Brug af hænder som biometrisk identifikator i kriminel videoforensik

Forskere i Storbritannien har udviklet et machine learning-biometrisk system, 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 forbrydere, der har optaget deres forbrydelser, hvor håndinformation ofte er det eneste biometriske signal, der er tilgængeligt.

Den artikel, med titlen Hand-baseret personidentifikation ved hjælp af globale og parts-orienterede dybe funktioner, og foreslår et nyt ML-rammeværk kaldet Global og Part-Aware Network (GPA-Net).

I GPA-Net opnås to distinkte 3D-tensorer (globale og lokale) ved at sende kildebilledet gennem stablede convolutionelle lag på ResNet50-baggrundsnetværket. Hver af de analytiske vejene vil give en identitetsforudsigelse. Kilde: https://arxiv.org/pdf/2101.05260.pdf

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

Forskningen kommer fra School of Computing and Communications på Lancaster University og lededes af Nathanael L. Baisa, nu en assistant professor 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 kamuflere eller andre forvrængende faktorer (såsom variation i udtryk, i tilfælde af ansigtsregistrering) som kan påvirke pålideligheden af mere populære indikatorsystemer, herunder ganggenkendelse og ansigtsregistrering.

Selv om sikkerhedssystemer er blevet udviklet, der udnytter håndåre-mønstre gennem infrarød billedfornyelse, 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, ofte integreret i mobilenheder, men i tilfælde af seksuelle forbrydelser oftest mere sandsynligt at blive 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 fra de sidste 50 år, ikke nydt den forventede opbakning fra futurister, måske fordi fingeraftryks-ID-systemer kræver mindre og billigere genkendelsessurface. Imidlertid producerede Fujitsu en promoveringsstudie i 2016, der argumenterede for, at håndåre-mønstergenkendelse er et overlegent biometrisk værktøj til sikkerhedssystemer.

Datasæt og test

GPA-Net er, ifølge forskerne, det første end-to-end-trænede system, der forsøger håndgenkendelse. Det centrale baggrundsnetværk 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 datasæt – 2016 11k Hands-sættet, et samarbejde mellem forskere fra Canada og Egypten; og Hong Kong Polytechnic University Hand Dorsal (HD)-datasættet.

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

11k-datasættet indeholder 190 identitetsemner, 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-datasættet, der manglede tilstrækkelig klarhed, da ID-matching er en mere følsom sektor end billedsynthese, og forstyrrede data en større fare.

GPA-Net blev kørt på et PyTorch deep learning-rammeværk 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. Træning fandt sted over 60 epocher med en initial læringsrate på 0,02, derefter behandlet 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 gennemløbe dataene for mere detaljeret detalje.

Evaluation 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. Øverste til nederste rækker er højre dorsale genkendelser af 11k-sættet, venstre dorsale af samme, højre palmar af samme, og venstre palmar af 11k- og HD-datasættene. Grønne og røde rammer indikerer korrekte og forkerte match.

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