Gaze-Based Biometrics: a Study on Eye-Controlled PIN Input

The most common method for checking a user's identity requires a password or a numerical code, but this approach is knowledge-based and does not take into account elements characterizing a subject's identity. The work presented in this thesis consists of a study on the use of biometric data related to the user's ocular behavior when entering a PIN (Personal Identification Number) by means of a numeric keypad displayed on a screen exploiting a 30Hz eye-tracker. Biometric data has been analyzed to obtain information useful for the identification and verification of the user’s identity through the so-called "soft" biometrics (that does not require extremely high success rates). Two types of analysis have been performed: one considering the entire PIN sequence and one for each key (i.e. digit) in the sequence. The obtained data has been used to train machine learning algorithms (namely Neural Network, Random Forest, Naive Bayes and AdaBoost), which can identify and / or authenticate the user. Overall, we achieved satisfying results for both identification and verification.

Biometria basata sul tracciamento oculare: uno studio sull'inserimento di PIN tramite lo sguardo. Il metodo più comune per verificare l’identità di un utente richiede una password o un codice numerico, basandosi quindi sulla conoscenza di qualcosa e non su elementi caraterizzanti il soggetto. Il lavoro svolto in questa tesi consiste in uno studio sull’utilizzo di dati biometrici relativi al comportamento oculare di un utente nell’immissione, tramite un eye-tracker funzionante ad una frequenza di 30Hz di un PIN (Personal Identification Number) attraverso un tastierino numerico virtuale visualizzato sullo schermo, utilizzando il solo sguardo. I dati biometrici sono stati analizzati per ricavare informazioni utili al riconoscimento e la verifica dell’utente, nel contesto della cosiddetta biometria “soft” (che non richiede il raggiungimento di percentuali di successo particolarmente elevate). Sono state svolte due tipi di analisi: una sull’intera sequenza del PIN e una su ogni singolo tasto numerico della sequenza. I dati cosi ottenuti sono stati utilizzati per addestrare algoritmi di machine learning (nel caso specifico Neural Network, Random Forest, Naive Bayes e AdaBoost), in grado di identificare e/o autenticare l’utente. Il lavoro svolto ha ottenuto dei risultati soddisfacenti sia per l’identificazione che per la verifica dei tester.