Käytettäessä Käsiä Biometrisenä Tunnistimena Rikosvideoanalyysissä

Tutkijat Isossa-Britanniassa ovat kehittäneet koneoppimiseen perustuvan biometrisen järjestelmän, joka pystyy tunnistamaan yksilöitä käden muodon perusteella. Tutkimuksen tarkoituksena on auttaa tunnistamaan rikoksentekijöitä, erityisesti tapauksissa, joissa seksuaalirikoksia on tallennettu, ja käden tietoja on usein ainoa saatavilla oleva biometrisignaali.

Tutkimusraportti, jonka otsikko on Käden perusteella tapahtuva henkilöiden tunnistus globaaleja ja osatietoista syvää piirretietojen oppimista käyttäen, esittää uuden ML-kehyksen, jota kutsutaan Global and Part-Aware Network (GPA-Net) -verkoksi.

GPA-Netissä kaksi erillistä 3D-tensoria (globaali ja paikallinen) saadaan lähettingällä lähdekuva pinottujen konvoluutio kerrosten läpi ResNet50 -runko verkkoon. Kummallakin analyysikanavalla tehdään identiteetin ennustus. Lähde: https://arxiv.org/pdf/2101.05260.pdf

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

Tutkimus on tehty Lancasterin yliopiston tietojenkäsittely- ja viestintätekniikan tiedekunnassa, ja sitä johtaa Nathanael L. Baisa, joka on nyt apulaisprofessori Leicesterin De Montfort -yliopistossa.

Kädet Vakaana Biometrisenä Tunnnistimena

Tutkijat huomaavat, että kädet tarjoavat vakaan kokoelman erillisiä biometrisiä ominaisuuksia, jotka voivat olla vähemmän alttiina ikään, naamioitumisyrityksiin tai muihin vääristäviin tekijöihin (kuten ilmeiden vaihteluihin kasvojen tallennuksessa), jotka voivat vaikuttaa muiden tunnistusjärjestelmien luotettavuuteen, kuten kävelytavan ja kasvon tunnistus.

Vaikka turvajärjestelmiä on kehitetty, jotka käyttävät käden suonten kuviota infrapunakuvauksen avulla, näiden ei ole todennäköistä olevan saatavilla rikoksissa käytettävissä olevissa tallennuslaitteissa. Sen sijaan tämä tutkimus keskittyy tallenteisiin, jotka on tehty standardien digitaalikameroilla, yleensä matkapuhelimissa, mutta seksuaalirikoksissa ne voidaan usein tehdä “tyhmillä” kameroilla, jotka eivät ole todennäköisesti verkostoituneita.

Ironisesti kämmenpiiri, joka on ehkä suosituin biometrisen tunnistuksen metodi viimeisten 50 vuoden tieteiskirjallisuudessa, ei ole saavuttanut odotettua suosiota, ehkä siksi, että sormenjäljen tunnistusjärjestelmät vaativat pienempiä ja halvempia tunnistuspinnoitteita. Kuitenkin Fujitsu julkaisi mainosopimuksen vuonna 2016, jossa väitettiin, että käden suonten kuviotunnistus on turvajärjestelmille yleinen biometrisen tunnistuksen väline.

Tietokannat ja Testaus

GPA-Net on, tutkijoiden mukaan, ensimmäinen päästä-päähän koulutettu järjestelmä, joka yrittää käden tunnistusta. Verkon keskeinen runko perustuu ResNet50:een, joka on koulutettu ImageNetissä. Nämä valittiin heidän kyvystään suoriutua hyvin eri alustoilla, mukaan lukien Google Inception (GoogleNet -moduuli, joka kehittyi evoluutioon perustuvaksi konvoluutio neuroniverkoksi, joka erikoistui objektin havaitsemiseen ja kuva-analyysiin).

GPA-Net -kehys testattiin kahdella tietokannalla – vuoden 2016 11k Hands -tietokannalla, joka on yhteistyö kanadalaisten ja egyptiläisten tutkijoiden välillä; ja Hong Kongin polyteknillisen yliopiston Hand Dorsal (HD) -tietokannalla.

Yksityiskohta ‘Henkilöiden tunnistus käden pinnan pienistä nyrkin muodoista’ -tutkimuksesta, jossa keskitytään nyrkin tunnistukseen.

11k -tietokanta sisältää 190 identiteettikohdetta, mukaan lukien erilaisia metatietoja, kuten ID, ikä, ihonväri, sukupuoli ja muita tekijöitä. Tutkijat poistivat kaikki kuvat, jotka sisälsivät koruja, koska ne olisivat vääristäneet tuloksia. He poistivat myös epäselvät kuvat HD -tietokannasta, koska tunnistus on herkempi kuin kuvien synteesi, ja häikäisevät tiedot ovat suurempi vaara.

GPA-Net ajettiin PyTorch -syvän oppimisen kehyksellä yhdellä NVIDIA GeForce RTX 2080 Ti -näytönohjaimella, jossa on 11 Gt muistia. Malli koulutettiin cross-entropy -hävikin avulla, ja mini-batch Stochastic Gradient Descent (SGD) -optimoinnin avulla. Koulutus tapahtui 60 episodin aikana alkuoppimisnopeudella 0,02, jota hallittiin oppimisnopeuden aikataululla, jossa hidastuskerroin oli 0,1 joka 30 episodissa – tehden koulutuksesta hitaamman, kun korkean dimensionaaliset piirteet nopeasti uppoavat, ja järjestelmän on vietävä enemmän aikaa tietojen läpikäymiseen tarkemman yksityiskohtaisuuden vuoksi.

Arviointi tehtiin Cumulative Matching Characteristics (CMC) -mitalla ja keskimääräisellä tarkinnya (mAP).

Tutkijat totesivat, että GPA-Net suoriutuu kilpailevista menetelmistä ResNet50:llä 24,74 %:lla sijalla 1 tarkinnya ja 37,82 %:lla mAP:lla.

Laadulliset tulokset GPA-Net -järjestelmän testauksesta. Ylä- ja alarivit ovat oikean käden tunnistus 11k -joukossa, vasemman käden tunnistus samassa, oikean käden tunnistus samassa ja vasemman käden tunnistus 11k – ja HD -tietokannoissa. Vihreät ja punaiset kehykset osoittavat oikein ja väärin tunnistetut kuvat.

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