Käsien käyttö biometrisenä tunnisteena rikosoikeudellisissa videotutkimuksissa

Iso-Britannian tutkijat ovat kehittäneet koneoppimisbiometrisen järjestelmän, joka pystyy tunnistamaan yksilöt heidän käsiensä muodon perusteella. Työn tarkoituksena on auttaa rikollisten tunnistamisessa, erityisesti rikoksensa kirjaaneiden seksuaalirikollisten tapauksissa, joissa käsitieto on usein ainoa saatavilla oleva biometrinen signaali.

- paperi, oikeutettu Käsin perustuva henkilöiden tunnistus maailmanlaajuisen ja osatietoisen syvän ominaisuuksien esittämisen oppimisen avulla, ja ehdottaa uutta ML-kehystä nimeltä Global and Part-Aware Network (GPA-Net).

GPA-Netissä kaksi erillistä 3D-tensoria (globaali ja paikallinen) saadaan ohjaamalla lähdekuva pinottujen konvoluutiokerrosten läpi ResNet50 runkoverkko. Jokainen analyyttinen keino ennustaa identiteettiä. Lähde: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net luo paikallisia ja globaaleja haaroja konvoluutiotasolle, jotta voidaan luoda erilliset tunnistusjärjestelmät sekä koko käsille (jossa vasen ja oikea käsi tunnistetaan selvästi, toisin kuin jotkut aiemmat yritykset tällä sektorilla) ja osat käsistä, jotka itsessään voivat toimia syöttölippuina koko käden tunnistamiseksi paremmin.

Tutkimus tulee Lancasterin yliopiston Computing and Communications -koulusta, ja sitä johtaa Nathanael L. Baisa, joka on nykyään apulaisprofessori Leicester's De Montfort -yliopistossa.

Kädet johdonmukaisina biometrisinä indikaattoreina

Tutkijat havaitsevat, että kädet tarjoavat johdonmukaisen kokoelman erilaisia ​​biometrisiä ominaisuuksia, joita voi olla vähemmän aihetta joko ikään, naamiointiyrityksiin tai muihin vääristyviin tekijöihin (kuten ilmeiden vaihtelu kasvojen sieppauksen yhteydessä), jotka voivat vaikuttaa suositumpien indikaattorijärjestelmien luotettavuuteen, mukaan lukien kävelyntunnistus ja kasvojentunnistus.

Vaikka turvajärjestelmät ovat on suunniteltu jotka käyttävät käsien suonen kuvioita infrapunakuvauksen avulla, tämä ei todennäköisesti tule saataville rikoksissa käytetyissä tallennuslaitteissa. Nykyinen tutkimus keskittyy pikemminkin kaappauksiin, jotka on saatu tavallisilla digitaalikameroilla, jotka on yleensä upotettu mobiililaitteisiin, mutta seksirikosten tapauksessa ne saadaan usein todennäköisemmin "tyhmillä" kameroilla, jotka eivät ole niin taipuvaisia ​​jakamaan verkkotietoja.

Ironista kyllä, kämmenjälki, kenties suosituin tieteiselokuvien biometrinen menetelmä viimeisten XNUMX vuoden aikana, ei ole nauttinut futuristien odotuksista, ehkä siksi, että sormenjälkitunnistusjärjestelmät vaativat pienempiä ja halvempia tunnistuspintoja. Fujitsu tuotti kuitenkin a myynninedistämistutkimus vuonna 2016 väittäen, että kämmensuonien kuvioiden tunnistus on ylivoimainen biometrinen työkalu turvajärjestelmille.

Tietojoukot ja testaus

GPA-Net on tutkijoiden mukaan ensimmäinen päästä päähän koulutettu järjestelmä, joka yrittää kädentunnistusta. Sen verkon keskusrunko perustuu ImageNetin kautta koulutettuun ResNet50:een. Nämä valittiin niiden kyvyn vuoksi toimia hyvin useilla eri alustoilla, mukaan lukien Googlen alku (a GoogleNet moduuli, joka valmistui kehittyvään konvoluutiohermoverkkoon, joka on erikoistunut objektien havaitsemiseen ja kuva-analyysiin).

GPA-Net-kehystä testattiin kahdessa tietojoukossa – 2016 11k kädet set, Kanadan ja Egyptin tutkijoiden yhteistyö; ja Hongkongin ammattikorkeakoulu Käden selkä (HD) aineisto.

Yksityiskohta kohdasta "Personal Identification using Minor Knuckle Patterns from Palm Dorsal Surface", keskittyen rystysten tunnistamiseen.

11k-tietojoukossa on 190 identiteettikohdetta, mukaan lukien erilaisia ​​metatietoja henkilöllisyydestä, iästä, ihonväristä, sukupuolesta ja muista tekijöistä. Tutkijat sulkivat pois kaikki kuvat, jotka sisälsivät koruja, koska ne päätyivät väistämättä häiritseviin poikkeamiin. He myös jättävät HD-tietojoukosta pois kuvia, joista puuttui riittävä selkeys, koska ID-sovitus on herkempi sektori kuin kuvasynteesi ja hämärtynyt data on suurempi vaara.

GPA-Net ajettiin PyTorchin syväoppimiskehyksessä yhdellä NVIDIA GeForce RTX 2080 Ti -grafiikkasuorittimella, jossa oli 11 Gt VRAM-muistia. Malli on koulutettu käyttäen risti-entropian menetysja mini-erän stokastinen gradienttilasku (SGD) optimoija. Harjoittelu tapahtui yli 60 jaksoa alkuperäisellä oppimisnopeudella 0.02, minkä jälkeen sen käsittelee oppimisnopeuden ajoittaja, jonka vaimennuskerroin oli 0.1 jokaista 30 jaksoa kohden – mikä hidastaa harjoittelua tehokkaasti, koska korkean ulottuvuuden ominaisuudet sulautuvat nopeasti, ja järjestelmän on sen jälkeen käytettävä pidempään. tietojen läpikulku saadakseen tarkempia yksityiskohtia.

Arviointi suoritettiin käyttämällä kumulatiivisia vastaavuusominaisuuksia (CMC) metriikka keskimääräisellä tarkkuudella (mAP).

Tutkijat havaitsivat, että GPA-Net ylittää kilpailevat menetelmät ResNet50:ssä 24.74 prosentilla rank-1 tarkkuudella ja 37.82 prosentilla mAP:lla.

Laadullisia tuloksia GPA-Net-järjestelmän testauksesta. Ylhäältä alas riveihin ovat 11k-sarjan oikeanpuoleiset selkätunnisteet, saman vasen dorsaalit, saman oikean kämmentit ja 11k- ja HD-tietojoukon vasen kämmen. Vihreät ja punaiset rajausruudut osoittavat oikeat ja väärät osumat.

Tutkijat katsovat, että menetelmällä on "vahva potentiaali vakavaan rikokseen syyllistyneiden vahvaan tunnistamiseen".