Open Access

Biometric systems have experienced a large development in recent years since they are accurate, secure, and in many cases, more user convenient than traditional credential-based access control systems. Inspite of their benefits, biometric systems are still vulnerable to attack presentations (APs), which can be easily launched by a fraudulentsubject without having a wide expert knowledge. This way, he/she can gain access to several applications, such as bank accounts and smartphone unlocking, where biometric systems are frequently deployed. In order to mitigate such threats and increase the security of biometric systems, the development of reliable Presentation Attack Detection (PAD) algorithms is of utmost importance to the research community.In the context of PAD, we explore in this Thesis different strategies and methods in order to improve the generalisation capability of PAD schemes. To that end, we propose the definition of a semantic common feature space which successfully discriminates bona fide presentations (BPs)1 from APs. In essence, this process is seeking for those significant features extracted from known PAI species samples that are observed in unknown PAI species. In addition, we explore several handcrafted techniques in order to build a reliable description of features per biometric characteristic studied. The experimental evaluation shows that a common feature space can be computed through the fusion between generative models and discriminative approaches. Remarkable detection performances for high-security thresholds lead to the construction of a convenient (i.e., low BP rejection rates or Bona fide Presentation Classification Error Rate (BPCER)) and secure (i.e., low AP acceptance rates or Attack Presentation Classification Error Rate (APCER)) PAD subsystem.

Während der Durchführung von Fertigungsprozessen und Bauprojekten treten oftmals Schwierigkeiten auf, beispielsweise durch Fehlplanungen oder nachträgliche Planungsänderungen. Im Baubereich gehören dazu etwa veränderte Rohrführungen, nachträgliche Wanddurchbrüche u. ä., was eine zeitnahe Kommunikation zwischen den verantwortlichen Architekten, Bauleitern und Bauherren erfordert. Dennoch werden gerade bei Bau- oder Umbaumaßnahmen trotz der Dokumentation des Baufortschritts Fehler oder Abweichungen vom ursprünglichen Plan oft erst dann festgestellt, wenn sich daraus später Probleme ergeben – prominente Beispiele, wie den Berliner Flughafen, gibt es hier reichlich. Eine Ursache liegt darin, dass die Dokumentation üblicherweise lediglich durch eine Ansammlung von Plänen und Bildern, ggfs. verknüpft mit deren Aufnahmedatum, geschieht. Auch die Bauüberwachung erfolgt i. d. R. manuell und häufig nur in Form von Baubesichtigungen. Die rechnergestützte Verwaltung der korrespondierenden Daten (2D-Baupläne, 3D-Architekturmodelle, 2D-/3D-Aufnahmen u. ä.) ermöglicht es hierbei, die gesamten Kommunikations- und Koordinationsprozesse während der Bauphase zu beschleunigen und zu vereinfachen. Dazu müssen zunächst allen Stakeholdern identische, aktuelle Daten vorliegen, was mittels einer kollaborativen Management-Anwendung möglich ist. Dadurch lassen sich etwaige Fehler unmittelbar identifizieren und ggf. direkt verhindern. Ein während der Bauphase automatisierter Abgleich der Aufnahmen mit den Originalplänen erlaubt außerdem eine Echtzeit-Überwachung und Fehlerminimierung. Des Weiteren können auf diese Weise spätere Gebäudewartungen über Augmented-Reality-Techniken unterstützt und deutlich vereinfacht werden. Ein Beispiel hierfür ist die Überblendung der realen Umgebung mit den während der Baumaßnahmen bereits adaptierten originalen Plänen, um so etwa interaktiv anzeigen zu können, wo Rohre oder Kabel tatsächlich verlaufen. Ähnliches gilt für die Überwachung von Fertigungsprozessen, wie etwa beim 3D-Druck von Bauteilen. Auch bei diesem Anwendungsfall kann eine frühzeitige und möglichst automatisierte zerstörungsfreie Abweichungserkennung und Fehlerkorrektur Folgekosten deutlich reduzieren. Ein automatisierter Abgleich zwischen den ursprünglichen Planungsdaten und einer digitalen Beschreibung des realen Ist-Zustands inklusive einer Rückführung ermittelter Differenzen in die Planungsdaten ermöglicht es, nachträglich gewünschte oder notwendig gewordene, ebenso wie fehlerhafte, Abweichungen vom Bau- oder Fertigungsplan angemessen präsentieren und dokumentieren zu können, um somit z. B. allen Beteiligten zu ermöglichen, fundierte Entscheidungen über das weitere Vorgehen treffen zu können. Als Planungsdaten werden die Ergebnisse des Konstruktionsprozesses angesehen, die i. d. R. aus CAD-Daten bestehen. Diese beschreiben den ursprünglichen Soll-Zustand und bilden beispielsweise die Grundlage für einen Bau- oder Produktionsprozess ab. Die digitale Beschreibung des realen Ist-Zustands in Form von aktuellen Messdaten kann aus unterschiedlichen Quellen stammen, wie z. B. durch den Einsatz von 3D-Scannern. Die 3D-Modelle der ursprünglichen Planungsdaten sowie die der 3D-rekonstruierten Ist-Daten unterscheiden sich typischerweise sowohl in ihrer Geometrie und Topologie als auch in ihrem generellen Aufbau. Neben der Zuordnung und Anzahl enthaltener Dreiecke etc. können die 3D-Modelle der Planungs- bzw. Rekonstruktionsdaten jeweils aus einem einzigen Dreiecksnetz oder aber aus mehreren Dreiecksnetzen bestehen. Sollen einzelne Bauteile überprüft werden, bestehen diese Ist-Daten i.d.R. aus einem einzigen Dreiecksnetz mit unterschiedlicher Topologie. Ein einfacher geometrischer Vergleich zum Ermitteln der Differenzen zwischen Planungs- bzw. Rekonstruktionsdaten ist deshalb nicht ohne weiteres möglich. Im Anwendungsfall \textit{Bauüberwachung} bedeutet dies zudem, dass Objekte von Interesse jeweils einzelne Teilkomponenten darstellen können, wie z. B. Türen oder Fenster in einem Raum, welche für einen Vergleich zunächst aus den Daten extrahiert werden müssen. Das Ziel dieser Arbeit liegt daher in der automatisierten Erkennung von Differenzen zwischen den ursprünglichen Planungsdaten und einer 3D-Rekonstruktion des realen Ist-Zustands sowie in der Rückführung der ermittelten Differenzen in die ursprünglichen Planungsdaten. Zur Erreichung des Ziels sind vier Forschungsfragen zu beantworten: Was müssen (modellbasierte) 3D-Aufnahmeverfahren leisten, um eine Detektion von Differenzen zu ermöglichen? Wie können die akquirierten 3D-Messdaten sinnvoll mit den dazu korrespondierenden 3D-Planungsdaten verglichen werden? Wie können ermittelte Differenzen automatisiert in die 3D-Planungsdaten (Soll-Daten) zurückgeführt werden? Wie können die ermittelten Differenzen benutzerorientiert visualisiert werden? Die Bearbeitung dieser Forschungsfragen erfolgt auf der Grundlage der vorgestellten Anwendungsfälle aus der Bauindustrie und der Bauteilfertigung. Um eine für das Detektieren von Differenzen hinreichend gute 3D-Rekonstruk-tion zu gewährleisten, müssen 3D-Aufnahmeverfahren neben einem ausreichenden Auflösungsvermögen im Verhältnis zur Objektgröße einen möglichst hohen Grad an Robustheit gegenüber Einsatzbeschränkungen aufweisen, wie z. B. variable Lichtverhältnisse, transparente oder stark reflektierende Oberflächen. Es wird dargelegt, dass die Anwendung den Benutzer während der Datenakquise unterstützen sollte (z. B. Freistellung der Zielobjekte, Visualisierung des Scanfortschritts), da sich dies signifikant auf die Qualität der erzielten Messdaten auswirkt. Für den Vergleich der Planungs- und Messdaten werden zwei verschiedene Verfahren entwickelt. Diese unterscheiden sich darin, ob die Objekte von Interesse für einen Vergleich Teilkomponenten repräsentieren, wie Fenster oder Türen, welche für einen Vergleich zunächst aus den Planungs- als auch Messdaten extrahiert werden, oder ob die zu vergleichenden Datensätze in ihrer Gänze verglichen werden. Das objektspezifische Multi-Objekt-Verfahren für den Anwendungsfall Bauüberwachung, bei dem ein Vergleich extrahierter Teilkomponenten stattfindet, wurde durch eine Punktwolkenanalyse der zu vergleichenden Datensätze umgesetzt und bezieht eine Rückführung der hierdurch detektierten Differenzen in die Geometrie der 3D-Planungsdaten ein. Das generische Gesamt-Objekt-Verfahren für den Anwendungsfall Bauteilfertigung vergleicht die Planungs- und Messdaten gänzlich und ermöglicht das Detektieren von Differenzen durch eine Vereinheitlichung der zu vergleichenden Datensätze auf Basis einer hochaufgelösten Voxelisierung und ermittelt einen Ähnlichkeitskoeffizienten anhand der daraus resultierenden Voxelmengen, welche entweder die voxelisierten Polygonnetzoberflächen oder Volumen abbilden. Um die Kommunikation zwischen den Beteiligten zu verbessern und Entscheidungsfindungsprozesse zu optimieren, wird gezeigt, wie die ermittelten Differenzen (nachträglich gewünschte Abweichungen sowie echte Fehler) nutzer- und anwendungsfallorientiert visualisiert werden können. Es wird dargelegt, dass eine Überlagerung der aktualisierten und ursprünglichen Planungsdaten sowie eine Separation der Differenzen das Hervorheben ermittelter Differenzen unterstützt. Dies trifft ebenso auf die multicodale Ergebnispräsentation zu, bei der die ermittelten Differenzen mittels verschiedener Codalitäten bereitgestellt werden (z. B. tabellarische Präsentation und interaktives 3D-Echtzeit-Rendering der Differenzen, Voxel- und Polygonnetz-basierte Differenzvisualisierung). Aufbauend auf den erarbeiteten Antworten zu den genannten Forschungsfragen wurde eine Difference Detection Tool Pipeline entwickelt, welche die wesentlichen Funktionalitäten zur Erfassung und Manipulation von Planungs- und Rekonstruktionsdaten integriert und diese für eine kontextbezogene Detektion von Differenzen (inklusive der Rückführung selbiger in die dadurch aktualisierten Planungsdaten) handhabbar bereitstellt. Beim Durchlaufen der Pipeline wird dabei jeweils noch zwischen einer Multi-Objekt-Differenz-Detektion (bei der wie im Anwendungsfall Bauüberwachung zunächst Teilkomponenten zu extrahieren sind), sowie einer Gesamt-Objekt-Differenz-Detektion unterschieden (bei der wie im Anwendungsfall Bauteilfertigung die Planungsdaten aus einer Einzelkomponente bestehen). Der Nutzen der entwickelten Difference Detection Tool Pipeline wird schließlich in verschiedenen Anwendungsfeldern exemplarisch aufgezeigt und evaluiert.