2016年12月30日

◆ 生体認証と Deep Learning

 現状の生体認証はエラーが多すぎるので、Deep Learning と組み合わせることで、エラーを回避できるだろう。

 ──

 現状の生体認証はエラーが多すぎる、という報告があった。
 生体認証が、よく失敗するのだ。一度か二度は、必ず「もう一度手をかざしてください」と再認証を求められる。
 最近では、季節が変わって寒くなった関係があるのかないのか、何度やってもダメということが起きるようになった。
 店内に設置してあるATMがほんとうにダメだ。5〜6回やっても認証が通らないということがザラだ。
( → 「人類に生体認証は早すぎたんだ」(その1:銀行ATMの手のひら静脈認証編) - しいたげられたしいたけ

 これは富士通の「てのひら認証」によるタイプ。誤認識(エラー)が頻繁に起こるようだ。

 一方、日立の「指認証」は、「近赤外線による透過」という方式なので、エラー率は低めのようだ。
  → 指静脈認証システムとは?:指静脈認証応用システム

 このタイプも、一般向けの簡易版である安価なタイプは、個人用途などで普及しているが、エラーが起こりがちだという。
 そいやiPhoneの指紋認証も最近全然通らなくなったなー。指が乾燥してるんだろうね
( → north_god のコメント / はてなブックマーク

 ──

 さて。いずれのタイプにも共通する問題がある。それは、こうだ。
 「初期は誤認識が少ないが、時間がたつにつれて、誤認識がどんどん起こるようになる」

 これは、当然のことだ。人間の体は経時的に変化するが、機械に記憶された画像は昔のままで固定されているからだ。当然、記憶されたデータと、現実とでは、どんどん乖離が大きくなる。これが根源的に発生する問題だ。「システムの精度を高めれば解決する」というような問題ではない。むしろ、「システムの精度を高めれば高めるほど、乖離が大きくなって、誤認識が起こりやすい」という逆効果が派生する。

 ──

 この問題を回避するために、私は提案しておこう。
 「 Deep Learning の技術を使って、誤認識をなくすべきだ」


 具体的には、次のようにする。
  ・ 照合用の内部データは、固定しない。
  ・ 照合するたびに、新たなデータを得て、それを蓄積する。
  ・ 蓄積したデータは、 Deep Learning でパターンマッチングする。


 こうすれば、エラー率は大幅に低くなるはずだ。
 たとえば、季節につれて肌が乾燥したとしても、その変化が少しずつ起こることで、前回と今回との差は少なめで済む。
 また、(ちょいちょい利用するのでなく)たまにしか利用しない人の場合も、うまく解決できる。経時的な変化を「集団のパターンマッチング」から予想すればいい。こうして変化の程度を予想することで、各人の誤認識が少なくなる。

 ──

 実を言えば、バラツキのある画像データのパターンマッチングというのは、 Deep Learning にとって最も得意な分野だ。だから、生体認証では、 Deep Learning の技術を使うべきなのだ。
 実際にはどうか? ググってみたが、たいして実現していないようだ。ほとんど記事がない。
  → 生体認証 Deep Learning - Google 検索

 その意味で、本項の提案は、けっこう役に立ちそうだ。
 


 [ 付記 ]
 「静脈認証」のほかに、「虹彩認証」もある。これだと、経時的な変化は小さいようだ。
   → 虹彩認証:世界で最も多く使われている生体認証システムです

posted by 管理人 at 09:57| Comment(0) | コンピュータ_04 | 更新情報をチェックする
この記事へのコメント
コメントを書く
お名前: [必須入力]

メールアドレス:

ホームページアドレス:

コメント: [必須入力]

過去ログ