Werkzeuge für die Erzeugung synthetischer biometrischer Stichprobendaten (GENSYNTH)

Die derzeitige Forschung im Bereich der biometrischen Erkennung und der digitalisierten Forensik kämpft mit einem Problem, das den Fortschritt in diesen sicherheitsrelevanten Bereichen stark behindert: Um flexible und zeitnahe Auswertungen zu ermöglichen, wären große Datensätze biometrischer Daten erforderlich, an denen es aber aus verschiedenen Gründen mangelt, unter anderem aus Datenschutzgründen. Letztere haben mit der EU-DSGVO zugenommen, und zwar so sehr, dass selbst etablierte Normungsgremien wie das NIST in den USA einen großen Teil ihrer öffentlich verfügbaren Datensätze entfernt haben, bevor die DSGVO im Mai 2018 in Kraft trat ( ).

Um dieses Problem zu lösen und die damit verbundenen Aspekte der Datenqualität (sowohl quantitativ als auch qualitativ) anzugehen, werden wir Methoden erforschen, die die Erzeugung großer Mengen plausibler und realistischer synthetischer Daten ermöglichen, um reproduzierbare, flexible und zeitnahe biometrische und forensische experimentelle Bewertungen zu ermöglichen, die nicht nur dem Datenhunger moderner Techniken, sondern auch den EU-Datenschutzvorschriften entsprechen.

Um unsere Ziele zu erreichen, verfolgt die Arbeit in diesem Projekt zwei unterschiedliche Lösungsansätze: Der erste (Datenanpassung) nimmt vorhandene biometrische/forensische Proben, passt sie an, um bestimmte Erfassungsbedingungen (sensorische, physiologische sowie umweltbedingte Variabilität) widerzuspiegeln, und führt (falls vom Anwendungskontext gefordert) eine kontextsensitive Kontrolle der Datenschutzattribute durch. Der zweite Ansatz (synthesizing) erzeugt völlig künstliche Proben von Grund auf entsprechend der vorgegebenen sensorischen, physiologischen und umweltbedingten Variabilität.

Die praktische Arbeit im Projekt konzentriert sich auf digitalisierte forensische (latente) Fingerabdrücke sowie auf die beiden biometrischen Modalitäten Fingerabdruck (FP) und vaskuläre Daten von Hand und Fingern (d.h. Hand- und Fingervenenbilder) (HFV). Die theoretischen und methodischen Konzepte und empirischen Ergebnisse werden verallgemeinert, um den potenziellen Nutzen der durchgeführten Forschung auch für andere Modalitäten (insbesondere für die Gesichtserkennung) zu diskutieren.

Tools for the Generation of Synthetic Biometric Sample Data (GENSYNTH)

Current day biometric recognition and digitized forensics research struggles with a problem severely impeding progress in these security relevant fields: Large scale datasets of biometric data would be required to allow for flexible and timely assessments, but these are missing due to various reasons, amongst them privacy concerns. The latter have increased with the EU GDPR to an extend that even well established standardization bodies like NIST in the USA removed a large part of their publically available datasets before the GDPR became effective in May 2018.

To solve this problem and address the attached data quality dimensions (quantitative as well as qualitative concerns), we will research methods allowing for the generation of large-scale sets of plausible and realistic synthetic data to enable reproducible, flexible and timely biometric and forensic experimental assessments, not only compliant with the hunger for data we see with modern day techniques, but also with EU data protection legislation.

To achieve our goals, the work in this project follows two distinct solution approaches: The first (data adaptation) takes existing biometric / forensic samples, adapts them to reflect certain acquisition conditions (sensorial, physiological as well as environmental variability), and (if required by the application context) conducts context sensitive control of privacy attributes. The second approach (synthesizing) creates completely artificial samples from scratch according to specified sensorial, physiological as well as environmental variability.

The practical work in the project is focused on digitized forensic (latent) fingerprints as well as on the two biometric modalities fingerprint (FP) and vascular data of hand and fingers (i.e. hand- and finger-vein images) (HFV). The theoretical and methodological concepts and empirical findings will be generalized, to discuss the potential benefits of the research performed also for other modalities (esp. in face recognition).