СПОСОБ И СИСТЕМА АВТОМАТИЗИРОВАННОГО ОПРЕДЕЛЕНИЯ ПОРОГА ИДЕНТИФИКАЦИИ ДЛЯ БИОМЕТРИЧЕСКИХ ОБРАЗЦОВ В СИСТЕМЕ КОНТРОЛЯ ДОСТУПА Российский патент 2022 года по МПК G06F21/32 G06F17/11 G06V40/00 

ОБЛАСТЬ ТЕХНИКИ

[0001] Настоящее техническое решение, в общем, относится к области вычислительной обработки данных, а в частности, к способам определения порога идентификации для биометрических образцов в системе контроля доступа.

УРОВЕНЬ ТЕХНИКИ

[0002] В соответствии с ГОСТ Р ИСО/МЭК 19795-1-2007 Национального Стандарта Российской Федерации «Идентификация биометрическая» для определения ошибки второго рода биометрической верификации (FAR) при высоких скорбаллах (более 95% от максимума) лицевой биометрии с точностью +/-30% для доверительной вероятности 90% нужно по крайней мере 3е10 (30 событий для FAR 1е-9) независимых сравнений или 6е10 добровольцев. Этим же ГОСТ допускается альтернативный метод перекрестного сравнения, но данный метод не гарантирует статистическую независимость, что уменьшает доверительную вероятность для обеспечения требуемого уровня FAR по сравнению с тем же числом независимых испытаний. Но даже в этом случае для FAR 1е-9 потребуется более 245000 добровольцев (размеченных шаблонов, то есть шаблонов принадлежавшим разным людям), а для FAR 1е-10 потребуется уже более 775000 размеченных шаблонов. Учитывая, что это персональные данные, их сложно получить для исследований. Усугубляет проблему и тот факт, что люди при идентификации используют различные устройства, поэтому для того, чтобы результат исследования был не только статистически значимым, но и соответствовал реальности, устройства для сбора образцов должны соответствовать реально применяющимся устройствам и их частоте использования.

[0003] Из уровня техники известен способ определения порога идентификации для биометрических образцов, раскрытый в патенте US 8190540 В2.

[0004] В данном способе для определения порога идентификации для биометрических образцов, используются образцы, содержащие персональные данные пользователей, что снижает безопасность данного способа.

[0005] Недостатком существующих решений в данной области техники является низкая точность определения порога идентификации для биометрических образцов.

СУЩНОСТЬ ТЕХНИЧЕСКОГО РЕШЕНИЯ

[0006] Заявленное техническое решение предлагает новый подход в области определения порога идентификации для биометрических образцов в системе контроля доступа.

[0007] Решаемой технической проблемой или технической задачей является создание нового способа и системы определения порога идентификации для биометрических образцов в системе контроля доступа.

[0008] Основным техническим результатом, достигающимся при решении вышеуказанной технической проблемы, является повышение точности определения порога идентификации для биометрических образцов в системе контроля доступа.

[0009] Дополнительным техническим результатом, достигающимся при решении вышеуказанной технической проблемы, является повышение безопасности определения порога идентификации для биометрических образов в системе контроля доступа за счет использования логов с информацией о результатах реальных идентификаций, не содержащих персональные данные пользователей.

[0010] Заявленные результаты достигаются за счет компьютерно-реализуемого способа автоматизированного определения порога идентификации для биометрических образцов в системе контроля доступа, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, на которых:

a) получают ретроспективные данные, содержащие сведения о результатах сравнения биометрических образцов, проходящих идентификацию, с зарегистрированными биометрическими шаблонами, при которых результат имеет наивысший скоринговый балл;

b) отбирают данные идентификации образцов за выбранный период времени, в ходе которого количество зарегистрированных биометрических шаблонов изменялось не более чем на 1% за выбранный период времени;

c) определяют количество идентификаций n и количество зарегистрированных биометрических шаблонов N за выбранный период времени;

d) определяют для данных идентификации, полученных на этапе b) информацию о поменьше мере двух скоринговых баллов ТОР-1 и ТОР-2, где ТОР-1 максимальное значение скорингового балла идентификации, ТОР-2 -следующее за ТОР-1 значение скорингового балла, при этом значения ТОР-1 и ТОР-2 выше порога аутентификации;

e) формируют гистограмму, состоящую из m элементов (T1i), распределения скорингового балла ТОР-1 идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла;

f) формируют гистограмму, состоящую из m элементов (T2i), распределения скорингового балла ТОР-2 идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла;

g) определяют для каждой точки гистограмм сумму значений всех элементов гистограммы, начиная с текущего, получая новые гистограммы из m элементов;

h) определяют значение FARi (вероятность ложного допуска при аутентификации) с помощью системы уравнений, используя данные, полученные на этапах с, g;

i) на основе полученных значений FARi на предыдущем этапе, рассчитывают значение FPIRi (вероятность ложноположительной идентификации) по формуле:

j) и на основе полученных значений FPIRi определяют порог идентификации для биометрических образцов, и

k) назначают полученный порог идентификации для по меньшей мере одного биометрического сенсора.

[0011] Также заявленные технические результаты достигаются за счет системы определения порога идентификации для биометрических образцов в системе контроля доступа, содержащая:

по меньшей мере один процессор;

по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивает выполнение заявленного способа.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0012] Признаки и преимущества настоящего изобретения станут очевидными из приводимого ниже подробного описания изобретения и прилагаемых чертежей, на которых:

[0013] Фиг. 1 иллюстрирует общую схему заявленного способа.

[0014] Фиг. 2 иллюстрирует пример общего вида вычислительной системы, которая обеспечивает реализацию заявленного решения.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

[0015] На сегодняшний день биометрические системы уже привычны каждому и активно участвуют в нашей жизни. Сканеры отпечатков пальцев, встроенные в смартфоны, технологии распознавания лиц и прочие инструменты постепенно приходят на замену традиционным методам идентификации и все чаще проникают в крупные бизнесы, такие как банковское обслуживание и розничная торговля (ритейл). Биометрические системы имеют ряд преимуществ в сравнении с традиционными методами, так как приспособлены под идентификацию личности без возможности передачи ключа и во многом являются более удобными с точки зрения пользователя. Однако, чем более активно ведется внедрение такого вида систем, тем более остро встает вопрос обеспечения информационной безопасности.

[0016] Биометрическая идентификация - это процесс сравнения и определения сходства между данными человека и его биометрическим «шаблоном». Биометрия позволяет идентифицировать и провести верификацию человека на основе набора специфических и уникальных черт, присущих ему от рождения. Этот метод распознавания принято считать одним из самых надежных, так как в отличие от стандартных логина и пароля биометрическими данными гораздо сложнее несанкционированно воспользоваться.

[0017] Биометрическая идентификация может проводиться: по отпечатку пальца, по лицу, по радужной оболочке глаза, по геометрии рук, по термограмме лица, по ДНК, на основе акустических характеристик уха, по рисунку вен и т.д. не ограничиваясь.

[0018] Распознавание отпечатков пальцев является одним из первых биометрических методов. Он основан на определении структуры линий на подушечках пальцев рук, иначе - папиллярных узоров. После считывания сканером уникальный рисунок трансформируется в цифровой биометрический шаблон, при помощи которого система определяет, кто перед ней находится.

[0019] Идентификация по рисунку вен на пальцах/руках является усовершенствованной версией предыдущего метода идентификации. Взломать алгоритм его работы значительно труднее, чем при другом биометрическом сканировании, поскольку вены находятся глубоко под кожей. Инфракрасные лучи проходят через поверхность кожи, где они поглощаются венозной кровью. Специальная камера фиксирует изображение, оцифровывает данные, а затем либо сохраняет их, либо использует для подтверждения личности.

[0020] Определение геометрии руки относится к измерению таких характеристик, как длина и ширина пальцев, их кривизна и относительное расположение. На данный момент этот метод является устаревшим и уже почти не используется, хотя когда-то был доминирующим вариантом биометрической идентификации. Современные достижения в области программного обеспечения для распознавания отпечатков пальцев и лиц затмили его актуальность. Существует также тип биометрических методов распознавания рисунка ладони, получивший название «дактилоскопия.

[0021] Идентификация по радужной оболочке. Радужная оболочка, или цветная часть глаза, состоит из толстых нитевидных мышц. Эти мышцы помогают формировать зрачок, чтобы контролировать количество света, попадающего в глаз. Измеряя уникальные складки и характеристики этих мышц, инструменты биометрической верификации могут подтвердить личность с невероятной точностью. Технологии динамического сканирования (например, сканирование того, как человек моргает) добавляют дополнительный уровень точности и безопасности.

[0022] Проверка сетчатки позволяет отсканировать капилляры глубоко внутри глаза с помощью камер ближнего инфракрасного диапазона. Получившееся изображение сначала предварительно обрабатывается для улучшения его качества, а затем преобразовывается в биометрический шаблон для регистрации нового пользователя и для последующей сверки с эталоном во время попыток распознавания пользователя.

[0023] Технология распознавания лиц, безусловно, является одной из первых форм биометрических систем идентификации. Программное обеспечение такого рода измеряет геометрию лица, включая расстояние между глазами и от подбородка до лба (и это - лишь некоторые из параметров). После сбора данных усовершенствованный алгоритм преобразует их в зашифрованный код, иначе - подпись (сигнатуру) лица.

[0024] Идентификация по форме ушной раковины, в отличие от многих других биометрических методов, для которых требуются специальные камеры, данный вид идентификации измеряет акустику уха с помощью специальных наушников и неслышимых звуковых волн. Микрофон внутри каждого наушника измеряет то, каким образом звуковые волны отражаются от ушной раковины и расходятся в разных направлениях в зависимости от изгибов слухового прохода. Цифровая копия формы уха преобразуется в биометрический шаблон для дальнейшего использования.

[0025] Технология распознавания голоса попадает в сферы и физиологических, и поведенческих биометрических данных. С физиологической точки зрения такие системы распознают форму голосового тракта человека, включая нос, рот и гортань, определяют производимый звук. С поведенческой точки зрения они фиксируют то, как человек что-то говорит - вариации движений, тон, темп, акцент и т.д., что также является уникальным для каждого человека.

[0026] Термограмма - это представление инфракрасной энергии в виде изображения распределения температуры. Биометрическая термография лица фиксирует тепловые узоры, вызванные движением крови под кожей. Поскольку кровеносные сосуды каждого человека неповторимы, соответствующие термограммы также уникальны даже среди однояйцевых близнецов, что делает этот метод биометрической верификации даже более точным, чем традиционное распознавание лиц.

[0027] ДНК издавна использовалась в качестве метода идентификации. Кроме того, это - единственная форма биометрии, которая может отслеживать семейные связи. Сопоставление ДНК особенно ценно при работе с пропавшими без вести, выявлении жертв катастроф и потенциальной торговли людьми. Кроме того, помимо отпечатков пальцев, ДНК - единственный биометрический объект, который невозможно непреднамеренно «забыть». ДНК, собранная из волос, слюны и т.д., содержит последовательности коротких тандемных повторов (англ. short tandem repeat sequences, STR). С их помощью можно однозначно подтвердить личность, сравнивая их с другими STR в базе данных.

[0028] Вышеперечисленные методы идентификации содержат персональную информацию о пользователях, что осложняет доступ к таким данным для исследований.

[0029] Усугубляет ситуацию и тот факт, что пользователи при идентификации используют различные устройства, поэтому для того, чтобы результат исследования был не только статистически значимым, но и соответствовал реальности, устройства для сбора образцов должны ответствовать реально применяющимся устройствам и их частоте использования.

[0030] Биометрическая информация, как и любая другая, уязвима. Банки, больницы и любые другие учреждения то и дело подвергаются хакерским атакам, и часть информации попадает в руки злоумышленников. Но одно дело, если это - стандартные логин и пароль, а другое - если речь идет о биометрических данных. Ведь пароль можно сменить, а палец или радужку глаза - нет. В последнем случае при компрометации данных злоумышленник получает доступ ко всем активам с биометрической верификацией.

[0031] Заявленное техническое решение предлагает способ определения порога идентификации для биометрических образцов (ошибки второго рода биометрической верификации (FAR) и идентификации (FPIR) непосредственно на ПРОМ данных, используя не сами биометрические образцы, а логи с информацией о результатах реальных идентификаций.

[0032] Данные логи не содержат персональную информацию пользователей, что повышает безопасность определения порога идентификации для биометрических образов в системе контроля доступа.

[0033] В логах нет информации ни о FAR (false accept rate - ошибка второго рода при верификации для интересующего скорбалла), ни о FRR (false reject rate - ошибка первого рода при верификации для интересующего скорбалла), неизвестно и какое количество пользователей, которые проходили процесс идентификации, были зарегистрированы в системе. Но можно собрать статистику результатов идентификации для того или иного скорбалла (скоринговый балл - число, как правило от 0 до 1 (или от 0 до 100), которое характеризует степень похожести двух образцов. Где 0 - абсолютно не похож, 1 (или 100) - полное совпадение). При этом можно рассмотреть результаты идентификации как для лучшего кандидата (наиболее похожий шаблон среди зарегистрированных), так и для следующего кандидата, игнорируя лучшего.

[0034] Как показано на Фиг. 1, заявленный способ определения порога идентификации для биометрических образцов в системе контроля доступа (100), содержит ряд последовательных этапов, выполняемых с помощью по меньшей мере одного процессора.

[0035] На этапе (101) получают ретроспективные данные, содержащие сведения о результатах сравнения биометрических образцов, проходящих идентификацию, с зарегистрированными биометрическими шаблонами, при которых результат имеет наивысший скоринговый балл.

[0036] На данном этапе выполняется обработка исторических данных о результатах идентификаций, например, получаемые из логов идентификации за заданный временной промежуток (день, неделя, месяц и т.п.). При каждой идентификации биометрический образец каждого человека, например, изображения лица или сетчатки глаза, сравнивают со всеми биометрическими ранее зарегистрированными шаблонами. В результате этих сравнений получают значения скоринговых баллов, и максимальный из них или несколько максимальных (в данном случае используют два максимальных значения) являются результатом идентификации.

[0037] На этапе (102) выполняется отбор данных идентификации биометрических образцов за выбранный период времени, в ходе которого количество зарегистрированных биометрических шаблонов изменялось не более чем на 1% за выбранный период времени.

[0038] Осуществляется определение периода времени, за который исследуются ретроспективные данные по идентификациям, и выполняется их отбор (фильтрация) за выбранный период.

[0039] На этапе (103) осуществляется определение количества идентификаций n и количества зарегистрированных биометрических шаблонов N за выбранный период времени.

[0040] Для этого определяется количество идентификаций (n), выполненных за выбранный период, а также количество биометрических шаблонов (N), зарегистрированных в системе. Так как количество биометрических шаблонов за выбранный период могло меняться, то в качестве значения количества шаблонов (N) может приниматься среднее арифметическое количества шаблонов на начало и конец временного периода. Например, n=25000, N=10,000,000.

[0041] На этапе (104) для данных идентификации полученных на этапе (102) определяют информацию о поменьше мере двух скоринговых баллов ТОР-1 и ТОР-2, где ТОР-1 максимальное значение скорингового балла идентификации, ТОР-2 - следующее за ТОР-1 значение скорингового балла, при этом значения ТОР-1 и ТОР-2 выше порога аутентификации.

[0042] На данном этапе анализируется результат каждой идентификации, выбранной на этапе (102), впоследствии выполняется определение для каждой идентификации двух значений - максимальный скоринговый балл сравнения образца со всеми образцами, зарегистрированными в системе (ТОР-1), и второй по величине результат сравнения (ТОР-2).

Например, при идентификации были получены следующие скоринговые баллы: 98, 95, 93, 92… (записаны в порядке убывания). Для такой идентификации определяют только два значения: 98 и 95.

[0043] Важно отметить, что при формировании списка скорбаллов при идентификации может быть наложено условие на минимальное значение скорбалла. Эта граница (минимальное значение скорбалла, ниже которого результаты сравнения не принимаются во внимание) будет являться порогом аутентификации.

Например, если минимально интересующее значение скорбалла 80, а в результате идентификации были получены значения скорбаллов 83, 78, 77…, то в качестве результата идентификации определяется только значение 83. В качестве ТОР-1 и ТОР-2 такой идентификации определяют пару 83 и <80 (значение меньше 80). Если в результате идентификации все сравнения были ниже порога аутентификации, например, 75, 73, 70…, то определяется, что не было зафиксировано ни одного скорбалла выше требуемого порога и результатом такой идентификации является пустое множество. В качестве ТОР-1 и ТОР-2 такой идентификации определяют пару <80 и <80 (здесь 80 - порог аутентификации).

[0044] На этапе (105) выполняется формирование гистограммы, состоящей из m элементов (T1i), распределения скорингового балла ТОР-1 идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла.

[0045] На данном этапе весь диапазон скорбаллов от порога аутентификации до максимально возможного значения (точного совпадения двух образцов) делится на m частей (чем больше т, тем больше точек можно получить на графике).

Например, диапазон от 80 до 100 можно поделить на 20 равных частей: 80-81, 81-82, … 99-100. Определяется, какое количество значений ТОР-1, полученных на этапе (104), попадает в каждый диапазон. Формируется гистограмма для значений ТОР-1.

Например,

[0046] На этапе (106) осуществляется формирование гистограммы, состоящей из m элементов (T2i), распределения скорингового балла ТОР-2 идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла.

[0047] На данном этапе для тех же диапазонов, полученных на этапе (105), выполняют аналогичные действия для скорбаллов ТОР-2, и впоследствии формируется гистограмма для значений ТОР-2. Например,

[0048] На этапе (107) выполняется определение для каждой точки гистограмм сумм значений всех элементов гистограммы, начиная с текущего, получая новые гистограммы из m элементов (R1i и R2i)

[0049] На данном этапе для каждой точки гистограмм, полученных на этапах (105) и (106), выполняется расчет сумм значений на гистограмме, начиная с текущего до максимального скорбалла.

[0050] На этапе (108) рассчитывается значение FARi (вероятность ложного допуска при аутентификации) с помощью данных, полученных на этапах (103), (107), по следующей формуле:

[0051] На данном этапе для каждой пары значений двух рядов, полученных на этапе (107), находящихся на одинаковых позициях (R1i и R2i) и для известного значения количества зарегистрированных шаблонов (N) и идентификаций за период (n), определяется значение FARi (вероятность ложного допуска при аутентификации), принимая q=1. Для приведенных выше данных получают:

[0052] Как видно из таблицы, значение "у" для скорбалла 80 имеет максимальное значение, то есть выполняется условие выхода из цикла поиска решения: Если это условие не выполняется, то значение q уменьшается на 0.01 и вычисления этапа (108) повторяют с новым значением q.

[0053] На этапе (109) на основе полученных значений FARi на предыдущем этапе (108), рассчитывают значение FPIR (вероятность ложноположительной идентификации) по формуле:

[0054] На данном этапе рассчитывают значение FPIRi по приведенной выше формуле. Здесь N* - количество зарегистрированных шаблонов в системе, для которой требуется установить порог идентификации.

[0055] В качестве примера рассчитаем FPIR для 10 миллионов зарегистрированных биометрических шаблонов:

[0056] На этапе (110) на основе полученных значений FPIR, определяется порог идентификации для биометрических образцов.

[0057] На данном этапе имея в качестве настраиваемого параметра значение FPIR, и получив таблицу, построенную на этапе (109), выполняется определение значения скорбалла, которое следует установить в качестве порога идентификации для интересующего количества зарегистрированных шаблонов. Для этого по требуемому значению FPIR устанавливается соответствующее ему значение скорбалла. Например, если требуемое значение FPIR равно 0.0005, то в качестве порога идентификации устанавливается скорбалл 94.65.

[0058] Если требуемое значение FPIR больше максимального значения FPIR в таблице, то в качестве порога идентификации используют порог аутентификации (в данном примере 80).

[0059] На этапе (111) полученный порог идентификации назначается для по меньшей мере одного биометрического сенсора. Это позволяет контролировать ошибку FPIR реально работающей системы на заданном уровне. Например, если где-то изменились условия или оборудование идентификации или изменилась нейросеть распознавания, то описанный выше подход может позволить системе идентификации оперативно отреагировать на произошедшие изменения, и не допустить неконтролируемого роста ошибки FPIR (доли ложных допусков незарегистрированных в системе пользователей).

[0060] На Фиг. 2 представлен пример общего вида вычислительной системы (300), которая обеспечивает реализацию заявленного способа или является частью компьютерной системы, например, сервером, персональным компьютером, частью вычислительного кластера, обрабатывающим необходимые данные для осуществления заявленного технического решения.

[0061] В общем случае, система (300) содержит объединенные общей шиной информационного обмена один или несколько процессоров (301), средства памяти, такие как ОЗУ (302) и ПЗУ (303), интерфейсы ввода/вывода (304), устройства ввода/вывода (1105), и устройство для сетевого взаимодействия (306).

[0062] Процессор (301) (или несколько процессоров, многоядерный процессор и т.п.) может выбираться из ассортимента устройств, широко применяемых в настоящее время, например, таких производителей, как: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. Под процессором или одним из используемых процессоров в системе (300) также необходимо учитывать графический процессор, например, GPU NVIDIA или Graphcore, тип которых также является пригодным для полного или частичного выполнения способа, а также может применяться для обучения и применения моделей машинного обучения в различных информационных системах.

[0063] ОЗУ (302) представляет собой оперативную память и предназначено для хранения исполняемых процессором (301) машиночитаемых инструкций для выполнение необходимых операций по логической обработке данных. ОЗУ (302), как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.). При этом, в качестве ОЗУ (302) может выступать доступный объем памяти графической карты или графического процессора.

[0064] ПЗУ (303) представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш-память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD-R/RW, BlueRay Disc, MD) и др.

[0065] Для организации работы компонентов системы (300) и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В (304). Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, Fire Wire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п.

[0066] Для обеспечения взаимодействия пользователя с вычислительной системой (300) применяются различные средства (305) В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.

[0067] Средство сетевого взаимодействия (306) обеспечивает передачу данных посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п. В качестве одного или более средств (306) может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.

[0068] Представленные материалы заявки раскрывают предпочтительные примеры реализации технического решения и не должны трактоваться как ограничивающие иные, частные примеры его воплощения, не выходящие за пределы испрашиваемой правовой охраны, которые являются очевидными для специалистов соответствующей области техники.

Изобретение относится к области вычислительной техники. Технический результат заключается в повышении точности определения порога идентификации для биометрических образцов в системе контроля доступа. Технический результат достигается за счет получения ретроспективных данных, содержащих сведения о результатах сравнения биометрических образцов, проходящих идентификацию, с зарегистрированными биометрическими шаблонами; отбора данных идентификации образцов за выбранный период времени, в ходе которого количество зарегистрированных биометрических шаблонов изменялось не более чем на 1% за выбранный период времени; определения количества идентификаций n и количества зарегистрированных биометрических шаблонов N за выбранный период времени; определения для данных идентификаций информации о поменьше мере двух скоринговых баллов ТОР-1 и ТОР-2, при этом значения ТОР-1 и ТОР-2 выше порога аутентификации; формирования гистограммы, состоящей из m элементов (T1i), распределения скорингового балла ТОР-1 идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла; формирования гистограммы, состоящей из m элементов (T2i), распределения скорингового балла (ТОР-2) идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла; определения для каждой точки гистограмм суммы значений всех элементов гистограммы, начиная с текущего, получая новые гистограммы из m элементов (R1i и R2i); определения значения FARi на основании полученных данных; на основе полученных значений FARi на предыдущем этапе, расчета значения FPIRi по формуле: на основе полученных значений FPIRi. 2 н.п. ф-лы, 2 ил.

1. Компьютерно-реализуемый способ автоматизированного определения порога идентификации для биометрических образцов в системе контроля доступа, выполняемый с помощью по меньшей мере одного процессора и содержащий этапы, на которых:

a) получают ретроспективные данные, содержащие сведения о результатах сравнения биометрических образцов, проходящих идентификацию, с зарегистрированными биометрическими шаблонами, при которых результат имеет наивысший скоринговый балл;

b) отбирают данные идентификации образцов за выбранный период времени, в ходе которого количество зарегистрированных биометрических шаблонов изменялось не более чем на 1% за выбранный период времени;

c) определяют количество идентификаций n и количество зарегистрированных биометрических шаблонов N за выбранный период времени;

d) определяют для данных идентификации, полученных на этапе b) информацию о поменьше мере двух скоринговых баллов ТОР-1 и ТОР-2, где ТОР-1 максимальное значение скорингового балла идентификации, ТОР-2 - следующее за ТОР-1 значение скорингового балла, при этом значения ТОР-1 и ТОР-2 выше порога аутентификации;

e) формируют гистограмму, состоящую из m элементов (T1i), распределения скорингового балла ТОР-1 идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла;

f) формируют гистограмму, состоящую из m элементов (T2i), распределения скорингового балла ТОР-2 идентификаций на диапазоне от порога аутентификации до максимально возможного скорингового балла;

g) определяют для каждой точки гистограмм сумму значений всех элементов гистограммы, начиная с текущего, получая новые гистограммы из m элементов;

h) определяют значение FARi (вероятность ложного допуска при аутентификации) на основании данных, полученных на этапах с) и g);

i) на основе полученных значений FARi на предыдущем этапе, рассчитывают значение FPIRi (вероятность ложноположительной идентификации) по формуле:

j) на основе полученных значений FPIRi определяют порог идентификации для биометрических образцов, и

k) назначают полученный порог идентификации для по меньшей мере одного биометрического сенсора.

2. Система автоматизированного определения порога идентификации для биометрических образцов в системе контроля доступа, содержащая:

по меньшей мере один процессор;

по меньшей мере одну память, соединенную с процессором, которая содержит машиночитаемые инструкции, которые при их выполнении по меньшей мере одним процессором обеспечивает выполнение способа по п. 1.