Uma lente de contato colorida impressa com a textura da íris de outra pessoa, uma foto de íris impressa em alta definição, um olho protético realista ou uma imagem de íris sintetizada por IA — todos esses compartilham uma coisa em comum: eles podem enganar um sistema de reconhecimento de íris que se concentra apenas na correspondência de padrões.
Na indústria, tais métodos têm um termo padrão: Ataque de Apresentação. Não importa quão alta seja a precisão de reconhecimento de um sistema, se ele não conseguir distinguir entre um olho humano real e uma falsificação em frente à câmera, sua segurança estará fundamentalmente comprometida. A norma internacional ISO/IEC 30107-3 listou a Detecção de Ataque de Apresentação (PAD), comumente conhecida como detecção de vivacidade, como um item de avaliação independente para sistemas biométricos.
A Homsh concluiu recentemente a P&D e a verificação prática de seu sistema de detecção de ataque de apresentação de íris autodesenvolvido, o HOMSH-PAD. Testado em um conjunto de dados independente de 18.516 imagens, o sistema atinge uma Taxa de Erro Igual de Detecção (D-EER) de 0,50%.
I. Verifique a Autenticidade Primeiro, Depois Confirme a Identidade
Como um módulo independente colocado antes do fluxo de trabalho de reconhecimento, o HOMSH-PAD opera da seguinte forma: após o dispositivo capturar uma imagem do olho, o sistema primeiro localiza a íris e gera uma pontuação de autenticidade por meio de uma rede de aprendizado profundo. Apenas imagens confirmadas como olhos humanos reais prosseguem para a etapa de reconhecimento; aquelas identificadas como ataques são rejeitadas imediatamente.
A versão atual abrange quatro tipos principais de métodos de ataque: lentes de contato coloridas texturizadas, imagens de íris impressas, olhos protéticos e íris sintetizadas por IA. Entre eles, olhos protéticos e imagens de íris impressas têm uma taxa de falha zero nos testes; a taxa de falha para íris sintetizadas por IA é de 0,08%. O sistema mantém a detecção eficaz mesmo para novos padrões de lentes de contato nunca vistos durante o treinamento — isso significa que o modelo aprendeu as características comuns dos ataques, em vez de simplesmente memorizar padrões específicos.
Interpretação em linguagem simples dos dados de teste
De 1.000 tentativas de ataque variadas, aproximadamente 993 são bloqueadas;
De 1.000 usuários legítimos, aproximadamente 3 são rejeitados incorretamente.
II. Por Trás dos Números: Uma Disputa de Disciplina de Dados
O campo de detecção de vivacidade de íris tem sido há muito tempo atormentado por um problema persistente: os modelos apresentam métricas impressionantes em laboratório, mas falham frequentemente quando implantados em cenários do mundo real. A equipe de P&D da Homsh acredita que o problema geralmente não está no modelo em si, mas nos dados de treinamento — atalhos estatísticos ocultos acidentalmente correlacionados com rótulos verdadeiros/falsos permitem que o modelo tome "atalhos" em vez de aprender as características reais dos ataques.
Para resolver isso, a equipe desenvolveu uma metodologia de governança de domínio de dados de treinamento para detectar e eliminar sistematicamente tais atalhos antes que os dados sejam armazenados e o treinamento comece. Um total de 75.919 imagens de íris de 10.750 sujeitos foram usadas para treinamento, calibração e teste, com grupos de sujeitos completamente não sobrepostos entre os três conjuntos de dados — cada olho no conjunto de teste nunca foi visto pelo modelo durante o treinamento. Essa metodologia é a inovação independente central do projeto e foi protegida por pedidos de patente.
Todas as métricas são calculadas de acordo com a norma internacional ISO/IEC 30107-3. O limiar de decisão é determinado em um conjunto de calibração independente, sem exposição ao conjunto de teste durante todo o processo.
III. Design de Engenharia Construído para Implantação no Mundo Real
O HOMSH-PAD é totalmente projetado para implantação prática:
● Leve: O modelo tem aproximadamente 30 MB de tamanho, capaz de inferência em tempo real em uma CPU e compatível com todos os fatores de forma, desde terminais de controle de acesso embarcados até servidores.
● Fácil de integrar: Os integradores precisam apenas inserir imagens brutas capturadas; todo o pré-processamento é tratado internamente pelo SDK, permitindo a integração com apenas algumas linhas de código.
● Calibrável: Suporta recalibração de limiar com um clique usando amostras de usuários reais do local de implantação, permitindo que a taxa de rejeição falsa seja adaptada ao grupo de usuários real.
● Segurança à prova de falhas: Entradas anormais são classificadas como ataques por padrão, não deixando "zona cinzenta" para os atacantes explorarem.
IV. Completando a Última Peça do Quebra-Cabeça
Enquanto o motor de reconhecimento de íris responde "quem é esta pessoa", o HOMSH-PAD responde "se esta é uma pessoa real". Combinados, eles permitem que as soluções de reconhecimento de íris da Homsh atendam totalmente aos requisitos de detecção de vivacidade cada vez mais explícitos de cenários de alta segurança, como assuntos governamentais, segurança pública e finanças.
Daqui para frente, a equipe continuará a expandir a biblioteca de amostras de ataque, concluir várias rodadas de verificação de estabilidade de treinamento e avançar a integração completa do dispositivo com produtos de reconhecimento de íris tudo-em-um, bem como avaliações de terceiros autorizadas.
