泽迪-信息技术新动态主板应用新知识
新闻资讯
多模式生物特征认证解决方案的工作原理
来源: 时间:2021-11-06
每种形式的生物识别技术都有其独特的优缺点。 它们都不是普遍有效的。 为了提高生物特征认证技术的准确性和有效性,使用多模态生物特征识别解决方案进行安全分层非常重要。 我们可以在下图中看到这一点:

面向企业安全的 AI 生物识别认证

资料来源:MobiDev

* 移动应用程序上的神经网络可能难以开发和实施。 可以使用 TensorFlow Lite 将神经网络集成到应用程序中,但是存在各种限制。 使用 TensorFlow 库训练您的神经网络模型会有所帮助。 您需要事先周密地设计应用程序的架构,并将这些需求考虑在内。

** 如果本地应用程序不可用,则可以将此过程卸载到云中,以像 Rest API 一样处理数据。 但是,这会产生额外的网络资源并需要 Internet 连接。

有一个 Nvidia Docker 可以简化系统的部署,而服务提供商(例如 AWS)可以提供不间断的通信通道、神经网络的计算能力以及用于扩展系统的便捷接口。

测试 #1:面部识别

用户使用相机创建存储在设备上的照片印记。 此生物特征印记使用 OpenCV 库进行转换和标准化。

使用照片识别人脸,并突出显示 OpenCV 检测到的所有 64 个地标。 生物识别验证标志包括从鼻梁到眼睛的距离和其他面部特征。

这些地标和人脸的剪切图像被传输到深度神经网络,该网络使用 TensorFlow 库进行训练。

神经网络处理完成后形成eDNA特征向量。特征向量收集特定人的生物特征。向量的长度通常为 2048 位,但实际向量长度取决于 DNN 架构。

在验证过程中,会发布 eDNA 并与之前形成的锚记录进行比较。逆向工程是不可能的,因为无法访问向量。生物识别系统将定期更新此锚记录以匹配个人不断变化的外观。

测试 #2:语音验证

用户通过麦克风提供语音样本,然后由 Librosa 库处理。该库读取音频,对其进行转换和转换,然后将生物识别信息传输到神经网络 (DNN)。

形成了一个 eDNA 特征向量(2048 位),它考虑了诸如音色、语调、节奏、音高等生物特征,以及神经网络被训练来响应的其他特征。

相关资讯