Una lente de contacto de color impresa con la textura del iris de otra persona, una foto de iris impresa en alta definición, un ojo protésico realista o una imagen de iris sintetizada por IA, todas estas comparten una cosa en común: pueden engañar a un sistema de reconocimiento de iris que solo se enfoca en la coincidencia de patrones.
En la industria, tales métodos tienen un término estándar: Ataque de Presentación. No importa cuán alta sea la precisión de reconocimiento de un sistema, si no puede distinguir entre un ojo humano real y una falsificación frente a la cámara, su seguridad se ve fundamentalmente comprometida. El estándar internacional ISO/IEC 30107-3 ha incluido la Detección de Ataques de Presentación (PAD), comúnmente conocida como detección de vivacidad, como un elemento de evaluación independiente para sistemas biométricos.
Homsh ha completado recientemente la I+D y la verificación práctica de su sistema de detección de ataques de presentación de iris de desarrollo propio, HOMSH-PAD. Probado en un conjunto de datos independiente de 18.516 imágenes, el sistema logra una Tasa de Error de Igualación de Detección (D-EER) del 0,50%.
I. Verificar la Autenticidad Primero, Luego Confirmar la Identidad
Como módulo independiente colocado antes del flujo de trabajo de reconocimiento, HOMSH-PAD opera de la siguiente manera: después de que el dispositivo captura una imagen del ojo, el sistema primero localiza el iris y emite una puntuación de autenticidad a través de una red de aprendizaje profundo. Solo las imágenes confirmadas como ojos humanos reales proceden al paso de reconocimiento; aquellas identificadas como ataques son rechazadas de inmediato.
La versión actual cubre cuatro tipos principales de métodos de ataque: lentes de contacto de color texturizados, imágenes de iris impresas, ojos protésicos e iris sintetizados por IA. Entre ellos, los ojos protésicos y las imágenes de iris impresas tienen una tasa de falsos negativos cero en las pruebas; la tasa de falsos negativos para los iris sintetizados por IA se sitúa en el 0,08%. El sistema mantiene una detección efectiva incluso para nuevos patrones de lentes de contacto nunca vistos durante el entrenamiento, lo que significa que el modelo ha aprendido las características comunes de los ataques, en lugar de simplemente memorizar patrones específicos.
Interpretación en lenguaje sencillo de los datos de prueba
De 1.000 intentos de ataque variados, aproximadamente 993 son bloqueados;
De 1.000 usuarios legítimos, aproximadamente 3 son rechazados incorrectamente.
II. Detrás de los Números: Una Competencia de Disciplina de Datos
El campo de la detección de vivacidad del iris ha estado plagado durante mucho tiempo de un problema persistente: los modelos entregan métricas impresionantes en el laboratorio, pero fallan con frecuencia cuando se implementan en escenarios del mundo real. El equipo de I+D de Homsh cree que el problema generalmente no reside en el modelo en sí, sino en los datos de entrenamiento: los atajos estadísticos ocultos correlacionados accidentalmente con etiquetas verdaderas/falsas permiten que el modelo tome "atajos" en lugar de aprender las características reales de los ataques.
Para abordar esto, el equipo ha desarrollado una metodología de gobernanza de dominios de datos de entrenamiento para detectar y eliminar sistemáticamente dichos atajos antes de que los datos se almacenen y comience el entrenamiento. Se utilizaron un total de 75.919 imágenes de iris de 10.750 sujetos para entrenamiento, calibración y prueba, con grupos de sujetos completamente no superpuestos en los tres conjuntos de datos: cada ojo en el conjunto de prueba nunca fue visto por el modelo durante el entrenamiento. Esta metodología es la innovación independiente central del proyecto y ha sido protegida por solicitudes de patente.
Todas las métricas se calculan de acuerdo con el estándar internacional ISO/IEC 30107-3. El umbral de decisión se determina en un conjunto de calibración independiente, sin exposición al conjunto de prueba durante todo el proceso.
III. Diseño de Ingeniería Construido para la Implementación en el Mundo Real
HOMSH-PAD está completamente diseñado para la implementación práctica:
● Ligero: El modelo tiene un tamaño de aproximadamente 30 MB, es capaz de inferencia en tiempo real en una CPU y es compatible con todos los factores de forma, desde terminales de control de acceso integrados hasta servidores.
● Fácil de integrar: Los integradores solo necesitan ingresar imágenes capturadas en bruto; todo el preprocesamiento es manejado internamente por el SDK, lo que permite la integración con solo unas pocas líneas de código.
● Calibrable: Admite la recalibración del umbral con un solo clic utilizando muestras de usuarios reales del sitio de implementación, lo que permite adaptar la tasa de falsos rechazos al grupo de usuarios real.
● Seguridad a prueba de fallos: Las entradas anormales se clasifican como ataques por defecto, sin dejar un "área gris" para que los atacantes la exploten.
IV. Completando la Pieza Final del Rompecabezas
Mientras que el motor de reconocimiento de iris responde a "quién es esta persona", HOMSH-PAD responde a "si esta es una persona real". Combinados, permiten que las soluciones de reconocimiento de iris de Homsh cumplan completamente con los requisitos de detección de vivacidad cada vez más explícitos de escenarios de alta seguridad como asuntos gubernamentales, seguridad pública y finanzas.
En el futuro, el equipo continuará expandiendo la biblioteca de muestras de ataques, completará múltiples rondas de verificación de estabilidad de entrenamiento y avanzará en la integración completa del dispositivo con productos de reconocimiento de iris todo en uno, así como evaluaciones autorizadas de terceros.
