Verwendung von Händen als biometrischer Identifikator in der kriminellen Videoforensik

Forscher im Vereinigten Königreich haben ein biometrisches System für maschinelles Lernen entwickelt, mit dem Personen anhand der Form ihrer Hände identifiziert werden können. Ziel der Arbeit ist es, bei der Identifizierung von Straftätern zu helfen, insbesondere bei Sexualstraftätern, die ihre Straftaten aufgezeichnet haben und bei denen Handinformationen häufig das einzige verfügbare biometrische Signal sind.

Die KrepppapierTitel Handbasierte Personenidentifikation mittels globalem und teilbewusstem Deep Feature Representation Learningund schlägt ein neues ML-Framework namens Global and Part-Aware Network (GPA-Net) vor.

In GPA-Net werden zwei unterschiedliche 3D-Tensoren (global und lokal) erhalten, indem das Quellbild durch gestapelte Faltungsschichten im ResNet50-Backbone-Netzwerk geleitet wird. Jeder der Analysewege führt zu einer Identitätsvorhersage. Quelle: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net erstellt lokale und globale Zweige auf der Faltungsschicht, um unterschiedliche Erkennungssysteme sowohl für die Gesamtheit der Hände (wobei die linke und rechte Hand im Gegensatz zu einigen früheren Versuchen in diesem Sektor eindeutig erkannt werden) als auch für die Hände zu schaffen Teile der Hand, die ihrerseits als Feeder-Flags zur besseren Identifizierung der gesamten Hand dienen können.

Die Forschung stammt von der School of Computing and Communications der Lancaster University und wird von Nathanael L. Baisa geleitet, der jetzt Assistenzprofessor an der De Montfort University in Leicester ist.

Hände als konsistente biometrische Indikatoren

Die Forscher stellen fest, dass Hände eine konsistente Sammlung unterschiedlicher biometrischer Merkmale bieten, die möglich sind weniger Thema entweder altersbedingt, Verkleidungsversuche oder andere verzerrende Faktoren (z. B. unterschiedliche Gesichtsausdrücke bei der Gesichtserfassung), die die Zuverlässigkeit gängigerer Indikatorsysteme, einschließlich Gangerkennung und Gesichtserkennung, beeinflussen können.

Obwohl Sicherheitssysteme haben erdacht worden Obwohl Handvenenmuster durch Infrarotaufnahmen erfasst werden, ist es unwahrscheinlich, dass diese Technologie in den bei Verbrechen verwendeten Aufnahmegeräten verfügbar sein wird. Die aktuelle Forschung konzentriert sich vielmehr auf Aufnahmen, die mit herkömmlichen Digitalkameras gemacht werden, die in der Regel in Mobilgeräte integriert sind. Bei Sexualverbrechen werden sie jedoch eher mit „dummen“ Kameras gemacht, die weniger bereit sind, Netzwerkinformationen weiterzugeben.

Ironischerweise hat der Handabdruck, möglicherweise die beliebteste biometrische Methode in Science-Fiction-Filmen der letzten fünfzig Jahre, nicht die von Futuristen erwartete Verbreitung gefunden, vielleicht weil Fingerabdruck-ID-Systeme kleinere und billigere Erkennungsflächen erfordern. Fujitsu produzierte jedoch eine Werbestudie im Jahr 2016 und argumentierte, dass die Erkennung von Handvenenmustern ein überlegenes biometrisches Werkzeug für Sicherheitssysteme sei.

Datensätze und Tests

GPA-Net ist den Forschern zufolge das erste durchgängig trainierte System, das eine Handerkennung versucht. Das zentrale Rückgrat seines Netzwerks basiert auf ResNet50, das über ImageNet trainiert wird. Diese wurden aufgrund ihrer Fähigkeit ausgewählt, auf einer Vielzahl von Plattformen eine gute Leistung zu erbringen, darunter Google Inception (a GoogleNet Modul, das zu einem sich weiterentwickelnden Convolutional Neural Network mit Spezialisierung auf Objekterkennung und Bildanalyse führte).

Das GPA-Net-Framework wurde in zwei Datensätzen getestet – dem Jahr 2016 11k Hände set, eine Zusammenarbeit zwischen Forschern aus Kanada und Ägypten; und der Hong Kong Polytechnic University Handrücken (HD) Datensatz.

Ein Detail aus „Personal Identification Using Minor Knuckle Patterns From Palm Dorsal Surface“ mit Schwerpunkt auf der Fingerknöchelidentifizierung.

Der 11 Datensätze umfassen 190 Identitätssubjekte, einschließlich einer Vielzahl von Metadaten zu Identität, Alter, Hautfarbe, Geschlecht und anderen Faktoren. Die Forscher schlossen alle Bilder aus, die Schmuck enthielten, da diese unweigerlich als störende Ausreißer enden würden. Sie schlossen auch Bilder aus dem HD-Datensatz aus, denen es an ausreichender Klarheit mangelte, da der ID-Abgleich ein sensiblerer Bereich als die Bildsynthese ist und verdeckte Daten eine größere Gefahr darstellen.

GPA-Net wurde auf einem PyTorch-Deep-Learning-Framework auf einer einzelnen NVIDIA GeForce RTX 2080 Ti-GPU mit 11 GB VRAM ausgeführt. Das Modell wurde mit trainiert Kreuzentropieverlustund ein stochastischer Gradientenabstieg im Mini-Batch (SGD) Optimierer. Das Training erfolgte über 60 Epochen mit einer anfänglichen Lernrate von 0.02 und wurde anschließend von einem Lernratenplaner mit einem Abklingfaktor von 0.1 für alle 30 Epochen durchgeführt. Dadurch wurde das Training effektiv verlangsamt, da hochdimensionale Merkmale schnell eingebettet werden und das System anschließend länger arbeiten muss Durchsuchen der Daten für detailliertere Details.

Die Auswertung erfolgte anhand der kumulativen Matching-Merkmale (CMC) Metrik mit mittlerer durchschnittlicher Präzision (mAP).

Die Forscher fanden heraus, dass GPA-Net konkurrierende Methoden auf ResNet50 um 24.74 % in der Rang-1-Genauigkeit und um 37.82 % auf mAP übertrifft.

Qualitative Ergebnisse aus Tests des GPA-Net-Systems. In den Reihen von oben nach unten sind die Erkennungen des rechten Rückens des 11k-Satzes, des linken Rückens desselben, des rechten Palmar desselben und des linken Palmar des 11k- und HD-Datensatzes dargestellt. Grüne und rote Begrenzungsrahmen zeigen richtige und falsche Übereinstimmungen an.

Die Forscher sind der Ansicht, dass die Methode „ein großes Potenzial für eine zuverlässige Identifizierung der Täter schwerer Straftaten“ hat.