ФОРЕНЗИКА У КРИМИНАЛИСТИЦИ

Slides:



Advertisements
Similar presentations
Learning to Recognize the Fellowship God Creates Among His People.
Advertisements

One Sample T-tests One sample t-tests are used in the following two situations The size of a sample is less than 25 The population standard deviation is.
Overview of biometric technology. Contents: 1. What is Biometrics The term “biometrics” is derived from the Greek words “bio” (life) and “metrics” (to.
Iris Recognition Under Various Degradation Models Hans Christian Sagbakken.
1/2a = 1/2g a = g t (s)x (m)y (m)vx (m)vy (m)Ek (J)Ep (J)Em (J)
2 1 Discrete Markov Processes (Markov Chains) 3 1 First-Order Markov Models.
Author :Panikos Heracleous, Tohru Shimizu AN EFFICIENT KEYWORD SPOTTING TECHNIQUE USING A COMPLEMENTARY LANGUAGE FOR FILLER MODELS TRAINING Reporter :
BIOMETRICS By Lt Cdr V Pravin 05IT6019. BIOMETRICS  Forget passwords...  Forget pin numbers...  Forget all your security concerns...
Biometric Authentication : using fingerprints and evaluating fingerprint readers M. Ndlangisa Supervised by: Prof P. Wentworth and J. Ebden.
CM-707 Standalone Fingerprint Access Control System CM -707 is biometrics fingerprint recognition standalone access control system.It can store up to 800,1500.
Biometrics & Security Tutorial 7. 1 (a) Please compare two different kinds of biometrics technologies: Retina and Iris. (P8:2-3)
Monte Carlo Simulation Methods - ideal gas. Calculating properties by integration.
H OW TO C ONTROL A CCEPTANCE T HRESHOLD FOR B IOMETRIC S IGNATURES WITH D IFFERENT C ONFIDENCE V ALUES ? Yasushi Makihara( 槇原 靖 ), Md. Altab Hossain, Yasushi.
Hidden Markov Models Pairwise Alignments. Hidden Markov Models Finite state automata with multiple states as a convenient description of complex dynamic.
Biometrics Technology Jie Meng. What is Biometrics ? Biometrics is the science and technology of measuring and analyzing biological data. In information.
CS Team 5 Alex Wong Raheel Khan Rumeiz Hasseem Swati Bharati Biometric Authentication System.

Effect of Selection Ratio on Predictor Utility Reject Accept Predictor Score Criterion Performance r =.40 Selection Cutoff Score sr =.50sr =.10sr =.95.
Large Scale Applications Dr. Pushkin Kachroo TexPoint fonts used in EMF. Read the TexPoint manual before you delete this box.: AA.
Biometric ROC Curves Methods of Deriving Biometric Receiver Operating Characteristic Curves from the Nearest Neighbor Classifier Robert Zack dissertation.
1 Numerical geometry of non-rigid shapes Expression-invariant face recognition Expression-invariant face recognition Lecture 8 © Alexander & Michael Bronstein.
1 Numerical geometry of non-rigid shapes Three-Dimensional Face Recognition Three Dimensional Face Recognition “And in stature he is small, chest broad,
Integrating Information Dr. Pushkin Kachroo. Integration Matcher 1 Matcher 2 Integration Decision Match No Match B1B1 B2B2.
Identification System Errors Guide to Biometrics – Chapter 6 Handbook of Fingerprint Recognition Presented By: Chris Miles.
A Brief Survey on Face Recognition Systems Amir Omidvarnia March 2007.
Authors: Anastasis Kounoudes, Anixi Antonakoudi, Vasilis Kekatos
Determining Statistical Significance
TEAM-1 JACKIE ABBAZIO SASHA PEREZ DENISE SILVA ROBERT TESORIERO Face Recognition Systems.
Lecture 3: Access Control Fred Chong CS290N Architectural Support for Secure and Reliable Computing.
1J. M. Kizza - Ethical And Social Issues Module 16: Biometrics Introduction and Definitions Introduction and Definitions The Biometrics Authentication.
Module 14: Biometrics Introduction and Definitions The Biometrics Authentication Process Biometric System Components The Future of Biometrics J. M. Kizza.
CS 736 A methodology for Analyzing the Performance of Authentication Protocol by Laseinde Olaoluwa Peter Department of Computer Science West Virginia.
Introduction to Biometrics Charles Tappert Seidenberg School of CSIS, Pace University.
BIOMETRICS. BIOMETRICS BIOMETRICS  Forget passwords...  Forget pin numbers...  Forget all your security concerns...
Keystroke Biometric System Client: Dr. Mary Villani Instructor: Dr. Charles Tappert Team 4 Members: Michael Wuench ; Mingfei Bi ; Evelin Urbaez ; Shaji.
Face Recognition using Parallel Associative Memory 2009/12/31 學生:羅國育.
Voice Based Autonomous Access Control Terminals HEXIUM Technical Development Co., Ltd
Christmas is for sharing Christmas - the gift that goes on giving.
Inferential Statistics Body of statistical computations relevant to making inferences from findings based on sample observations to some larger population.
(Team 1)Jackie Abbazio, Sasha Perez, Denise Silva and Robert Tesoriero (Team 2) Faune Hughes, Daniel Lichter, Richard Oswald and Michael Whitfield Clients:
Biometrics and Retina Scan Technology Lum OSMANI Alex CHERVENKOV Course: Information Security April 2008.
Voice Activity Detection based on OptimallyWeighted Combination of Multiple Features Yusuke Kida and Tatsuya Kawahara School of Informatics, Kyoto University,
Biometric for Network Security. Finger Biometrics.
DENOMINATIONAL DOCTRINES 2 Thessalonians 2:8-14 Text.
 Scientific Method Quiz. Question # 1  1. The scientific method has 8 steps.  TRUE OR FALSE.
A Summary of Face Recognition Based on Near-Infrared Light Using Mobile Phone by Song-yi Han Korea Univ. Parallel Algorithm Lab. By Hong Seung-woo Friday,
Low False Reject Rate and False Accept Rate Multi-step Fire Detection Method Zhu, Xingjie; Xu, Yong; Chen, Huaiyou; Liu, Yan; Wen, Jiajun; Zhu, Qi Optik.
Elizabeth Wood, Julio Zelaya, Eric Saari, Kenneth King, Mike Gupta, Nicola Howard, Sadia Ismat, Mary Angela Kane, Mark Naumowicz, Daniel Varela, and Mary.
Warm Up Check your understanding p. 563
SUBMITTED BY ATHIRA BALAKRISHNAN
Advanced Hybrid Fingerprint Recognition USB Module
Ⅰ-1. Booking receive (HMM)
FACE RECOGNITION TECHNOLOGY
Author: Tianyu Wang and Li-Chiou Chen Presenter: Tianyu Wang
משימת הערכה בפולימרים – מדפסת תלת ממד – מחלום למציאות
RECURRENT NEURAL NETWORKS FOR VOICE ACTIVITY DETECTION
الصحة النفسية والعقلية
David Harwin Adviser: Petros Faloutsos
Lecture 2 Hypothesis Test
Production Scorecard Production Scorecard Production Scorecard
Multi-Biometrics: Fusing At The Classification Output Level Using Keystroke and Mouse Motion Features Todd Breuer, Paola Garcia Cardenas, Anu George, Hung.
BIOMETRICS By Lt Cdr V Pravin 05IT6019.
ROC Curves Receiver Operating Characteristic (ROC) curves are used to determine the appropriate operating point of a system, the tradeoff between False.
Voice Activation for Wealth Management
500 nm WRITE VOLTAGE 0 V.
More About Tests Notes from
Lecture 3 Section – Mon, Aug 30, 2004
Westgard rules 12s rule: the run is accepted when both control results are within 2 SD limits from the mean value 13s rule: the run is considered out.
Level 1 +3SD +2SD +1SD Mean -1SD -2SD -3SD Level 2.
The Six Steps of the Scientific Method.
Presentation transcript:

ФОРЕНЗИКА У КРИМИНАЛИСТИЦИ ФОРЕНЗИКА У КРИМИНАЛИСТИЦИ БИОМЕТРИЈСКЕ ИДЕНТИФИКАЦИЈЕ Проф. др Љиљана Машковић Криминалистичко-полицијска академија 2012

БИОМЕТРИЈЕ

ФОРЕНЗИКА Мултидисциплинарна научна област Користи методе ФУНДАМЕНТАЛНИХ И ПРИМЕЊЕНИХ НАУКА

ПОДЕЛА форензике према научним областима које користи ПОДЕЛА форензике према научним областима које користи Форензика фундаменталних наука примењених наука

ПОДЕЛА форензике према областима примене ПОДЕЛА форензике према областима примене

КРИМИНАЛИСТИЧКА ФОРЕНЗИКА Област форензике која се бави научним испитивањем и обрадом догађаја који су везани за криминалне радње - криминалистичка форензика Примењује методе основних и примењених наука за откривање,разјашњења, разрешења и реконструкцију криминалних догађаја у циљу прибављања доказа за суд. Криминалистичка форензика је само други назив за Криминалистичку технику .

ДРЖАВНА ФОРЕНЗИКА Развој рачунарске технологије омогућио је проширење спектра апликација форензичких метода од криминалистичких на објекте од интереса за државу. Идентификациона документа са биометријским подацима, Прелази,улази и излази –државне институције, Форензичка метеорологија,екологија,лимнологија Заштита података државних компјутерских система, Ограничења приступа и кориштења одређених рачунарских апликација,...

Биометријска идентификациона документа Код нас грађани поседују лична документа: путне исправе и личне карте са биометријским подацима (отисак прста,потпис и дигитална слика лица)

Приступ систему са ИД картицом

КОМЕРЦИЈАЛНА ФОРЕНЗИКА КОМЕРЦИЈАЛНА ФОРЕНЗИКА Форензичка генетика -утврђивање очинства, Електронско пословање, Биометријски потписи, Форензичка аутентификација уметничких дела, Аутоматски идентификациони системи-приступи комерцијалним системима,...

ОБЈЕКТИ КРИМИНАЛИСТИЧКЕ ФОРЕНЗИКЕ ОБЈЕКТИ КРИМИНАЛИСТИЧКЕ ФОРЕНЗИКЕ Примарни објекти - готово увек присутни на МКД Секундарни објекти - ретко присутни на МКД

ПРИМАРНИ ОБЈЕКТИ

Особа- криминалистички аспект

ПРЕДМЕТИ

ТРАГОВИ материјала ПОРЕКЛО Људски Биљни Животињски Природни Вештачки

ВРСТЕ трагова

Најшира подела

СЕКУНДАРНИ ОБЈЕКТИ

БИОМЕТРИЈА Биометрија је наука која се бави развојем аутоматских метода за идентификацију особа, базираним на мерљивим карактеристикама људског тела. Биометрија је грана биологије која примењује математичко-статистичке методе у испитивању постојећих разлика у живом свету и њиховог настајања, односно променљивости особина.

Биометријске карактеристике Јединствене карактеристике људског тела. Непроменљиве током живота. Могу се мерити. Дају најпоузданије идентификацијe. За сваку биометријску карактеристику (биометрију) успостављен је метод идентификације - биометријски потпис.

Физиолошке карактеристике Отисак прста, длана и табана Слика лица Термограм лица и тела Генетски материјали Шака Уво Усне Зуби и кости Нокти Ирис и ретина Мождани отисак

Карактеристике понашања Глас Ход Рукопис Динамика куцања Покрети усана Гестикулације

БИОМЕТРИЈСКЕ ИДЕНТИФИКАЦИЈЕ МЕРЕЊА БИОМЕТРИЈСКИХ КАРАКТЕРИСТИКА АУТОМАТСКИ БИОМЕТРИЈСКИ СИСТЕМИ

Традиционална мерења биометријских карактеристика КЛАСИЧНА БИОМЕТРИЈА Традиционална мерења биометријских карактеристика

Парада идентификација Франсоа Видок

Парада идентификација До 18. века у Европи форензичка идентификација се заснивала углавном на “фотографском памћењу” криминалаца од стране полицијских службеника. Творац метода параде идентификација је Франсоа Видок,припадник француске полиције,који је памтио карактеристике лица криминалаца, и на основу њих вршио препознавања. Како људски мозак није у стању да меморише велики број података, са годинама је склон забораву, а и изглед лица криминалаца се током времена мења, самим тим овакав метод идентификације особе није поуздан јер није заснован на непроменљивим карактеристикама људског тела.

Антропометрија

Алфонс Бертијон Сматрао је да се кости човека и њихове димензије не мењају током живота.

За мерења је користио: мерну траку сет мерних чељусти спрва за мерење других делова тела.

Примене информационих техмологија САВРЕМЕНА БИОМЕТРИЈА Примене информационих техмологија

АУТОМАТСКИ БИОМЕТРИЈСКИ СИСТЕМ АУТОМАТСКИ БИОМЕТРИЈСКИ СИСТЕМ Информациони систем. Користи дигиталне форме биометријских карактеристика. Дигитална слика је строго уређена. Докази се чувају у БАЗИ ПОДАТАКА. Идентификација се врши аутоматски. Резултат је верификација или идентификација

Аутоматски систем Сензорски модул Састоји се из 5 модула: Сензорски модул Модул екстракције карактеристика за поређење Модул за компарацију понуђених карактеристика и одговарајућих из базе Модул База података Модул приказивања резултата идентификације

Биометријска мерења Биометријски подаци се прикупљају помоћу сензора који их претварају у дигитални облик и шаљу на анализу. Помоћу њих се ствара биометријски узорак који репрезентује поједину биолошку карактеристику која може да послужи за идентификацију особа.

Аутоматски системи Једномодулни системи идентификација особе се врши Једномодулни системи идентификација особе се врши преко једне биометријске карактеристике Вишемодулни системи идентификација особе се врши преко више биометријских карактеристика

Биометријски систем узорак резултат база података ekстрактор читач ekстрактор узорак читач ekстрактор резултат koмпаратор Биометријски систем

Вишемодулни систем црте лица геометрија шаке отисак прста

Резултат: аутентификација Идентификација ( 1: N) систем одговара на питање о којем се објекту ради Верификација ( 1 : 1 ) систем потврђује да је идентификовани објекат онај за који се представља

ЗАХТЕВИ успешности биометријске идентификације УНИВЕРЗАЛНОСТ- описује колико је честа биометрија код појединца ЈЕДИНСТВЕНОСТ- показује колико добро биометрија разликује једног појединца од другога НЕПРОМЕНЉИВОСТ- показује колика је мера старости биометрије ПРИСТУПАЧНОСТ- показује колико је лако прикупити биометрију за мерење ПРИКАЗИВОСТ- показује колика је прецизност, брзина и робустност система који мери биометрију ПРИХВАТЉИВОСТ - показује степен одобравања технологије у јавности ПРЕВАРЉИВОСТ - показује колико је лако преварити систем за идентификацију ЗАХТЕВИ успешности биометријске идентификације

ОЦЕНА ефикасности биометријског система Базирана је на два коефицијента: FAR (False Acceptance Rate ) однос прихваћених лажних узорака и укупног броја обрађених узорака FRR (False Rejection Rate) однос одбачених исправних узорака и укупног броја обрађених узорака Циљ квалитетног система је да се постигне што нижа вредност за FAR и FRR.

Статус биометријских система Како расте потреба за вишим нивоом поузданости, тако и биометриски системи испуњавају следеће карактеристике: све су мањи прецизнији поузданији бржи Налазе све већу примену у свим делатностима где је неопходно недвосмислено утврдити или потврдити идентитет особе. Људски фактор и даље представља основну „рупу” у поузданости бројних биометријских система.

ПРИМЕРИ биометријских идентификација

ОТИСАК ПРСТА ИДЕНТИФИКАЦИОНА биометријска карактеристика : МИНУЦИЈСКЕ ТАЧКЕ

Отисак прста Отисак прста је геометријска форма коју приликом контакта оставља структура бразди папиларних линија које се налазе на јагодици људског прста, на некој подлози или предмету.

ФИЗИОЛОГИЈА - људска кожа Епидерм спољашњи слој коже (мртве ћелије) Дерм унутрашњи слој коже (живе ћелије: крвни судови,нерви, корен длаке,лојне и знојне жлезде)

рачвање тачке минуције острво центар отиска делта завршетак гребена кратак размак између гребена рачвање тачке минуције острво центар отиска делта завршетак гребена

АФИС – аутоматски биометријски систем Сензорски модул –Скенира отиске прстију и даје дигиталну слику структуре бразди и удубљења за сваки прст. Екстрактор модул – Истиче индивидуалне особине - позицију и оријентацију минуцијских тачака. Компаративни модул – Врши поређење особина. Модул за одлучивање - Приказује број поређења минуција између унетих и проверених отисака – идентификација или верификација- Модул базе података –обезбећује квалитетну и стабилну контролу унетих индивидуалности.

АФИС

СЛИКА ЛИЦА ИДЕНТИФИКАЦИОНА биометријска карактеристика: црте лица

2D слика лица Геометријски систем Фотометријски систем Као карактеристике користи геометријске односе (површине,удаљености,углове) између одређених тачака на лицу Фотометријски систем Користи глобалне особине слике лица

ФИИС - дигитална слика лица Садржи 80 карактеристика: растојање између ширина и дужина носа јагодице брада, облик вилице,..... Све карактеристике софтвер претвора у нумерички облик. Тај низ цифара се назива дигитална слика лица.

3D слика лица Систем производи виртуелну тродимензионалну структуру лица

Термограм лица и делова тела Идентификациона биометријска карактеристика: топлотна слика

Термограми лица Лице сваког човека поседује разгранату мрежу крвних судова.Из ње се шири топлота која се може очитати инфрацрвеном камером.

Термограми

СЛИКА ДУЖИЦЕ И МРЕЖЊАЧЕ ОКА ИДЕНТИФИКАЦИОНЕ биометријске карактеристике: структурне тачке ириса( лучни лигаменти,крипте,гребени, цик цак кругови,прстенови,бразде, пеге,... ) мрежа крвних судова ретине

ОКО ( ирис и ретина)

ИРИС

ИРИС систем

МРЕЖЊАЧА ока Слика мрежњаче се добија усмеравањем ласерске инфрацрвене светлости у унутрашњост ока. Рефлектована светлост садржи податке о положају капилара.

ШАКА ИДЕНТИФИКАЦИОНА биометријска карактеристика : папиларне линије длана геометрија термограм вене

Отисак

Геометрија шаке

Термограм шаке

ГЛАС Идентификациона биометријска карактеристика: боја

Спектрограм - слика гласа сигнал говора сигнал говора 3D спектрограм

Примери неких изговора Дигитализацијом карактеристика се свака изговорена реч своди на сегменте састављене од доминантних фреквенција који заједно представљају “отисак гласа”. апа аћа ања Сигнали и спектри форманти

Аутоматска идентификација гласа За препознавање особе преко говора користе се биометријски системи : Скривени Марковљеви Модели (НММ) Вештачке неуронске мреже Систем претварања говора у текст (ASR) Систем претварања текста у говор (TGS)

Hiden Markov MОДЕЛ - HMM

Мултибиометрија

Покрети мишића усана

ПОТПИС ИДЕНТИФИКАЦИОНА биометријска карактеристика : динамика потписивања

Динамичке карактеристике

потпис

Електронски потпис

ГЕНЕТСКИ МАТЕРИЈАЛ Идентификациона биометријска карактеристика: једарна ДНК митохондријална ДНК

Генетски материјал човека КРВ ТКИВА ПЉУВАЧКА ИЗЛУЧЕВИНЕ ДЛАКЕ ПЕРУТ ЗНОЈ ЗУБИ КОСТИ Д Н К

Генетски материјали су носиоци генетских информација ГЕНЕТСКИ МАТЕРИЈАЛ Идентификација не подлеже стандардној шеми биометријског система не постоји дигитална репрезентација узорка, већ стварни узорак не врши се екстракција карактеристика, већ се за поређења користе читави изабрани локуси ДНК молекула. Генетски материјали су носиоци генетских информација

ДНК завојница 2 nm 3,4 nm 0,34 nm

Копирање генетског материјала Структура ДНК објашњава механизам копирања генетског материјала. Генетски материјал контролише производњу протеина од којих зависе биолошка својства ћелије и организма у целини. Веза између ДНК и протеина тумачи се кроз процесе : репликације, транскрипције и транслације централна догма

Генетски код Представља коресподенцију између распореда нуклеотида у ДНК и распореда аминокиселина у протеинском ланцу. Откривен је шездесетих година двадесетог века. Код је триплетан, линеаран, чита се почевши од једног краја гена и дегенерисан је. Дешифровање генетског кода потврдило је основну претпоставку да су генетске информације ускладиштене у ДНК. Процес преношењка генетске поруке може се представити као општи процес преношења