Kädet luotettavina biometrisinä tunnisteina rikosvideoiden oikeudellisessa tutkimuksessa

Tutkijat Iso-Britanniassa ovat kehittäneet koneoppimiseen perustuvan biometrisen järjestelmän, joka pystyy tunnistamaan yksilöitä käden muodon perusteella. Työn tarkoituksena on auttaa rikollisten tunnistamisessa, erityisesti tapauksissa, joissa rikokset on tallennettu videolle, ja käden tieto on usein ainoa saatavilla oleva biometrinen signaali.

Tutkimusraportti, jonka otsikko on Käden perusteella tapahtuva henkilön tunnistaminen globaaleja ja osaa tietoista syvyysoppien oppimista hyödyntäen, esittää uuden ML-kehyksen, jota kutsutaan Global and Part-Aware Network (GPA-Net) -järjestelmäksi.

GPA-Netissä kaksi erillistä 3D-vektoria (globaali ja paikallinen) saadaan lähetettäessä lähdekuva pinottujen konvoluutiokerrosten kautta ResNet50-pohjaisella verkolla. Kummallakin analyysikanavalla tehdään identiteetin ennustus. Lähde: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net luo paikalliset ja globaalit haarat konvoluutiokerroksella, jotta voidaan luoda erilliset tunnistusjärjestelmät koko käden (jossa vasen ja oikea käsi tunnistetaan erikseen, toisin kuin joissakin aiemmissa yrityksissä tämän alan parissa) ja käden osien (jotka voivat toimia tunnusmerkkeinä paremman koko käden tunnistamiseksi) osalta.

Tutkimus on tehty Lancasterin yliopiston tietojenkäsittely- ja viestintätieteiden tiedekunnassa, ja sen johtajana on tohtori Nathanael L. Baisa, joka on nyt apulaisprofessorina Leicesterin De Montfort -yliopistossa.

Kädet luotettavina biometrisinä tunnisteina

Tutkijat havaitsevat, että kädet tarjoavat johdonmukaisen kokoelman erillisiä biometrisia piirteitä, jotka voivat olla vähemmän alttiita ikää, naamioitumisyrityksiä tai muita vääristäviä tekijöitä (kuten ilmeiden vaihtelua kasvojen tunnistamisen tapauksessa), jotka voivat vaikuttaa muiden, suositumpien tunnistejärjestelmien luotettavuuteen, kuten askeltunnistukseen ja kasvotunnistukseen.

Vaikka turvajärjestelmiä on kehitetty, jotka hyödyntävät käden verisuonten kuviota infrapunakuvauksen avulla, näiden järjestelmien käyttöönotto ei ole todennäköistä rikoksissa käytettävissä tallennuslaitteissa. Sen sijaan tutkimuksessa keskitytään tallenteisiin, jotka on tehty standardien digitaalikameroiden avulla, jotka on usein upotettu matkapuhelimiin, mutta seksuaalirikosten tapauksessa usein tallennetaan “tyhmien” kameroiden avulla, jotka eivät ole geneettisesti alttiita jakamaan verkkotietoja.

Ironisesti kämmenpiirros, joka on ehkä suosituin biometrisista menetelmistä tieteiskirjallisuudessa viimeisten 50 vuoden aikana, ei ole saavuttanut odotettua suosiota, ehkä siksi, että sormenjälkitunnistusjärjestelmät vaativat pienempiä ja halvempia tunnistuspinnoitteita. Fujitsu kuitenkin julkaisi mainosopimuksen vuonna 2016, jossa väitettiin, että kämmenvaltimoiden tunnistus on turvajärjestelmille yleisesti ottaen parempi biometrisista työkaluista.

Tietojoukkoja ja testausta

GPA-Net on tutkijoiden mukaan ensimmäinen päästä jalkaan koulutettu järjestelmä, joka yrittää käden tunnistamista. Verkon keskeinen runko perustuu ResNet50:een, joka on koulutettu ImageNetissä. Nämä valittiin kyvystään suoriutua hyvin eri alustoilla, mukaan lukien Google Inception (GoogleNet-moduuli, joka kehittyi evoluutioon perustuvaksi konvoluutio-neuraaliverkoksi, joka on erikoistunut objektien havaitsemiseen ja kuvan analyysiin).

GPA-Net-kehys testattiin kahdessa tietojoukossa – vuoden 2016 11k Kädet -joukossa, joka on yhteistyö kanadalaisten ja egyptiläisten tutkijoiden välillä; ja Hong Kongin polyteknillisen yliopiston Käden Dorsaali (HD) -tietojoukossa.

Yksityiskohta ‘Henkilön tunnistaminen käden pikkusormen kuviosta’ -tutkimuksesta, joka keskittyy sormien tunnistamiseen.

11k-tietojoukossa on 190 identiteettiä, mukaan lukien erilaisia metatietoja, kuten ID, ikä, ihonväri, sukupuoli ja muut tekijät. Tutkijat poistivat kaikki kuvat, jotka sisälsivät koruja, koska ne olisivat vääristäneet tuloksia. He poistivat myös HD-tietojoukon kuvat, joissa ei ollut riittävää selkeyttä, koska tunnistaminen on herkempi ala kuin kuvansynteesi, ja häikäisevä data on suurempi vaara.

GPA-Net ajettiin PyTorch-oppimisalustalla yhdellä NVIDIA GeForce RTX 2080 Ti -näytönohjaimella, jossa on 11 Gt VRAM. Malli koulutettiin cross-entropy-hävikin avulla ja mini-batch Stochastic Gradient Descent (SGD) -optimoinnin avulla. Koulutus tapahtui 60 epochin ajan alkuoppimisnopeudella 0,02, ja sen jälkeen oppimisnopeus väheni 0,1:llä joka 30 epochin jälkeen – tehden koulutuksesta hitaampaa, kun korkean dimensionaaliset piirteet uppoavat nopeasti, ja järjestelmän on sitä mukaa vietävä kauemmin tietojen läpi etsimässä yksityiskohtaisempaa tietoa.

Arviointi tehtiin Cumulative Matching Characteristics (CMC) -mitalla ja keskiarvoisen tarkin arvon (mAP) avulla.

Tutkijat totesivat, että GPA-Net suoriutuu kilpailevista menetelmistä ResNet50:llä 24,74 prosentilla paremmin sijaluvussa 1 ja 37,82 prosentilla keskiarvoisessa tarkkuudessa.

Laadulliset tulokset GPA-Net-järjestelmän testauksesta. Ylärivit ovat oikean käden dorsaalisia tunnistuksia 11k-joukossa, vasemman käden dorsaalisia tunnistuksia samasta joukosta, oikean kämmenen tunnistuksia samasta joukosta ja vasemman kämmenen tunnistuksia 11k- ja HD-joukoista. Vihreät ja punaiset kehykset osoittavat oikein ja väärin tunnistetut vastaavuudet.

Tutkijat katsovat, että menetelmällä on “vankka potentiaali vankkaan rikollisten tunnistamiseen”.