DeepEyedentification:identificare le persone in base ai micro movimenti oculari

Immagine di un occhio visualizzato su un computer di tracciamento oculare (SR Research Eyelink). Credito:Jäger et al.

Precedenti ricerche di psicologia cognitiva suggeriscono che i movimenti oculari possono differire sostanzialmente da un individuo all'altro. interessante, queste caratteristiche individuali nei movimenti oculari sono risultate relativamente stabili nel tempo e ampiamente indipendenti da ciò che si sta guardando. In altre parole, le persone presentano modelli diversi nel modo in cui muovono gli occhi e questi "movimenti oculari" unici potrebbero essere usati come mezzo per l'identificazione.

Affascinato da queste osservazioni, ricercatori dell'Università di Potsdam, in Germania, hanno recentemente sviluppato un nuovo metodo di identificazione biometrica che funziona elaborando i micromovimenti dell'occhio. Nel loro studio, pre-pubblicato su arXiv, hanno svolto un'indagine approfondita sui movimenti oculari involontari delle persone e hanno utilizzato le loro scoperte per sviluppare DeepEyedentification, un'architettura di deep learning in grado di identificare le persone analizzando i segnali di eye-tracking.

L'idea di identificare gli individui in base ai loro movimenti oculari esiste da più di un decennio, tuttavia i metodi proposti finora presentano limitazioni significative. Ad esempio, la maggior parte di questi metodi non sono molto precisi o impiegano troppo tempo per raggiungere una conclusione (ovvero richiedono registrazioni di movimenti oculari lunghi di circa un minuto), il che li rende abbastanza poco pratici per le applicazioni del mondo reale.

"Nella ricerca psicologica, è standard per preelaborare i dati del movimento oculare in diversi tipi di movimento oculare, " Lena Jäger, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "I precedenti metodi biometrici hanno adottato questa pratica al prezzo di una grande perdita di informazioni che sono presenti nei dati grezzi del movimento oculare come un tremore ad alta frequenza dell'occhio. La nostra idea chiave era quella di utilizzare queste caratteristiche ad alta frequenza e non pretrattamento dei dati, ma piuttosto addestrare una rete convoluzionale profonda in modo end-to-end utilizzando i campioni grezzi raccolti a 1000 fotogrammi al secondo come input."

Una rappresentazione del movimento orizzontale (linea blu) e verticale (linea arancione) dello sguardo durante la lettura. I grandi “gradini” rappresentano le saccadi, cioè., movimenti rapidi di rilocazione dell'occhio; nella maggior parte dei casi queste saccadi sono solo in direzione orizzontale – questo perché lo script è orizzontale:l'utente sta spostando lo sguardo su una parola successiva o sta regredendo a una parola precedente. A ca. 200 ms e 400 ms, ci sono saccadi che hanno anche una componente verticale --- l'utente sta saltando alla riga successiva, fissa una parola e torna alla riga precedente. Gli intervalli tra le saccadi sono fissazioni durante le quali si può osservare un piccolissimo movimento ad alta frequenza (tremore) e un lento movimento di deriva sovrapposto al rumore di misura. Gli approcci precedenti hanno filtrato questi micromovimenti fissativi nella loro pre-elaborazione dei dati, tuttavia sembra essere molto informativo per quanto riguarda l'identificazione degli individui. Credito:Jäger et al.

Nel loro studio, Jäger e i suoi colleghi hanno dimostrato che i dati di tracciamento oculare non preelaborati portano a una precisione molto più elevata di quella ottenuta con gli approcci esistenti, richiedendo anche feed video più brevi. Il tasso di errore della rete DeepEyedentication è inferiore di un ordine di grandezza e l'identificazione è più veloce di due ordini di grandezza rispetto al metodo con prestazioni migliori in precedenza.

Dopo aver registrato solo un secondo di dati sui movimenti oculari, il modello aveva già raggiunto la stessa precisione raggiunta dal modello precedentemente più performante dopo 100 secondi di registrazione. Inoltre, dopo cinque secondi di registrazione del movimento oculare, il tasso di errore era 10 volte inferiore. I ricercatori hanno addestrato la loro rete su due diversi set di dati, uno che hanno raccolto in uno studio precedente in cui gli utenti leggono vari testi, e un altro raccolto mentre i partecipanti guardavano un punto che saltava casualmente sullo schermo del computer.

"Durante la visualizzazione di uno stimolo sullo schermo di un computer (nei nostri set di dati un testo o un punto che salta) un dispositivo di tracciamento oculare basato su fotocamera misura dove sta guardando l'utente, " ha spiegato Jäger. "Questi dati sono stati inviati a una rete neurale profonda che li trasforma in una rappresentazione idiosincratica del comportamento dei movimenti oculari dell'utente, che è indipendente dallo stimolo specifico sullo schermo."

L'architettura del modello presentata nel documento. Credito:Jäger et al.

Essenzialmente, Jäger e i suoi colleghi hanno addestrato il loro modello per identificare le caratteristiche dei dati sui movimenti oculari che sono particolarmente utili per distinguere tra individui diversi. Il loro modello utilizza questa rappresentazione idiosincratica dei dati di input che gli vengono forniti, insieme ad altri dati dell'utente memorizzati nel sistema, identificare un utente o rifiutarlo.

"Mostriamo che l'identificazione biometrica basata sui movimenti oculari ha il potenziale per diventare un serio concorrente per altri metodi di identificazione biometrica ampiamente utilizzati, come impronte digitali, scansione dell'iride o riconoscimento facciale o integrare queste tecniche, " disse Jäger. "Fondamentalmente, l'identificazione biometrica dai movimenti oculari è intrinsecamente meno vulnerabile agli attacchi di spoofing. Mentre l'iride esegue la scansione, il riconoscimento facciale e le impronte digitali possono essere falsificati da repliche 2-D o 3-D (ad es. lenti a contatto stampate, o repliche 3D come un occhio artificiale, una maschera facciale o un'impronta digitale falsa), lo spoofing dei movimenti oculari richiederebbe un dispositivo in grado di visualizzare una sequenza video nello spettro infrarosso a una velocità di 1, 000 fotogrammi al secondo."

Finora, il nuovo metodo di identificazione biometrica sviluppato da Jäger e dai suoi colleghi ha ottenuto risultati molto promettenti. Nel futuro, potrebbe aiutare ad aumentare la sicurezza di una vasta gamma di dispositivi, compresi gli smartphone, laptop e tablet. Poiché questo nuovo approccio funziona indipendentemente da ciò che l'utente sta guardando, i ricercatori potrebbero facilmente aggiungere un cosiddetto "modulo di rilevamento della vivacità", ' che ne aumenterebbe ulteriormente la sicurezza. Tale modulo verificherebbe automaticamente se i movimenti oculari di un utente corrispondono a uno stimolo visivo presentato sullo schermo, il che non sarebbe il caso se qualcuno stesse cercando di falsificare il sistema utilizzando un video preregistrato.

"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."