Χρήση Χεριών ως Βιομετρικού Ταυτοποιούμενου σε Εγκληματολογική Βίντεο

Ερευνητές στο Ηνωμένο Βασίλειο έχουν αναπτύξει ένα σύστημα μηχανικής μάθησης βιομετρικών δεδομένων ικανό 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 καταγράψει τα εγκλήματά τους, όπου οι πληροφορίες για τα χέρια είναι συχνά το μόνο βιομετρικό σήμα που είναι διαθέσιμο.

Το έγγραφο, με τίτλο Αναγνώριση Προσώπου με βάση το Χέρι Χρησιμοποιώντας Παγκόσμια και Μέρος-Ενημερωμένη Βαθιά Αναπαράσταση Funktion, και προτείνει ένα νέο πλαίσιο ML που ονομάζεται Global και Part-Aware Network (GPA-Net).

Στο GPA-Net, δύο διαφορετικά 3D tensors (παγκόσμια και τοπική) λαμβάνονται με το πέρασμα της πηγαίας εικόνας μέσω στοιβάζοντων συνβολικών στρωμάτων στο δίκτυο ResNet50. Κάθε eine από τις αναλυτικές οδούς θα κάνει μια πρόβλεψη ταυτοποίησης. Source: https://arxiv.org/pdf/2101.05260.pdf

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

Η έρευνα προέρχεται από το Τμήμα Υπολογιστών και Επικοινωνιών στο Πανεπιστήμιο του Lancaster, και ηγείται από τον Nathanael L. Baisa, τώρα Επίκουρος Καθηγητής στο Πανεπιστήμιο De Montfort του Leicester.

Χέρια ως Συνεπή Βιομετρικά Αναγνωριστικά

Οι ερευνητές παρατηρούν ότι τα χέρια προσφέρουν μια συνεπή συλλογή διαφορετικών βιομετρικών χαρακτηριστικών που μπορούν να είναι λιγότερο ευάλωτα είτε στην ηλικία, τις προσπάθειες για μεταμφίεση, ή άλλα παραμορφωτικά παράγοντες (όπως η παραλλαγή 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 αισθητικής, αυτό δεν είναι πιθανό να γίνει διαθέσιμο στα είδη καταγραφής που χρησιμοποιούνται στα εγκλήματα. Αντίθετα, η τρέχουσα έρευνα επικεντρώνεται στις λήψεις που λαμβάνονται μέσω τυπικών ψηφιακών καμερών, συνήθως ενσωματωμένων σε κινητές συσκευές, αλλά σε περιπτώσεις σεξουαλικών εγκλημάτων, συχνά πιο πιθανό να λαμβάνονται από “αμβλύες” κάμερες που είναι λιγότερο ενήμερες για τη δικτύωση της πληροφόρησης.

Παραδόξως, η παλμαία αποτύπωση, 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 έχει εκπαιδευτεί από άκρο σε άκρο για να επιχειρήσει αναγνώριση χεριών. Το κεντρικό σκελετός του δικτύου βασίζεται στο ResNet50 που έχει εκπαιδευτεί πάνω στο ImageNet. Αυτά επιλέχθηκαν για την ικανότητά τους να εκτελούν καλά σε eine ποικιλία πλατφορμών, συμπεριλαμβανομένης της Google Inception (ένα GoogleNet module που εξελίχθηκε σε ένα εξελισσόμενο Συνβολικό Νευρωνικό Δίκτυο που ειδικεύεται στην ανίχνευση αντικειμένων και ανάλυση εικόνας).

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

Ένα λεπτό από ‘Προσωπική Ταυτοποίηση Χρησιμοποιώντας Μικρά Μοτίβα Γραμμάτων Από την Παλμαία Επιφάνεια’, με επίκεντρο την αναγνώριση δακτυλικών αποτυπωμάτων.

Το σύνολο δεδομένων 11k περιλαμβάνει 190 υποκείμενα ταυτότητας, συμπεριλαμβανομένων μιας ποικιλίας μεταδεδομένων σχετικά με το ID, ηλικία, χρώμα δέρματος, φύλο και άλλα στοιχεία. Οι ερευνητές εξέκλεισαν οποιαδήποτε εικόνα που περιείχε κοσμήματα,既然 αυτά θα τελείωναν ως διαταρακτικά outliers. Εξέκλεισαν επίσης εικόνες από το σύνολο δεδομένων HD που έλλειπαν επαρκής σαφήνειας,既然 η ταυτοποίηση είναι ένα πιο ευαίσθητο τομέα από την σύνθεση εικόνας, και οι αποκρυπτογραφημένες δεδομένα είναι μεγαλύτερος κίνδυνος.

Το GPA-Net εκτελέστηκε σε ένα πλαίσιο βαθιάς μάθησης PyTorch σε ένα μόνο NVIDIA GeForce RTX 2080 Ti GPU με 11gb VRAM. Το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας cross-entropy loss, και einen mini-batch Stochastic Gradient Descent (SGD) optimizer. Η εκπαίδευση πραγματοποιήθηκε σε 60 επαναλήψεις με μια αρχική ταχύτητα μάθησης 0,02, χειριζόμενη στη συνέχεια από einen ταχύτητας μάθησης προγραμματιστή με έναν παράγοντα αποσύνθεσης 0,1 για κάθε 30 επαναλήψεις – αποτελεσματικά επιβραδύνοντας την εκπαίδευση καθώς υψηλές διαστάσεις γρήγορα ενσωματώνονται, και το σύστημα πρέπει στη συνέχεια να περάσει περισσότερο χρόνο διασχίζοντας τα δεδομένα για πιο λεπτομερείς λεπτομέρειες.

Η αξιολόγηση πραγματοποιήθηκε χρησιμοποιώντας το Cumulative Matching Characteristics (CMC) μετρήσιμο με Mean Average Precision (mAP).

Οι ερευνητές βρήκαν ότι το GPA-Net υπερέχει από τις ανταγωνιστικές μεθόδους στο ResNet50 κατά 24,74% στην ακρίβεια rank-1 και κατά 37,82% στο mAP.

Ποιοτικές αποτελέσματα από τη δοκιμή του συστήματος GPA-Net. Από πάνω προς τα κάτω σειρές είναι οι αναγνώρισεις δεξιάς παλάμης του συνόλου δεδομένων 11k, αριστερά παλάμης του ιδίου, δεξιά παλάμης του ιδίου, και η αριστερή παλάμης των συνόλων δεδομένων 11k και HD. Οι πράσινες και κόκκινες περιβALLE BOXES υποδεικνύουν σωστές και λανθασμένες αντιστοιχίες.

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