استخدام اليدين كمعرفات بيومترية في علم الأدلة الجنائية للفيديو

قام باحثون في المملكة المتحدة بتطوير نظام بيومتري قائم على التعلم الآلي يمكنه تحديد الأفراد من شكل أيديهم. الغرض من هذا العمل هو مساعدة في تحديد الجناة، خاصة في حالات الجناة الجنسية الذين سجلوا جرائمهم، حيث غالبًا ما تكون معلومات اليد هي العلامة البيومترية الوحيدة المتاحة.

المقال، الذي يحمل عنوان تحديد الشخص باستخدام اليدين باستخدام تمثيل ميزات sâu ومتألف، يقترح إطارًا جديدًا للتعلم الآلي يسمى الشبكة العالمية والمتألفة (GPA-Net).

في GPA-Net، يتم الحصول على两个 تينسر ثلاثي الأبعاد متميزين (عالمي ومحلي) عن طريق تمرير الصورة المصدر عبر طبقات متكررة في الشبكة العصبية التحتية ResNet50. كل من المسارات التحليلية سوف تقدم تنبؤًا بالهوية.

تُنشئ GPA-Net فروعًا محلية وعالمية في طبقة التكرار، من أجل إنشاء أنظمة تعرف متميزة لكل من اليدين ككل (مع تمييز اليدين اليسرى واليمنى بشكل منفصل، على عكس بعض المحاولات السابقة في هذا القطاع) وأجزاء اليد، والتي يمكن أن تعمل كعلمات تغذية لتحديد أفضل لليدين ككل.

ينشأ البحث من مدرسة الحاسوب والاتصالات في جامعة لانكستر، ويقوده ناثانيال إل. بايسا، الآن أستاذ مساعد في جامعة دي مونتفورت في ليستر.

اليدين كمعرفات بيومترية متسقة

يرصد الباحثون أن اليدين تقدم مجموعة متسقة من الخصائص البيومترية المتميزة التي يمكن أن تكون أقل عرضة للعمر أو محاولات التخفي أو عوامل تشويش أخرى (مثل التغيير في التعبيرات، في حالة التقاط الوجه) التي يمكن أن تؤثر على موثوقية أنظمة المؤشرات الشائعة، بما في ذلك تحديد المشي وتحديد الوجه.

على الرغم من أن أنظمة الأمان قد تم اختراعها لاستخدام أنماط الأوردة في اليد من خلال التصوير بالأشعة تحت الحمراء، إلا أن هذا ليس من المحتمل أن يصبح متاحًا في أنواع أجهزة التسجيل المستخدمة في الجرائم. بدلاً من ذلك، يركز البحث الحالي على اللقطات التي تم الحصول عليها من خلال الكاميرات الرقمية القياسية، عادةً ما تكون متضمنة في أجهزة الهاتف المحمول، ولكن في حالة الجرائم الجنسية، غالبًا ما يتم الحصول عليها من كاميرات “غبية” أقل ميلًا لمشاركة معلومات الشبكة.

على عكس ذلك، لم تتمتع بصمة الكف، وهي ربما أكثر طريقة بيومترية شائعة في أفلام الخيال العلمي للخمسين عامًا الماضية، بالاستقبال المتوقع من قبل المستقبليين، ربما لأن أنظمة تحديد البصمات تتطلب سطحًا أقل حجمًا وأرخص للتعرف. ومع ذلك، أنتجت فوجيتسو دراسة ترويجية في عام 2016 تدعي أن تحديد نمط الأوردة في الكف هو أداة بيومترية متفوقة لأنظمة الأمان.

مجموعات البيانات والاختبار

يُعتبر GPA-Net، وفقًا للباحثين، أول نظام مدرب من النهاية إلى النهاية لمحاولة تحديد اليد. يعتمد الهيكل الرئيسي لشبكته على ResNet50 مدرب على ImageNet. تم اختيار هذه الشبكات ل能力ها في الأداء الجيد عبر مجموعة متنوعة من المنصات، بما في ذلك Google Inception (وحدة GoogleNet التي تخرجت إلى شبكة عصبية متطورة متخصصة في الكشف عن الكائنات وتحليل الصور).

تم اختبار إطار GPA-Net عبر مجموعتين من البيانات – مجموعة 11k Hands لعام 2016، وهي تعاون بين باحثين من كندا ومصر؛ ومجموعة بيانات Hand Dorsal (HD) من جامعة هونغ كونغ البوليتكنيك.

تفاصيل من ‘التحديد الشخصي باستخدام أنماط المفصل الصغيرة من سطح الكف الخلفي’، مع التركيز على تحديد المفصل.

تتميز مجموعة 11k بوجود 190 موضوع هوياتي، بما في ذلك مجموعة متنوعة من البيانات الوصفية المتعلقة بالهوية، والعمر، ولون البشرة، والجنس، وعوامل أخرى. استثنى الباحثون أي صور تحتوي على مجوهرات، لأن هذه ستكون في النهاية خارج النطاق. كما استثنوا الصور من مجموعة بيانات HD التي تفتقر إلى وضوح كاف، لأن مطابقة الهوية هي قطاع أكثر حساسية من синтез الصور، والبيانات المخفية представляет خطرًا أكبر.

تم تشغيل GPA-Net على إطار التعلم العميق PyTorch على وحدة معالجة رسومات NVIDIA GeForce RTX 2080 Ti مع 11 غيغابايت من ذاكرة الوصول العشوائي. تم تدريب النموذج باستخدام خسارة التباين المتقاطع، ومُحسِّن التدرج العشوائي الصغير (SGD). تم Training عبر 60 دورة مع معدل تعلم初ييء من 0.02، يُدار لاحقًا بواسطة جدول تقليل معدل التعلم مع عامل تقليل 0.1 لكل 30 دورة – مما يؤدي فعليًا إلى إبطاء التدريب مع مرور الوقت حيث يتم دمج الميزات عالية الأبعاد بسرعة، ويجب على النظام بعد ذلك قضاء وقت أطول في التنقل عبر البيانات للحصول على تفاصيل أكثر دقة.

تم إجراء التقييم باستخدام معايير التطابق التراكمي (CMC) مع متوسط الدقة المتوسطة (mAP).

وجد الباحثون أن GPA-Net يتفوق على الطرق التنافسية على ResNet50 بنسبة 24.74٪ في دقة المرتبة الأولى و 37.82٪ في mAP.

نتائج نوعية لاختبار نظام GPA-Net. الصفوف العلوية إلى السفلية هي التعرف الدورسالي للأيادي اليمين من مجموعة 11k، والكف الخلفي لنفس المجموعة، والكف الأمامي لنفس المجموعة، والكف الأمامي لمجموعتي 11k و HD. تُشير الصندوق الأخضر والأحمر إلى المطابقات الصحيحة والخاطئة.

يعتبر الباحثون أن هذا الأسلوب له “إمكانية قوية لتحديد متين للمجرمين الذين يرتكبون جرائم خطيرة”.