Utilisation des mains comme identifiant biométrique dans la criminalistique vidéo criminelle

Des chercheurs britanniques ont développé un système biométrique d’apprentissage automatique capable d’identifier les individus à partir de la forme de leurs mains. L'objectif de ce travail est d'aider à identifier les délinquants, en particulier dans les cas de délinquants sexuels qui ont enregistré leurs crimes, où les informations manuelles sont souvent le seul signal biométrique disponible.

Les papier, intitulé Identification manuelle des personnes à l'aide de l'apprentissage de la représentation des caractéristiques profondes globales et conscientes des parties, et propose un nouveau framework ML appelé Global and Part-Aware Network (GPA-Net).

Dans GPA-Net, deux tenseurs 3D distincts (global et local) sont obtenus en faisant passer l'image source à travers des couches convolutionnelles empilées sur le réseau dorsal ResNet50. Chacune des voies analytiques permettra de réaliser une prédiction d'identité. Source : https://arxiv.org/pdf/2101.05260.pdf

GPA-Net crée des branches locales et globales sur la couche convolutive, afin de créer des systèmes de reconnaissance distincts à la fois pour l'intégralité des mains (avec les mains gauche et droite distinctement reconnues, contrairement à certaines tentatives précédentes dans ce secteur) et le les pièces de la main, qui en eux-mêmes peuvent agir comme des drapeaux nourriciers pour une meilleure identification de toute la main.

La recherche provient de la School of Computing and Communications de l'Université de Lancaster et est dirigée par Nathanael L. Baisa, maintenant professeur adjoint à l'Université De Montfort de Leicester.

Les mains comme indicateurs biométriques cohérents

Les chercheurs observent que les mains offrent une collection cohérente de caractéristiques biométriques distinctes qui peuvent être moins sujet soit à l'âge, aux tentatives de déguisement ou à d'autres facteurs de distorsion (tels que la variation des expressions, dans le cas de la capture faciale) qui peuvent influencer la fiabilité des systèmes d'indicateurs les plus populaires, notamment la reconnaissance de la marche et la reconnaissance faciale.

Bien que les systèmes de sécurité aient été conçu qui utilisent les modèles de veines de la main par imagerie infrarouge, il est peu probable que cela devienne disponible dans les types d'appareils d'enregistrement utilisés dans les crimes. Au lieu de cela, la recherche actuelle se concentre sur les captures obtenues via des caméras numériques standard, généralement intégrées dans des appareils mobiles, mais dans le cas de crimes sexuels, souvent plus susceptibles d'être obtenues par des caméras «stupides» qui sont moins enclines à partager des informations sur le réseau.

Ironiquement, l'empreinte palmaire, peut-être la méthode biométrique la plus populaire dans les films de science-fiction des cinquante dernières années, n'a pas bénéficié de l'adoption attendue par les futuristes, peut-être parce que les systèmes d'identification par empreintes digitales nécessitent des surfaces de reconnaissance plus petites et moins chères. Cependant, Fujitsu a produit un étude promotionnelle en 2016, faisant valoir que la reconnaissance du motif des veines de la paume est un outil biométrique supérieur pour les systèmes de sécurité.

Ensembles de données et tests

GPA-Net est, selon les chercheurs, le premier système formé de bout en bout à tenter la reconnaissance des mains. L'épine dorsale centrale de son réseau est basée sur ResNet50 formé sur ImageNet. Ceux-ci ont été choisis pour leur capacité à bien fonctionner sur une variété de plates-formes, y compris Création de Google (a Google Net module qui est passé à un réseau neuronal convolutif évolutif spécialisé dans la détection d'objets et l'analyse d'images).

Le cadre GPA-Net a été testé sur deux ensembles de données - le 2016 11 XNUMX mains set, une collaboration entre des chercheurs du Canada et de l'Égypte; et l'Université polytechnique de Hong Kong Main Dorsale (HD) jeu de données.

Un détail de 'Identification personnelle à l'aide de motifs d'articulation mineurs à partir de la surface dorsale de la paume', axé sur l'identification des articulations.

L'ensemble de données 11k comprend 190 sujets d'identité, y compris une variété de métadonnées concernant l'identité, l'âge, la couleur de la peau, le sexe et d'autres facteurs. Les chercheurs ont exclu toutes les images contenant des bijoux, car celles-ci finiraient inévitablement par devenir des valeurs aberrantes perturbatrices. Ils ont également exclu les images de l'ensemble de données HD qui manquaient de clarté, car la correspondance d'identité est un secteur plus sensible que la synthèse d'images, et les données obscurcies représentent un plus grand danger.

GPA-Net a été exécuté sur un framework d'apprentissage en profondeur PyTorch sur un seul GPU NVIDIA GeForce RTX 2080 Ti avec 11 Go de VRAM. Le modèle a été entraîné à l'aide de perte d'entropie croisée, et une descente de gradient stochastique en mini-lots (SGD) optimiseur. La formation s'est déroulée sur 60 époques à un taux d'apprentissage initial de 0.02, géré par la suite par un planificateur de taux d'apprentissage avec un facteur de décroissance de 0.1 pour chaque 30 époques - ralentissant efficacement la formation car les caractéristiques de haute dimension s'intègrent rapidement, et le système doit ensuite passer plus de temps parcourir les données pour des détails plus granulaires.

L'évaluation a été effectuée à l'aide des caractéristiques d'appariement cumulées (CMC) métrique avec précision moyenne moyenne (mAP).

Les chercheurs ont découvert que GPA-Net surpasse les méthodes concurrentes sur ResNet50 de 24.74 % en précision de rang 1 et de 37.82 % sur mAP.

Résultats qualitatifs des tests du système GPA-Net. Les rangées de haut en bas sont les reconnaissances dorsales droites de l'ensemble 11k, dorsales gauches du même, palmaires droites du même et palmaires gauches des ensembles de données 11k et HD. Les cadres de délimitation verts et rouges indiquent les correspondances correctes et incorrectes.

Les chercheurs considèrent que la méthode a «un fort potentiel d'identification robuste des auteurs de crimes graves».