Autenticazione biometrica basata sullo sguardo tramite la lettura di testo dinamico

In recent years, the technological landscape has advanced rapidly, enabling individuals to access portable devices such as personal computers and smartphones. While this evolution has greatly simplified many aspects of daily life, it has also introduced new and significant security challenges, particularly in the domain of user authentication. To address these concerns, this work proposes a novel approach grounded in the field of behavioral biometrics, aimed at providing an additional layer of security for personal devices. The goal of the proposed method is not to replace conventional authentication techniques, such as PIN codes or physiological biometric systems, but rather to complement them with an additional behavioral verification mechanism. Specifically, this study investigates gaze-based soft biometrics using simple dynamic text animations as visual stimuli. Two types of text movement are explored: a vertical block of text moving from bottom to top, and a horizontal scrolling line of text moving from left to right. Each animation type is further varied by combining two display speeds and two font sizes, resulting in a total of eight distinct dynamic text stimuli. Importantly, the proposed method does not require any preliminary calibration of the eye-tracking device, ensuring ease of deployment. Experimental data were collected from 35 participants, and subsequently analyzed through a series of machine learning algorithms addressing both identification and verification tasks. The obtained results are highly encouraging for both applications. In the identification scenario, the system achieved an accuracy of 82.86% using a single animation stimulus. In the verification task, which represents the primary use case for soft biometric systems, the best performance reached an accuracy of 92.2% with an Equal Error Rate (EER) of 3.6%.

Negli ultimi anni, il panorama tecnologico è avanzato rapidamente, consentendo agli individui di accedere a dispositivi portatili come computer personali e smartphone. Sebbene questa evoluzione abbia notevolmente semplificato molti aspetti della vita quotidiana, ha anche introdotto nuove e significative sfide in termini di sicurezza, in particolare nel campo dell’autenticazione degli utenti. Per affrontare queste problematiche, questo lavoro propone un approccio innovativo basato sulla disciplina delle biometrie comportamentali, con l’obiettivo di fornire un ulteriore livello di sicurezza per i dispositivi personali. Lo scopo del metodo proposto non è sostituire le tecniche di autenticazione convenzionali, come i codici PIN o i sistemi biometrici fisiologici, bensì affiancarle con un meccanismo di verifica comportamentale aggiuntivo. In particolare, questo studio indaga l’uso di biometrie comportamentali basate sullo sguardo (gaze-based soft biometrics) impiegando semplici animazioni di testo dinamico come stimoli visivi. Sono stati esplorati due tipi di movimento del testo: un blocco verticale di testo che si muove dal basso verso l’alto e una linea orizzontale scorrevole che si muove da sinistra a destra. Ciascun tipo di animazione è stato ulteriormente variato combinando due velocità di scorrimento e due dimensioni dei caratteri, per un totale di otto differenti stimoli di testo dinamico. È importante sottolineare che il metodo proposto non richiede alcuna calibrazione preliminare del dispositivo di eye tracking, garantendo così una maggiore semplicità di utilizzo. I dati sperimentali sono stati raccolti da 35 partecipanti e successivamente analizzati mediante una serie di algoritmi di apprendimento automatico applicati ai compiti di identificazione e verifica. I risultati ottenuti sono molto incoraggianti per entrambe le applicazioni. Nel caso dell’identificazione, il sistema ha raggiunto una accuratezza dell’82.86% utilizzando un singolo stimolo di animazione. Nel compito di verifica, che rappresenta l’applicazione principale dei sistemi biometrici comportamentali, la migliore prestazione ha raggiunto una accuratezza del 92.2% con un EER del 3.6%.