Eerder cognitief psychologisch onderzoek suggereert dat oogbewegingen aanzienlijk kunnen verschillen van persoon tot persoon. interessant, deze individuele kenmerken in oogbewegingen zijn relatief stabiel gebleken in de tijd en grotendeels onafhankelijk van waar men naar kijkt. Met andere woorden, mensen vertonen verschillende patronen in de manier waarop ze hun ogen bewegen en deze unieke 'oogbewegingen' kunnen worden gebruikt als identificatiemiddel.

Gefascineerd door deze observaties, onderzoekers van de Universiteit van Potsdam, in Duitsland, hebben onlangs een nieuwe biometrische identificatiemethode ontwikkeld die werkt door microbewegingen van het oog te verwerken. In hun studie hebben voorgepubliceerd op arXiv, ze voerden een grondig onderzoek uit naar de onwillekeurige oogbewegingen van mensen en gebruikten hun bevindingen om DeepEyedentification te ontwikkelen, een deep learning-architectuur die mensen kan identificeren door eye-tracking-signalen te analyseren.

Het idee om individuen te identificeren op basis van hun oogbewegingen bestaat al meer dan een decennium, toch hebben de tot dusver voorgestelde methoden aanzienlijke beperkingen. Bijvoorbeeld, de meeste van deze methoden zijn niet erg nauwkeurig of nemen te veel tijd in beslag om tot een conclusie te komen (d.w.z. vereisen lange opnames van oogbewegingen van ongeveer een minuut), wat ze vrij onpraktisch maakt voor toepassingen in de echte wereld.

"Bij psychologisch onderzoek het is standaard om de oogbewegingsgegevens voor te verwerken in verschillende soorten oogbewegingen, "Lena Jager, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Vroegere biometrische methoden hebben deze praktijk overgenomen ten koste van een groot verlies van informatie die aanwezig is in de ruwe oogbewegingsgegevens, zoals een hoogfrequente tremor van het oog. Ons belangrijkste idee was om gebruik te maken van deze hoogfrequente kenmerken en niet voor het verwerken van gegevens, maar train liever een diep convolutienetwerk op een end-to-end manier met behulp van de onbewerkte samples verzameld met 1000 frames per seconde als input."

In hun studie hebben Jäger en haar collega's toonden aan dat niet-voorbewerkte eye-trackinggegevens tot een veel hogere nauwkeurigheid leiden dan de bestaande benaderingen, terwijl ook kortere videofeeds nodig zijn. Het foutenpercentage van het DeepEyedentication-netwerk is één orde van grootte lager en identificatie is twee ordes sneller dan de voorheen best presterende methode.

Na het opnemen van slechts één seconde aan oogbewegingsgegevens, het model had na 100 seconden opname al dezelfde nauwkeurigheid bereikt als het voorheen best presterende model. Bovendien, na vijf seconden opname van oogbewegingen, het foutenpercentage was 10 keer kleiner. De onderzoekers trainden hun netwerk op twee verschillende datasets, een die ze verzamelden in een eerder onderzoek waarbij gebruikers verschillende teksten lazen, en een andere verzamelde terwijl deelnemers een stip willekeurig op het computerscherm zagen springen.

"Tijdens het bekijken van een stimulus op een computerscherm (in onze datasets een tekst of een springende stip) meet een cameragebaseerd eyetracking-apparaat waar de gebruiker kijkt, " legt Jäger uit. "Deze gegevens werden ingevoerd in een diep neuraal netwerk dat het transformeert in een eigenzinnige weergave van het oogbewegingsgedrag van de gebruiker, die onafhankelijk is van de specifieke stimulus op het scherm."

Eigenlijk, Jäger en haar collega's hebben hun model getraind om kenmerken van oogbewegingsgegevens te identificeren die bijzonder nuttig zijn om onderscheid te maken tussen verschillende individuen. Hun model gebruikt deze idiosyncratische weergave van de invoergegevens die eraan worden toegevoerd, samen met andere gebruikersgegevens die in het systeem zijn opgeslagen, om een ​​gebruiker te identificeren of hem/haar te weigeren.

"We laten zien dat biometrische identificatie op basis van oogbewegingen het potentieel heeft om een ​​serieuze concurrent te worden voor andere veelgebruikte biometrische identificatiemethoden, zoals vingerafdrukken, irisscan of gezichtsherkenning of deze technieken aanvullen, "Zei Jäger. "Cruciaal, biometrische identificatie op basis van oogbewegingen is intrinsiek minder kwetsbaar voor spoofing-aanvallen. Terwijl iris scant, gezichtsherkenning en vingerafdrukken kunnen worden vervalst door 2D- of 3D-replica's (bijv. gedrukte contactlenzen, of 3D-replica's zoals een kunstoog, een gezichtsmasker of een valse vingerafdruk), spoofing van oogbewegingen zou een apparaat vereisen dat een videosequentie in het infraroodspectrum kan weergeven met een snelheid van 1, 000 beelden per seconde."

Tot dusver, de nieuwe biometrische identificatiemethode die is ontwikkeld door Jäger en haar collega's heeft veelbelovende resultaten opgeleverd. In de toekomst, het kan helpen om de beveiliging van een groot aantal apparaten te verbeteren, inclusief smartphones, laptops en tablets. Omdat deze nieuwe benadering onafhankelijk werkt van waar een gebruiker naar kijkt, zouden de onderzoekers eenvoudig een zogenaamde 'liveliness detection module' kunnen toevoegen, ', wat de veiligheid verder zou vergroten. Zo'n module zou automatisch controleren of de oogbewegingen van een gebruiker overeenkomen met een visuele stimulus die op het scherm wordt gepresenteerd, wat niet het geval zou zijn als iemand het systeem probeerde te vervalsen met behulp van een vooraf opgenomen video.

"We are currently working with high-resolution and high sampling frequency eye trackers under laboratory conditions, " Jäger said. "Our next step is to develop an algorithm that can also deal with noisier data and lower sample rates under realistic conditions. This is necessary to make biometric identification from eye movements affordable and applicable to a wide range of real-world applications."

© 2019 Wetenschap X Netwerk