MULTIMEDIA DIGITAL FORENSICS

Docente Michele Nappi

mnappiunisait

biplabunisait

089-963334

DIGITAL

FORENSICS

METRO

CRIME

ELEMENTS

MEDIA DEVICE

VIDEO IMAGES

INTERNET

BIOLOGICAL

TRACES

PHONE

amp MOBILE

DATA FILES

BIOMETRIC

ELEMENTS

AUDIO SIGNALS

PICTURES

FRAGMENTATION

MOTION ANALYSIS

CONTENT ANALYSIS

SCENE ANALYSIS

VIDEO

FORENSICS

2Damp3D ACQUIRING

LOCATION MAP

EVIDENCE

POSITIONING

MOVEMENT TRACES

SCENE

REBUILDING

IDENTITY

RECOVERY

DATA

RECOVERY

USER

IDENTITY

EVIDENCE

FREEZING

FO

RE

NS

IC

BIO

LO

GY

BIOMETRICS

AUDIO FORENSICS

IMAGE FORENSICS

E-MAIL

P2P

CHAT

BR

OW

SE

R

SOCIAL NETWORK

HIDDEN FILES

DELETE FILES

STEGANO FILES

ENCRYPTED

FILES

SLACK SPACE

SMS amp MMS

CELLS

NETWORK PROVIDER

GPS DATA

BA

D

BLO

CK

S

AD

DR

ES

S

BO

OK

LIS

T O

F

CA

LLS

DECOMPOSITION

FREQUENCY ANALYSIS

SOUNDPAUSE ANALYSIS

SPEAKER ANALYSIS

LOG FILES

HIDDEN PATITIONS

SYSTEMrsquoS FILESSYSTEMrsquoS

LOG FILES

EQUALIZATIONSEGMENTATION

IMAGE

PROCESSING

TEXTURE

ANALYSIS

IMAGE ANALYSISFEATURES EXTRACTION

PATTERN RECOGNITION

FINGER PRINT

PALM PRINT

FACE

IRIS

EAR

RETINA

SO

MA

TIC

ELE

ME

NT

HA

ND

WR

ITIN

G

POSTURE

WALKING

HUMAN REMAINS

HAIR

CLOTHES

DNA

COMPUTATIO-

NAL BIOLOGY

CRIME EVIDENCES

PHONE amp FAXF

OR

EN

SIC

S

GR

AP

HO

LO

GY

PERSONAL

TRACEABILITY

PERSONAL

IDENTIFICATION

3

Identitagrave dichiarata = Identitagrave reale

4

Identitagrave dichiarata = Identitagrave reale

Che orecchie

grandi che hai

Ps Premesso che

cappuccetto rosso non

era famosa per essere una

tipa sveglia

5

Autenticazione di un Soggetto

bull Processo di associazione dellrsquoidentitagrave ad un

soggetto attraverso un processo di verifica o

riconoscimento

ndash Una persona riconosce una persona

bull Sistemi e supporti di identificazione (carta di identitagrave codice

fiscale)

bull Conoscenza diretta

ndash Un sistema informatico riconosce una persona

bull Sistemi e supporti di identificazione (smart card biometriche

etc)

6

Autenticazione di un Soggetto

bull Limiti dei tradizionali metodi di autenticazione

ndash PIN

bull Si puograve dimenticare o puograve essere carpito da un

impostore

ndash Chiavi (fisiche)

bull Si possono rompere o perdere

Non consentono la distinzione tra il reale

possessore e un impostore

7

Un Nuovo Metodo

bull Pass (qualcosa che possiedi)ndash carte magnetiche o smart chiavi passaporti etc

bull Conoscenza (qualcosa che conosci)ndash Password PIN etc

bull Biometria (ciograve che sei)ndash Una caratteristica fisica iride impronte digitali forma della

mano

ndash Una caratteristica comportamentale firma voce

3

Identitagrave dichiarata = Identitagrave reale

4

Identitagrave dichiarata = Identitagrave reale

Che orecchie

grandi che hai

Ps Premesso che

cappuccetto rosso non

era famosa per essere una

tipa sveglia

5

Autenticazione di un Soggetto

bull Processo di associazione dellrsquoidentitagrave ad un

soggetto attraverso un processo di verifica o

riconoscimento

ndash Una persona riconosce una persona

bull Sistemi e supporti di identificazione (carta di identitagrave codice

fiscale)

bull Conoscenza diretta

ndash Un sistema informatico riconosce una persona

bull Sistemi e supporti di identificazione (smart card biometriche

etc)

6

Autenticazione di un Soggetto

bull Limiti dei tradizionali metodi di autenticazione

ndash PIN

bull Si puograve dimenticare o puograve essere carpito da un

impostore

ndash Chiavi (fisiche)

bull Si possono rompere o perdere

Non consentono la distinzione tra il reale

possessore e un impostore

7

Un Nuovo Metodo

bull Pass (qualcosa che possiedi)ndash carte magnetiche o smart chiavi passaporti etc

bull Conoscenza (qualcosa che conosci)ndash Password PIN etc

bull Biometria (ciograve che sei)ndash Una caratteristica fisica iride impronte digitali forma della

mano

ndash Una caratteristica comportamentale firma voce

4

Identitagrave dichiarata = Identitagrave reale

Che orecchie

grandi che hai

Ps Premesso che

cappuccetto rosso non

era famosa per essere una

tipa sveglia

5

Autenticazione di un Soggetto

bull Processo di associazione dellrsquoidentitagrave ad un

soggetto attraverso un processo di verifica o

riconoscimento

ndash Una persona riconosce una persona

bull Sistemi e supporti di identificazione (carta di identitagrave codice

fiscale)

bull Conoscenza diretta

ndash Un sistema informatico riconosce una persona

bull Sistemi e supporti di identificazione (smart card biometriche

etc)

6

Autenticazione di un Soggetto

bull Limiti dei tradizionali metodi di autenticazione

ndash PIN

bull Si puograve dimenticare o puograve essere carpito da un

impostore

ndash Chiavi (fisiche)

bull Si possono rompere o perdere

Non consentono la distinzione tra il reale

possessore e un impostore

7

Un Nuovo Metodo

bull Pass (qualcosa che possiedi)ndash carte magnetiche o smart chiavi passaporti etc

bull Conoscenza (qualcosa che conosci)ndash Password PIN etc

bull Biometria (ciograve che sei)ndash Una caratteristica fisica iride impronte digitali forma della

mano

ndash Una caratteristica comportamentale firma voce

5

Autenticazione di un Soggetto

bull Processo di associazione dellrsquoidentitagrave ad un

soggetto attraverso un processo di verifica o

riconoscimento

ndash Una persona riconosce una persona

bull Sistemi e supporti di identificazione (carta di identitagrave codice

fiscale)

bull Conoscenza diretta

ndash Un sistema informatico riconosce una persona

bull Sistemi e supporti di identificazione (smart card biometriche

etc)

6

Autenticazione di un Soggetto

bull Limiti dei tradizionali metodi di autenticazione

ndash PIN

bull Si puograve dimenticare o puograve essere carpito da un

impostore

ndash Chiavi (fisiche)

bull Si possono rompere o perdere

Non consentono la distinzione tra il reale

possessore e un impostore

7

Un Nuovo Metodo

bull Pass (qualcosa che possiedi)ndash carte magnetiche o smart chiavi passaporti etc

bull Conoscenza (qualcosa che conosci)ndash Password PIN etc

bull Biometria (ciograve che sei)ndash Una caratteristica fisica iride impronte digitali forma della

mano

ndash Una caratteristica comportamentale firma voce

6

Autenticazione di un Soggetto

bull Limiti dei tradizionali metodi di autenticazione

ndash PIN

bull Si puograve dimenticare o puograve essere carpito da un

impostore

ndash Chiavi (fisiche)

bull Si possono rompere o perdere

Non consentono la distinzione tra il reale

possessore e un impostore

7

Un Nuovo Metodo

bull Pass (qualcosa che possiedi)ndash carte magnetiche o smart chiavi passaporti etc

bull Conoscenza (qualcosa che conosci)ndash Password PIN etc

bull Biometria (ciograve che sei)ndash Una caratteristica fisica iride impronte digitali forma della

mano

ndash Una caratteristica comportamentale firma voce

7

Un Nuovo Metodo

bull Pass (qualcosa che possiedi)ndash carte magnetiche o smart chiavi passaporti etc

bull Conoscenza (qualcosa che conosci)ndash Password PIN etc

bull Biometria (ciograve che sei)ndash Una caratteristica fisica iride impronte digitali forma della

mano

ndash Una caratteristica comportamentale firma voce

Cosa egrave la Biometria

bull Dal Greco bios (vita) e metros (misura)

bull Definizione del Biometric Consortium

ldquoriconoscimento automatico di una persona sulla base di caratteristiche discriminantirdquo

8

9

Definizioni

bull La biometria egrave la disciplina che si occupa di misurare

tratti fisiologici e comportamentali degli esseri viventi

offrendone una rappresentazione quantitativa

attraverso modelli matematici e statistici

bull Le tecnologie biometriche costituiscono metodi

automatizzati di verifica o riconoscimento dellrsquoidentitagrave

di una persona basati sul rilevamento di una o piugrave

caratteristiche fisiologiche o comportamentali

dellrsquoindividuo ed il confronto con una immagine

precedentemente acquisita

10

Cosa egrave la Biometria

bull Principi portanti

ndash Ogni persona egrave unica

ndash Individuazione delle caratteristiche somatiche che rendono unico un individuo

ndash Metodologie per la misurazione e quantificazione di tali caratteristiche

ndash Classificazione degli individui sulla base delle misure effettuate

Storia della Biometria

1 200 DC I Cinesi usava lrsquoimpronta digitale per sigillare i documenti

2 1870 Bertillon sviluppa il Bertillonage basato su varie misure

antropometriche

3 1887 Il Bertillonage egrave adottato in Francia

4 1892 Galton sviluppa il primo sistema di classificazione per

impronte

5 1896 Il Bertillonage egrave adottato dal National Bureau of

Investigastion

6 1903 Lo stato di NY adotta il sitema di Galton per schedare i

detenuti

7 1960 Negli Usa si sviluppa il primo sistema semiautomatico per il

riconoscimento del volto

11

12

Storia della Biometria

Slide prodotta da JL Dugelay (Eurecom-France)

13

Storia della Biometria (cont)

bull Gli egiziani usavano lrsquoaltezza di una persona per identificarla durante il pagamento del salario

bull Il sistema Bertillon (1853-1914) creograve un nuovo sistema per identificare i criminali

ndash Principibull ndash lrsquoossatura umana non si modifica piugrave a

partire dai 20 anni

bull ndash ogni scheletro egrave diverso

ndash Misure antropometrichebull ndash lunghezza braccio e dita

bull ndash altezza e larghezza testa

bull ndash lunghezza piedi

ndash Descrizione generale del corpo (proporzioni armonia dei movimenti etc) caratteristiche mentali e morali

ndash Peculiaritagrave della pellebull Nei Porri Cicatrici Tatuaggi

Slide prodotta da JL Dugelay (Eurecom-France)

14

Storia della Biometria (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

9

Definizioni

bull La biometria egrave la disciplina che si occupa di misurare

tratti fisiologici e comportamentali degli esseri viventi

offrendone una rappresentazione quantitativa

attraverso modelli matematici e statistici

bull Le tecnologie biometriche costituiscono metodi

automatizzati di verifica o riconoscimento dellrsquoidentitagrave

di una persona basati sul rilevamento di una o piugrave

caratteristiche fisiologiche o comportamentali

dellrsquoindividuo ed il confronto con una immagine

precedentemente acquisita

10

Cosa egrave la Biometria

bull Principi portanti

ndash Ogni persona egrave unica

ndash Individuazione delle caratteristiche somatiche che rendono unico un individuo

ndash Metodologie per la misurazione e quantificazione di tali caratteristiche

ndash Classificazione degli individui sulla base delle misure effettuate

Storia della Biometria

1 200 DC I Cinesi usava lrsquoimpronta digitale per sigillare i documenti

2 1870 Bertillon sviluppa il Bertillonage basato su varie misure

antropometriche

3 1887 Il Bertillonage egrave adottato in Francia

4 1892 Galton sviluppa il primo sistema di classificazione per

impronte

5 1896 Il Bertillonage egrave adottato dal National Bureau of

Investigastion

6 1903 Lo stato di NY adotta il sitema di Galton per schedare i

detenuti

7 1960 Negli Usa si sviluppa il primo sistema semiautomatico per il

riconoscimento del volto

11

12

Storia della Biometria

Slide prodotta da JL Dugelay (Eurecom-France)

13

Storia della Biometria (cont)

bull Gli egiziani usavano lrsquoaltezza di una persona per identificarla durante il pagamento del salario

bull Il sistema Bertillon (1853-1914) creograve un nuovo sistema per identificare i criminali

ndash Principibull ndash lrsquoossatura umana non si modifica piugrave a

partire dai 20 anni

bull ndash ogni scheletro egrave diverso

ndash Misure antropometrichebull ndash lunghezza braccio e dita

bull ndash altezza e larghezza testa

bull ndash lunghezza piedi

ndash Descrizione generale del corpo (proporzioni armonia dei movimenti etc) caratteristiche mentali e morali

ndash Peculiaritagrave della pellebull Nei Porri Cicatrici Tatuaggi

Slide prodotta da JL Dugelay (Eurecom-France)

14

Storia della Biometria (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

10

Cosa egrave la Biometria

bull Principi portanti

ndash Ogni persona egrave unica

ndash Individuazione delle caratteristiche somatiche che rendono unico un individuo

ndash Metodologie per la misurazione e quantificazione di tali caratteristiche

ndash Classificazione degli individui sulla base delle misure effettuate

Storia della Biometria

1 200 DC I Cinesi usava lrsquoimpronta digitale per sigillare i documenti

2 1870 Bertillon sviluppa il Bertillonage basato su varie misure

antropometriche

3 1887 Il Bertillonage egrave adottato in Francia

4 1892 Galton sviluppa il primo sistema di classificazione per

impronte

5 1896 Il Bertillonage egrave adottato dal National Bureau of

Investigastion

6 1903 Lo stato di NY adotta il sitema di Galton per schedare i

detenuti

7 1960 Negli Usa si sviluppa il primo sistema semiautomatico per il

riconoscimento del volto

11

12

Storia della Biometria

Slide prodotta da JL Dugelay (Eurecom-France)

13

Storia della Biometria (cont)

bull Gli egiziani usavano lrsquoaltezza di una persona per identificarla durante il pagamento del salario

bull Il sistema Bertillon (1853-1914) creograve un nuovo sistema per identificare i criminali

ndash Principibull ndash lrsquoossatura umana non si modifica piugrave a

partire dai 20 anni

bull ndash ogni scheletro egrave diverso

ndash Misure antropometrichebull ndash lunghezza braccio e dita

bull ndash altezza e larghezza testa

bull ndash lunghezza piedi

ndash Descrizione generale del corpo (proporzioni armonia dei movimenti etc) caratteristiche mentali e morali

ndash Peculiaritagrave della pellebull Nei Porri Cicatrici Tatuaggi

Slide prodotta da JL Dugelay (Eurecom-France)

14

Storia della Biometria (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

Storia della Biometria

1 200 DC I Cinesi usava lrsquoimpronta digitale per sigillare i documenti

2 1870 Bertillon sviluppa il Bertillonage basato su varie misure

antropometriche

3 1887 Il Bertillonage egrave adottato in Francia

4 1892 Galton sviluppa il primo sistema di classificazione per

impronte

5 1896 Il Bertillonage egrave adottato dal National Bureau of

Investigastion

6 1903 Lo stato di NY adotta il sitema di Galton per schedare i

detenuti

7 1960 Negli Usa si sviluppa il primo sistema semiautomatico per il

riconoscimento del volto

11

12

Storia della Biometria

Slide prodotta da JL Dugelay (Eurecom-France)

13

Storia della Biometria (cont)

bull Gli egiziani usavano lrsquoaltezza di una persona per identificarla durante il pagamento del salario

bull Il sistema Bertillon (1853-1914) creograve un nuovo sistema per identificare i criminali

ndash Principibull ndash lrsquoossatura umana non si modifica piugrave a

partire dai 20 anni

bull ndash ogni scheletro egrave diverso

ndash Misure antropometrichebull ndash lunghezza braccio e dita

bull ndash altezza e larghezza testa

bull ndash lunghezza piedi

ndash Descrizione generale del corpo (proporzioni armonia dei movimenti etc) caratteristiche mentali e morali

ndash Peculiaritagrave della pellebull Nei Porri Cicatrici Tatuaggi

Slide prodotta da JL Dugelay (Eurecom-France)

14

Storia della Biometria (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

12

Storia della Biometria

Slide prodotta da JL Dugelay (Eurecom-France)

13

Storia della Biometria (cont)

bull Gli egiziani usavano lrsquoaltezza di una persona per identificarla durante il pagamento del salario

bull Il sistema Bertillon (1853-1914) creograve un nuovo sistema per identificare i criminali

ndash Principibull ndash lrsquoossatura umana non si modifica piugrave a

partire dai 20 anni

bull ndash ogni scheletro egrave diverso

ndash Misure antropometrichebull ndash lunghezza braccio e dita

bull ndash altezza e larghezza testa

bull ndash lunghezza piedi

ndash Descrizione generale del corpo (proporzioni armonia dei movimenti etc) caratteristiche mentali e morali

ndash Peculiaritagrave della pellebull Nei Porri Cicatrici Tatuaggi

Slide prodotta da JL Dugelay (Eurecom-France)

14

Storia della Biometria (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

13

Storia della Biometria (cont)

bull Gli egiziani usavano lrsquoaltezza di una persona per identificarla durante il pagamento del salario

bull Il sistema Bertillon (1853-1914) creograve un nuovo sistema per identificare i criminali

ndash Principibull ndash lrsquoossatura umana non si modifica piugrave a

partire dai 20 anni

bull ndash ogni scheletro egrave diverso

ndash Misure antropometrichebull ndash lunghezza braccio e dita

bull ndash altezza e larghezza testa

bull ndash lunghezza piedi

ndash Descrizione generale del corpo (proporzioni armonia dei movimenti etc) caratteristiche mentali e morali

ndash Peculiaritagrave della pellebull Nei Porri Cicatrici Tatuaggi

Slide prodotta da JL Dugelay (Eurecom-France)

14

Storia della Biometria (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

14

Storia della Biometria (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

15

Storia della Biometria Bertillonage

Forma della mano

Forma della testa

Misura degli arti

Misura del busto

Dettagli del voltoScheda di

Identificazione

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

16

Bertillonage Gli Strumenti

Caliper Compass Sliding Compass

Small

Sliding Compass

Vertical amp Orizzontal

Measures

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

17

Il Bertillonage nel Mondo

Slide prodotta da JL Dugelay (Eurecom-France)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

18

Sistema di Bertillion - Fallimento

bull Nel 1901 e nel 1903 nel furono registrati due detenuti William West e Will West con misure antropometriche simili

Slide prodotta da JL Dugelay (Eurecom-France)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

19

Sistema di Bertillion La Fine

Slide prodotta da JL Dugelay (Eurecom-France)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

20

Metodi di autenticazione (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

Quante Password hai

21

bull 6 persone su 10 hanno

subito almeno un furto

drsquoidentitagrave (clonazione

carta di

creditobancomat

falsificazione CI

accesso ad aree

riservate accesso a

informazioni riservate

etc)

22

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Biometriche riconosciute dallo

Standard X984 - 2003

a) b) c) d) e) f)

g) h) i) j) k)

23

Verifica e Riconoscimento

bull Verifica Confronto Uno a Uno Conferma

lrsquoidentitagrave dichiarata da un individuo

ndash Dichiarata mediante carta di identitagrave codice utente

smart card

bull Riconoscimento Confronto Uno a Molti

Stabilisce lrsquoidentitagrave di un soggetto a partire da un

insieme di persone registrate

24

Proprietagrave di una caratteristica

biometrica

bull Universalitagrave ogni persona deve possedere tale biometria

bull Distintivitagrave (Unicitagrave) due persone devono essere sufficientemente distinguibili in base a tale biometria

bull Permanenza (Stabilitagrave) la biometria deve rimanere invariante (rispetto ai termini di confronto) nel tempo

bull Misurabilitagrave essa deve essere misurabile quantitativamente

25

Proprietagrave di una caratteristica

biometrica

bull Performance (EfficaciaEfficienza) lrsquoacquisizione lrsquoestrazione delle caratteristiche e il confronto delle entitagrave non devono essere troppo costose in termini di tempo memoria ed efficienza del sistema

bull Accettabilitagrave la procedura di acquisizione deve essere tollerata da una vasta parte della popolazione

bull Eludibilitagrave la probabilitagrave che il sistema venga raggirato o indotto in errore deve essere minimizzata

26

Tipologia di Utente

bull Cooperativo egrave interesse dellrsquoutente che il sistema lo riconosca (un impostore cerca di farsi riconoscere)

bull Non-Cooperativo lrsquoutente egrave indifferente al processo di riconoscimento (un impostore cerca di non farsi riconoscere)

bull PubblicoPrivato se gli utenti del sistema saranno il pubblico o i dipendenti (ad esempio Amministrazione) dellrsquoEnte dove il sistema egrave installato

27

Tipologia di Utente

bull Abituatonon abituato frequenza con cui

gli utenti del sistema si prestano al

riconoscimento biometrico (piugrave volte al

giorno settimanalmente mensilmente

ecc)

bull Consapevoleinconsapevole se lrsquoutente egrave

o no al corrente del processo di

riconoscimento in atto

28

Tipologia di Applicazione

bull On-line lrsquoutente egrave in attesa fincheacute il

sistema non risponde (tempi brevi di

risposta)

bull Off-line lrsquoutente viene acquisito ma non

attende una risposta immediata

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

23

Verifica e Riconoscimento

bull Verifica Confronto Uno a Uno Conferma

lrsquoidentitagrave dichiarata da un individuo

ndash Dichiarata mediante carta di identitagrave codice utente

smart card

bull Riconoscimento Confronto Uno a Molti

Stabilisce lrsquoidentitagrave di un soggetto a partire da un

insieme di persone registrate

24

Proprietagrave di una caratteristica

biometrica

bull Universalitagrave ogni persona deve possedere tale biometria

bull Distintivitagrave (Unicitagrave) due persone devono essere sufficientemente distinguibili in base a tale biometria

bull Permanenza (Stabilitagrave) la biometria deve rimanere invariante (rispetto ai termini di confronto) nel tempo

bull Misurabilitagrave essa deve essere misurabile quantitativamente

25

Proprietagrave di una caratteristica

biometrica

bull Performance (EfficaciaEfficienza) lrsquoacquisizione lrsquoestrazione delle caratteristiche e il confronto delle entitagrave non devono essere troppo costose in termini di tempo memoria ed efficienza del sistema

bull Accettabilitagrave la procedura di acquisizione deve essere tollerata da una vasta parte della popolazione

bull Eludibilitagrave la probabilitagrave che il sistema venga raggirato o indotto in errore deve essere minimizzata

26

Tipologia di Utente

bull Cooperativo egrave interesse dellrsquoutente che il sistema lo riconosca (un impostore cerca di farsi riconoscere)

bull Non-Cooperativo lrsquoutente egrave indifferente al processo di riconoscimento (un impostore cerca di non farsi riconoscere)

bull PubblicoPrivato se gli utenti del sistema saranno il pubblico o i dipendenti (ad esempio Amministrazione) dellrsquoEnte dove il sistema egrave installato

27

Tipologia di Utente

bull Abituatonon abituato frequenza con cui

gli utenti del sistema si prestano al

riconoscimento biometrico (piugrave volte al

giorno settimanalmente mensilmente

ecc)

bull Consapevoleinconsapevole se lrsquoutente egrave

o no al corrente del processo di

riconoscimento in atto

28

Tipologia di Applicazione

bull On-line lrsquoutente egrave in attesa fincheacute il

sistema non risponde (tempi brevi di

risposta)

bull Off-line lrsquoutente viene acquisito ma non

attende una risposta immediata

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

24

Proprietagrave di una caratteristica

biometrica

bull Universalitagrave ogni persona deve possedere tale biometria

bull Distintivitagrave (Unicitagrave) due persone devono essere sufficientemente distinguibili in base a tale biometria

bull Permanenza (Stabilitagrave) la biometria deve rimanere invariante (rispetto ai termini di confronto) nel tempo

bull Misurabilitagrave essa deve essere misurabile quantitativamente

25

Proprietagrave di una caratteristica

biometrica

bull Performance (EfficaciaEfficienza) lrsquoacquisizione lrsquoestrazione delle caratteristiche e il confronto delle entitagrave non devono essere troppo costose in termini di tempo memoria ed efficienza del sistema

bull Accettabilitagrave la procedura di acquisizione deve essere tollerata da una vasta parte della popolazione

bull Eludibilitagrave la probabilitagrave che il sistema venga raggirato o indotto in errore deve essere minimizzata

26

Tipologia di Utente

bull Cooperativo egrave interesse dellrsquoutente che il sistema lo riconosca (un impostore cerca di farsi riconoscere)

bull Non-Cooperativo lrsquoutente egrave indifferente al processo di riconoscimento (un impostore cerca di non farsi riconoscere)

bull PubblicoPrivato se gli utenti del sistema saranno il pubblico o i dipendenti (ad esempio Amministrazione) dellrsquoEnte dove il sistema egrave installato

27

Tipologia di Utente

bull Abituatonon abituato frequenza con cui

gli utenti del sistema si prestano al

riconoscimento biometrico (piugrave volte al

giorno settimanalmente mensilmente

ecc)

bull Consapevoleinconsapevole se lrsquoutente egrave

o no al corrente del processo di

riconoscimento in atto

28

Tipologia di Applicazione

bull On-line lrsquoutente egrave in attesa fincheacute il

sistema non risponde (tempi brevi di

risposta)

bull Off-line lrsquoutente viene acquisito ma non

attende una risposta immediata

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

25

Proprietagrave di una caratteristica

biometrica

bull Performance (EfficaciaEfficienza) lrsquoacquisizione lrsquoestrazione delle caratteristiche e il confronto delle entitagrave non devono essere troppo costose in termini di tempo memoria ed efficienza del sistema

bull Accettabilitagrave la procedura di acquisizione deve essere tollerata da una vasta parte della popolazione

bull Eludibilitagrave la probabilitagrave che il sistema venga raggirato o indotto in errore deve essere minimizzata

26

Tipologia di Utente

bull Cooperativo egrave interesse dellrsquoutente che il sistema lo riconosca (un impostore cerca di farsi riconoscere)

bull Non-Cooperativo lrsquoutente egrave indifferente al processo di riconoscimento (un impostore cerca di non farsi riconoscere)

bull PubblicoPrivato se gli utenti del sistema saranno il pubblico o i dipendenti (ad esempio Amministrazione) dellrsquoEnte dove il sistema egrave installato

27

Tipologia di Utente

bull Abituatonon abituato frequenza con cui

gli utenti del sistema si prestano al

riconoscimento biometrico (piugrave volte al

giorno settimanalmente mensilmente

ecc)

bull Consapevoleinconsapevole se lrsquoutente egrave

o no al corrente del processo di

riconoscimento in atto

28

Tipologia di Applicazione

bull On-line lrsquoutente egrave in attesa fincheacute il

sistema non risponde (tempi brevi di

risposta)

bull Off-line lrsquoutente viene acquisito ma non

attende una risposta immediata

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

26

Tipologia di Utente

bull Cooperativo egrave interesse dellrsquoutente che il sistema lo riconosca (un impostore cerca di farsi riconoscere)

bull Non-Cooperativo lrsquoutente egrave indifferente al processo di riconoscimento (un impostore cerca di non farsi riconoscere)

bull PubblicoPrivato se gli utenti del sistema saranno il pubblico o i dipendenti (ad esempio Amministrazione) dellrsquoEnte dove il sistema egrave installato

27

Tipologia di Utente

bull Abituatonon abituato frequenza con cui

gli utenti del sistema si prestano al

riconoscimento biometrico (piugrave volte al

giorno settimanalmente mensilmente

ecc)

bull Consapevoleinconsapevole se lrsquoutente egrave

o no al corrente del processo di

riconoscimento in atto

28

Tipologia di Applicazione

bull On-line lrsquoutente egrave in attesa fincheacute il

sistema non risponde (tempi brevi di

risposta)

bull Off-line lrsquoutente viene acquisito ma non

attende una risposta immediata

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

27

Tipologia di Utente

bull Abituatonon abituato frequenza con cui

gli utenti del sistema si prestano al

riconoscimento biometrico (piugrave volte al

giorno settimanalmente mensilmente

ecc)

bull Consapevoleinconsapevole se lrsquoutente egrave

o no al corrente del processo di

riconoscimento in atto

28

Tipologia di Applicazione

bull On-line lrsquoutente egrave in attesa fincheacute il

sistema non risponde (tempi brevi di

risposta)

bull Off-line lrsquoutente viene acquisito ma non

attende una risposta immediata

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

28

Tipologia di Applicazione

bull On-line lrsquoutente egrave in attesa fincheacute il

sistema non risponde (tempi brevi di

risposta)

bull Off-line lrsquoutente viene acquisito ma non

attende una risposta immediata

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

29

Caratteristiche Biometriche

Caratteristiche

Biometriche

Statiche o

Fisiologiche

Impronte

DigitaliMano Volto Occhio DNA

Dinamiche o

Comportamentali

Voce CalligrafiaStile di

battituraAndatura

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

30

Biometria Statica o Dinamica

bull Statica (o fisiologica) metodi biometrici ndash autenticazione basata su caratteristiche sempre presentindash Impronte digitali

ndash Scan della retina e dellrsquoiride

ndash Geometria della mano

bull Dinamica (o comportamentale) metodi biometrici ndashautenticazione basata su caratteristiche comportamentalindash Firma

ndash Voce

ndash Battitura tasti

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

Quali Biometrie

31

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

32

Sistema

biometricoRobustezza Univocitagrave Accessibilitagrave Accettabilitagrave Privacy

Impronte

DigitaliAlto Alto Medio Medio Basso

Geometria della

ManoMedio Medio Medio Medio Basso

Caratt

IrideAlto Alto Medio Basso Alto

Caratter

VoltoMedio Basso Alto Alto Alto

Dinamica

Appl FirmaBasso Basso Medio Alto Medio

Caratt

VoceBasso Basso Medio Alto Medio

Caratt

RetinaMedio Alto Basso Basso Alto

Comparazione di Tecnologie Biometriche

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

33

Registrazione di un soggetto

(Enrollment)

bull Si associa un insieme di caratteristicheallrsquoidentitagrave di un soggettondash Raccolta dei dati ed estrazione delle caratteristiche

bull Il modello estratto (template) egrave memorizzato in un database o su un supporto portatile (smart card)

bull Questo processo puograve essere effettuato singolarmente o in blocco (batch enrollment)

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

34

Architettura di un

Sistema Biometrico

Slide prodotta da JL Dugelay (Eurecom-France)

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

35

Architettura di un

Sistema Biometrico (cont)

bull Lrsquoidentitagrave corrisponde ed il soggetto egrave

accettato

bull Lrsquoidentitagrave corrisponde ma il soggetto egrave

respinto (errore)

bull Un impostore egrave accettato (errore)

bull Un impostore egrave rifiutato

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

36

Architettura di un

Sistema Biometrico (cont)

User interface

NAME (PIN)

Quality

checker

Feature

Extractor

System DB

template

name

Enrollment

User interface

NAME (PIN)

Feature

Extractor

Matcher

(1 match)

System DB

one

template

Verification

TrueFalse

claimed identity

User interface

Feature

Extractor

Matcher

(N matches)

System DB

N

templates

Identification

Userrsquos identity or

ldquouser non identifiedrdquo

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

37

Misura delle Prestazioni

bull Non egrave possibile riconoscere un individuo senza ammettere una tolleranza drsquoerrore

bull La soglia di tolleranza egrave cruciale e dipende fortemente dallrsquoapplicazione

bull Una soglia troppo bassa causa molti errori di Tipo I (rifiuto di soggetti registrati) ndash FRR (False Recognition Rate)

bull Una soglia troppo alta causa molti errori di Tipo II (accettazione di impostori) ndash FAR (False Acceptance Rate)

bull La scelta piugrave utilizzata egrave EER Equal error rate (EER) ndash FAR = FRR

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

38

Misura delle Prestazioni (cont)

Slide prodotta da JL Dugelay (Eurecom-France)

La scelta piugrave utilizzata egrave ERR Equal error rate (EER) FAR = FRR

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

39

Quali Biometrie

Slide prodotta da JL Dugelay (Eurecom-France)

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

40

Quali Biometrie (cont)

a) b) c) d) e) f)

g) h) i) j) k)

Biometrics

bull ear

bull face

bull facial thermogram

bull hand thermogram

bull hand vein

bull hand geometry

bull fingerprint

bull iris

bull retina

bull signature

bull voice

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

41

bull Biometria delle impronte ndash riconoscimento delle impronte

bull Biometria dellrsquoocchio ndash riconoscimento dellrsquoiride e della retina

bull Biometria del volto ndash riconoscimento facciale (foto infrarosso)

bull Biometria della mano ndash geometria delle dita

bull Biometria della firma ndash riconoscimento della firma

bull Biometria della voce ndash riconoscimento vocale

bull Biometria auricolare ndash riconoscimento dellrsquoorecchio

bull Digitazione di tasti

bull DNA

Tecniche riconosciute dallo

Standard X984 - 2003

Impronte

digitali

voltoFirma

Iride

voce

Geometria della

mano

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

42

Variabilitagrave delle Biometrie

bull I Dati Biometrici non possono essere persi trasferiti ad altri o dimenticatihellipma

bull Lrsquoacquisizione (digitalizzazione dei dati) puograve determinare una variabilitagrave delle biometrie

ndash Intra_Classebull Variabilitagrave delle biometrie per un individuo

ndash Inter_Classebull Similaritagrave delle biometrie tra individui diversi

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

43

Variabilitagrave delle Biometrie

bull Intra_Classe

ndash Il MedioBreve Termine

ndash Il Lungo Termine Lrsquoetagrave

ndash La posa

ndash Le parziali occlusioni

ndash Lrsquoespressione

ndash Lrsquoilluminazione

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

44

Variabilitagrave delle Biometrie

bull Inter_Classe

ndash Gemelli

ndash Sosia

ndash hellip

ndash hellip

ndash hellip

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

Intra-class Variations

Time duration 6 months

Time duration 2 years

Variabilitagrave Intra-Classe Il Tempo

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

46

Sharbat GulaSharbat Gula

1985 2002

(Left photo copy Steve McCurry Right photo Steve McCurry copy National Geographic Society)

Variabilitagrave Intra-Classe Lrsquoetagrave (cont)

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

47

Variabilitagrave Intra-Classe La Posa

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

48

Variabilitagrave Intra-Classe

LrsquoEspressione

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

49

Variabilitagrave Intra-Classe

Espressione Posa e Parziali Occlusioni

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

50

Variabilitagrave Intra-Classe

LrsquoIlluminazione

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

51

Similaritagrave Inter-Classe

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

Count of Q2 Q2

Gender A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A 10Grand Total

Female 8 3 4 4 16 8 0 4 2 51 100

Male 9 5 3 6 6 5 1 2 1 63 100

Grand Total 9 4 3 5 9 6 1 3 1 59 100

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

53

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

55

Standard Esistenti

wwwbiometricsorgwwwnistgovbcwg

wwwbioapiorg

wwwibiaorgwwwbiometricfoundationorg

wwwnistgovcbeff

wwwitlnistorg

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

56

Sistemi CommercialiPanoramica

Il numero di distributori di SDKs (Software Development Kits) da poter integrare in applicazioni

esistenti

Il problema del face detection egrave visto come un problema collaterale

Tutti gli SDKs disponibili sono reperibili solo a pagamento

CompagniaSDK Documentazione Disponibile Tecnologia

Cognitec

Germania

FaceVAC

S SDK

httpwwwcognitec-

agdedocumentationfrsdk_p

ublic

Reti Neurali

HumanScan

Germania

BioID 31

SDK

httpwwwbioidcomsdkdoc

s

Detection Model based

(Hausdorff)

Identix

USA

FaceIT

SDKLocal Feature Analysis

Imagis

Canada

ID2000

SDK

Viisage

USA

FaceTool

sEigenfaces

57

Sistemi Commerciali

Cognitec

Caratteristiche

Basato sulla tecnologia FaceVACSreg

500000 confronti al secondo su processori Pentium

Lavora anche in modalitagrave distribuita

Interfaccia amichevole che permette ordinamento riorganizzazione

navigazione selezione

Piugrave immagini per ciascuna persona

Facile gestione di nuovi soggetti da aggiungere

Possibilitagrave di sottoporre valutazioni sulla qualitagrave

Integration Kit per lrsquointegrazione con altri pacchetti software

58

Sistemi Commerciali

Cognitec

Caratteristiche

bullBasato su tecnologia FaceVACSreg

bullAutomatic face recognition per una maggiore sicurezza a costi

convenienti

bullVaria dalla gestione di un singolo punto di accesso alla

regolazioni degli accessi a reti molto vaste

bullFacile integrazione nei sistemi giagrave esistenti

bullCombinabile con lettori di carte keypads e diverse tipologie di

videocamere

bullPossibilitagrave di monitorare eventi predefiniti

bullRegistrazione on-line e off-line

bullldquoVerifica direttaldquo per sistemi di altissima sicurezza

59

Sistemi Commerciali

Cognitec

Caratteristiche

bullAnalisi di piugrave sequenze video

bullFace detection di volti in piugrave video

bullFace recognition real time

bullCreazione di un file di log

bullRegistrazione interattiva da immagini fisse o

video

bullPannello di gestione dei filmati

bullIntegration Kit per lrsquointegrazione di sistemi

esistenti

60

Viisage FacePASSreg

Caratteristiche

bullFacePASS egrave utilizzato in sistemi di sicurezza controlli

per lrsquoaccesso e verifica di corrispondenza

documentoidentitagrave

bullPermette la verifica di identitagrave

bullPermette di riconoscere a ciascun soggetto identificato

il rispettivo livello di accesso

bullFrutto della tecnologia visage egrave in uso da diversi anni in

applicazioni industriali

bullInterfaccia amichevole costruita sulla base del feed-

back ottenuto dagli utenti

61

IdentiX

ABIS Face Enterprise Edition

Le componenti del sistema ABIS lavorano su architettura distribuita con il vantaggio della scalabilitagrave e della ridondanza

bull Search Core Server ABIS System search engine firmware Lavora su Intelreg Xeontrade o Pentiumreg III blade servers

bull Database Server Oracle 9i Database memorizza fino a 20 million di volti su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni e della dimensione del database richieste

bull Application Server ABIS XML-RPC Application Programming Interface lavora su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni

62

Effettiva percentuale di

utilizzo dei sistemi biometrici

Finger Scan

521

Keystroke Scan

03

Facial Scan

114Hand Scan

100

Middleware

124

Iris Scan

73

Voice Scan

41

Signature Scan

24

63

Biometric Revenues

64

DEMO

58

Sistemi Commerciali

Cognitec

Caratteristiche

bullBasato su tecnologia FaceVACSreg

bullAutomatic face recognition per una maggiore sicurezza a costi

convenienti

bullVaria dalla gestione di un singolo punto di accesso alla

regolazioni degli accessi a reti molto vaste

bullFacile integrazione nei sistemi giagrave esistenti

bullCombinabile con lettori di carte keypads e diverse tipologie di

videocamere

bullPossibilitagrave di monitorare eventi predefiniti

bullRegistrazione on-line e off-line

bullldquoVerifica direttaldquo per sistemi di altissima sicurezza

59

Sistemi Commerciali

Cognitec

Caratteristiche

bullAnalisi di piugrave sequenze video

bullFace detection di volti in piugrave video

bullFace recognition real time

bullCreazione di un file di log

bullRegistrazione interattiva da immagini fisse o

video

bullPannello di gestione dei filmati

bullIntegration Kit per lrsquointegrazione di sistemi

esistenti

60

Viisage FacePASSreg

Caratteristiche

bullFacePASS egrave utilizzato in sistemi di sicurezza controlli

per lrsquoaccesso e verifica di corrispondenza

documentoidentitagrave

bullPermette la verifica di identitagrave

bullPermette di riconoscere a ciascun soggetto identificato

il rispettivo livello di accesso

bullFrutto della tecnologia visage egrave in uso da diversi anni in

applicazioni industriali

bullInterfaccia amichevole costruita sulla base del feed-

back ottenuto dagli utenti

61

IdentiX

ABIS Face Enterprise Edition

Le componenti del sistema ABIS lavorano su architettura distribuita con il vantaggio della scalabilitagrave e della ridondanza

bull Search Core Server ABIS System search engine firmware Lavora su Intelreg Xeontrade o Pentiumreg III blade servers

bull Database Server Oracle 9i Database memorizza fino a 20 million di volti su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni e della dimensione del database richieste

bull Application Server ABIS XML-RPC Application Programming Interface lavora su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni

62

Effettiva percentuale di

utilizzo dei sistemi biometrici

Finger Scan

521

Keystroke Scan

03

Facial Scan

114Hand Scan

100

Middleware

124

Iris Scan

73

Voice Scan

41

Signature Scan

24

63

Biometric Revenues

64

DEMO

59

Sistemi Commerciali

Cognitec

Caratteristiche

bullAnalisi di piugrave sequenze video

bullFace detection di volti in piugrave video

bullFace recognition real time

bullCreazione di un file di log

bullRegistrazione interattiva da immagini fisse o

video

bullPannello di gestione dei filmati

bullIntegration Kit per lrsquointegrazione di sistemi

esistenti

60

Viisage FacePASSreg

Caratteristiche

bullFacePASS egrave utilizzato in sistemi di sicurezza controlli

per lrsquoaccesso e verifica di corrispondenza

documentoidentitagrave

bullPermette la verifica di identitagrave

bullPermette di riconoscere a ciascun soggetto identificato

il rispettivo livello di accesso

bullFrutto della tecnologia visage egrave in uso da diversi anni in

applicazioni industriali

bullInterfaccia amichevole costruita sulla base del feed-

back ottenuto dagli utenti

61

IdentiX

ABIS Face Enterprise Edition

Le componenti del sistema ABIS lavorano su architettura distribuita con il vantaggio della scalabilitagrave e della ridondanza

bull Search Core Server ABIS System search engine firmware Lavora su Intelreg Xeontrade o Pentiumreg III blade servers

bull Database Server Oracle 9i Database memorizza fino a 20 million di volti su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni e della dimensione del database richieste

bull Application Server ABIS XML-RPC Application Programming Interface lavora su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni

62

Effettiva percentuale di

utilizzo dei sistemi biometrici

Finger Scan

521

Keystroke Scan

03

Facial Scan

114Hand Scan

100

Middleware

124

Iris Scan

73

Voice Scan

41

Signature Scan

24

63

Biometric Revenues

64

DEMO

60

Viisage FacePASSreg

Caratteristiche

bullFacePASS egrave utilizzato in sistemi di sicurezza controlli

per lrsquoaccesso e verifica di corrispondenza

documentoidentitagrave

bullPermette la verifica di identitagrave

bullPermette di riconoscere a ciascun soggetto identificato

il rispettivo livello di accesso

bullFrutto della tecnologia visage egrave in uso da diversi anni in

applicazioni industriali

bullInterfaccia amichevole costruita sulla base del feed-

back ottenuto dagli utenti

61

IdentiX

ABIS Face Enterprise Edition

Le componenti del sistema ABIS lavorano su architettura distribuita con il vantaggio della scalabilitagrave e della ridondanza

bull Search Core Server ABIS System search engine firmware Lavora su Intelreg Xeontrade o Pentiumreg III blade servers

bull Database Server Oracle 9i Database memorizza fino a 20 million di volti su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni e della dimensione del database richieste

bull Application Server ABIS XML-RPC Application Programming Interface lavora su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni

62

Effettiva percentuale di

utilizzo dei sistemi biometrici

Finger Scan

521

Keystroke Scan

03

Facial Scan

114Hand Scan

100

Middleware

124

Iris Scan

73

Voice Scan

41

Signature Scan

24

63

Biometric Revenues

64

DEMO

61

IdentiX

ABIS Face Enterprise Edition

Le componenti del sistema ABIS lavorano su architettura distribuita con il vantaggio della scalabilitagrave e della ridondanza

bull Search Core Server ABIS System search engine firmware Lavora su Intelreg Xeontrade o Pentiumreg III blade servers

bull Database Server Oracle 9i Database memorizza fino a 20 million di volti su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni e della dimensione del database richieste

bull Application Server ABIS XML-RPC Application Programming Interface lavora su Windows 2000 Server Gira su un dual Intel Xeon Processors a seconda della frequenza delle interrogazioni

62

Effettiva percentuale di

utilizzo dei sistemi biometrici

Finger Scan

521

Keystroke Scan

03

Facial Scan

114Hand Scan

100

Middleware

124

Iris Scan

73

Voice Scan

41

Signature Scan

24

63

Biometric Revenues

64

DEMO

62

Effettiva percentuale di

utilizzo dei sistemi biometrici

Finger Scan

521

Keystroke Scan

03

Facial Scan

114Hand Scan

100

Middleware

124

Iris Scan

73

Voice Scan

41

Signature Scan

24

63

Biometric Revenues

64

DEMO

63

Biometric Revenues

64

DEMO

64

DEMO