"C_rrT6nQ0AShw": { "on": "visible", "vars": { "event_name": "conversion", "send_to": ["AW-1003034900/SxC8CKqi46QBEJSypN4D"] } }

บทนำ

ระบบ biometric นั้นถูกนำมาใช้งานในแง่ของการแก้ปัญหาการระบุตัวบุคคลในรูปแบบอัตโนมัติ และเพื่อให้การนำมาใช้งานนั้นประสบความสำเร็จ biometric sensor จึงจำเป็นต้องสามารถเก็บข้อมูลที่ใช้งานได้ภายใต้สถานะการณ์ที่หลากหลายในขณะที่ทำงานอยู่ สถานะการณ์หล่านี้หมายถึงความแตกต่างระหว่างผู้ใช้งาน ซึ่งรวมถึงความแตกต่างด้านสภาพแวดล้อมที่เครื่องอ่านลายนิ้วมือนี้ทำงานอยู่ นอกจากนี้ ระบบ biometric ควรจะต้องมีความสามารถในการตรวจจับความพยายามในการปลอมแปลงโดยใช้สิ่งเทียมหรือการปลอมแปลงบางอย่างโดยไม่ส่งผลเสียหายให้กับการใช้งานจากผู้เป็นเจ้าของที่ได้รับอนุญาตอย่างแท้จริง ความสามารถเหล่านี้ควรจะต้องสามารถดำเนินการได้อย่างรวดเร็ว และปราศจากขั้นตอนเพิ่มเติม หรือการสร้างความไม่สะดวกสบายให้กับผู้ใช้งานที่ได้รับอนุญาต

 

การอ่านลายนิ้วมือคือหนึ่งในเทคโนโลยีที่นำมาใช้อย่างแพร่หลายมากที่สุดในบรรดาเทคโนโลยี biometric โดยเทคโนโลยีในการจับภาพลายนิ้วมือที่นำมาใช้นั้นจะมีอยู่หลายรูปแบบ เช่น optical, capacitive, คลื่นความถี่วิทยุ (radio frequency), อัลตร้าซาวด์, และการจับความร้อน และหนึ่งในข้อบกพร่องที่พบบ่อยของเทคโนโลยีการอ่านลายนิ้วมือทั่วไปก็คือ การได้มาซึ่งภาพที่มีคุณภาพต่ำภายใต้ความหลากหลายของสภาพการทำงาน ถึงแม้ว่ากรรมวิธีการจับภาพของแต่ละวิธีจะมีขั้นตอนที่แตกต่างกัน โดยทั่วไปความด้อยคุณภาพของภาพที่จับได้มักเกิดจากปัจจัยปัจจัยต่างๆ เช่น ผิวหนังที่แห้ง, สภาพผิวหนังของนิ้วมือที่มีปัญหา, ปัญหาด้านการสัมผัสระหว่างนิ้วมือและเครื่องอ่าน, แสงสว่างที่เกิดขึ้นโดยรอบ, และความชื้นบนผิวเซ็นเซอร์เครื่องอ่าน

 

หลายๆเทคโนโลยีการจับภาพมักจะไม่สามารถยืนยันได้ว่าภาพของลายนิ้วมือนั้นๆมาจากนิ้วมือที่มีชีวิต/นิ้วมือของจริง หรือมาจากตัวอย่างนิ้วมือที่ทำขึ้น หรือปลอมแปลงขึ้นมา สิ่งเหล่านี้เกิดจากข้อมูลที่ระบบเหล่านี้เก็บมาได้มักไม่มีหรือมีข้อมูลของคุณสมบัติทางกายภาพของลายนิ้วมือน้อยมาก ตัวอย่างเช่น เครื่องอ่านลายนิ้วมือด้วยแสงปกติ จะขึ้นอยู่กับผลรวมการสะท้อนภายใน (Total Internal Reflectance – TIR) ของภาพที่ได้มา ซึ่งมาจากจุดของหน้าสัมผัสการรับแสง (optical contact) ระหว่างแท่นเซ็นเซอร์และวัสดุอะไรก็แล้วแต่ทีมีดัชนีการหักเหของแสงต่ำ ด้วยเหตุผลที่ว่า มีวัสดุมากมายที่มีดัชนีการหักเหของแสงเหมาะสมเพียงพอ และสามารถสร้างรูปแบบของลายนิ้วมือขึ้นมาได้ ระบบดังกล่าวจึงมีความเสี่ยงที่จะเอื้อให้กับการพยายามในการปลอมแปลง

 

เพื่อเป็นการจำกัดข้อบกพร่องเหล่านี้ เซ็นเซอร์สำหรับอ่านลายนิ้วมือด้วยแสง (optical fingerprint sensor) จึงได้ถูกพัฒนาขึ้นเพื่อให้สามารถทำงานได้ภายใต้เงื่อนไข และสภาพการใช้งานทั่วไปที่หลากหลาย ในขณะเดียวกันกับการป้องกันการปลอมแปลง รูปแบบเซ็นเซอร์เป็นไปในรูปแบบ multispectral imaging (MSI) และได้มีการกำหนดค่าให้จับภาพทั้งลักษณะพื้นผิวชั้นนอก และผิวชั้นในของนิ้วมือภายใต้สภาพแสงที่หลากหลาย การผสมผสานกันของภาพผิวชั้นนอก และผิวชั้นในทำให้สามารถมั่นใจได้ว่าจะได้ข้อมูลทางกายภาพ (biometric) ที่สามารถนำมาใช้งานได้อย่างดี จากสภาพแวดล้อมและสรีรวิทยาที่หลากหลาย สภาพแสงสว่างโดยรอบ, ความเปียกชื้น, ปัญหาการสัมผัสระหว่างเซ็นเซอร์และนิ้วมือ, ผิวหนังที่แห้ง, และความสกปรกเปรอะเปื้อนต่างๆ จะส่งผลน้อยมากกับการเก็บข้อมูลด้วย MSI

 

ขั้นตอนการคำนวนพิเศษที่กำหนดขึ้นมาถูกนำมาใช้เพื่อการรวบรวมข้อมูล MSI image หลายๆภาพเข้าด้วยกัน เพื่อสร้างภาพลายนิ้วมือคุณภาพสูงขึ้นมาใหม่ ภาพลายนิ้วมือที่ถูกสร้างขึ้นใหม่นี้ สามารถนำมาใช้จับคู่เข้ากับภาพลายนิ้วมือจาก MSI หรือรวมถึงภาพที่จับได้จากวิธีอื่นๆด้วยเช่นกัน ดังนั้น MSI Fingerprint จึงสามารถทำงานเข้ากันได้กับเทคโนโลยีเก่าๆ และสามารถใช้งานได้กับฐานข้อมูลลายนิ้วมือที่ถูกเก็บบันทึกอยู่ก่อนหน้าจากเทคโนโลยีจับภาพอื่นๆ

 

ข้อมูลผิวหนังชั้นนอก และผิวหนังชั้นในที่ถูกบันทึกได้จาก MSI Sensor เป็นข้อมูลที่เต็มไปด้วยข้อมูลของคุณสมบัติทางแสงจำนวนมากของกลุ่มตัวอย่าง กรรมวิธีการจัดหมวดหมู่ได้ถูกพัฒนาขึ้นเพื่อทำงานกับข้อมูล MSI และเพื่อตรวจพิสูจน์คุณสมบัติของแสงที่วัดค่าได้จากกลุ่มตัวอย่างว่าถูกต้องตรงกันกับผิวหนังของมนุษย์ที่มีชีวิตจริง หากถูกต้อง ผลที่ได้ถือว่าถูกต้องและเป็นของแท้ ไม่เช่นนั้นผลที่ได้อาจจะถูกถือว่ามีความเป็นไปได้ว่าเป็นความพยายามการปลอมแปลง กรรมวิธีเหล่านี้เป็นสิ่งที่แสดงได้ว่า MSI Sensor สามารถสร้างความเชื่อมั่นให้อย่างแข็งแรงกับความถูกต้องของกลุ่มตัวอย่าง

 

ในบทนี้จะอธิบายถึงหลักการของการทำงานของ MSI Fingerprint Sensor และแสดงให้เห็นถึงภาพของข้อมูลดิบที่ได้รับ รวมถึงการอธิบายถึงกรรมวิธี และตัวอย่างในการสร้างภาพลายนิ้วมือขึ้นมาใหม่ ขั้นตอนการทดสอบประสิทธิภาพในระดับกลางของ biometric และผลลัพธ์ของการใช้ภาพลายนิ้วมือที่สร้างขึ้นได้ถูกนำมาใช้ ในตอนท้ายของบทนี้ ขั้นตอนและผลลัพธ์จากการศึกษาภายใต้การดำเนินการจากหลากหลายสภาวะแวดล้อมจะถูกนำมาแสดง การศึกษานี้จะรวมถึงทั้ง MSI Fingerprint Sensor และ optical fingerprint sensor ทั่วไปที่อยู่ในท้องตลาด ข้อมูลจากการศึกษาเดียวกันนี้จะถูกนำมาวิเคราะห์ในทิศทางที่แสดงให้เห็นถึงการใช้งานร่วมกันระหว่างภาพลายนิ้วมือที่ได้จาก MSI Fingerprint Sensor กับภาพลายนิ้วมือจากอุปกรณ์ทั่วไป ในส่วนสุดท้ายของบทนี้จะกล่าวถึงวิธีการตรวจสอบการปลอมแปงด้วย MSI และการประเมินประสิทธิภาพการป้องกันการปลอมแปลง

จุลกายวิภาคศาสตร์เนื้อเยื่อของผิวหนังลายนิ้วมือ (Fingerprint Skin Histology)

ผิวหนังของมนุษย์นั้นเป็นเนื้อเยื่อที่มีความซับซ้อนที่เป็นส่วนติดต่อของบุคคลกับสิ่งแวดล้อมภายนอก ผิวหนังจะประกอบไปด้วยตัวรับระบบประสาท, หลอดเลือดที่ไปหล่อเลี้ยงเซล, ต่อมเหงื่อเพื่อช่วยในการควบคุมความร้อน, ต่อมไขมันสำหรับการหลั่งน้ำมัน, รูขุมขน, และองค์ประกอบที่สำคัญทางสรีรวิทยาอื่นๆอีกมากมาย ในส่วนของผิวหนังเอง ไม่ใช่เป็นเพียงชั้นผิวเนื้อเดียวกันชั้นเดียว แต่ประกอบไปด้วยชั้นต่างๆที่แตกต่างกัน ที่มีคุณสมบัติแตกต่างกัน ชั้นต่างๆเหล่านี้สามารถแยกออกเป็น ผิวชั้นนอก (Epidermis) ซึ่งเป็นชั้นที่ตื้นที่สุด, ชั้นหนังแท้ (Dermis) เป็นชั้นที่หนาและมีน้ำเป็นส่วนประกอบ, ผิวหนังชั้นไขมันที่ประกอบไปด้วยไขมันและเนื้อเยื่อต่างๆ

 

ผิวหนังในส่วนของเอ็นด้านข้างของปลายนิ้วจะมีรูปแบบของลายนิ้วมือที่ประกอบไปด้วยลายสันและรอยยุบ ที่มักใช้ในการตรวจวัดลายนิ้วมือ ที่สำคัญที่สุดคือรูปแบบเหล่านี้ไม่ได้เพียงแต่ปรากฎอยู่บนพื้นผิวภายนอกของผิวหนัง หลายๆโครงสร้างทางกายวิภาคภายใต้พื้นผิวของผิวหนังจะเป็นไปตามรูปแบบของผิวชั้นนอก ตัวอย่างเช่น การเชื่อมต่อระหว่างผิวหนังชั้นนอกและชั้นหนังแท้ของผิวหนัง เป็นชั้นที่มีลักษณะเป็นลูกคลื่นที่มาจากส่วนยื่นต่างๆของชั้นหนังแท้ไปยังชั้นผิวชั้นนอก หรือที่เรียกว่า  เดอร์มัล แปปิลลา (Dermal Papilla) แปปิลลาเหล่านี้จะมีรูปร่างเป็นไปตามรูปแบบโครงสร้างพื้นผิวของลายนิ้วมือ ซึ่งจะแสดงลายนิ้วมือชั้นใน ในรูปแบบเดียวกับชั้นนอก หลอดเลือดเส้นเล็กๆหรือที่เรียกว่า เส้นเลือดฝอย จะยื่นนูนไปยัง เดอร์มัล แปปิลลา (Dermal Papilla) ดังที่แสดงในภาพ Figure 1. หลอดเลือดเหล่านี้จะสร้างอีกรูปแบบนึงของ รูปแบบลายนิ้วมือชั้นนอก

Figure 1: Histology of the skin on the palmar surface of the fingertip. The sketch on the left shows the pattern of the capillary tufts and dermal papillae that lie below the fingerprint ridges. The SEM photo on the right side shows the rows of capillary tufts imaged on a portion of an excised thumb after the surrounding skin has been removed (Simone Sangiorgi, personal communication, 2005).​

ยังมีอยู่หลายวิธีที่สามารถใช้ในการที่จะจับภาพโครงสร้างชั้นในของผิวหนังของนิ้วมือ หนึ่งในนั้นคือการใช้ใยแก้วนำแสง (Optics) จากผลวิจัยที่ถูกตีพิมพ์ล่าสุดแสดงให้เห็นถึงการใช้แสงเอกซ์เรย์ เพื่อวิเคราะห์คุณลักษณะของผิวนิ้วมือภายใต้รอยคลื่นบนผิวหนัง รายงานนี้แสดงให้เห็นว่ามีพื้นที่ที่แตกต่างกันของการสะท้อนแสงระดับสูง (850 nm) ในผิวหนังอยู่ที่ความลึกประมาณ 500 μm ภายใต้แต่ละรอยสันนิ้ว นอกจากนี้นักวิจัยยังสามารถแสดงให้เห็นว่ารูปแบบของผิวชั้นในนี้ยังคงมีอยู่ แม้ว่ารูปแบบจากผิวชั้นนอกจะถูกทำให้เสียรูปร่างไปโดยการกดทับ หรือถูกปิดบังโดยรอยย่นของผิวหนัง

 

Multispectral Imaging เป็นแนวทางการใช้ใยแก้วนำแสงในอีกวิธีหนึงที่สามารถใช้ในการจับภาพคุณลักษณะชั้นนอก และชั้นในของผิวหนัง ในส่วนถัดไปต่อจากนี้จะเป็นการแสดงรายละเอียดของหลักการทำงานของ MSI รวมถึงการทดสอบและผลลัพธ์จาก fingerprint sensor ชนิดนี้​

หลักการทำงานของ MSI

เพื่อที่จะทำการจับข้อมูลที่สมบูรณ์จากคุณลักษณะชั้นนอกและชั้นในของผิวหนังของนิ้วมือนั้น MSI Sensor จะทำการเก็บภาพหลายๆภาพของนิ้วมือภายใต้สภาวะแสงที่หลากหลาย ภาพจะถูกจับได้จากการใช้ความยาวของคลื่นแสงไฟที่แตกต่างกัน, สภาวะคลื่นแสงระนาบเดียว (polarization) ที่แตกต่างกัน และมุมของการส่องแสงที่แตกต่างกัน ด้วยลักษณะการทำงานเช่นนี้ ภาพที่ได้แต่ละภาพจะประกอบด้วยข้อมูลเกี่ยวกับนิ้วมือที่ต่างกันบ้าง หรือสมบูรณ์บ้าง ความยาวคลื่นแสงที่แตกต่างกันจะแทรกซึมผิวหนังในความลึกที่แตกต่างกันและจะถูกดูดซึมและกระจายอย่างแตกต่างกันโดยองค์ประกอบทางเคมีและโครงสร้างต่างๆของผิวหนัง สภาพวะคลื่นแสงต่างๆจะเปลี่ยนระดับของคุณลักษณะชั้นนอกและชั้นในไปเป็นข้อมูลภาพ และสุดท้ายทิศทางการส่องแสงที่แตกต่างกันจะเปลี่ยนตำแหน่งและองศาไปเป็นที่ซึ่งคุณลักษณะของพื้นผิวได้ถูกเน้น​

 

ภาพจาก Figure 2 แสดงให้เห็นถึงวงจรอย่างง่ายขององค์ประกอบหลักของแสงของ MSI Fingerprint Sensor การส่องแสงสำหรับแต่ละภาพถูกสร้างขึ้นจากแต่ละหลอด LEDs (Light Emitting Diodes) จากภาพจะแสดงถึงกรณีของแสงระนาบเดียว (polarized), การส่องแสงโดยตรงถูกนำมาใช้เพื่อทำการเก็บภาพ แสงจาก LED จะส่องผ่านแผ่นทำแสงโพลาไลซ์แนวตรง (linear polarizer) ก่อนจะส่งแสงมายังนิ้วมือที่วางอยู่บนแท่น sensor โดยแสงจะมีปฏิกิริยาต่อนิ้วมือและส่วนหนึ่งของแสงจะส่งตรงมายังตัวรับภาพ (imager) ผ่านแผ่นทำแสงโพลาไลซ์รับภาพ (imaging polarizer) โดยแผ่นทำแสงโพลาไลซ์รับภาพ (imaging polarizer) นี้ จะทำมุมกับแกนแสงเป็นมุมฉากกับแกนของ แผ่นทำแสงโพลาไลซ์การส่องแสง (illumination polarizer) ซึ่งแสงดังกล่าวนี้ที่มีคลื่นระนาบ (polarization) เดียวกันกับแสงไฟ (illumination light จะถูกทำให้จางลงโดย แผ่นทำแสงโพลาไลซ์ (polarizer) การทำเช่นนี้จะส่งผลอย่างมากในการลดการสะท้อนของแสงจากพื้นผิวของผิวหนัง และเป็นการเน้นแสงที่ได้ผ่านการกระเจิงของแสงหลายๆเหตุการณ์หลังจากผ่านชั้นผิวหนัง

Figure 2. Optical configuration of an MSI sensor. The dotted lines illustrate the direct illumination of a finger by a polarized LED.​

หลอด LED ส่องแสงตรง (Direct Illumination LED) อันที่สอง ที่เห็นในภาพ Figure 2 นั้นจะไม่มีแผ่นทำแสงโพลาไลซ์ (polarizer) อยู่ในตำแหน่งเส้นทางการส่องแสง เมื่อหลอด LED ส่องแสงขึ้น แสงจะถูกสุ่มให้เกิดแนวระนาบเดียว (randomly polarized) ในกรณีนี้ ทั้งแสงที่สะท้อนจากผิวชั้นนอก และแสงที่ทะลุผ่านลึกลงไปจะสามารถผ่านทะลุ imaging polarizer ในสัดส่วนที่เท่ากัน เมื่อเป็นเช่นนี้ ภาพที่ถูกสร้างจาก LED ที่ไม่โพลาไลซ์นี้จะมีอิทธิพลที่แข็งแกร่งมากจากคุณลักษณะของผิวนิ้วมือ

 

ที่สำคัญคือ แหล่งที่มาขอแสงทั้งหมดเหล่านี้ (ทั้งโพลาไลซ์ และไม่โพลาไลซ์) รวมถึงระบบการสร้างภาพ ถูกจัดทำขึ้นเพื่อหลีกเลี่ยงปรากฎการณ์การหักเห ณ ตำแหน่งแท่นสัมผัส เป็นการแน่นอนว่าแต่ละหลอดส่องแสงจะส่องไปยังนิ้วมือ และแน่นอนว่าตัวรับภาพจะรับภาพนิ้วมือ ไม่ว่าจะเป็นในกรณีผิวที่แห้ง สกปรก หรือแม้แต่การสัมผัสกับ sensor การทำงานในลักษณะนี้ของ MSI Imager เป็นการทำงานเฉพาะทางที่แตกต่างอย่างชัดเจนจากเทคโนโลยีการจับภาพลายนิ้วมืออื่นๆ และเป็นกุญแจสำคัญของความเข้มแข็งของวิธีการทำงานแบบ MSI​

Figure 3. MSI sensor schematic showing TIR illumination​

นอกเหนือไปจาก direct illumination ที่แสดงในภาพ Figure 2 แล้วนั้น MSI Sensor ยังได้รวมเข้ากับรูปแบบของ TIR imaging ตามที่แสดงในภาพ Figure 3. โดยในโหมดการส่องแสงนี้ มีหลอด LED หนึ่งหลอดหรือมากกว่าส่งแสงจากด้านข้างของแท่นรับ สัดส่วนของแสงจะแพร่กระจายผ่านแท่นรับ โดยการสร้างการสะท้อน TIR หลายๆครั้ง ณ ตำแหน่งช่องว่างของแท่นรับ ในจุดนี้ที่ TIR ถูกแตกออกโดยหน้าสัมผัสของผิว แสงจะผ่านเข้าไปยังผิวและถูกสะท้อนอย่างกระจัดกระจาย สัดส่วนของแสงที่สะท้อนอย่างกระจัดกระจายนี้จะถูกส่งตรงไปยังระบบเก็บภาพ และส่งผ่านต่อไปยังแผ่นทำแสงโพลาไลซ์ (imaging polarizer) สร้างรูปภาพสำหรับในขั้นตอนการส่องแสงนี้ ซึ่งต่างกับขั้นตอนการส่องแสงโดยตรงที่คุณภาพของผลลัพธ์จาก TIR image จะขึ้นอยู่กับผิวที่มีความชื้นเพียงพอ และความสะอาดที่ดีพอในการสร้างหน้าสัมผัสกับแท่นรับแสง เช่นเดียวกันกับกรณีของ sensor TIR ชนิดดั่งเดิมอื่นๆ อย่างไรก็ตาม สิ่งที่ต่างจาก sensor TIR แบบดั่งเดิม สำหรับ MSI Sensor นั่นก็คือความสามารถในการสร้างรูปแบบของลายนิ้วมือจากภาพจากแสงแนวตรง (direct illumination image) ถึงแม้ว่า TIR image จะถูกทำให้ด้อยคุณภาพลง หรือขาดหายไป รายละเอียดที่มากขึ้นเกี่ยวกับเรื่องนี้จะกล่าวถึงในส่วนถัดไปของบทความนี้

 

ในทางปฏิบัติ โดยทั่วไปแล้ว MSI Sensor จะประกอบไปด้วย หลอด LED แนวตรงที่มีความยาวคลื่นต่างๆกัน ตัวอย่างเช่น Lumidigm J110 MSI Sensor เป็น sensor เกรดอุตสาหกรรมที่มีทั้งหมด 4 คลื่นความถี่แสง (430, 530, และ 630 nm รวมถึง แสงสีขาว) ทั้งที่เป็นแบบ โพลาไลซ์ และไม่โพลาไลซ์ เมื่อนิ้วมือถูกว่าบนแท่น sensor ภาพแสงแนวตรง 8 ภาพจะถูกถ่ายพร้อมกันไปกับ 1 TIR image โดยภาพดิบที่ได้จะเป็นภาพ 640 x 480 image array ความละเอียด pixel resolution ที่ 525 ppi ภาพทั้ง 9 ภาพจะถูกถ่ายภายใน 500 mSec โดยประมาณ

 

นอกเหนือไปจากการทำงานแบบระบบแสงนี้แล้วนั้น Lumidigm J110 ยังประกอบไปด้วยอุปกรณ์ควบคุมสำหรับส่วนประกอบของภาพและแสง, หน่วยประมวลผลในตัว, หน่วยความจำ, อุปกรณ์อิเล็กทรอนิกส์สำหรับแปลงพลังงาน, และวงจรอินเตอร์เฟซ หน่วยประมวลผลที่ฝังในตัวทำหน้าที่ในการดำเนินการลำกับการจับภาพ และสื่อสารต่อไปยังระบบ biometric ที่เหลือผ่านวงจรอินเตอร์เฟซ นอกเหนือไปจากการควบคุมขั้นตอนการควบรวมภาพและการสื่อสาร หน่วยประมวลผลนี้ยังสามารถประมวลผลภาพดิบ 9 ภาพเพื่อสร้าง ภาพจำลองลายนิ้วมือ 8-bit จากภาพดิบ และหน่วยประมวลผลยังวิเคราะห์ข้อมูลภาพ MSI เพื่อให้แน่ใจว่าภาพจำลองที่ได้มาเป็นภาพจากนิ้วมือมนุษย์อย่างแท้จริง ไม่ใช่ของปลอมหรือวัสดุที่ทำเทียมขึ้น การสร้างภาพลายนิ้วมือและการป้องกันการปลอมแปลงจะถูกอธิบายเพิ่มเติมในรายละเอียดในส่วนถัดไป​

การสร้างภาพลายนิ้วมือ

จากที่ได้กล่าวถึงก่อนหน้านี้ไปแล้วนั้นว่า ภาพดิบของลายนิ้วมือหลายภาพจะถูกถ่ายในแต่ละครั้งที่นิ้วสัมผัสกับ sensor โดยภาพเหล่านี้นั้นได้มาจากความหลากหลายของความยาวคลื่นแสง, สภาวะโพลาไรซ์, และรูปทรงเลขาคณิตของลำแสง โดยเช่นนี้แล้ว แต่ละผลลัพธ์จะประกอบไปด้วยความแตกต่างเล็กๆน้อยๆของคุณลักษณะของนิ้วมือ รวมถึงลายนิ้วมือของนิ้วนั้นๆ ตัวอย่างของภาพดิบจากลายนิ้วมือที่ได้รับจากการวัดค่าหนึ่งครั้งของ Lumidigm J110 MSI Sensor จะแสดงตามภาพ Figure 4. ภาพจากแถวบนสุดแสดงภาพดิบจาก ความยาวคลื่นแสงแบบไม่โพลาไรซ์ที่ 430, 530, และ 630 nm รวมถึงแสงสีขาว แถวกลางแสดงภาพที่เกิดจากกรณี cross-polarized และภาพเดี่ยวแถวสุดท้ายเคือภาพ TIR โดยการปรับโหมด grayscale ให้กับแต่ละภาพจะถูกขยายขึ้นเพื่อเน้นให้เห็นคุณลักษณะเด่นของลายนิ้วมือ​

 

จากภาพที่แสดงจะเห็นว่าจะมีคุณลักษณะอยู่หลายประการที่แสดงได้จากข้อมูลดิบที่ได้ รวมถึงคุณลักษณะของเนื้อสัมผัสของผิวชั้นนอก ซึ่งปรากฎในรูปแบบรอยหยักที่ปรากฎได้อย่างเด่นชัดภายใต้ความยาวคลื่นแสงสีฟ้า (430 nm) และสีเขียว (530 nm) ความเข้มที่สัมพันธ์กันของภาพดิบภายใต้แต่ละสภาวะแสงเป็นตัวบ่งบอกคุณลักษณะสเปกตรัม (เช่น สี) ของนิ้วมือ หรือตัวอย่างอื่นๆ ได้อย่างดี (หมายเหตุ: ความเข้มข้นของภาพจาก Figure 4 ได้ถูกทำให้ลดลงเพื่อช่วยให้เห็นรายละเอียดของภาพดิบเพื่อการเปรียบเทียบได้ดียิ่งขึ้น) ทั้งเนื้อสัมผัสและคุณลักษณะสเปกตรัมเป็นกุญแจที่มีบทบาทสำคัญในการป้องกันการปลอมแปลง เนื่องจากทั้งสองสิ่งนี้จะแสดงถึงความแตกต่างอย่างความชัดเจนระหว่างผิวที่มีชีวิต และวัสุดเทียมปลอมอื่นๆ กรรมวิธีในการใช้คุณลักษณะเหล่านี้เพื่อการตรวจสอบการปลอมแปลงจะอธิบายในรายละเอียดในส่วนถัดไปของบทนี้

Figure 4: Raw MSI images. The upper row of images corresponded to cross-polarized illumination of various wavelengths, the middle row corresponds to cross-polarized illumination, and the bottom left image is a backscattered image.​

อย่างที่ทราบว่าภาพดิบที่ได้ต่างๆนี้คือภาพของพื้นที่ของนิ้วมือที่ถูกจับภาพได้ ภาพจากแสงตรง (direct illuminated images) ในแถวบนสุดและแถวกลางจับได้ภาพนิ้วมือเกือบทั้งหมดของพื้นผิว ในทางตรงกันข้าม ภาพ TIR ในแถวล่างจะจับได้ภาพเฉพาะส่วนพื้นที่ที่เล็กกว่า ตรงกลางของนิ้วมือ อย่างที่เป็นไปตามขนาดของพื้นที่แสงในภาพ ความแตกต่างนี้เป็นผลอันเนื่องจาก ภาพ TIR จำเป็นต้องมีพื้นที่สัมผัสแสงระหว่างนิ้วมือและแท่นรับ ในการสร้างภาพ ในขณะที่แสงตรง (direct illumination) ไม่จำเป็นต้องมีพื้นที่สัมผัสก็สามารถจับคุณลักษณะของนิ้วมือได้อย่างมีประสิทธิภาพ แม้แต่ใจพื้นที่ที่มีช่องว่างระหว่างผิวนิ้วมือกับแท่นรับ เรื่องนี้เป็นสิ่งสำคัญเนื่องจากภาพ MSI นั้นจะประกอบไปด้วยข้อมูลเกี่ยวกับนิ้วมือในรายละเอียดที่มีมากกว่าเมื่อเทียบกับการเก็บข้อมูลที่เทคโนโลยีการเก็บภาพจากพื้นผิวทำได้ ซึ่งผลลัพธ์ที่ได้จะมีรายละเอียดปลีกย่อยของคุณลักษณะลายนิ้วมือที่เพิ่มเติมขึ้น และยังเป็นการยกระดับ พัฒนาประสิทธิภาพของเทคโนโลยี biometric​

Figure 5: On the left is a composite fingerprint image generated from the raw MSI images shown in Fig. 4. On the right is a conventional TIR image collected on the same finger used to generate the MSI fingerprint.​

ชุดรูปภาพดิบที่แสดงตาม Figure 4 สามารถนำมาประกอบรวมกันเพื่อสร้างรูปแบบลายนิ้วมือขึ้นมาใหม่ การสร้างภาพลายนิ้วมือนี้จะขึ้นอยู่กับคลื่นเวฟเล็ต ของการฟิวชั่นภาพ เพื่อคัดลอก, ควบรวม, และเสริมสร้างคุณลักษณะเหล่านั้นที่เป็นลักษณะเฉพาะของลายนิ้วมือ วิธีการสลายตัวคลื่นเวฟเล็ตที่ใช้นั้นขึ้นอยู่กับ dual-tree complex wavelet transform การฟิวชั่นรูปภาพเกิดขึ้นได้โดยการเลือกค่าสัมประสิทธิ์ ที่มี absolute magnitude สูงสุดในรูปภาพ ที่แต่ละตำแหน่ง และระดับการสลายตัว (decomposition level) จากนั้นการแปลงเวฟเล็ตผกผัน (inverse wavelet transform) จะเกิดขึ้นจากผลลัพธ์การรวบรวมค่าสัมประสิทธิ์ (coefficients) ซึ่งจะให้ผลเป็นภาพที่ถูกสร้างขึ้นภาพเดียว ตัวอย่างของผลลัพธ์จากขั้นตอนวิธีการรวมข้อมูลจากข้อมูลดิบใน Figure 4 สามารถดูได้จากภาพใน Figure 5 ซึ่งโครงสร้างที่ชัดเจน เช่น รอยสันของลายนิ้วมือสามารถเห็นได้ชัดเจนจากภาพ เพื่อให้เห็นการเปรียบเทียบ ภาพลายนิ้วมือที่เก็บได้จากเทคโนโลยี TIR แบบเดิม กับนิ้วมือนิ้วเดียวกัน สามารถดูเปรียบเทียบได้จากภาพนี้​

การทดลองและผลลัพธ์

ประสิทธิภาพพื้นฐาน

ประสิทธิภาพพื้นฐานของเซ็นเซอร์ J110 MSI ได้รับการประเมินจากการศึกษาในกลุ่มคนที่หลากหลาย Sensor Lumidigm J110 ถูกนำไปใช้ในการศึกษาที่กับคนจำนวน 118 คนได้รับคัดเลือกให้เข้าร่วม โดยใช้เวลาทดสอบนาน 3 สัปดาห์ ซึ่งเป็นช่วงที่ให้อาสาสมัครกลับเข้ามาทดสอบเป็นระยะๆ ในจำนวนหลายครั้ง อาสาสมัครถูกแบ่งกลุ่มในจำนวนที่ใกล้เคียงกันระหว่างชายและหญิง โดยมีอายุระหว่าง 18 ถึง 80 ปี อาสาสมัครไม่ได้ถูกคัดเลือกจากลักษณะเฉพาะพิเศษใดๆ และการกระจายตัวของกลุ่มประชากรอาสาสมัคร สะท้อนการกระจายตัวประชากรท้องถิ่นในย่าน Albuquerque, New Mexico​

 

นิ้วทั้งหมด (เช่น นิ้วชี้, นิ้วกลาง, นิ้วนาง และนิ้วก้อย) ของมือขวาของอาสาสมัครแต่ละคนถูกวัดหลายครั้งตลอดการศึกษาและทดลอง การแสกนลายนิ้วมือสามครั้งแรกจากนิ้วใดนิ้วหนึ่งบนเซ็นเซอร์ J110 ตัวแรกถูกใช้เป็นข้อมูลสำหรับการลงทะเบียน เพื่อนำมาใช้เปรียบเทียบกับข้อมูลที่นำมาใช้กับเซ็นเซอร์อื่นทั้งหมด และระหว่างการมาทดสอบครั้งต่อไปเพื่อการเปรียบเทียบ อาสาสมัครกลับเข้ามา “ในแบบที่เขาเป็น” ในการศึกษาแต่ละครั้ง และไม่ได้ถูกขอให้ล้างมือ หรือปรับสภาพผิวนิ้วมือในทางใดทางหนึ่ง

 

ประสิทธิภาพลายนิ้วมือได้รับการประเมินโดยใช้ คุณลักษณะการดึงและอัลกอริทึมการจับคู่ที่จัดทำโดย NEC (NECSAM FE4, ver. 1.0.2.0, PPC2003) ค่าการจับคู่ถูกสร้างขึ้นจากการเปรียบเทียบระหว่างภาพเทมเพลตลายนิ้วมือที่ต้องการตรวจสอบแต่ละรายการ กับภาพเทมเพลตที่ลงทะเบียนไว้สามแบบ และค่าการจับคู่สูงสุดจะถูกนำมาใช้ รูปภาพที่มีป้ายกำกับอย่างถูกต้องทั้งหมดถูกนำมาใช้สำหรับการวิเคราะห์ประสิทธิภาพ รูปภาพที่ถูกตัดออกจากการวิเคราะห์นี้มีเพียงบางส่วนเนื่องจากการเก็บภาพนิ้วที่ไม่ถูกต้อง เหตุการณ์เหล่านี้ถูกประเมินโดยใช้กล้องเว็บและวิธีการเสริมอื่นๆ และไม่ได้มาจากการจับคู่ลายนิ้วมือ

 

เส้นโค้งลักษณะการทำงานของเครื่องรับ (Receiver Operating Characteristic Curve -ROC) ที่สร้างขึ้นจากการศึกษาแสดงใน Figure 6. ค่า Equal Error Rate (ERR) อยู่ที่ประมาณ 0.8% และ False Rejection Rate (FRR) ที่ False Acceptance Rate (FAR) ขนาด 0.01% อยู่ที่ประมาณ 2.5% ซึ่งสอดคล้องกับ True Acceptance Rate (TAR) ที่ 97.5% จำนวนการเปรียบเทียบการจับคู่ที่แท้จริงที่ใช้สำหรับเส้นโค้งนี้คือ 5,811 และจำนวนการเปรียบเทียบการจับคู่ที่ผิดพลาดคือ 58,110 โดยสุ่มเลือกจากการเปรียบเทียบการจับคู่ผิดพลาด (false match) ที่เป็นไปได้ทั้งหมด

Figure 6: Baseline biometric performance of the J110 MSI fingerprint sensor assessed during a three-week study of 118 volunteers using all four fingers (index, middle, ring, and little finger) of their right hand.​

เปรียบเทียบประสิทธิภาพภายใต้ปัจจัยที่ไม่พึงประสงค์

สมมติฐานที่ว่าเซ็นเซอร์ MSI มีความสามารถในการรวบรวมข้อมูลลายนิ้วมือที่ใช้งานได้ ภายใต้สภาพแวดล้อมที่ประสิทธิภาพของเซ็นเซอร์อื่นเสื่อมสภาพ หรือเซ็นเซอร์หยุดทำงาน ได้รับการทดสอบในกลุ่มเป้าหมายที่มีความหลากหลายเพื่อการเปรียบเทียบ การศึกษานี้ได้รวมถึงเซ็นเซอร์ของ MSI และเซ็นเซอร์ลายนิ้วมือแบบ TIR ทั่วไปหลากหลายตัว เพื่อที่จะได้ข้อสรุปที่แข็งแกร่งจากการศึกษาและหลีกเลี่ยงผลลัพธ์ที่ผิดพลาด มุมมองหลักของการทดลองจึงต้องมีความหลากหลาย และผลลัพธ์ที่ได้มาจะต้องถูกรวบรวมเพื่อให้ได้ข้อสรุปในภาพรวม หลักการและมุมมองในการศึกษานี้จะประกอบไปด้วย;​

  • ประสิทธิภาพของเซ็นเซอร์ TIR แบบดั้งเดิมได้รับการประเมินโดยใช้เซ็นเซอร์ TIR ที่มีจำหน่ายทั่วไปสามตัวจากผู้ผลิตที่แตกต่างกันสามราย
  • ตัวแยกคุณลักษณะและตัวจับคู่ที่มีจำหน่ายทั่วไปสามตัวถูกนำมาใช้เพื่อประเมินประสิทธิภาพลายนิ้วมือในทุกๆภาพ
  • มีการทดสอบสภาวะไม่พึงประสงค์ต่างๆ หกเหตุการณ์

 

นอกจากเซ็นเซอร์ลายนิ้วมือ Lumidigm J110 MSI แล้วเซ็นเซอร์ TIR สามตัวที่ใช้ในการศึกษาก็คือ

  • Cross Match Verifier 300 (“Sensor C”)
  • Identix DFR 2100 (“Sensor I”)
  • Sagem Morpho MSO 300 (“Sensor S”)

 

อัลกอริธึมลายนิ้วมือที่ใช้ในการสร้างภาพผลลัพธ์ สามแบบที่มีขายทั่วไป ทั้งหมดมาจาก NEC, Sagem, และ Neurotechnologija ผลลัพธ์ที่แสดงด้านล่างถูกสร้างขึ้นจากค่าเฉลี่ยของผลลัพธ์ที่ได้จากอัลกอริทึมแต่ละอันเหล่านี้

สถานะการณ์ที่ไม่พึงประสงค์ที่แตกต่างกันหกข้อที่ได้รับการทดสอบมีดังนี้

  • อาซิโตน (Acetone): Acetone ประมาณหนึ่งช้อนชาถูกเทลงบนนิ้วแต่ละนิ้ว และปล่อยให้แห้งก่อนที่จะมีการเก็บภาพนิ้วมือแต่ละภาพ
  • ปูนขาว (Chalk): อาสาสมัครถูกขอให้ใช้ปูนขาวเล็กน้อยถูบนนิ้วของเขา ก่อนการรวบรวมภาพลายนิ้วมือแต่ละภาพ ปูนขาวนี้เป็นแบบของนักปีนเขาสีขาวที่หาซื้อได้จากร้านขายเครื่องกีฬาในท้องถิ่น
  • ฝุ่น (Dirt): ): อาสาสมัครถูกขอให้ใช้ฝุ่นสกปรกเล็กน้อยถูบนนิ้วของเขา ก่อนการรวบรวมภาพลายนิ้วมือแต่ละภาพ ฝุ่นผงนี้ถูกเก็บจากในพื้นที่ เช่นจากพื้นทราย ก้อนหินเล็กๆ ซากใบไม้แห้ง ฯลฯ
  • น้ำ (Water): อาสาสมัครถูกขอให้จุ่มนิ้วลงในแก้วน้ำ และวางนิ้วที่เปียกลงบนเซ็นเซอร์ก่อนรวบรวมภาพแต่ละภาพ
  • แรงกดต่ำ (Low pressure): อาสาสมัครถูกขอให้ใช้นิ้วแตะเซ็นเซอร์เพียงเล็กน้อย ที่ทำให้เกิดแรงกดประมาณ 0.2–3.0 ออนซ์
  • มีแสงสว่างโดยรอบ: หลอดควอทซ์ทังสเตนฮาโลเจน (QTH) สามดวงที่มีกำลังรวม 1100 W ทั้งหมดถูกวางไว้ที่ความสูงประมาณ 30 นิ้ว และวางในมุมที่ส่องไปหาแท่นเซ็นเซอร์แต่ละตัว ซึ่งจะส่งผลให้เกิดความเข้มของแสงประมาณ 7.35 K Lux บนพื้นผิวของแผ่นรองเมื่อไม่มีนิ้ว​

การศึกษาผลกระทบของเงื่อนไขที่ไม่พึงประสงค์เหล่านี้เริ่มต้นด้วยการคัดเลือกอาสาสมัครประมาณ 20 คนต่อการทดลองแต่ละครั้งจากสภาพแวดล้อมของสำนักงานท้องถิ่น อาสาสมัครแต่ละคนลงทะเบียนลายนิ้วมือสี่นิ้ว (นิ้วกลางซ้าย, นิ้วชี้ซ้าย, นิ้วกลางขวา, นิ้วชี้ขวา) บนเซ็นเซอร์ที่ใช้ทดสอบแต่ละตัวภายใต้สภาพแวดล้อมในร่มปกติ การลงทะเบียนลายนิ้วมือประกอบด้วยการเก็บภาพคุณภาพสูงสามภาพของของแต่ละนิ้วโดยมีเจ้าหน้าที่แนะนำ เจ้าหน้าที่ที่มีความเชี่ยวชาญจะทำการตรวจสอบภาพลายนิ้วมือก่อนทำการยืนยัน เพื่อให้แน่ใจว่าภาพลายนิ้วมือที่ได้ถูกจัดให้อยู่กึ่งกลาง และมีรายละเอียดรูปแบบลายนิ้วมือที่สมบูรณ์ ในบางกรณีอาสาสมัครถูกขอให้ทาโลชั่นเล็กน้อยบนปลายนิ้ว เพื่อให้ได้ภาพที่มีคุณภาพเพียงพอ จากเซ็นเซอร์ TIR ธรรมดาหนึ่งตัวหรือมากกว่า

 

ในวันทดสอบวันถัดมา อาสาสมัครจะกลับมาเพื่อมาทดสอบการตรวจสอบลายนิ้วมือของตัวเอง โดยภาพลายนิ้วมือของนิ้วที่ได้ลงทะเบียนไว้แต่ละนิ้วจะถูกแสกนภายใต้สภาพแวดล้อมและเงื่อนไขที่ไม่พึงประสงค์ตามที่กำหนดไว้ เซ็นเซอร์ทั้งหมดจะได้รับการทดสอบอย่างใกล้ชิด และภายใต้เงื่อนไขที่คล้ายคลึงกันมากที่สุด ในบางกรณี เซ็นเซอร์ TIR ธรรมดาหนึ่งตัวหรือมากกว่านั้นประสบกับความล้มเหลวในการรับลายนิ้วมือ (FTA) เนื่องจากการรับภาพลายนิ้วมือจากสถานะการณ์แบบสมจริงไม่สอดคล้องกับการทำงานของเซ็นเซอร์ ในกรณีที่อาสาสมัครไม่สามารถแสกนภาพนิ้วมือได้สำเร็จหลังจากผ่านไปประมาณสิบวินาที ภาพว่างเปล่าจะถูกนำมาใช้ เพื่อนำไปสร้างรายงานการวิเคราะห์ต่อไป

 

ภาพลายนิ้วมือแต่ละภาพในชุดข้อมูลที่ได้จะถูกจับคู่กับภาพทึ่เคยลงทะเบียนไว้แต่ละภาพ ค่าการจับคู่ที่สูงที่สุดที่ได้จากการเปรียบเทียบกับรูปภาพนิ้วมือที่ลงทะเบียนไว้ทั้งสามภาพจะถูกบันทึก และสะสม เพื่อรวบรวมสร้างค่าการจับคู่ที่ตรงกันและค่าการจับคู่ที่ไม่ตรงกัน และผลลัพธ์ของประสิทธิภาพสำหรับคุณสมบัติการดึงภาพ และการจับคู่ของทั้งสามภาพ ผลลัพธ์สุดท้ายถูกสร้างขึ้นโดยการหาค่าเฉลี่ยประสิทธิภาพร่วมกันของอัลกอริธึมลายนิ้วมือที่ใช้ในการสร้างภาพผลลัพธ์ทั้งสามแบบ

 

ขนาดของชุดข้อมูลสำหรับแต่ละเงื่อนไขที่ไม่พึงประสงค์คือประมาณ 230 ภาพ ซึ่งจะถูกใช้เพื่อสร้างจำนวนการเปรียบเทียบค่าการจับคู่ที่ตรงกัน จำนวนการเปรียบเทียบค่าการจับคู่ที่ไม่ตรงกันที่ใช้สำหรับแต่ละเงื่อนไขและอัลกอริทึม จะกระจายกันอยู่ระหว่างการเลือก 5,676 ถึง 22,700 สุ่ม จากการเปรียบเทียบค่าการจับคู่เที่ไม่ตรงกันที่เป็นไปได้ทั้งหมด

 

ตารางต่อไปนี้จะสรุปผลลัพธ์ค่าเฉลี่ยประสิทธิภาพการอ่านจับคู่ลายนิ้วมือของเซ็นเซอร์ที่นำมาใช้ทดสอบแต่ละตัวภายใต้สภาพแวดล้อมอันไม่พึงประสงค์ที่กำหนดไว้​

Table 1: TAR (%) at an FAR of 0.01%. Sensor C is a Cross Match Verifier 300, Sensor I is an Identix DFR 2100, Sensor S is a Sagem MSO300, and the MSI Sensor is a Lumidigm J110.​

จะเห็นได้ชัดว่าประสิทธิภาพของเซ็นเซอร์ MSI ดีกว่าเซ็นเซอร์ทั่วไปทั้งในกรณีทั่วไปและในกรณีสถานะการณ์เฉพาะเจาะจง ในบางกรณี ความแตกต่างของประสิทธิภาพจะเห็นได้ชัดอย่างค่อนข้างน่าทึ่ง (ตัวอย่างเช่น กรณีมีน้ำอยู่บนแท่นอ่านเซ็นเซอร์) ความแตกต่างของประสิทธิภาพการทำงานนี้สามารถเห็นได้ทั่วไปในทุกจุดปฏิบัติการตามเส้นโค้งของ ROC​

ความเข้ากันได้ย้อนหลังกับข้อมูลดั้งเดิม

ข้อมูลที่ถูกลงทะเบียนไว้ และข้อมูลที่ได้จากการตรวจสอบถูกเก็บรวบรวมจากเซ็นเซอร์ที่แตกต่างกัน 4 แบบ และ สถานะการณ์ที่ไม่พึงประสงค์ 6 เหตุการณ์ ถูกนำมาวิเคราะห์ครั้งที่สอง  เพื่อประเมินความสามารถของภาพ MSI ที่จะจับคู่กับภาพที่รวบรวมจากเซ็นเซอร์ลายนิ้วมือ TIR ทั่วไป และเพื่อทำการประเมินนี้ ภาพลายนิ้วมือจาก MSI ที่ถูกรวบรวมภายใต้เงื่อนไขที่ไม่พึงประสงค์จะถูกจับคู่กับข้อมูลการลงทะเบียนที่รวบรวมจากเซ็นเซอร์ TIR ทั่วไปแต่ละตัว อย่างเช่นเคย, การวิเคราะห์จะถูกทำซ้ำแบบเดิมด้วยซอฟต์แวร์ที่ใช้สำหรับดึงและจับคู่ภาพนิ้วมือทั้งสามแบบ Table 2 ตามด้านล่างนี้แสดงผลลัพธ์ค่าเฉลี่ยของประสิทธิภาพที่ได้รับ

Table 2: TAR (at FAR=0.01%) for same-sensor and cross-sensor cases. The same sensor performance (shaded) duplicates the information in Table 1. The corresponding cross-sensor performance is generated using enrollment data collected with Sensors C, I, S and performing biometric comparisons to MSI images collected under adverse conditions.​

คอลัมน์ข้อมูลที่ไม่มีการแรเงาแสดงถึงผลลัพธ์การจับคู่แบบข้ามเซ็นเซอร์ ในขณะที่คอลัมน์ที่แรเงาเป็นผลลัพธ์การจับคู่จากเซ็นเซอร์เดียวกันที่ซ้ำกันจากตารางที่ 1 ผลลัพธ์จากการเปรียบเทียบระหว่าง เซ็นเซอร์ต่างชนิด และ เซ็นเซอร์ชนิดเดียวกัน แสดงให้เห็นถึงการพัฒนาที่น่าทึ่งในเกือบทุกตัวอย่างการทดสอบ รวมถึงค่าเฉลี่ยโดยรวมด้วย การค้นพบนี้บ่งชี้ว่าเทคโนโลยีการถ่ายภาพของ MSI นั้นเข้ากันได้กับข้อมูลดั้งเดิมที่เก็บรวบรวมไว้ในเซ็นเซอร์ลายนิ้วมือ TIR ทั่วไป ยิ่งกว่านั้นการปรับปรุงประสิทธิภาพของเซ็นเซอร์ MSI ที่ทำงานในสภาวะที่ไม่พึงประสงค์ประสบความสำเร็จ แม้ในกรณีที่ข้อมูลการลงทะเบียนถูกถ่ายภายใต้วิธีการถ่ายภาพที่แตกต่างกัน สิ่งนี้สอดคล้องกับหลักฐานที่ว่า MSI Imager สามารถรับข้อมูลดิบที่เพียงพอในการสร้างภาพลายนิ้วมือคอมโพสิตคุณภาพสูงภายใต้เงื่อนไขที่ทำให้เทคโนโลยีอื่นๆประสบปัญหาด้านประสิทธิภาพการทำงานอย่างรุนแรง​

การตรวจจับการปลอมแปลง

ระบบไบโอเมตริกที่ประสบความสำเร็จจะต้องสามารถระบุลายนิ้วมือมนุษย์ที่มีชีวิตได้อย่างน่าเชื่อถือ และสามารถปฏิเสธลายนิ้วมืออื่นๆ ทั้งหมดได้ การตรวจจับการปลอมแปลง หรืออาจจะเรียกว่า การตรวจจับการมีชีวิต คือความสามารถในการแยกแยะลายนิ้วมือที่ได้จากมนุษย์ที่มีชีวิต กับลายนิ้วมือจากสิ่งที่สร้างขึ้นโดยวัสดุอื่นๆ เมื่อเร็วๆ มีนี้บทความจำนวนมากได้เผยแพร่และแสดงให้เห็นถึงวิธีการต่างๆของการปลอมแปลงลายนิ้วมือด้วยเทคโนโลยีแบบเดิม วิธีการมีตั้งแต่รูปแบบที่ง่ายมาก เช่น การหายใจบนเซ็นเซอร์เพื่อเปิดใช้งานจากร่องรอยลายนิ้วมือที่แฝงอยู่ (Thalheim, Krissler, and Ziegle 2002) ไปจนถึงวิธีการที่ดูน่ากลัวมากขึ้น เช่น การใช้นิ้วมือของคนตาย (Parthasaradhi 2003) วิธีทั่วไปของการปลอมแปลงเครื่องอ่านลายนิ้วมือคือการสร้างแบบจำลองของลายนิ้วมือโดยใช้วัสดุที่หาได้ง่ายเช่นเทปใสและผงแกรไฟต์ (Thalheim, Krissler, and Ziegle 2002), Play-Doh หรือลาเท็กซ์ (Derakhshani 1999), ซิลิโคนหรือเจลาติน (Matsumoto, Matsumoto, Yamada, and Hoshino 2002), ตรายาง (Geradts and Sommer 2006), หรือดินเหนียว (Parthasaradhi 2003).

 

เซ็นเซอร์ลายนิ้วมือแบบธรรมดาจะเก็บภาพตามความแตกต่างระหว่างอากาศและวัสดุที่สัมผัสกับเซ็นเซอร์ ในขณะที่เทคโนโลยีเซ็นเซอร์แต่ละอาจจะมีความแตกต่างกันไปในวิธีการจับภาพ แต่ในแต่ละครั้งจะอาศัยเพียงคุณสมบัติเดียวจากวัสดุที่สัมผัสกับเซ็นเซอร์ เซ็นเซอร์ลายนิ้วมือแบบแสง (optical sensor) ใช้ความแตกต่างในดัชนีการหักเหของแสง, เซ็นเซอร์โซลิดสเตตพึ่งพาความแตกต่างของความต้านทาน และ เซ็นเซอร์ความร้อนขึ้นอยู่กับความแตกต่างในการนำความร้อน วัสดุใดๆที่วางอยู่บนเซ็นเซอร์ที่มีคุณสมบัติเช่นเดียวกับที่คาดไว้ก็จะสามารถนำมาช้ในการจับภาพลายนิ้วมือได้ ตัวอย่างเช่น เครื่องอ่านลายนิ้วมือแบบแสง (optical sensor) จะรวบรวมภาพสามมิติจากลายนิ้วมือที่ทำจากวัสดุที่เหมาะสมที่สัมผัสกับเซ็นเซอร์ เช่น ลาเท็กซ์, ซิลิโคน หรือ เจลาติน จุดอ่อนของเครื่องอ่านทั่วไปคือการพึ่งพาคุณสมบัติเดียวของพื้นผิวของวัสดุที่มีลายนิ้วมือ เมื่อมีการค้นพบวัสดุใดๆ ที่เลียนแบบคุณสมบัติของพื้นผิวนิ้วมือก็สามารถใช้ในการปลอมแปลง หลอกเซ็นเซอร์ได้อยู่เสมอ วิธีการตรวจจับที่น่าเชื่อถือมากขึ้นนั้นจะช่วยให้สามารถตรวจวัดคุณสมบัติหลายอย่างของทั้งพื้นผิวและใต้พื้นผิว

 

ภาพหลากสีที่ได้มาจากการบังคับแสงให้มีคลื่นไปทางเดียว (polarizations) และมุมที่ต่างกัน ทำให้เซ็นเซอร์ MSI สามารถจับภาพคุณสมบัติต่างๆ ของนิ้วที่มีประโยชน์สำหรับการตรวจจับการปลอมแปลง โดยทั่วไปคุณสมบัติของวัสดุที่บันทึกในข้อมูล MSI อาจแบ่งออกเป็นสองประเภทกว้างๆ: เชิงแสงเงา (spectral) และเชิงพื้นที่/เนื้อสัมผัส คุณสมบัติทางสเปกตรัมที่ง่ายที่สุดคือสีของพื้นผิวของวัสดุที่วางอยู่บนเซ็นเซอร์ ช่วงของสีผิวมนุษย์ที่มีชีวิตนั้นค่อนข้างแคบ และจากการมองเห็นผิวบนพื้นผิวของมันนั้นดูแตกต่างจากวัสดุอื่นๆมาก คุณสมบัตินี้สามารถมองเห็นได้อย่างง่ายดายผ่านความเข้มของพิกเซลในระนาบบนภาพ MSI แต่ละอัน ภาพประกอบของความสามารถในการใช้คุณสมบัติค่าเฉลี่ยสเปกตรัมเพื่อการจำแนก สามารถดูได้ในรูปแบบที่ 7 พล็อตทั้งสี่แสดงค่าความเข้มของภาพเฉลี่ยสำหรับการหลอกแบบต่างๆ สี่แบบที่วัดได้จากชุดตัวอย่างที่นำมาทดสอบ ในแต่ละพล็อต ค่าความเข้มเฉลี่ยจากกลุ่มประชากรตัวอย่างของอาสาสมัครถูกนำมาใช้ซ้ำ การปลอมแปลงจะแสดงเป็นเส้นประและค่าเฉลี่ยจากมนุษย์จริงๆจะแสดงเป็นเส้นทึบ นอกจากนี้พล็อตเส้นโค้งทั้งหมดนี้เป็นขอบเขตข้อผิดพลาดที่แสดงการเปลี่ยนแปลงความเบี่ยงเบนมาตรฐาน +/-3 ของค่าความเข้มเฉลี่ยโดยเฉพาะสำหรับคลาสตัวอย่างที่กำหนด จะเห็นได้ว่าในระนาบภาพหลายๆภาพ การแยกค่าความเข้มเฉลี่ยนั้นมีความสำคัญสูงมาก ซึ่งหมายถึงการแยกคลาสง่ายๆ โดยอิงจากพารามิเตอร์พื้นฐานเดี่ยวนี้เท่านั้น

Figure 7: Spectral differences between people and various spoof types. The average image intensity for each of the eight direct-illumination images is plotted for people (solid lines, repeated in the four plots) and spoofs (dotted lines, different for each plot). Error bounds represent 3*STD of the measured population for each sample class. All of these sample types are clearly separable from people based only their average spectral properties.​

คุณสมบัติที่ซับซ้อนยิ่งกว่านั้นจะถูกบันทึกในข้อมูล MSI ตัวอย่างเช่น สีของแสงที่แตกต่างกัน มีปฏิกริยากับคุณสมบัติของผิวที่แตกต่างกัน และส่วนประกอบของผิวที่แตกต่างกัน เช่น เลือด หากลองใช้สเปคโทรสทางการแพทย์จะแสดงให้เห็นว่าส่วนประกอบสำคัญของเลือด (oxygenated และ deoxygenated hemoglobin) ดูดซับความยาวคลื่นแสงที่แตกต่างกันอย่างไร ดูได้จาก Figure 8 Oxygenated hemoglobin มีการดูดซับอย่างสูงที่ความยาวคลื่นสูงกว่า 600 นาโนเมตร หากต่ำกว่า 600 นาโนเมตร hemoglobin ทั้งสองรูปแบบจะมีการดูดซับที่สูง แต่มีคุณสมบัติทางสเปกตรัมที่แตกต่างกันอย่างชัดเจน ความยาวคลื่นแสงที่แตกต่างกันของเซ็นเซอร์ MSI ทำการวัดสเปกตรัมของผิวหนังได้อย่างมีประสิทธิภาพ ซึ่งสเปกตรัมของเลือดนั้นเป็นองค์ประกอบสำคัญ ด้วยการตรวจสอบข้อมูลของ MSI อย่างเหมาะสม จะมีการพิจารณาว่ามีหรือไม่มีเลือดในตัวอย่างซึ่งเป็นวิธีการที่แข็งแกร่งอีกวิธีหนึ่งในการแยกแยะตัวอย่างการปลอมแปลงบางประเภท​

Figure 8: Comparison of spectra of oxygenated and deoxygenated hemoglobin​

ลักษณะเชิงพื้นที่และเนื้อสัมผัสก็มีความสำคัญอย่างยิ่งสำหรับการตรวจจับการปลอมแปลง ตัวอย่างเช่น เมื่อวางวัสดุที่บางและโปร่งใส บนแท่นวางนิ้วมือ ในความพยายามที่จะหลอกระบบ รูปแบบลายนิ้วมือจากทั้งตัวอย่างที่บางอาจถูกสังเกตได้ องค์ประกอบของคุณสมบัติลายนิ้วมือนี้มักจะส่งผลให้พื้นผิวมีความผิดธรรมชาติ จากตัวอย่างที่แสดงให้เห็นใน Figure 9 วิธีการจำแนกประเภทนั้นสามารถแยกแยะระหว่างพื้นผิวปกติและพื้นผิวที่ผิดปกติได้อย่างง่ายดายดังนั้นจึงเป็นอีกช่องทางหนึ่งสำหรับการตรวจจับความพยายามที่จะหลอกเซ็นเซอร์

 

เนื่องจากมีความหลากหลายและความเป็นไปได้ในคุณสมบัติลายนิ้วมือที่แท้จริง ปัญหาของการเลือกและการรวมคุณสมบัติต่างๆ เพื่อแยกความแตกต่างนั้นจึงเป็นเอกลักษณ์เฉพาะของเทคโนโลยีของ MSI วิธีหนึ่งในการเลือกและสร้างคุณลักษณะคือการใช้เทคนิคการเรียนรู้โดยใช้ข้อมูลหลายตัวแปร เช่น โครงข่ายประสาท หรือการวิเคราะห์แยกแยะ (Duda, Hart, and Stork 2001) วิธีการเหล่านี้ใช้ตัวอย่างเพื่อกำหนดคุณสมบัติและชุดค่าผสมที่มีประโยชน์มากที่สุดในการแยกความแตกต่างระหว่างคลาส: ในตัวอย่างนี้คือ คลาสระหว่างนิ้วมือจากมนุษย์ที่มีชีวิต และ วัสดุที่ใช้เทียมลายนิ้วมืออื่นๆ นอกเหนือจากความแข็งแกร่งในการตรวจจับการสวมรอยที่หลากหลายแล้ว เทคโนโลยีนี้ยังให้ข้อได้เปรียบที่แตกต่างกันของความสามารถในการปรับตัวให้เข้ากับการปลอมแปลงใหม่เมื่อค้นพบ

 

เพื่อทดสอบความสามารถในการตรวจจับการปลอมแปลงของระบบ multispectral อย่างเข้มงวด การศึกษาได้ดำเนินการโดยใช้กลุ่มอาสาสมัคร และตัวอย่างการปลอมแปลงจำนวนมาก อาสาสมัครเป็นกลุ่มคนเดียวกัน 118 คนที่อธิบายไว้ก่อนหน้านี้ว่ามีการแวะเวียนกลับเข้ามาทดสอบหลายครั้งในช่วงระยะเวลาสามสัปดาห์ ตัวอย่างการปลอมแปลงประกอบด้วยประเภทการหลอกลวงทั้งหมดที่มีการเผยแพร่ทางสื่อและบทความต่างๆ รวมถึงตัวอย่างเพิ่มเติมบางประเภท มีการรวบรวมการปลอมแปลงทั้งสิ้น 49 ประเภท ลาเท็กซ์, ซิลิโคน, Play-Doh, ดินเหนียว, ยาง, กาว, เรซิ่น, เจลาตินและเทปถูกนำมาใช้ใน สี, ความเข้มข้น และความหนาต่างๆ นิ้วเทียมหลายนิ้วถูกนำมาใช้ ตัวอย่างการปลอมแบบโปร่งใสและกึ่งโปร่งใสแต่ละชิ้นได้รับการทดสอบร่วมกันกับนิ้วชี้ของอาสาสมัครแต่ละคน ตัวอย่างการปลอมแปลงถูกวางไว้บนนิ้วอาสาสมัครก่อนที่จะสัมผัสเซ็นเซอร์และรวบรวมข้อมูลของ MSI นิ้วจริงของอาสาสมัครมีการบันทึกภาพทั้งหมด 17,454 ภาพและมีการรวบรวมภาพหลอก 27,486 ภาพ สำหรับการสวมรอยแต่ละประเภทจะมีการเก็บตัวอย่างระหว่าง 40 ถึง 1,940 ตัวอย่าง การสวมรอยแบบโปร่งใสที่นิ้วชี้ของอาสาสมัครสวมใส่ส่งผลให้มีขนาดตัวอย่างมากกว่าการสวมรอยแบบทึบแสง

Figure 9: Example images of various thin, transparent spoofs placed on real fingers. The elliptical marks highlight areas in which unnatural textures are clearly apparent. The automated texture analysis techniques incorporated in the MSI sensor are sensitive to much subtler variations of texture.​

Stack รูปภาพ MSI แต่ละอันได้รับการแปลงเวฟเล็ตโดยใช้เวฟเล็ตที่มีโครงสร้างแบบ dual-tree complex (Kingsbury, 2001) ขนาดที่แน่นอนของค่าสัมประสิทธิ์ (coefficients) จะถูกนำมารวมกันในแนวการจำแยกทั้ง 6 แบบ ผลลัพธ์ของการรวมค่าสัมประสิทธิ์ (coefficients) นั้นจะถูกรวบรวมเป็นฮิสโตแกรม (histograms) สำหรับแต่ละภาพ MSI และแตะละระดับการจำแนก ผลลัพธ์จากฮิสโตแกรม (histograms) แต่ละอันจะถูกสรุปค่าที่ระดับเปอร์เซ็นสองค่า (ลำดับที่ 30 และ 70) การรวบรวมค่าสรุปทั้งหมดสำหรับทุกระดับและรูปภาพดิบทั้งหมด จึงก่อให้เกิดเวกเตอร์ของตัวแปรอิสระที่ใช้ในการจำแนกตัวอย่างเฉพาะว่าเป็นของแท้หรือหลอก ตัวแปรของการจำแนกเชิงเส้นของฟิชเชอร์ถูกนำไปใช้กับชุดข้อมูลทดสอบและใช้เพื่อสร้างคุณลักษณะแปดประการสำหรับการจำแนกประเภท ในส่วนของการทดสอบ ความแตกต่างระหว่าง อัตรายกกำลังสองของระยะ Euclidian ค่าการปลอมแปลง และค่าเฉลี่ยจากมนุษย์จริง  ถูกนำมาใช้ในการคำนวณข้อผิดพลาดการสลับสับเปลี่ยนตัวอย่างที่ถูกต้องกับ และตัวอย่างที่ไม่ถูกต้องที่ใช้สำหรับการหลอกลวง ผลลัพธ์จะแสดงในรูปที่ 10 ซึ่งคล้ายกับเส้นโค้ง ROC ที่ใช้เพื่ออธิบายประสิทธิภาพการจับคู่ลายนิ้วมือในช่วงระยะเวลาการทดสอบ ในกรณีนี้ ค่า TAR คืออัตราที่การวัดที่ทำกับคนจริงถูกจำแนกอย่างเหมาะสมว่าเป็นตัวอย่างของแท้ ดังนั้น นี่จึงเป็นตัวชี้วัดที่สะดวกในการใช้ตรวจจับการปลอมแปลงซึ่งพิสูจน์ให้เห็นโดยผู้ที่ได้รับอนุญาต ค่า FAR จะอธิบายอัตราการสุ่มตัวอย่างการปลอมแปลงว่าเป็นตัวอย่างของแท้ อัตรานี้ให้หน่วยวัดสำหรับระดับความปลอดภัยต่อการปลอมแปลงที่ระบบจัดทำ ณ จุดปฏิบัติการเฉพาะ ความปลอดภัยและความสะดวกสบายของระบบตรวจจับการปลอมแปลงนี้เป็นการแลกเปลี่ยนแบบเดียวกับในกรณีของการจับคู่ลายนิ้วมือ ค่า TAR ที่มากขึ้นสามารถทำได้โดยการลดค่าการตรวจจับการปลอมแปลง และเช่นเดียวกันในทางกลับกัน ทางหนึ่งที่เป็นไปได้ในการกำหนดการทำงานคือ ตั้งเกณฑ์การตัดสินใจเพื่อให้ TAR 99.5% และการปลอมแปลงโดยรวมที่เป็นผลลัพธ์อยู่ที่ประมาณ 0.9% การวิเคราะห์เพิ่มเติมแสดงให้เห็นว่า ณ จุดปฏิบัติการนี้ตัวอย่างการปลอมแปลงจำนวนมากไม่เคยได้รับการยอมรับว่าเป็นของแท้และไม่มีการปลอมแปลงชั้นเดียวที่มีค่า FAR มากกว่า 15% สิ่งนี้แสดงให้เห็นว่ารูปแบบการตรวจจับที่แข็งแกร่งมากๆนี้ สามารถนำไปใช้กับเซ็นเซอร์ MSI โดยมีผลกระทบต่อผู้ใช้ที่เป็นตัวจริงน้อยที่สุด​

Figure 10: Error trade-off for multispectral spoof detection​

บทสรุป

เทคโนโลยีการถ่ายภาพของ MSI จะดึงภาพที่แตกต่างกัน และลักษณะพื้นผิวของนิ้วที่หลากหลาย เพื่อให้วิธีการที่ปลอดภัยและเชื่อถือได้ในการสร้างภาพลายนิ้วมือ การทดสอบที่ดำเนินการจนถึงปัจจุบันได้แสดงให้เห็นถึงข้อได้เปรียบที่แข็งแกร่งของเทคโนโลยี MSI เหนือวิธีการถ่ายภาพทั่วไปภายใต้สถานการณ์ที่หลากหลาย คำจำกัดความของข้อได้เปรียบของเทคโนโลยี MSI แบ่งได้สามเรื่อง

เรื่องที่หนึ่ง: มีคุณสมบัติทางกายวิภาคหลายอย่างด้านล่างพื้นผิวของผิวที่มีรูปแบบเดียวกับลายนิ้วมือและสามารถถ่ายภาพโดย MSI ซึ่งหมายความว่ามีแหล่งข้อมูลเพิ่มเติมใต้พื้นผิวสำหรับเซ็นเซอร์ MSI เพื่อรวบรวมและชดเชยคุณภาพที่ไม่ดีหรือคุณสมบัติพื้นผิวที่ขาดหายไป

เรื่องที่สอง: เซ็นเซอร์ MSI ถูกออกแบบมาเพื่อให้สามารถรวบรวมข้อมูลลายนิ้วมือที่ใช้งานได้ภายใต้เงื่อนไขที่หลากหลาย ประกอบไปด้วย ผิวหนังที่แห้ง, ผิวหนังที่สกปรก, การสัมผัสระหว่างนิ้วกับเซ็นเซอร์ไม่ดี, มีน้ำบนนิ้ว และ/หรือ แท่นวาง และแสงโดยรอบที่สว่างจ้า คุณลักษณะของเซ็นเซอร์นี้ช่วยเพิ่มความน่าเชื่อถือของเซ็นเซอร์ MSI และลดเวลาและความพยายามที่ผู้ใช้ที่ได้รับอนุญาตต้องใช้ไปในการทำธุรกรรมด้วยการอ่านลายนิ้วมือ

เรื่องที่สาม: เนื่องจากเซ็นเซอร์ MSI ไม่เพียง แต่ตรวจจับลายนิ้วมือ แต่แทนที่จะตรวจจับวัสดุที่ซึ่งมีลายนิ้วมืออยู่ ข้อมูลที่ได้จะให้ข้อบ่งชี้ที่ชัดเจนว่ามีลายนิ้วมือที่ได้มาจากจากนิ้วที่มีชีวิตหรือวัสดุอื่นๆ ความสามารถในการให้การรับรองที่เข้มงวดของความถูกต้องของตัวอย่างนี้ช่วยเพิ่มความปลอดภัยของระบบโดยรวมและทำให้เซ็นเซอร์ลายนิ้วมือของ MSI สามารถใช้ในแอปพลิเคชันและสภาพแวดล้อมที่การปลอมแปลงเป็นปัญหา

 

แม้ว่าเทคโนโลยีการถ่ายภาพของ MSI นั้นเป็นวิธีที่แตกต่างกันอย่างชัดเจนในการรับลายนิ้วมือ แต่การทดสอบแสดงให้เห็นว่าลายนิ้วมือของ MSI นั้นเข้ากันได้กับภาพที่เก็บรวบรวมโดยใช้เทคโนโลยีภาพอื่นๆ การค้นพบดังกล่าวช่วยให้เซ็นเซอร์ MSI สามารถรวมเข้ากับระบบรักษาความปลอดภัยด้วยเซ็นเซอร์อื่นๆ และใช้แทนกันได้ รวมถึงเซ็นเซอร์ของ MSI อาจถูกนำไปใช้ในแอพพลิเคชั่นที่ภาพลายนิ้วมือ MSI ใหม่ถูกนำมาเปรียบเทียบกับฐานข้อมูลดั้งเดิมของภาพที่รวบรวมโดยใช้เทคนิคที่แตกต่างกัน

 

การทดสอบเพิ่มเติมของเทคโนโลยีการตรวจจับของ MSI นั้นกำลังดำเนินการอยู่ เพื่อการปรับใช้ในขอบเขตขนาดใหญ่และสภาพแวดล้อมในห้องปฏิบัติการที่หลากหลาย ผลลัพธ์จากการทดสอบเหล่านี้ช่วยเพิ่มองค์ความรู้เกี่ยวกับเทคโนโลยีลายนิ้วมือของ MSI​

credit:

Robert K. Rowe, Kristin Adair Nixon, Paul W. Butler
Published in Advances in Biometrics, Springer, 2008
Editors N.K. Ratha and V. Govindaraju

source: Multispectral Fingerprint Image Acquisition

ีunofficial translation by: บริษัท วัลแคน เทคโนโลยี จำกัด

เทคโนโลยีอ่านลายนิ้วมือ HID Multispectral

ในบทความนี้จะอธิบายถึงหลักการของการทำงานของเซ็นเซอร์อ่านลายนิ้วมือรูปแบบใหม่แบบ Multispectral Imaging (MSI) โดย MSI Sensor นี้จะทำการจับภาพหลายๆภาพของนิ้วมือภายใต้สภาวะการส่องแสงที่แตกต่างกัน ซึ่งรวมถึง ระยะคลื่นความถี่ที่แตกต่างกัน, มุมของแสงที่แตกต่างกัน, และสภาวะสนามไฟฟ้าของคลื่นแสงระนาบเดียวที่แตกต่างกัน (polarization condition) ผลลัพธ์ของข้อมูลที่ได้จะเป็นข้อมูลทั้งจากผิวชั้นนอก และผิวชั้นในของผิวหนัง ข้อมูลนี้จะผ่านกระบวนการเพื่อประกอบเป็นรูปภาพลายนิ้วมือที่ได้ผลลัพธ์เช่นเดียวกับภาพที่ได้จากเครื่องอ่านลายนิ้วมือทั่วไป แต่เพิ่มเติมด้วยลักษณะเฉพาะที่มีประสิทธิภาพสูงขึ้น ในอีกแง่นึงคือ MSI Imaging Sensor นั้นสามารถเก็บภาพลายนิ้วมือที่ใช้งานได้ในสภาพที่ซึ่งเซ็นเซอร์อื่นมาสามารถทำไม่ได้ เช่น เมื่อมีการปนเปื้อน, ความชื้น, และมีแสงสว่างเกิดขึ้นโดยรอบ หรือ การสัมผัสนิ้วมือบนเซ็นเซอร์ที่ไม่สมบูรณ์ นอกจากนั้น ข้อมูล MSI ยังสามารถถูกดำเนินการเพื่อให้แน่ใจว่าลักษณะแสงที่วัดได้ถูกต้องตรงกับผิวหนังของมนุษย์ที่ยังมีชีวิตอยู่ เพื่อเป็นการป้องกันความพยายามในการสร้างกลไกหลอกลวงเซ็นเซอร์​

บริษัท วัลแคน เทคโนโลยี จำกัด

Copyright © 2019 www.vulcan-tec.com All Rights Reserved.​​​

จีเนียส เว็บสวย ติดหน้าแรกๆ Google

DESIGN by​

บริษัท วัลแคน เทคโนโลยี จำกัด