DeepEyedentification :identification des personnes à partir de micro mouvements oculaires

Image d'un œil affichée sur un ordinateur de suivi oculaire (SR Research Eyelink). Crédit :Jäger et al.

Des recherches antérieures en psychologie cognitive suggèrent que les mouvements oculaires peuvent différer considérablement d'un individu à l'autre. De façon intéressante, ces caractéristiques individuelles des mouvements oculaires se sont révélées relativement stables dans le temps et largement indépendantes de ce que l'on regarde. En d'autres termes, les gens présentent des schémas différents dans la façon dont ils bougent leurs yeux et ces « mouvements oculaires » uniques pourraient être utilisés comme moyen d'identification.

Fasciné par ces observations, chercheurs de l'Université de Potsdam, en Allemagne, ont récemment développé une nouvelle méthode d'identification biométrique qui fonctionne en traitant les micro-mouvements de l'œil. Dans leur étude, prépublié sur arXiv, ils ont mené une enquête approfondie sur les mouvements oculaires involontaires des personnes et ont utilisé leurs découvertes pour développer DeepEyedentification, une architecture d'apprentissage en profondeur qui peut identifier les personnes en analysant les signaux de suivi oculaire.

L'idée d'identifier les individus en fonction de leurs mouvements oculaires existe depuis plus d'une décennie, pourtant, les méthodes proposées jusqu'à présent présentent des limites importantes. Par exemple, la plupart de ces méthodes ne sont pas très précises ou prennent trop de temps pour parvenir à une conclusion (c'est-à-dire nécessitent de longs enregistrements de mouvements oculaires d'environ une minute), ce qui les rend assez peu pratiques pour les applications du monde réel.

« Dans la recherche psychologique, il est standard de prétraiter les données de mouvements oculaires en différents types de mouvements oculaires, " Léna Jäger, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Les méthodes biométriques précédentes ont adopté cette pratique au prix d'une grande perte d'informations qui sont présentes dans les données brutes de mouvement oculaire, comme un tremblement de l'œil à haute fréquence. Notre idée clé était d'utiliser ces caractéristiques à haute fréquence. et non pré-traiter les données, mais plutôt former un réseau convolutif profond de bout en bout en utilisant les échantillons bruts collectés à 1000 images par seconde en entrée. »

Une représentation du mouvement horizontal (ligne bleue) et vertical (ligne orange) du regard pendant la lecture. Les grandes « marches » représentent des saccades, c'est à dire., mouvements de relocalisation rapides de l'œil; dans la plupart des cas, ces saccades ne sont que dans le sens horizontal – c'est parce que le script est horizontal :l'utilisateur déplace son regard vers un mot à venir ou régresse vers un mot précédent. A env. 200ms et 400ms, il y a des saccades qui ont également une composante verticale --- l'utilisateur passe à la ligne suivante, fixe un mot et revient à la ligne précédente. Les intervalles entre les saccades sont des fixations pendant lesquelles on peut observer un très faible mouvement à haute fréquence (tremblement) et un mouvement de dérive lent superposé au bruit de mesure. Les approches précédentes ont filtré ces micro-mouvements fixationnels dans leur prétraitement des données, pourtant, il semble très instructif en ce qui concerne l'identification des individus. Crédit :Jäger et al.

Dans leur étude, Jäger et ses collègues ont montré que les données de suivi oculaire non prétraitées conduisent à une précision bien supérieure à celle obtenue par les approches existantes, tout en nécessitant également des flux vidéo plus courts. Le taux d'erreur du réseau DeepEyedentication est inférieur d'un ordre de grandeur et l'identification est plus rapide de deux ordres de grandeur que la méthode précédemment la plus performante.

Après avoir enregistré une seule seconde de données de mouvement oculaire, le modèle avait déjà atteint la même précision que le modèle précédemment le plus performant après 100 secondes d'enregistrement. De plus, après cinq secondes d'enregistrement des mouvements oculaires, le taux d'erreur était 10 fois plus faible. Les chercheurs ont formé leur réseau sur deux ensembles de données différents, celui qu'ils ont collecté dans une étude précédente où les utilisateurs lisent divers textes, et un autre collecté alors que les participants regardaient un point sauter au hasard sur l'écran de l'ordinateur.

« Lors de la visualisation d'un stimulus sur un écran d'ordinateur (dans nos ensembles de données, un texte ou un point sautant), un dispositif de suivi oculaire basé sur une caméra mesure où l'utilisateur regarde, " Jäger a expliqué. "Ces données ont été transmises à un réseau de neurones profond qui les transforme en une représentation idiosyncratique du comportement des mouvements oculaires de l'utilisateur, qui est indépendant du stimulus spécifique sur l'écran.

L'architecture du modèle présentée dans l'article. Crédit :Jäger et al.

Essentiellement, Jäger et ses collègues ont entraîné leur modèle pour identifier les caractéristiques des données de mouvement oculaire qui sont particulièrement utiles pour distinguer les différents individus. Leur modèle utilise cette représentation idiosyncratique des données d'entrée qui lui sont fournies, ainsi que d'autres données utilisateur stockées dans le système, soit pour identifier un utilisateur, soit pour le rejeter.

"Nous montrons que l'identification biométrique basée sur les mouvements oculaires a le potentiel de devenir un concurrent sérieux pour d'autres méthodes d'identification biométrique largement utilisées, comme les empreintes digitales, scanner de l'iris ou reconnaissance faciale ou compléter ces techniques, " a déclaré Jäger. l'identification biométrique à partir des mouvements oculaires est intrinsèquement moins vulnérable aux attaques d'usurpation d'identité. Pendant que l'iris scanne, la reconnaissance faciale et les empreintes digitales peuvent être falsifiées par des répliques 2D ou 3D (par exemple des images, lentilles de contact imprimées, ou des répliques 3D telles qu'un œil artificiel, un masque facial ou une fausse empreinte digitale), l'usurpation de mouvements oculaires nécessiterait un appareil capable d'afficher une séquence vidéo dans le spectre infrarouge à une fréquence de 1, 000 images par seconde."

Jusque là, la nouvelle méthode d'identification biométrique développée par Jäger et ses collègues a obtenu des résultats très prometteurs. À l'avenir, cela pourrait aider à augmenter la sécurité d'une vaste gamme d'appareils, y compris les smartphones, ordinateurs portables et tablettes. Comme cette nouvelle approche fonctionne indépendamment de ce que regarde un utilisateur, les chercheurs pourraient facilement ajouter un "module de détection de vivacité", ' ce qui augmenterait encore sa sécurité. Un tel module vérifierait automatiquement si les mouvements oculaires d'un utilisateur correspondent à un stimulus visuel présenté à l'écran, ce qui ne serait pas le cas si quelqu'un tentait d'usurper le système à l'aide d'une vidéo préenregistrée.

"We are currently working with high-resolution and high sampling frequency eye trackers under laboratory conditions, " Jäger said. "Our next step is to develop an algorithm that can also deal with noisier data and lower sample rates under realistic conditions. This is necessary to make biometric identification from eye movements affordable and applicable to a wide range of real-world applications."