Χρήση των Χεριών ως Βιομετρικού Αναγνωριστικού στις Εγκληματολογικές Βίντεο

Ερευνητές στο Ηνωμένο Βασίλειο έχουν αναπτύξει ένα σύστημα μηχανικής μάθησης που μπορεί να αναγνωρίζει άτομα από το σχήμα των χεριών τους. Ο σκοπός της εργασίας είναι να βοηθήσει στην αναγνώριση των δραστών, ιδιαίτερα σε περιπτώσεις σεξουαλικών εγκληματιών που έχουν ηχογραφήσει τα εγκλήματά τους, όπου η πληροφορία των χεριών είναι συχνά το μόνο βιομετρικό σήμα που είναι διαθέσιμο.

Το έγγραφο, με τίτλο Αναγνώριση Προσώπου με βάση τα Χέρια χρησιμοποιώντας Παγκόσμια και Συνειδητή Μάθηση Đặcρων, και προτείνει ένα νέο πλαίσιο ML που ονομάζεται Global και Part-Aware Network (GPA-Net).

Στο GPA-Net, δύο διακριτά 3D tensors (παγκόσμια και τοπικά) λαμβάνονται με το πέρασμα της πηγαίας εικόνας από στοιβάζοντες συνβολικούς.layers στο δίκτυο ResNet50. Κάθε μια από τις αναλυτικές οδούς θα κάνει μια πρόβλεψη ταυτότητας. Πηγή: https://arxiv.org/pdf/2101.05260.pdf

Το GPA-Net δημιουργεί τοπικά και παγκόσμια κλάδους στο συνβολικό επίπεδο, για να δημιουργήσει διακριτά συστήματα αναγνώρισης για το σύνολο των χεριών (με τα αριστερά και δεξιά χέρια να αναγνωρίζονται ξεχωριστά, αντίθετα με προηγούμενες προσπάθειες σε αυτόν τον τομέα) και τα μέρη του χεριού, τα οποία μπορούν να λειτουργήσουν ως σημαίες για μια καλύτερη αναγνώριση του συνόλου του χεριού.

Η έρευνα προέρχεται από το Τμήμα Πληροφορικής και Επικοινωνιών του Πανεπιστημίου του Λάνκαστερ και ηγείται από τον Nathanael L. Baisa, τώρα Επίκουρος Καθηγητής στο Πανεπιστήμιο De Montfort του Λέστερ.

Χέρια ως Συνεπή Βιομετρικά Αναγνωριστικά

Οι ερευνητές παρατηρούν ότι τα χέρια προσφέρουν μια συνεπή συλλογή διακριτών βιομετρικών χαρακτηριστικών που μπορούν να είναι λιγότερο ευάλωτα είτε στην ηλικία, στις προσπάθειες για μεταμφίεση, ή άλλα παραμορφωτικά παράγοντες (όπως η ποικιλία στις εκφράσεις, στην περίπτωση της αναγνώρισης προσώπου) που μπορούν να επηρεάσουν την αξιοπιστία των πιο δημοφιλών συστημάτων αναγνώρισης, συμπεριλαμβανομένης της αναγνώρισης βάδισης και της αναγνώρισης προσώπου.

Αν και έχουν αναπτυχθεί συστήματα ασφαλείας που χρησιμοποιούν μοτίβα φλεβών χεριών μέσω εικόνων υπέρυθρης ακτινοβολίας, αυτό δεν είναι πιθανό να γίνει διαθέσιμο στα είδη των συσκευών εγγραφής που χρησιμοποιούνται στα εγκλήματα. Αντίθετα, η τρέχουσα έρευνα επικεντρώνεται στις εγγραφές που λαμβάνονται από τυπικές ψηφιακές κάμερες, συνήθως ενσωματωμένες σε κινητές συσκευές, αλλά σε περιπτώσεις σεξουαλικών εγκλημάτων, συχνά πιο πιθανό να λαμβάνονται από “αμβλύες” κάμερες που είναι λιγότερο ενclin να μοιράζονται πληροφορίες δικτύου.

Παραδόξως, η παλμική εγγραφή, πιθανότατα η πιο δημοφιλής βιομετρική μέθοδος που παρουσιάζεται σε ταινίες επιστημονικής φαντασίας των τελευταίων πενήντα ετών, δεν έχει απολαύσει την αναμενόμενη αποδοχή από τους μελλοντολόγους, ίσως επειδή τα συστήματα αναγνώρισης δακτυλικών αποτυπωμάτων απαιτούν μικρότερα και φθηνότερα επιφάνειες αναγνώρισης. Ωστόσο, η Fujitsu παρήγαγε μια προωθητική μελέτη το 2016, υποστηρίζοντας ότι η αναγνώριση μοτίβων φλεβών παλάμης είναι ένα ανώτερο βιομετρικό εργαλείο για συστήματα ασφαλείας.

Δεδομένα και Δοκιμές

Το GPA-Net είναι, σύμφωνα με τους ερευνητές, το πρώτο σύστημα που εκπαιδεύτηκε από την αρχή για αναγνώριση χεριών. Το κεντρικό σκελετός του δικτύου βασίζεται στο ResNet50 που εκπαιδεύτηκε στο ImageNet. Αυτά επιλέχθηκαν για την ικανότητά τους να εκτελούν καλά σε eine ποικιλία πλατφορμών, συμπεριλαμβανομένων Google Inception (ένα GoogleNet module που εξελίχθηκε σε ένα εξελισσόμενο Συμβολικό Νευρωνικό Δίκτυο που ειδικεύεται στην ανίχνευση αντικειμένων και ανάλυση εικόνας).

Το πλαίσιο GPA-Net δοκιμάστηκε σε δύο σύνολα δεδομένων – το σύνολο 11k Hands του 2016, μια συνεργασία μεταξύ ερευνητών από τον Καναδά και την Αίγυπτο· και το σύνολο Hand Dorsal (HD) του Πανεπιστημίου Πολυτεχνείου του Χονγκ Κονγκ.

Ένα λεπτό από ‘Προσωπική Αναγνώριση χρησιμοποιώντας Μικρά Μοτίβα Νυχιών Από την Επίπεδη Επιφάνεια του Χεριού’, επικεντρωμένο στην αναγνώριση νυχιών.

Το σύνολο δεδομένων 11k περιλαμβάνει 190 υποκείμενα ταυτότητας, συμπεριλαμβανομένης μιας ποικιλίας μεταδεδομένων σχετικά με την ταυτότητα, ηλικία, χρώμα δέρματος, φύλο και άλλα χαρακτηριστικά. Οι ερευνητές εξαιρούν οποίες εικόνες που περιέχουν κοσμήματα,既然 αυτά θα ήταν αναπόφευκτα διαταρακτικά εξωτερικά. Εξαιρούν επίσης εικόνες από το σύνολο HD που λείπουν επαρκούς σαφήνειας,既然 η αναγνώριση ταυτότητας είναι ένα πιο ευαίσθητο τομέα από την σύνθεση εικόνας, και οι αποκρυπτογραφημένες δεδομένες είναι μεγαλύτερος κίνδυνος.

Το GPA-Net εκτελέστηκε σε ένα πλαίσιο PyTorch για βαθιά μάθηση σε μια seule NVIDIA GeForce RTX 2080 Ti GPU με 11gb VRAM. Το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας διασταυρούμενη εντροπία, και einen mini-μπατς Στοχαστική Κατηγόρηση Κλίσης (SGD) βελτιωτή. Η εκπαίδευση πραγματοποιήθηκε σε 60 επαναλήψεις με αρχική ταχύτητα μάθησης 0.02, χειριζόμενη στη συνέχεια από einen προγραμματιστή ταχύτητας μάθησης με έναν παράγοντα αποσύνθεσης 0.1 για κάθε 30 επαναλήψεις – αποτελεσματικά επιβραδύνοντας την εκπαίδευση καθώς τα υψηλά διαστατικά χαρακτηριστικά γρήγορα ενσωματώνονται, και το σύστημα πρέπει στη συνέχεια να διασχίσει τα δεδομένα για πιο λεπτομερείς λεπτομέρειες.

Η αξιολόγηση πραγματοποιήθηκε χρησιμοποιώντας το Μετρικό Συμψηφισμένων Χαρακτηριστικών (CMC) με Μέσο Όρο Πrecision (mAP).

Οι ερευνητές βρήκαν ότι το GPA-Net υπερέχει των ανταγωνιστικών μεθόδων στο ResNet50 κατά 24.74% στην ακρίβεια κατάταξης-1 και κατά 37.82% στο mAP.

Ποιοτικά αποτελέσματα από τη δοκιμή του συστήματος GPA-Net. Από πάνω προς τα κάτω σειρές είναι οι αναγνωρίσεις δεξιού δορσικού του συνόλου 11k, αριστερού δορσικού του ίδιου, δεξιού παλμικού του ίδιου, και του αριστερού παλμικού των συνόλων 11k και HD. Οι πράσινες και κόκκινες περιγράμματα υποδεικνύουν σωστές και λανθασμένες αντιστοιχίες.

Οι ερευνητές θεωρούν ότι η μέθοδος έχει ‘ισχυρό δυναμικό για ρομποτική αναγνώριση των δραστών σοβαρών εγκλημάτων’.