Uso de las manos como identificador biométrico en el análisis forense de videos criminales

Investigadores del Reino Unido han desarrollado un sistema biométrico de aprendizaje automático capaz de identificar individuos a partir de la forma de sus manos. La intención del trabajo es ayudar a identificar a los delincuentes, particularmente en casos de delincuentes sexuales que han registrado sus delitos, donde la información manual es a menudo la única señal biométrica disponible.

El , titulado Identificación de personas basada en la mano utilizando el aprendizaje de representación de características profundas global y consciente de las partes, y propone un nuevo marco ML llamado Global and Part-Aware Network (GPA-Net).

En GPA-Net, se obtienen dos tensores 3D distintos (global y local) pasando la imagen de origen a través de capas convolucionales apiladas en la ResNet50 red troncal. Cada una de las vías analíticas hará una predicción de identidad. Fuente: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net crea ramas locales y globales en la capa convolucional, con el fin de crear distintos sistemas de reconocimiento tanto para la totalidad de las manos (con las manos izquierda y derecha claramente reconocidas, a diferencia de algunos intentos anteriores en este sector) como para la partes de la mano, que en sí mismos pueden actuar como banderines de alimentación para una mejor identificación de toda la mano.

La investigación proviene de la Escuela de Informática y Comunicaciones de la Universidad de Lancaster y está dirigida por Nathanael L. Baisa, ahora profesor asistente en la Universidad De Montfort de Leicester.

Manos como indicadores biométricos consistentes

Los investigadores observan que las manos ofrecen una colección consistente de distintas características biométricas que pueden ser menos tema ya sea por la edad, los intentos de disfrazarse u otros factores distorsionadores (como la variación en las expresiones, en el caso de la captura facial) que pueden influir en la confiabilidad de los sistemas de indicadores más populares, incluido el reconocimiento de la marcha y el reconocimiento facial.

Aunque los sistemas de seguridad tienen sido ideado que hacen uso de los patrones de las venas de la mano a través de imágenes infrarrojas, es probable que esto no esté disponible en los tipos de dispositivos de grabación utilizados en los delitos. Más bien, la investigación actual se concentra en capturas obtenidas a través de cámaras digitales estándar, generalmente integradas en dispositivos móviles, pero en el caso de delitos sexuales, a menudo es más probable que sean obtenidas por cámaras 'tontas' que están menos inclinadas a compartir información de la red.

Irónicamente, la huella de la palma de la mano, posiblemente el método biométrico más popular presentado en las películas de ciencia ficción de los últimos cincuenta años, no ha tenido la acogida esperada por los futuristas, quizás porque los sistemas de identificación de huellas dactilares requieren superficies de reconocimiento más pequeñas y económicas. Sin embargo, Fujitsu produjo un estudio promocional en 2016 argumentando que el reconocimiento de patrones de venas de la palma de la mano es una herramienta biométrica superior para los sistemas de seguridad.

Conjuntos de datos y pruebas

GPA-Net es, según los investigadores, el primer sistema capacitado de extremo a extremo para intentar el reconocimiento de manos. La columna vertebral central de su red se basa en ResNet50 capacitado sobre ImageNet. Estos fueron elegidos por su capacidad para funcionar bien en una variedad de plataformas, incluidas Inicio de Google (a Red de Google módulo que se graduó en una red neuronal convolucional en evolución que se especializa en detección de objetos y análisis de imágenes).

El marco GPA-Net se probó en dos conjuntos de datos: el 2016 11k manos set, una colaboración entre investigadores de Canadá y Egipto; y la Universidad Politécnica de Hong Kong Mano Dorsal (HD) conjunto de datos

Un detalle de 'Identificación personal utilizando patrones de nudillos menores de la superficie dorsal de la palma', que se centra en la identificación de nudillos.

El conjunto de datos de 11k presenta 190 sujetos de identidad, incluida una variedad de metadatos relacionados con la identificación, la edad, el color de la piel, el género y otros factores. Los investigadores excluyeron cualquier imagen que contuviera joyas, ya que inevitablemente terminarían como valores atípicos perjudiciales. También excluyeron las imágenes del conjunto de datos HD que carecían de la claridad adecuada, ya que la coincidencia de ID es un sector más sensible que la síntesis de imágenes, y los datos oscurecidos son un peligro mayor.

GPA-Net se ejecutó en un marco de aprendizaje profundo PyTorch en una sola GPU NVIDIA GeForce RTX 2080 Ti con 11 gb de VRAM. El modelo fue entrenado usando pérdida de entropía cruzaday un descenso de gradiente estocástico de mini lotes (SGD) optimizador. El entrenamiento se produjo durante 60 épocas a una tasa de aprendizaje inicial de 0.02, manejada posteriormente por un programador de tasa de aprendizaje con un factor de disminución de 0.1 por cada 30 épocas, lo que ralentiza de forma efectiva el entrenamiento a medida que las características de alta dimensión se incorporan rápidamente y el sistema debe pasar más tiempo. recorrer los datos para obtener más detalles granulares.

La evaluación se realizó utilizando las características acumulativas de emparejamiento (CMC) métrica con precisión media media (mAP).

Los investigadores descubrieron que GPA-Net supera a los métodos de la competencia en ResNet50 en un 24.74 % en precisión de rango 1 y en un 37.82 % en mAP.

Resultados cualitativos de las pruebas del sistema GPA-Net. Las filas de arriba a abajo son los reconocimientos dorsal derecho del conjunto de 11k, dorsal izquierdo del mismo, palmar derecho del mismo y palmar izquierdo de los conjuntos de datos 11k y HD. Los cuadros delimitadores verdes y rojos indican coincidencias correctas e incorrectas.

Los investigadores consideran que el método tiene un "gran potencial para la identificación sólida de los autores de delitos graves".