 Beschreibung: Zutrittssystem Abbildung: Sensorabmessungen Dicke [mm]: k.a. Sensorabmessungen Breite [mm]: k.a. Sensorabmessungen Höhe [mm]: k.a. Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: optisch Auflösung [dpi]: 500 Lebenserwartung: k.a. Gerätabmessungen Dicke [mm]: k.a. Gerätabmessungen Breite [mm]: k.a. Gerätabmessungen Höhe [mm]: k.a. Gerätabmessungen Gewicht [g]: k.a. Anschlusstyp: USB Algorithmus: k.a. Minuzien: k.a. FAR: k.a. FRR: k.a. Template Format: k.a. Template Größe [Bytes]: k.a. SDK vorhanden (Preis): Ja (k.a.) Speicherung des Originalbildes: k.a. Speicherung extrahierter Minuzien: k.a. Eingabe modifizierter Bilder: k.a. Eingabe modifizierter Minuzien: k.a. Protokolle: k.a. Betriebssystem: MS Windows 2000 Installation: k.a. Lebenderkennung: k.a. Abgerollte Fingerabdrücke: k.a. Hersteller: Sagem SA, Preis: k.a. 39

43 Untersuchung mit Testpersonen Produktname: FingerChip AT77C101B Beschreibung: Sensor Abbildung: Sensorabmessungen Dicke [mm]: 2,33 Sensorabmessungen Breite [mm]: 9 Sensorabmessungen Höhe [mm]: 26,6 Sensorabmessungen Gewicht [g]: k.a. Sensortechnologie: thermisch Auflösung [dpi]: 280 Lebenserwartung: > 1 Million Fingertips Gerätabmessungen Dicke [mm]: k.a. Gerätabmessungen Breite [mm]: k.a. Gerätabmessungen Höhe [mm]: k.a. Gerätabmessungen Gewicht [g]: k.a. Anschlusstyp: k.a. Algorithmus: Nur Hardware Minuzien: k.a. FAR: k.a. FRR: k.a. Template Format: k.a. Template Größe [Bytes]: k.a. SDK vorhanden (Preis): Ja (k.a.) Speicherung des Originalbildes: k.a. Speicherung extrahierter Minuzien: Ja Eingabe modifizierter Bilder: Ja Eingabe modifizierter Minuzien: Ja Protokolle: k.a. Betriebssystem: k.a. Installation: k.a. Lebenderkennung: k.a. Abgerollte Fingerabdrücke: k.a. Hersteller: Atmel, Preis: k.a. 40

44 Untersuchung mit Testpersonen Die verwendeten Algorithmen werden entsprechend mit ALG i, i = 1,...,N ALG bezeichnet. Hersteller des Algorithmus Dermalog IKENDI IDENCOM IdentTechnologies NEC Neurotechnologija Siemens Einsatz in Verbindung mit Sensor Nur Algorithmus AT77C101B (Atmel) Hitachi/BMF AT77C101B (Atmel) Nur Algorithmus TST ID Mouse (Infineon), TouchChip (STMicroelectronics) Tabelle 4.1.2: Getestete Algorithmen Beschreibung der Algorithmen Dermalog Extrahierte Minuzien: Gabelung, Linienendung, Kern (Core), Delta Winkel [Schrittweite]: Ja Mindestzahl der Minuzien: Maximalzahl der Minuzien: k.a. Rotationsfähigkeit: Beliebig Translationsfähigkeit: Beliebig RIP-Count möglich: Ja Andere Aspekte: unter anderem Qualität der Minuzien und Nachbarschaften NEC Extrahierte Minuzien: Gabelung, Linienendung Winkel [Schrittweite]: Ja Mindestzahl der Minuzien: 63 Maximalzahl der Minuzien: 191 Rotationsfähigkeit: 30 Translationsfähigkeit: k.a. RIP-Count möglich: Ja Andere Aspekte: Das Bild des Fingerabdruckes wird automatisiert in Zonen guter und schlechter Qualität unterteilt. Siemens Extrahierte Minuzien: Gabelung, Linienendung Winkel [Schrittweite]: Ja [k.a.] Mindestzahl der Minuzien: 3 Maximalzahl der Minuzien: k.a. Rotationsfähigkeit: beliebig (Schritt 5 ) Translationsfähigkeit: k.a. RIP-Count möglich: Ja Andere Aspekte: Bildumgebung der Minutia Papillarlinienbreite Neurotechnologija Extrahierte Minuzien: Gabelung, Linienendung Winkel [Schrittweite]: Ja [1,40625 ] 41

45 Untersuchung mit Testpersonen Mindestzahl der Minuzien: k.a. Maximalzahl der Minuzien: 1024 Rotationsfähigkeit: 180 Translationsfähigkeit: k.a. RIP-Count möglich: Ja Andere Aspekte: Krümmung der Papillarlinie in der Minutia; Singularpunkte; Blockorientierungen IDENCOM Extrahierte Minuzien: Gabelung, Linienendung Winkel [Schrittweite]: Ja [k.a.] Mindestzahl der Minuzien: k.a. Maximalzahl der Minuzien: 100 Rotationsfähigkeit: k.a. Translationsfähigkeit: k.a. RIP-Count möglich: Ja Andere Aspekte: Grauton und Nachbarinformation der Minuzien IKENDI Extrahierte Minuzien: Linienendung und Gabelungen Winkel [Schrittweite]: Ja [64 Schritte auf 360 Grad] Mindestzahl der Minuzien: 5 Maximalzahl der Minuzien: 64 Rotationsfähigkeit: 45 Translationsfähigkeit: 75% RIP-Count möglich: wird nicht verwendet Andere Aspekte: Format entspricht DIN CardCompact IdentTechnologies Extrahierte Minuzien: k.a. Winkel [Schrittweite]: k.a. [k.a.] Mindestzahl der Minuzien: k.a. Maximalzahl der Minuzien: k.a. Rotationsfähigkeit: k.a. Translationsfähigkeit: k.a. RIP-Count möglich: Ja Andere Aspekte: k.a. Testdaten Insgesamt nahmen N P = 30 Personen am Test teil. Die Vorgaben bei der Fingerabdruckaufnahme waren dabei wie folgt: Jede der N P Testpersonen lieferte Fingerabdrücke für jeden der N S Sensoren im Test. Von jeder Testperson wurden vier Fingerabdrücke von jeder Hand aufgenommen (alle Finger einer Hand, ausgenommen kleiner Finger), N FP = 8. Die Fingerabdrücke der Testpersonen wurden in insgesamt N D = 3 Durchläufen aufgenommen. Für jeden Sensor wurden pro Durchlauf N A = 3 Aufnahmen vorgenommen, d.h. insgesamt N AF = 9 Abdrücke pro Finger. 42

46 Untersuchung mit Testpersonen Jede einzelne Datenbank für die verschiedenen Sensoren enthält damit N FDB = N P *N FP (z.b. N FDB = 240) unterschiedliche Finger. In jedem Durchlauf wurden insgesamt N Session = N FDB *N A (z.b. N Session =720) Fingerabdrücke aufgenommen. D.h. jede Datenbank enthält insgesamt N FADB = N Session *N D (z.b. N FA = 2160) Fingerabdrücke. Die Fingerabdruckbilder wurden bei der Aufnahme auf dem Datenbank-Rechner gespeichert und nach jedem Durchlauf gesichert. Um eine eindeutige Zuordnung sicherzustellen, wurden die Bilddaten in unterschiedlichen Verzeichnissen abgelegt, deren Namensgebung anhand des Sensors, des Durchlaufs, der Person und des Fingers eine eindeutige Indexierung ermöglicht. Eines der Verzeichnisse enthält dementsprechend N A = 3 Aufnahmen. Fehlen in einem Verzeichnis Fingerabdruckbilder, so konnte der Sensor keine Bilder des Fingers der bestimmten Person aufnehmen, was zur Failure To Acquire (FTA) Rate beiträgt. Strategien zur Fehlervermeidung bei der Aufnahme der Daten: Die Fingerabdruckscanner erzeugen Bilder unterschiedlicher Dimensionen. Dadurch lässt sich eine falsche Zuordnung von Bildern zu einem Sensor feststellen. Am Tag der Aufnahme der Fingerabdruckbilder wurde nur das entsprechende Verzeichnis zum Schreiben freigegeben. Damit wird sichergestellt, dass die Bilder den korrekten Aufnahme-Tagen zugeordnet werden. Im Unterschied zu den Sensoren 1 11 wurden die Fingerabdruckbilder bei der mit Sensor 13 bezeichneten Datenbasis vom BKA bereitgestellt. Diese Datenbasis wird in Abschnitt 6.1 näher beschrieben. Fehlerarten bei der Datenaufnahme Naturgemäß können im Verlauf der Aufnahme einer großen Anzahl von Fingerabdruckbildern eine Reihe von Fehlern auftreten. So können durch eine Fehlbedienung der Aufnahmesoftware Aufnahmen geringer Qualität erzeugt werden, beispielsweise falls ein Bild aufgenommen wird, obwohl der Finger noch nicht vollständig auf dem Sensor aufgelegt ist. Diese Art von Fehlern kann nach dem Enrollment-Vorgang detektiert werden, indem jene Bilder, die einen Failure To Enroll (FTE) Fehler aufweisen, von einem geschulten Betrachter untersucht werden. Die entsprechenden Fehler sind in Spalte 2 der nachfolgenden Tabelle dokumentiert. Falsche Zuordnungen von Fingerabdrücken zu Personen wurden korrigiert und Bilder, die eine sehr schlechte Qualität aufweisen, wurden entfernt. Dazu wurden sehr niedrige Score-Werte beim Vergleich (Matchen) von identischen Fingern per Augenschein untersucht (siehe Spalte 3 in nachfolgender Tabelle) und die entsprechenden Bilder aussortiert. Die Fehlerraten sind im Kapitel 3.1 beschrieben. 43

47 Untersuchung mit Testpersonen Sensor Fehler durch Bedienung bei Datenaufnahme Falsche Zuordnung oder geringe Bildqualität Verbleibende Anzahl DB DB DB DB DB DB DB DB DB DB DB Tabelle 4.1.3: Korrigierte Akquisitionsfehler Die geringere Gesamtanzahl von Fingerabdruckbildern bei einem Teil der Sensoren resultierte aus der Tatsache, dass die Fingerabdrücke einer Person an einem Testtag nicht aufgenommen werden konnten. Wichtiger für den Vergleich der verschiedenen Systeme sind in diesem Zusammenhang die Failure To Acquire- und Failure To Enroll-Raten (Erläuterung siehe nächster Abschnitt) die eine Aussage darüber liefern wie die Sensoren bzw. die Algorithmen auf problematische Fingerabdrücke reagieren. Sensor Anzahl FTA FTE der Algorithmen DB , DB , , , DB , , , , DB , , , DB , DB , DB , , , DB , DB , , , DB , , , DB , DB , , , , Tabelle 4.1.4: FTA- und FTE-Raten 44

48 Untersuchung mit Testpersonen 4.2 U1 Einfluss der Sensoren auf die Verifikation Ziel dieser Untersuchung war es, die Performance (im Sinne der Detektionsleistung) der Sensoren miteinander zu vergleichen. Dazu wird jeweils der Erkennungsalgorithmus konstant gehalten und die Performance aller im Test vertretenen Sensoren für diesen Algorithmus ermittelt. Ein Vergleich der ROC-Kurven ermöglicht es, die relative Performance der Sensoren in Bezug auf den Algorithmus anzugeben. Von jeder Testperson wurden mit einem Sensor 72 Fingerabdrücke acht unterschiedlicher Finger (vier Finger je Hand ohne den kleinen Finger) akquiriert, wobei jeweils neun Fingerabdrücke pro Finger aufgenommen wurden. Dieser Prozess wurde für jeden der 11 an der Evaluierung beteiligten Sensoren durchlaufen. In jeder der elf Gruppen (eine Gruppe pro Sensor) können die folgenden Untersuchungen für die Vergleichsalgorithmen (Matching Score Algorithm - MSA) durchgeführt werden. Zunächst werden aus den neun Fingerabdrücken mit den Merkmalsextraktions (ME) Algorithmen die Templates generiert. Anschließend werden mit den entsprechenden MSA Algorithmen die Verifikationen innerhalb dieser Gruppe durchgeführt, wobei der Algorithmus jeweils konstant gehalten wird. Sensor 1 A A A B Vergleich gleicher Fingerabdrücke mit Algorithmenpaar ME & MSA FNMR ROC 1 S 1 S 2 A C Vergleich untersch. Fingerabdrücke mit Algorithmenpaar ME & MSA FMR... Sensor 11 A A A C B Vergleich gleicher Fingerabdrücke mit Algorithmenpaar ME & MSA Vergleich untersch. Fingerabdrücke mit Algorithmenpaar ME & MSA FNMR ROC 11 FMR S 1 S 2 Abbildung 4.2.1: Untersuchung U1 Dieser Prozess wird für jeden der verfügbaren Algorithmen durchlaufen 45

49 Untersuchung mit Testpersonen Mit den Fingerabdrücken desselben Fingers erhält man für jeden der fünf Algorithmen elf (entspricht der Anzahl an Sensoren) unterschiedliche Dichten p g (s H g ). Entsprechend werden die Wahrscheinlichkeitsdichten p u (s H u ) durch den Vergleich von Fingerabdrücken generiert, die nicht von demselben Finger stammen. Die verschiedenen Wahrscheinlichkeitsdichten werden für einen festen Algorithmus (auch hier keine Kombination von unterschiedlichen Algorithmen) für jeden der elf Sensoren ermittelt. Mit Hilfe der experimentell bestimmten Wahrscheinlichkeitsdichten p g (s H g ), p u (s H u ) können die entsprechenden Fehlerraten FNMR(T) und FMR(T) als Funktion der Schwelle bestimmt werden. Als Ergebnis erhält man die ROC-Kurven, welche den Einfluss der Sensoren auf die Verifikation für einen festem Algorithmus aufzeigen. Der gesamte Prozess ist nochmals in Abbildung illustriert. 46

50 FNMR FNMR FNMR FNMR FNMR FMR FMR FMR FMR FMR ME 1 ME 2 ME 1 ME 2 ME 1 ME 2 ME 1 ME 2 ME 1 ME 2 Untersuchung mit Testpersonen 4.3 U2 Einfluss der Merkmalsextraktion auf die Verifikation Für die Durchführung dieser Art von Tests ist die Interoperabilität der Merkmalsextraktions- und Vergleichsalgorithmen von entscheidender Bedeutung. Leider sind die Fingerabdrücke der in dieser Studie vertretetenen Algorithmen unterschiedlicher Hersteller nicht miteinander kompatibel. Aus diesem Grund können wir uns in diesem Abschnitt nur mit der Planung des Szenarios der Untersuchung befassen. Weitere Information zur (fehlenden) Interoperabilität der in der Untersuchung vertretenen Algorithmen finden sich am Ende des Abschnitts 4.3. Um den Einfluss der verschiedenen ME-Verfahren zu bewerten, kann wie folgt vorgegangen werden. In der Datenbank sind insgesamt N B Fingerabdruckbilder gespeichert. Entsprechend der Anzahl an Algorithmen die am Test teilnehmen, stehen ME j j=1,..,n ME (Enroll_XXX * ) Merkmalsextraktionsalgorithmen und MSA k k=1,...,n MSA (Match_XXX * ) Verifikationsalgorithmen zur Verfügung, die von 5 unterschiedlichen Firmen geliefert wurden (N ME =N MSA =5). Für den Test wird ein Fingerabdruckbild Bild_X aus der Datenbank ausgewählt. Für dieses Bild_X werden die verschiedenen Templates mit allen ME i berechnet (insgesamt 5 Templates für Bild_X). Diese Templates müssen in einem Referenzformat (z.b. im DIN V Format) gespeichert werden, um mit anderen Algorithmen kombiniert werden zu können. Im nächsten Schritt werden die MSA k Algorithmen für den Vergleich verwendet. Es ist wichtig, alle Kombinationen von ME j und MSA k zu ermöglichen um die Qualität der erzeugten Merkmale zu überprüfen. Mit den Kombinationen erhält man die entsprechenden FMR- und FNMR-Werte, die als ROC-Kurven dargestellt werden können. Für ein besseres Verständnis dieses Verfahrens siehe Abbildung Datenbank Enroll_XXX Match_XXX Template_ME 1 ROC 1j Bild_01 Template_ME 2 ROC 2j Bild_02... Bild_X Template_ME 3 ROC 3j Template_ME 4 ROC 4j Bild_NB Template_ME 5 ROC 5j Abbildung 4.3.1: Einfluss der Merkmalsextraktion auf die Verifikation Wichtig ist in diesem Zusammenhang die Kombination der Algorithmen (ME j und MSA k ), um die richtigen ROC-Kurven zu generieren. Für jede ME j und alle möglichen MSA k erhält man die ROC-Kurven. Für 5 Algorithmen erhält man beispielweise 25 ROC-Kurven für alle Kombinationen der Algorithmen. 47

51 Untersuchung mit Testpersonen Hierdurch ist es möglich alle ROC Kurven miteinander zu kombinieren. In einem solchen Graph, in dem alle ROC-Kurven kombiniert werden, kann die beste ROC-Kurve ermittelt werden. Diese beste Kurve sollte in der Nähe des Nullpunktes (Anfang des Koordinatensystems) liegen. Damit kann eine Aussage getroffen werden, welche Kombination der ME j und MSA k Algorithmen die beste ist. Darüber hinaus kann aus allen ROC-Kurven der beste ME Algorithmus und der beste MSA Algorithmus ausgewählt werden. In diesem Zusammenhang ist es wichtig festzustellen, dass die Datenbasis im Verlauf dieser Untersuchung konstant bleibt. Die unterschiedlichen Fingerabdrücke müssen vom gleichen Sensor abgetastet worden sein, um durch unterschiedliche Sensoren induzierte Variationen auszuschließen. Es bleibt abzuwarten, ob dieser Test in der Zukunft realisierbar sein wird, da manche Firmen eine strenge Geheimhaltungspolitik betreiben und keine Informationen über die Struktur des Templates nach außen geben. Sofern man die Struktur des Templates kennt, stellt sich die Frage, ob andere Algorithmen mit dieser Struktur arbeiten können. So extrahiert beispielsweise der Algorithmus-G nur die Enden von Tälern (Valley) und die Enden von Bergen (Ridge). Diese Information ist nicht kompatibel mit den Merkmalen, die vom Algorithmus-A verwendet werden (hier werden auch Gabelungen betrachtet). Die Problematik wird noch dadurch verschärft, dass z.t. Zusatzinformation mit dem Fingerabdruck gespeichert wird. So enthalten Templates von dem Algorithmus-A Information über die Bildumgebung der Merkmale und das Template wird darüber hinaus kryptographisch behandelt. Dieses Template kann unmöglich mit anderen MSA k Funktionen benutzt werden. Um das Problem der fehlenden Interoperabilität nochmals zu demonstrieren, sei hier soweit bekannt eine Beschreibung des Inhalts der Templates der unterschiedlichen Hersteller eingefügt: - Algorithmus-A: Qualität des Bildes, Anzahl der Minuzien, Informationen der Minuzien sind x- und y-koordinaten, Winkel, Typ (Gabelung, Linienendung), Bildumgebung der Minuzien und Papillarliniedicke. Kombination von Minuzien und Information zur Bildumgebung. Die Templates sind 2fach verschlüsselt gespeichert. - Algorithmus-B: Bildqualität, Anzahl der Minuzien, Abmessungen des Bildes; Informationen der Minuzien sind die x- und y-position, Winkel, Graustufe der Minuzien und Nachbarinformationen in der x- und y-richtung. - Algorithmus-C: Mustertyp mit Wahrscheinlichkeiten und Alternativen, Kerne, Deltas mit Koordinaten, Richtungen, Positionsgenauigkeit und Qualität; Minuzien mit Koordinaten, Typ, Richtung, Qualität und lokaler Ridgedichte und lok. Krümmung. - Algorithmus-D: Papillarliniendichte, Anzahl der Minuzien, Informationen der Minuzien sind x- und y-koordinaten, Winkel und Krümmung im Punkt der Minuzien. Darüber hinaus werden hier Singularpunkte des Fingerabdrucks und Blockorientierungen extrahiert. - Algorithmus-E: Position und Qualität des inneren Terminus; Anzahl der Minuzien, Minuzien (Position, Richtung, Typ); gute und unbrauchbare Zonen. - Algorithmus-F: Struktur unbekannt - Algorithmus-G: Enden von Tälern und Enden von Bergen Eine Möglichkeit die Interoperabilität der verschiedenen Verfahren herzustellen, ist das Einfügen einer gemeinsamen Schnittstelle zwischen den Merkmals- und Verifikationsalgorithmen. Erste Ansätze in dieser Richtung sind in Form der Standardisierung durch das DIN V Format bereits zu erkennen. Für eine nähere Beschreibung des DIN V Formats siehe [STR02]. 48

52 FMR Untersuchung mit Testpersonen 4.4 U3 Einfluss der Algorithmen (MSA) auf die Verifikation Ziel dieser Untersuchung war es, die Performance (im Sinne der Detektionsleistung) der Algorithmen miteinander zu vergleichen. Dazu wird jeweils der Sensortyp konstant gehalten und die Performance aller im Test vertretenen Algorithmen für diesen Sensor ermittelt. Ein Vergleich der ROC-Kurven ermöglicht es, die relative Performance der Algorithmen in Bezug auf den Sensor anzugeben. Die Fingerabdrücke werden für einen Sensor paarweise miteinander verglichen, um den Einfluss des Algorithmus auf die Verifikation zu untersuchen. In diesem Zusammenhang ist es wichtig, immer ein sogenanntes Algorithmenpaar zu benutzen, d.h. es ist keine Kombination von Merkmalsextraktions- und Vergleichsverfahren unterschiedlicher Hersteller erlaubt (ME 1 immer mit MSA 1, usw.). Der Sensor wird fixiert und man probiert nur verschiedene Algorithmen. Für jeden der Sensoren und der Variation der verschiedenen Algorithmen wird in dieser Untersuchung der Einfluss der Algorithmen auf die Performance, d.h. die Fehlerraten mit Hilfe der ROC-Kurven gemessen. Man erhält für jeden Sensor eine Schar von fünf ROC- Kurven (je Algorithmus eine), mit Hilfe derer die Performance der verschiedenen Algorithmen für den jeweiligen Sensor miteinander verglichen werden kann. FA von Person 12 FA nicht von Person 12 ME j ME k MSA j FNMR S 1 S 2 MSA k ROC Abbildung 4.4.1: Bewertung des Einflusses der Algorithmen auf die Verifikation 49

53 S 1 S 1 Untersuchung mit Testpersonen Gleiche FA Versch. FA Gleiche FA Versch. FA Enroll 1 Enroll 5 Match 1 Match 5 FNMR S 2 FNMR S 2 ROC 1 ROC FMR FMR Abbildung 4.4.2: Bewertung U3 Sensor als Parameter, der Algorithmus wird variiert Künstliche Änderung des Templates Abschließend wird ein Testansatz skizziert, der hier nicht verfolgt wurde (es wurde der oben geschilderte, praxisorientierte Ansatz gewählt), aber für spätere Untersuchungen von Interesse sein könnte. Auch für diesen Ansatz gilt, wie auch für das in Abschnitt 4.3 beschriebene Szenario, dass eine Normierung des Template-Formats vorausgesetzt werden muss. Bei bekannter Struktur des Templates können die Informationen im Template geändert werden. Die künstliche Änderung ermöglicht den Test der MSA, um z.b. die Mindestanzahl der Merkmale für eine richtige (erfolgreiche) Verifikation zu bestimmen. 50

54 Untersuchung mit Testpersonen Folgendes könnte im Template geändert werden: - Anzahl der Minuzien, - Position aller Minuzien (Translation in x- oder y-richtung des Templates), - Winkel aller Minuzien (Rotation des ganzen Templates), - Position einzelner Minuzien (Translation des ausgewählten Minuzie in x- oder y-richtung), - Winkel einzelner Minuzien (Rotation des Gradienten bei einem ausgewählten Minuzie). 51

55 Untersuchung mit Testpersonen 4.5 U4 Einfluss der Sensoren auf die Qualität des Fingerabdruckbildes Um die Qualität des Fingerabdruckbildes beurteilen zu können, wurden Tests mit verschiedenen Metriken durchgeführt, die im folgenden erläutert sind Kontrast Der Bildkontrast ist definiert durch relative lokale Intensitätsunterschiede. Beispiele: 1. Weber Kontrast: di / I 2. Michelson Kontrast: (I max -I min )/(I max +I min ) Der Kontrast für ein Gesamtbild kann als Mittelwert aus den lokalen Intensitätsunterschieden bestimmt werden. Eine andere Betrachtungsweise besteht darin, die Intensitätsdifferenzen in einzelnen diskreten Grundintervallen zu betrachten: die Intensitätsdifferenz zwischen Intensität i und Intensität j I_(i,j) mit i < j kann zerlegt werden in die "Grundintensitäten" di_(i,i+1), di(i+1,i+2),..., di(j-1,j). Bei einem Bild mit hohem Kontrast sind möglichst alle Intensitätsdifferenzen gleichmäßig beteiligt. Dies ist dann der Fall, wenn alle Pixel die maximale Intensitätsdifferenz aufweisen. Weicht die Verteilung der Intensitätsdifferenzen von der gleichmäßigen Verteilung ab, dann nimmt auch der Kontrast ab. Folglich ist die Ähnlichkeit mit der gleichmäßigen Intensitätsverteilung ein Maß, den Kontrast zu bestimmen. Betrachten wir die Intensitätsdifferenzen als Vektor in einem Vektorraum, der durch die diskreten Grundintervalle aufgespannt wird, so kann der Kontrast eines Bildes durch das Skalarprodukt des zu ermittelten Vektors mit dem Einheitsvektor in Richtung gleichmäßiger Intensitätsverteilung bestimmt werden Mittelwert der Grautöne Histogramm Als Histogramm bezeichnet man hier eine graphische Darstellung von Häufigkeiten einer bestimmten Eigenschaft. Zum Beispiel können die Helligkeiten (Grautöne) der Bildpunkte auf der horizontalen Achse aufgetragen werden. Die Aufteilung der horizontalen Achse wird entsprechend der Helligkeitsauflösung in 256 Kanäle vorgenommen, dabei entspricht der Kanal mit dem Wert 0 der niedrigsten Helligkeit (schwarz) und mit dem Wert 255 der maximalen Helligkeit (weiß). Dazwischen liegen die restlichen Grautöne. Beim Füllen eines ungewichteten Histogramms wird für jeden Bildpunkt eine Eins zu der Summe im Kanal mit der zugehörigen Helligkeit addiert. Trägt man alle Bildpunkte ein, so erhält man ein Helligkeits- oder Grautonhistogramm des Fingerabdrucks. Das Histogramm kann einfach berechnet werden: Hist(r k ) = n k k = 0,1,2,...,L -1 n 52

56 Untersuchung mit Testpersonen wobei Hist(r k ) die diskrete Histogrammfunktion darstellt; r k ist der k-te Grauton; n k ist die Bildpunktanzahl im Kanal r k ; L ist die Anzahl der Grautöne und n ist die gesamte Anzahl von Bildpunkten (z.b Bildpunkte bei der Auflösung ). Das Beispiel eines Histogramms ist in Abbildung dargestellt. Häufigkeit Grautöne Abbildung 4.5.1: Beispiel eines Histogramms Normalisierung Für den Vergleich der Histogramme der Fingerabdruckbilder verschiedener Sensoren ist eine Normalisierung nötig. In dem Histogramm muss das Maximum (y-achse) gefunden werden (in Abbildung liegt das Maximum beim Grauton 200). Mit diesem Maximalwert sind alle Werte (für einzelne Grautöne) dividiert, d.h. alle Werte werden im Bereich [0,1] liegen. Der Maximalwert wird auf 1.0 normiert und die restlichen Grautöne entsprechend skaliert. In Abbildung ist das normalisierte Histogramm dargestellt. Normalisierte Häufigkeit Grautöne Abbildung 4.5.2: Normalisiertes Histogramm 53

57 Untersuchung mit Testpersonen Mittelwert Bei Betrachtung des Histogramms in Abbildung kann man zwei Spitzen erkennen. Die linke Spitze entspricht den Papillarlinien und die rechte Spitze dem Hintergrund. Gewöhnlich sind Papillarlinien in den Bildern aus Fingerabdrucksensoren als dunkel und der Hintergrund, bzw. die Täler zwischen Papillarlinien als hell dargestellt. Das vorliegende Histogramm ist fast der Idealfall, da normalerweise beide Hügel schwer zu unterscheiden sind. Sehr oft fehlt ein Hügel oder die Grautöne sind so verteilt, dass im Histogramm nur eine durchgängige, gewölbte Kurve verläuft. Im Optimalfall sollte der Mittelwert M genau in der Mitte des Histogramms liegen, d.h. beim Grauton 128 (bei Betrachtung von 255 Grautönen). Wenn dies der Fall ist, dann bedeutet dies, dass die Fläche unter dem linken Teil der Kurve S L gleich groß wie die Fläche des rechten Teils der Kurve S R ist. Somit stellt der Mittelwert ein Maß für die Güte der Trennung von Papillarlinien und Hintergrund dar. Der Mittelwert kann im Bereich [0,256] liegen, weil er einen Grauton repräsentiert. Die Situation ist in Abbildung dargestellt. Dann müssen die Flächen auf der linken und rechten Seite von M berechnet werden. Diese Flächen werden als S L und S R bezeichnet und folgendermaßen berechnet: M -1 und 255 S L = h n (i) S R = h n (i) i=0 i=m wobei M unser Mittelwert ist (am Anfang M = 128) und h n (i) die normalisierten Häufigkeiten für den entsprechenden Grauton sind. Wenn S L < S R, dann wird der Mittelwert inkrementiert, d.h. nach rechts verschoben. Sofern S L > S R, wird der Mittelwert entsprechend dekrementiert. Im Fall S S R ist die Berechnung von M abgeschlossen. Normalisierte Häufigkeit M S R S L Grautöne Abbildung 4.5.3: Suche nach Mittelwert 54

58 Untersuchung mit Testpersonen Zu berücksichtigen sind die Grenzen des Histogramms. Der Anfang des Histogramms sei mit B Dunkel und das Ende des Histogramms mit B Hell bezeichnet. Dem entsprechend sollte der Mittelwert im Bereich der Mitte von Anfang bis Ende des Histogramms liegen. Dieser theoretische Mittelwert sei mit M T bezeichnet und lässt sich nach folgender Formel berechnen: M T = B Dunkel + B Hell 2 Mit Hilfe des realen Mittelwertes M kann die prozentuale Abweichung A berechnet werden: M T A = 1-100% M Ein Beispiel: Das Histogramm beginnt bei dem Grauton B Dunkel = 20 und endet bei dem Grauton B Hell = 200. Der erwartete Mittelwert sollte bei dem Grauton M T = 110 liegen. Nach der Berechnung (s. vorherige Seite) erhält man den Mittelwert M R = 140. Aus diesen beiden Mittelwerten kann die Abweichung A berechnet werden. Das Ergebnis ist A = 127%, was bedeutet, dass die Überschreitung 27% beträgt, was z.b. außerhalb der Toleranz (Werte 20%) liegt. In Abbildung sind Beispiele unterschiedlicher Bilder aus allen Sensoren, die im Test benutzt worden sind und den dazugehörigen normalisierten Histogrammen mit gekennzeichneten Mittelwerten. Man erkennt insbesondere, dass bereits binarisierte Bilder (die keine Graustufen enthalten, aber nur zwei Farben Schwarz & Weiß) wie im Fall von Sensor C keine Abweichung aufweisen Sensor A A = 79,1% Sensor B A = 13,27% 128 = 128 Sensor C A = 0% 55

59 Untersuchung mit Testpersonen Sensor D A = 37,3% Sensor E A = 22,6% Sensor F A = 39,5% Sensor G A = 6,79% Sensor H A = 5,26% Sensor I A = 59,38% Sensor J A = 77,69% 56

60 Untersuchung mit Testpersonen Abbildung 4.5.4: Beispiele der Bilder aus allen Sensoren und deren Histogramme Trennbarkeit Dieses Verfahren bedarf keiner Vorkenntnisse über den Bildinhalt und bestimmt die Binarisierungsschwelle S nach einem statistischen Gütekriterium, das der Diskriminantenanalyse entnommen ist. Das zu binarisierende Grauwertbild wird durch die Statistik erster Ordnung, d.h. durch sein genormtes Histogramm p(0), p(1),... p(255), mit 0 p(i) 1, beschrieben, wobei p(i) die Auftrittswahrscheinlichkeit des Grauwertes i darstellt. Jeder mögliche Schwellenwert S mit 0 S 255 trennt die Grauwerte in 2 Klassen, K 0 und K 1, nämlich die Klassen der Grauwerte, die nach der Binarisierung dem Objekt bzw. dem Hintergrund zugewiesen werden. Die Auftrittswahrscheinlichkeit der Elemente dieser Klassen sind: S 255 P 0 = p(i) und P 1 = p(i) = 1 - P 0 i =0 i = S +1 Des weiteren werden die folgenden Größen berechnet: die mittleren Grauwerte m 0 von K 0, m 1 von K 1 und m des gesamten Bildes, wobei ist, und die entsprechenden Varianzen m = m 0 P 0 + m 1 P 1 s = (i - m ) p(i) s = (i - m ) p(i) S i=0 0 1 i=s +1 1 Diese Größen sind alle Funktionen des Parameters S. Das Kriterium für die Feststellung von S ist nun die Maximierung der Varianz s 2 B zwischen K 0 und K 1 und die Minimierung der Varianz s 2 W innerhalb von K 0 und K 1, d.h. die Suche nach möglichst kompakt gebündelten und gut getrennten Grauwertklassen. Dafür werden die Größen s B = P 0 (m 0 - m) + P 1 (m 1 - m) s W = P 0 s 0 + P 1 s 1 berechnet und das Verhältnis (s B 2 / s W 2 ), das vom Parameter S abhängt, maximiert. Der gesuchte Schwellenwert ist derjenige Wert von S, der dieses Verhältnis maximiert. 57

61 Untersuchung mit Testpersonen 4.6 U5 + U6 Einflüsse auf die Fingerabdrücke U5 Einfluss der Sensoren auf die Fingerabdrücke Von jedem Fingerabdruck einer Testperson wurden in 3 Sitzungen jeweils 3 Fingerabdrücke aufgenommen. Damit liegen je Testperson 9 Fingerabdrücke vom gleichen Finger (alle Finger ohne Kleinfinger) vor. Da die Bilder in verschiedenen Sitzungen und zu unterschiedlichen Zeiten aufgenommen wurden, müssen sie Unterschiede aufweisen. So können im Allgemeinen leicht unterschiedliche Ausschnitte der Fläche des Fingers erfasst sein, die Verschmutzung der O berfläche des Sensors kann ebenso variieren wie Temperatur, Feuchtigkeit, Lichteinfall und andere Umgebungsbedingungen. Diese Umgebungseinflüsse wirken sich auch auf die Aufnahmequalität der Sensoren und damit im Endeffekt auf die aufgenommenen Fingerabdruckbilder aus. Die Qualität der Bilder lässt demzufolge Rückschlüsse auf die Qualität der Sensoren zu und hängt daher eng mit der Bewertung der Qualität der Fingerabdruckbilder in Untersuchung U4 zusammen. In diesem Fall werden die Fingerabdruckbilder vor der Bearbeitung durch einen Algorithmus (ME / MSA) ausgewertet. Ein Kriterium der Akzeptanz des Fingerabdruckes für die Verifikation ist die Bildqualität. Diese ist in Kapitel 4.5 (U4 Einfluss auf die Qualität des Fingerabdruckbildes) näher beschrieben. Dort wurden 3 Methoden zur Bewertung der Qualität vorgeschlagen: Kontrast, Mittelwert und Trennbarkeit in einem Grautonbereich. Zusätzlich kann in einem Fingerabdruckbild der RIP Count (die Linienzahl) getestet werden. Der RIP Count gibt einen Hinweis auf die Fähigkeit, die Erhöhungen der Papillarleisten von deren Tälern zu unterscheiden. Diese Fähigkeit ist ein quantitativer Faktor und ist definiert als eine grobe Anzahl der Linien, welche die imaginäre Verbindung zwischen dem Kern und dem Delta berühren oder kreuzen (siehe Abbildung 4.6.1). Abbildung 4.6.1: RIP Count Auf Grund der hohen Komplexität verschiedener Linienkonfigurationen ist eine eindeutige Bestimmung der Linienzahl oft nur schwer möglich. In der vorliegenden Untersuchung fehlt in den meisten Fällen ein Delta im Fingerabdruckbild, da Kern und Delta nur in gerollten Fingerabdrücken (zu daktyloskopischen Zwecken) vorhanden sind. Um dennoch den RIP Count für die qualitative Auswertung nutzbar zu machen, kann man dessen Definition variieren, indem man die Anzahl der Linien zwischen zwei definierten Minuzien untersucht. 58

62 Untersuchung mit Testpersonen Eine automatisierte Auswertung der Linienzahl zwischen zwei Minuzien hängt jedoch bereits weitgehend vom Merkmals-Extraktions (ME) Algorithmus und dessen Anpassung an einen spezifischen Sensor ab. Um die Abhängigkeit zwischen Sensor und Algorithmus auszuschalten, beschränken wir uns hier auf die Aussage, ob in dem Fingerabdruckbild Täler und Berge der Papillarlinien noch unterscheidbar sind. Die Fingerabdruckbilder wurden daher für jeden Sensor von einem Beobachter auf die Trennung von Tälern und Bergen hin beurteilt. Die Benotung erfolgte in den Kategorien - sehr gute Trennung (7), - gute Trennung (3) und - mäßige Trennung (1). Die Ergebnisse dieser Untersuchungen sind in Tabelle zusammengefasst. RIP Count möglich? (Note) DB 1 Ja (1) DB 2 Ja (3) DB 3 Ja (7) DB 4 Ja (3) DB 5 Ja (1) DB 6 Ja (1) DB 7 Ja (1) DB 8 Ja (1) DB 9 Ja (3) DB 10 Ja (1) DB 11 Ja (1) Tabelle 4.6.1: Möglichkeit der Erfassung des RIP Count 59

63 Untersuchung mit Testpersonen Einflüsse der Merkmalsextraktion auf die Fingerabdrücke Die Charakteristika (d.h. die Parameter) der Merkmalsextraktion haben Einfluss auf die Qualität der Fingerabdrücke. Leider ist auch in diesem Fall (vgl. Abschnitt 4.3), bedingt durch die fehlende Standardisierung von Fingerabdrücken keine vergleichende Bewertung der Charakteristika möglich. Tabelle stellt die von den Algorithmen zur Merkmalsextraktion verwendeten Parameter zusammenfassend dar. Attr. \ Alg. Algorithmus A Algorithmus B Alg. C DIN V Extrahierte G, L G, L, C, D G, L G, L Minuzien Winkel (Schrittweite) Ja (k.a.) Ja (k.a.) Ja (k.a.) Ja (1,40625 ) Mindestzahl der k.a. Minuzien Maximalzahl der k.a. k.a. 191 k.a. Minuzien Rotationsfähigkeit Beliebig (Schritt 5 ) Beliebig 30 k.a. Translationsfähigkeit k.a. Beliebig k.a. k.a. Andere Aspekte Bildumgebung der Minuzie und Papillarliniebreite Qualität, Krümmung, Ridgedichte Gute und unbrauchbare Zonen k.a. Attr. \ Alg. Algorithmus D Alg. E Alg. F Algorithmus G Extrahierte G, L k.a. L G, L Minuzien Winkel Ja (k.a.) k.a. Ja (k.a.) Ja (1,40625 ) (Schrittweite) Mindestzahl der k.a. k.a. 5 k.a. Minuzien Maximalzahl der 100 k.a Minuzien Rotationsfähigkeit k.a. k.a Translationsfähigkeit k.a. k.a. 75 % k.a. Andere Aspekte Grauton und Nachbarinformation der Minuzien k.a. k.a. Krümmung der Papillarlinie in den Minuzien; Singularpunkte; Blockorientierungen Tabelle 4.6.2: Parameter der Algorithmen Bedeutung der einzelnen Angaben: - Extrahierte Minuzien: G = Gabelung, L = Linienendung - Winkel der Minuzie (Gradient) und Schrittweite (0 bis 360 ) - Mindestzahl der Minuzien: Wie viele Minuzien werden zur erfolgreichen Verifikation benötigt. - Maximalzahl der Minuzien: Mit wie vielen Minuzien der MSA Algorithmus arbeiten kann. - Rotationsfähigkeit: Um wie viel Grad können beide Fingerabdrücke bzw. die entsprechende Minuzienmenge zueinander umgedreht werden. Die Prozentangaben sind in Bezug zur Sensordimension zu setzen. 60

64 Untersuchung mit Testpersonen - Translationsfähigkeit: Um wie viel Prozent können beide Fingerabdrücke bzw. die entsprechende Minuzienmenge zueinander verschoben sein. - Andere Aspekte: Was noch aus dem Fingerabdruckbild extrahiert und zur Verifikation benutzt wird. 61

65 Testergebnisse der verschiedenen Systeme 5. Testergebnisse der verschiedenen Systeme 5.1 Einleitung Das vorliegende Kapitel enthält die Beschreibung der verschiedenen Systeme und die zugehörigen Testergebnisse. Einzelne Eigenschaften der Systeme (Sensoren) sind in separaten Unterkapiteln beschrieben. Diese Kapitel enthalten Name, Einordnung (Zutrittssystem / daktyloskopisches System), Abbildung des Sensors, Abmessungen des Sensors und des Geräts und zusätzliche Informationen. Daran schließt sich die Beschreibung der evaluierten Algorithmen an, wie z.b. Typ des verwendeten Merkmals (Minuzien / Muster), FAR und FRR Werte, Installation, Betriebsystem, usw. Am Ende der Beschreibung des Systems sind die Angaben über Lebenderkennung, abgerollte Fingerabdrücke, Preis und Hersteller. Am Ende jedes Abschnitts ist die entsprechende ROC Kurve beigefügt. Die Bedeutung der ROC Kurven ist im Kapitel 2 dieses Berichts beschrieben. Als Ergebnis des Vergleichs zwischen zwei Fingerabdrücken bekommen wir einen Ähnlichkeitswert, den sogenannten Matching Score. Um einen Graph mit Kurven für berechtigte und unberechtigte Personen zu erzeugen, müssen die gesamten Fingerabdrücke in der Datenbank miteinander verglichen werden. Die Score-Werte beim Vergleich von Fingerabdrücken, die vom gleichen Finger stammen, erzeugen die Wahrscheinlichkeitsdichte für berechtigte Personen. Die Fingerabdrücke, die von unterschiedlichen Fingern (Personen) stammen erzeugen die Wahrscheinlichkeitsdichte für unberechtigte Personen als Funktion des Score Wertes. In Abhängigkeit des eingestellten Schwellwertes ergeben sich verschiedene Fehlerraten. Im idealen Fall überlappen die Dichten nicht und ein Schwellwert T ist einstellbar, bei dem keine Fehler auftreten. Aufgrund der Unzulänglichkeit existierender Systeme werden sowohl Fehler in Bezug auf eine falsche Akzeptanz FMR(T) wie auch eine falschen Abweisung FNMR(T) auftreten. Der Wertebereich von T liegt zwischen 0 und 1. Die Darstellung von FNMR(T) als Funktion von FMR(T) eliminiert die Schwelle T als Parameter und ermöglicht somit den objektiven Vergleich verschiedener Systeme auch, wenn diese völlig unterschiedliche Wahrscheinlichkeitsdichten aufweisen. Diese so genannte ROC Kurve stellt die Basis für den Vergleich verschiedener Fingerabdrucksysteme dar wie in BioFinger gefordert. Diese Kurven sind in jedem Unterkapitel am Ende beigefügt. Insgesamt erhält man für alle Sensoren und für alle Algorithmen eine Matrix an möglichen ROC-Kurven siehe Tabelle Sensor 1... Sensor i... Sensor M Algorithmus 1 ROC ROC i1... ROC M Algorithmus j ROC 1j... ROC ij... ROC Mj Algorithmus N ROC 1N... ROC in... ROC MN Abbildung 5.1.1: Matrix der ROC Kurven 62

66 Testergebnisse der verschiedenen Systeme Eine Zeile der Matrix enthält alle ROC Kurven für einen festen Algorithmus und alle möglichen Sensoren, sofern diese vom Algorithmus unterstützt werden. Die Spalten enthalten ROC Kurven für einen festen Sensor und verschiedene Algorithmen. Zur Erzeugung der Kurven wurden alle Bilder von allen Sensoren mit allen Algorithmen evaluiert. Die Ergebnisse dieser Bearbeitung sind als Kurve in dieser Matrix gespeichert. Entlang einer Spalte der Matrix können alle ROC Kurven in einen Graph eingetragen werden. Damit kann die Frage beantwortet werden, mit welchem Algorithmus der Sensor am besten zusammenarbeitet d.h. es kann die beste ROC Kurve in dem Graph mit mehreren ROC Kurven für unterschiedliche Algorithmen ausgewählt werden. (Nummer 2 in Abbildung 5.1.1). Das gleiche kann auch für die Algorithmen durchgeführt werden. Entlang einer Zeile der Matrix kann die ROC Kurve in einen Graph eintragen werden. Damit kann man die Frage beantworten, mit welchem Sensor arbeitet der Algorithmus am besten d.h. es kann die beste ROC Kurve in diesem Graph mit mehreren ROC Kurven für unterschiedliche Sensoren ausgewählt werden. (Nummer 1 in Abbildung 5.1.1). 63

67 Testergebnisse der verschiedenen Systeme 5.2 Evaluation der Qualität der Fingerabdrücke Um die Qualität des Fingerabdruckbildes zu evaluieren wurden verschiedene Metriken wie der Kontrast, die prozentuale Abweichung des Mittelwertes im Histogramm sowie die Trennbarkeit untersucht. Die Qualität eines Fingerabdruckbildes ist dabei nicht über die Bildqualität an sich definiert, sondern in Bezug auf die Qualität der Verifikation d.h. die Performanz oder die gemessenen Fehlerraten. Da sich die Performanz der Verifikation in den ROC Kurven widerspiegelt, müssen diese entsprechend dem verwendeten Algorithmus ausgewertet werden. Aus diesem Grund wurden für den jeweiligen Algorithmus die Reihenfolge der ROC Kurven von der Kurve mit der schlechtesten Performanz zur besten hin aufgestellt. Anschließend wurden die verschiedenen Metriken als Funktion dieses Ranking der verschiedenen Sensoren für einen festen Algorithmus aufgetragen (siehe Abbildung 5.2.1). Metrik Ranking Abbildung 5.2.1: Qualitätsmetrik als Funktion des Ranking Sofern eine Korrelation zwischen dem jeweiligen Qualitätsmaß und dem von den Sensoren gelieferten Fingerabdruckbild besteht, sollte dies aus diesen Grafiken in Abhängigkeit von dem jeweiligen Algorithmus zu sehen sein. Die nachfolgenden Grafiken stellen die verschiedenen Qualitätsmetriken als Funktion des Ranking entsprechend dem ROC Diagramm am Beispiel des Algorithmus 1 dar. Für die anderen Algorithmen ergeben sich hinsichtlich der Korrelation zwischen der zugrundeliegenden Metrik und der Performanz der Verifikation in der Schlussfolgerung die gleichen Ergebnisse. Sofern eine Korrelation zwischen der Qualitätsmetrik und der Verifikation besteht sollte ein höheres Ranking eine höhere Qualität der Fingerabdruckbilder und damit des Sensors bedeuten. Dies konnte mit keiner der zugrundeliegenden Metriken für die verschiedenen Algorithmen abgeleitet werden. 64

68 Testergebnisse der verschiedenen Systeme Kontrast 1 Algorithmus Ranking Prozentuale Abweichung Algorithmus Ranking Trennbarkeit Algorithmus Ranking Abbildung 5.2.2: Qualität als Funktion des Ranking (Kontrast, Prozentuale Abweichung, Trennbarkeit) für den Algorithmus 1 65

69 Testergebnisse der verschiedenen Systeme 5.3 Vergleich der Systeme Um die verschiedenen Systeme zu vergleichen kann man für jeden Sensor die beste ROC Kurve herausnehmen und in einen Plot einfügen. Damit erhält man die Kombinationen der einzelnen Systeme geordnet nach Performanz, d.h. den geringsten Fehlerraten. Dies stellt einen Pfad durch die Matrix der ROC Kurven dar (siehe Abbildung 5.3.1). Sensor 1... Sensor i... Sensor M Algorithmus 1 ROC ROC i1... ROC M Algorithmus j ROC 1j... ROC ij... ROC Mj Algorithmus N ROC 1N... ROC in... ROC MN Abbildung 5.3.1: Pfad in der Matrix Der Vergleich der verschiedenen Systeme ist in Abbildung zu sehen. FRR S3 S9 S2 S10 S11 S13 S1 A7 EER S2 A4 S3 A6 S4 A7 S5 A7 S6 A7 S7 A6 S8 A6 S9 A4 S10 A7 S11 A7 S13 A S1 10 S8 S FAR Abbildung 5.3.2: Beste ROC Kurven für alle Sensoren Die Auswahl der besten ROC Kurve für einen Sensor ist nicht immer eindeutig, da die beste Kurve nicht für alle Wertepaare (FRR, FAR) am nächsten am Nullpunkt liegt. S6 S4 S7 Algorithmus Sensoren ALG 7 1, 4, 5, 6, 10, 11 ALG 6 3, 7, 8, 13 ALG 4 2, 9 Tabelle 5.3.1: Algorithmus-Scanner Kombinationen 66

70 Testergebnisse der verschiedenen Systeme Darüber hinaus bewegt man sich für verschiedene Anwendungsszenarien auf festgelegten Arbeitsgeraden (gleiche Fehler, EER siehe Abb ) oder in bestimmten Bereichen der ROC Kurve (siehe Abschnitt 3.3). Im folgenden wurden daher die Auswertung zusätzlich für die Arbeitsgeraden FAR = FRR (EER) und einer festgelegten FAR = 0.01 durchgeführt. Die Ergebnisse sind für die verschiedenen Sensoren und Algorithmen in den folgenden Tabellen dokumentiert. DB 1 DB 2 DB 3 DB 4 DB 5 DB 6 DB 7 DB 8 DB 9 DB 10 DB 11 DB 13 ALG ALG ALG ALG ALG ALG ALG Tabelle 5.3.2: EER für Sensoren Algorithmen Kombinationen (1 = 100 %) DB 1 DB 2 DB 3 DB 4 DB 5 DB 6 DB 7 DB 8 DB 9 DB 10 DB 11 DB 13 ALG ALG ALG ALG ALG ALG ALG Tabelle 5.3.3: FRR(FAR = 0.01) für Sensoren Algorithmen Kombinationen (1 = 100 %) In diesem Zusammenhang ist darauf hinzuweisen, dass nicht alle Algorithmen für alle Sensoren getestet werden konnten, da seitens der Algorithmenhersteller die Anpassung an die Fingerabdruckscanner nicht rechtzeitig erfolgen konnte. Dies ist an den fehlenden Säulen für bestimmte Algorithmus-Sensor Kombinationen in der Grafik auf der folgenden Seite zu sehen. 67

71 Testergebnisse der verschiedenen Systeme Abbildung 5.3.3: EER für Algorithmen und Sensoren Abbildung 5.3.4: FRR bei FAR = 0,01 für alle Algorithmen und Sensoren 68

72 Testergebnisse der verschiedenen Systeme 5.4 ROC-Kurve für Sensor SENSOR 1 A1 A2 A3 A4 A5 A6 A FRR FAR 5.5 ROC-Kurve für Sensor SENSOR FRR 10-2 A1 A2 A3 A4 A5 A6 A FAR 69

73 Testergebnisse der verschiedenen Systeme 5.6 ROC-Kurve für Sensor SENSOR FRR 10-2 A1 A2 A3 A4 A5 A6 A FAR 5.7 ROC-Kurve für Sensor SENSOR FRR 10-2 A1 A2 A3 A4 A5 A6 A FAR 70

74 Testergebnisse der verschiedenen Systeme 5.8 ROC-Kurve für Sensor SENSOR FRR A1 A2 A3 A4 A5 A6 A FAR 5.9 ROC-Kurve für Sensor SENSOR FRR A1 A2 A3 A4 A5 A6 A FAR 71

75 Testergebnisse der verschiedenen Systeme 5.10 ROC-Kurve für Sensor SENSOR 7 A1 A3 A4 A6 A FRR FAR 5.11 ROC-Kurve für Sensor SENSOR 8 A1 A2 A3 A4 A5 A6 A FRR FAR 72

76 Testergebnisse der verschiedenen Systeme 5.12 ROC-Kurve für Sensor SENSOR FRR A1 A3 A4 A6 A FAR 5.13 ROC-Kurve für Sensor SENSOR 10 A1 A2 A3 A4 A5 A6 A FRR FAR 73

77 Testergebnisse der verschiedenen Systeme 5.14 ROC-Kurve für Sensor SENSOR 11 A1 A2 A3 A4 A5 A6 A FRR FAR 5.15 ROC-Kurve für Sensor Beschreibung des Systems Beschreibung: Fingerabdruckbilder des BKA Datensatzes Abbildung: Beispielbild Auflösung [dpi]: 500 Bildgrösse:

78 Testergebnisse der verschiedenen Systeme ROC-Kurve 10 0 SENSOR 13 A1 A4 A5 A6 A FRR FAR Abbildung : ROC Kurven für den Sensor 13 75

79 Testergebnisse der verschiedenen Systeme 5.16 ROC-Kurve für Algorithmus ALGORITHMUS FRR S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S FAR 5.17 ROC-Kurve für Algorithmus ALGORITHMUS FRR S1 S2 S3 S4 S5 S6 S10 S11-3 S FAR 76

80 Testergebnisse der verschiedenen Systeme 5.18 ROC-Kurve für Algorithmus ALGORITHMUS FRR S S2 S3 S4 S5 S6 S7 S8 S9 S10 S FAR 5.19 ROC-Kurve für Algorithmus FRR ALGORITHMUS 4 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S S9 S5S4 S6 S10 S FAR 77

81 Testergebnisse der verschiedenen Systeme 5.20 ROC-Kurve für Algorithmus ALGORITHMUS FRR 10-2 S1 S2 S3 S4 S5 S6 S8 S10 S11 S FAR 5.21 ROC-Kurve für Algorithmus ALGORITHMUS FRR 10-2 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S FAR 78

82 Testergebnisse der verschiedenen Systeme 5.22 ROC-Kurve für Algorithmus FRR ALGORITHMUS 7 S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 EER S11 S FAR 79

83 6. Untersuchung mit der Fingerabdruckdatenbank 6.1 Beschreibung der Datenbasis Untersuchungen mit der Fingerabdruckdatenbank Für die Untersuchungen der Unterscheidbarkeit von Fingerabdrücken und des Einflusses der Alterung der Fingerabdrücke auf die Verifikation wurden zwei vom BKA speziell ausgewählte Datensätze genutzt. Ein Datensatz besteht aus sieben Listen mit jeweils unterschiedlicher Anzahl von Fingerabdrücken von unterschiedlichen Personen, die beim Vergleich in dem AFIS-System des BKA eine signifikante Ähnlichkeit aufweisen. Der zweite Datensatz umfasst die Fingerabdrücke von insgesamt 183 Personen über einen großen Zeitraum hinweg. Die Anzahl der Erfassungen als Funktion der Jahreszahl ist der folgenden Grafik zu entnehmen (siehe Abb ). 40 Anzahl der Erfassungen Häufigkeitsverteilung Jahr der Erfassung Abbildung 6.1.1: Gesamtanzahl der Erfassungen in Abhängigkeit vom Jahr der Erfassung Die vorliegenden Zeitintervalle zwischen den ED-Behandlungen lassen sich aus der Abbildung entsprechend den Werten auf der x-achse entnehmen Anzahl Zeitintervall Abbildung 6.1.2: Anzahl der Erfassungen pro Zeitintervall 80

84 Untersuchungen mit der Fingerabdruckdatenbank Darüber hinaus können die Anzahl der Erfassungen für das jeweilige Zeitintervall abgelesen werden. Die Abnahme der Anzahl in Abhängigkeit von der Zeitdifferenz zwischen den erkennungsdienstlichen Behandlungen hat zur Folge, dass weniger Fingerabdrücke für den Vergleich gleicher Finger zur Verfügung stehen. Demzufolge sinkt die statistische Signifikanz für den Vergleich von Fingerabdrücken die 30 Jahre auseinanderliegen im Vergleich zu den Fingerabdrücken, die 10 Jahre auseinanderliegen. Des weiteren existieren nicht bei allen Personen Fingerabdruckblätter, die 10, 20 bzw. 30 Jahre auseinanderliegen. 100 Anzahl Personen Zeitintervall Abbildung 6.1.3: Anzahl der Personen mit entsprechenden Zeitintervallen Für diesen Test wurden nur 3 Algorithmen benutzt, da nur 3 Hersteller die Konfigurations dateien für diese Untersuchung angepasst haben. Entsprechend Abbildung existieren für die in nachfolgender Tabelle angegebene Anzahl von Personen Fingerabdrücke mit Zeitintervallen von 10, 20 bzw. 30 Jahren: Zeitintervall Anzahl der Personen

85 Untersuchungen mit der Fingerabdruckdatenbank 6.2 Untersuchung der Unterscheidbarkeit bei ähnlichen Fingerabdrücken Beschreibung der Untersuchung Neben der Einmaligkeit und natürlichen Unveränderlichkeit (Grundtatsachen der Daktyloskopie) von biometrischen Erkennungsminuzien stellt die Eigenschaft der Klassifizierbarkeit und Unterscheidbarkeit von verschiedenen Fingerabdrücken mit Hilfe von biometrischen Systemen eine wesentliche Voraussetzung für die Anwendung des biometrischen Merkmals dar. Um die Leistungsfähigkeit der verschiedenen Algorithmen in Bezug auf die Unterscheidbarkeit zu testen, wurden aus dem Datenbestand des BKA spezielle Fingerabdrücke ausgewählt. Es handelt sich um Fingerabdrücke, die von unterschiedlichen Fingern stammen, aber Ähnlichkeiten untereinander aufweisen, die diese Abdrücke für biometrische Systeme schwer unterscheidbar machen (sogenannte biometrische Zwillinge ). Demzufolge kann das biometrische System durch die ähnlichen Fingerabdrücke in die Irre geführt werden und Fingerabdrücke von verschiedenen Fingern als vom gleichen Finger stammend bewerten. Da der Datensatz mit Hilfe des AFIS-System des BKA ausgewählt wurde, sind die erzielten Messergebnisse relativ zur Performanz des AFIS-Systems zu setzen. Da alle diese Bilder abgerollt worden sind, ist die Fläche dieser Fingerabdrücke natürlich größer als von aufgelegten Fingerabdrücken. In den gerollten Fingerabdrücken kann man beide Hauptmerkmale des Fingerabdrucks finden Delta und Kern. Einige Bilder weisen sehr ähnliche Minuzienmuster auf. Am größten ist die Ähnlichkeit in der Position der Minuzien. Verwendet der Algorithmus keine zusätzliche Informationen wie Typ, Winkel oder Muster des Fingerabdrucks könnten verschiedene Fingerabdrücke mit ähnlichen Positionen als vom gleichen Finger ausgewertet werden. Bei Verwendung dieser zusätzlichen Informationen ist die Wahrscheinlichkeit einer Fehlklassifikation geringer Daktyloskopische Systeme führen, anders als Zutrittskontrollsysteme, zusätzlich eine Musterklassifizierung der Fingerabdrücke durch (Einordnung des Fingerabdrucks in eine Musterklasse anhand des groben Musters der Papillarlinien im ganzen Fingerabdruck; Musterklassen: Bogen, Schleife und Wirbel). Die meisten Zutrittskontrollsysteme benutzen keine Musterklassifizierung, sondern extrahieren nur die Minuzien und definieren nur zwei Arten von Minuzien (Linienendung und Gabelung). Abbildung 6.2.1: Beispiel für ähnliche Fingerabdrücke 82

86 Untersuchungen mit der Fingerabdruckdatenbank Um die Performanz der verschiedenen Algorithmen in Bezug auf die Unterscheidbarkeit zu testen, wurden die vom BKA ausgewählten unterschiedlichen Fingerabdrücke als Datenbasis herangezogen. Es wurde die Wahrscheinlichkeitsdichte p u z (s H u ) der Ähnlichkeitswerte für den Vergleich von unterschiedlichen Fingerabdrücken (Index u) biometrischer Zwillinge (Index z) experimentell bestimmt. Für die Bestimmung der Wahrscheinlichkeitsdichte p g (s H g ) der Ähnlichkeitswerte gleicher Fingerabdrücke (Index g) wurden aus dem Datensatz die Fingerabdruckbilder gleicher Personen mit einem möglichst kurzem Zeitraum zwischen den Erfassungen ausgewählt. Dies geschah insbesondere im Hinblick darauf, die Untersuchung der Unterscheidbarkeit nicht mit der Untersuchung der Alterungseigenschaften beim Vergleich gleicher Fingerabdrücke (siehe nächster Abschnitt) zu vermischen. Bei der Untersuchung der Unterscheidbarkeit wurden Fingerabdrücke unterschiedlicher Personen - die nicht die Eigenschaft einer großen Ähnlichkeit untereinander aufweisen - paarweise miteinander verglichen, um eine zweite Wahrscheinlichkeitsdichte p u (s H u ) zu ermitteln die als Vergleich für den jeweiligen Algorithmus herangezogen werden kann (siehe Abbildung 6.2.2). z p (s H ) p (s H ) p ( s H ) u u u u ( s ) p g H g 0 S Abbildung 6.2.2: Abhängigkeit der Wahrscheinlichkeitsdichten beim Vergleich biometrischer Zwillinge Da sich die Wahrscheinlichkeitsdichte p g (s H g ) der Ähnlichkeitswerte gleicher Fingerabdrücke (Index g) nicht ändert, sollte sich bei einer Veränderung der Funktion p u (s H u ) Ω p u z (s H u ) beim Vergleich von biometrischen Zwillingen eine Verschiebung der ROC-Kurve entlang der FAR Achse ergeben (siehe Abbildung 6.2.3). FRR 1 Δt 2 Δt 1 1 FAR Abbildung 6.2.3: Verschiebung der ROC Kurve beim Vergleich biometrischer Zwillinge 83

87 Untersuchungen mit der Fingerabdruckdatenbank Damit lassen sich die Veränderungen der Wahrscheinlichkeitsdichten für den Vergleich unterschiedlicher Finger mit dem jeweiligen Algorithmus bestimmen. Darüber hinaus kann die Veränderung der ROC-Kurve und damit der Fehlerraten für jeden Algorithmus untersucht werden. Zusätzlich können die verschiedenen Algorithmen in Bezug auf die Fähigkeit der Unterscheidung ähnlicher Fingerabdrücke miteinander verglichen werden, wenn alle ROC-Kurven in eine Grafik eingetragen werden Untersuchungsergebnisse Entsprechend obiger Beschreibung wurden die Messungen für die einzelnen Algorithmen vorgenommen. Die verwendeten Algorithmen werden entsprechend Kapitel 2 mit ALG i, i = 1,...,N ALG bezeichnet. Im folgenden werden die Messergebnisse der Tests mit den oben angegebenen Algorithmen dargestellt. Zwei Algorithmen fehlen in diesem Test, da die Anpassung an die Fingerabdruckbilder vom BKA leider bis zu Testbeginn nicht mehr vorgenommen werden konnte. Die angenommene Aussage des Tests entsprechend den obigen Betrachtungen wird für einen Großteil der Algorithmen bestätigt. Der Vergleich von ähnlichen Fingerabdrücken, die von verschiedenen Fingern stammen, reduziert die Performanz bei allen Algorithmen bis auf Algorithmus 7. Die Performanz von Algorithmus 6 ist aber beim Vergleich biometrischer Zwillinge immer noch besser als die Performanz der restlichen Algorithmen (siehe Abbildung 6.2.9) Originaldaten Biometrische Zwillinge EER 10-1 FRR FAR Abbildung 6.2.4: Verschiebung der ROC Kurve beim Vergleich biometrischer Zwillinge für Algorithmus 1 84

88 Untersuchungen mit der Fingerabdruckdatenbank 10 0 Originaldaten Biometrische Zwillinge ERR 10-1 FRR FAR Abbildung 6.2.5: Verschiebung der ROC Kurve beim Vergleich biometrischer Zwillinge für Algorithmus Originaldaten Biometrische Zwillinge EER 10-1 FRR FAR Abbildung 6.2.6: Verschiebung der ROC Kurve beim Vergleich biometrischer Zwillinge für Algorithmus 5 85

89 Untersuchungen mit der Fingerabdruckdatenbank 10 0 Originaldaten Biometrische Zwillinge ERR 10-1 FRR FAR Abbildung 6.2.7: Verschiebung der ROC Kurve beim Vergleich biometrischer Zwillinge für Algorithmus Originaldaten Biometrische Zwillinge EER 10-1 FRR FAR Abbildung 6.2.8: Verschiebung der ROC Kurve beim Vergleich biometrischer Zwillinge für Algorithmus 7 86

90 Untersuchungen mit der Fingerabdruckdatenbank 10 0 Algorithmus 1 Algorithmus 4 Algorithmus 5 Algorithmus 6 Algorithmus 7 ERR 10-1 FRR FAR Abbildung 6.2.9: Vergleich der Performanz der Algorithmen beim Vergleich biometrischer Zwillinge 87

91 Untersuchungen mit der Fingerabdruckdatenbank 6.3 Untersuchung der Alterungseigenschaften der Fingerabdrücke Beschreibung der Untersuchung Die in diesem Abschnitt dargestellte Untersuchung konzentriert sich auf die Fingerabdrücke, die von gleichen Fingern stammen. Zudem soll hier ausschließlich der Alterungseffekt für Fingerabdrücke betrachtet werden. Der Alterungsprozess ändert die Struktur des Fingerabdrucks in den meisten Fällen nicht. Die Papillarlinien weisen immer das gleiche Muster auf, da diese Information in der Epidermis kodiert ist. Wenn man sich nicht sehr tief verletzt, d.h. nur die Oberhaut verwundet, läuft derselbe Prozess ab nach einiger Zeit bilden sich die gleichen Verläufe der Papillarlinien wie vorher nach. Auch der Alterungsprozess kann die Verläufe der Papillarlinien nicht ändern. Der Fingerabdruck ist evtl. größer, die Papillarlinien können flacher sein (da evtl. von der Arbeit abgenutzt) und der Finger kann einige Wunden aufweisen. Die Struktur dagegen bleibt immer gleich. Aus diesem Grund sollte es für die verschiedenen Verifikationsalgorithmen nicht schwer sein, vom gleichen Finger stammende Fingerabdrücke, die sich nur im Aufnahmezeitpunkt unterscheiden, als gleichen Finger zu identifizieren. Abbildung 6.3.1: Beispiel eines Fingerabdruckes von gleichem Finger zu verschiedenen Zeitpunkten (links oben nach rechts unten: 1960, 1962, 1980, 2001) Um den Einfluss der Alterung zu testen wurden Fingerabdrücke des gleichen Fingers aus der Datenbasis herangezogen, um die Wahrscheinlichkeitsdichte p g Δt (s H g ) der Ähnlich 88