Brug af hænder som biometriske identifikatorer i kriminel videoforensik

Forskere i Storbritannien har udviklet et maskinelæringssystem til biometrisk identifikation, der kan identificere individer ud fra formen på deres hænder. Formålet med arbejdet er at hjælpe med at identificere gerningsmænd, især i tilfælde af seksuelle forbrydelser, hvor håndinformation ofte er den eneste biometriske signal, der er tilgængelig.

Den artikel, der hedder Hand-baseret personidentifikation ved hjælp af global og part-vidende dyb funktionlæring, og foreslår et nyt ML-rammeværk kaldet Global og Part-Bevidst Netværk (GPA-Net).

I GPA-Net opnås to distinkte 3D-tenorer (global og lokal) ved at sende kildebilledet gennem stablede convolutionelle lag på ResNet50-baggrundnetværket. Hver af de analytiske vejene vil gøre en identitetsforudsigelse. Kilde: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net opretter lokale og globale grene på convolutionallaget for at oprette distinkte genkendelsessystemer for både hele hænderne (med venstre og højre hænder genkendt separat, til forskel fra nogle tidligere forsøg i denne sektor) og dele af hånden, som i sig selv kan fungere som føringssignaler for en bedre identifikation af hele hånden.

Forskningen kommer fra School of Computing and Communications på Lancaster University og er ledet af Nathanael L. Baisa, nu adjunkt på Leicester’s De Montfort University.

Hænder som konsistente biometriske indikatorer

Forskerne observerer, at hænder tilbyder en konsistent samling af distinkte biometriske karakteristika, der kan være mindre udsat for alder, forsøg på at forklæde sig, eller andre forvrængende faktorer (såsom variation i udtryk, i tilfælde af ansigtsfotografering) som kan påvirke pålideligheden af mere populære indikatorsystemer, herunder ganggenkendelse og ansigtsgenkendelse.

Selv om sikkerhedssystemer er blevet udviklet, der udnytter håndåre-mønstre gennem infrarød billedbehandling, er dette ikke sandsynligt at blive tilgængeligt i de typer af optageenheder, der bruges i forbrydelser. I stedet koncentrerer den nuværende forskning sig om optagelser, der er erhvervet gennem standard digitale kameraer, som oftest er integreret i mobilenheder, men i tilfælde af seksuelle forbrydelser oftere er erhvervet af “dumb” kameraer, der er mindre tilbøjelige til at dele netværksinformation.

Ironisk nok har håndflademønster, muligvis den mest populære biometriske metode, der er fremhævet i science fiction-film de sidste 50 år, ikke oplevet den forventede opblomstring, måske fordi fingeraftryks-ID-systemer kræver mindre og billigere genkendelsessurflader. Dog producerede Fujitsu en promoveringsstudie i 2016, der argumenterede for, at håndåre-mønstergenkendelse er et overlegent biometrisk værktøj til sikkerhedssystemer.

Dataset og test

GPA-Net er, ifølge forskerne, det første end-to-end-trænede system, der forsøger håndgenkendelse. Det centrale baggrundnetværk er baseret på ResNet50 trænet over ImageNet. Disse blev valgt for deres evne til at fungere godt på tværs af en række platforme, herunder Google Inception (en GoogleNet-modul, der udviklede sig til et udviklende Convolutional Neural Network specialiseret i objektgenkendelse og billedanalyse).

GPA-Net-rammeværket blev testet på to dataset – det canadisk-egyptiske 11k Hænder-dataset fra 2016; og Hong Kong Polytechnic University Hand Dorsal (HD)-dataset.

En detalje fra ‘Personlig identifikation ved hjælp af mindre kno-mønstre fra håndryggen’, der fokuserer på kno-identifikation.

11k-datasettet indeholder 190 identitetsobjekter, herunder en række metadata om ID, alder, hudfarve, køn og andre faktorer. Forskerne udelukkede alle billeder, der indeholdt smykker, da disse ville ende som forstyrrende outliers. De udelukkede også billeder fra HD-datasettet, der manglede tilstrækkelig klarhed, da ID-matching er en mere følsom sektor end billedsynthese, og uklar data en større fare.

GPA-Net blev kørt på en PyTorch-dybt-læring-ramme på en enkelt NVIDIA GeForce RTX 2080 Ti-GPU med 11 GB VRAM. Modellen blev trænet ved hjælp af cross-entropy-tab, og en mini-batch Stochastic Gradient Descent (SGD)-optimerer. Træningen fandt sted over 60 epocher med en initial læringsrate på 0,02, behandlet derefter af en læringsrate-scheduler med en nedgangsfaktor på 0,1 for hver 30 epocher – effektivt langsommere træning, da højdimensionelle funktioner hurtigt bliver indlejret, og systemet herefter skal bruge længere tid på at gennemtraverse data for mere detaljeret detalje.

Evalueringen blev udført ved hjælp af Cumulative Matching Characteristics (CMC)-målet med Mean Average Precision (mAP).

Forskerne fandt, at GPA-Net overgår konkurrerende metoder på ResNet50 med 24,74% i rang-1-nøjagtighed og med 37,82% på mAP.

Kvalitative resultater fra test af GPA-Net-systemet. Top til bund-rækkerne er højre-dorsale genkendelser af 11k-sættet, venstre-dorsale af samme, højre-palmar af samme, og venstre-palmar af 11k- og HD-dataset. Grønne og røde rammer indikerer korrekte og forkerte matches.

Forskerne mener, at metoden har ‘stærk potentiale for robust identifikation af gerningsmændene bag alvorlige forbrydelser’.