השימוש בידיים כמזהה ביומטרי בפורנסיקה וידאו פלילית

חוקרים בבריטניה פיתחו מערכת ביומטרית של למידת מכונה המסוגלת לזהות יחידים על פי צורת ידיהם. הכוונה של העבודה היא לסייע בזיהוי עבריינים, במיוחד במקרים של עבריינים מיניים שתיעדו את פשעיהם, שם המידע על הידיים הוא לעיתים קרובות האות הביומטרי היחיד שזמין.

המאמר, שכותרתו זיהוי אישיות באמצעות ידיים עם למידת תכונות עמוקות גלובליות ומודעות לחלקים, ומציע מסגרת ML חדשה הנקראת Global and Part-Aware Network (GPA-Net).

ב-GPA-Net, שני טנזורים 3D (גלובלי ומקומי) מתקבלים על ידי מעבר התמונה המקורית דרך שכבות קונבולוציוניות מסונכרנות על רשת ResNet50. כל אחד מנתיבות הניתוח יעשה ניבוי זהות. מקור: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net יוצר ענפים מקומיים וגלובליים בשכבה הקונבולוציונית, כדי ליצור מערכות זיהוי נפרדות עבור כלל הידיים (עם ידיים ימניות ושמאליות שנזהוות בנפרד, בניגוד לניסיונות קודמים בתחום) וחלקים של היד, שבעצמם יכולים לשמש כדגלים מזינים לזיהוי טוב יותר של כלל היד.

המחקר מגיע מבית הספר למחשבים ותקשורת באוניברסיטת לאנקסטר, והוא מונהג על ידי Nathanael L. Baisa, כיום פרופסור עוזר באוניברסיטת De Montfort בלסטר.

ידיים כמזהים ביומטריים עקביים

החוקרים מצביעים על כך שידיים מציעות אוסף עקבי של תכונות ביומטריות נפרדות שיכולות להיות פחות תלויות בגיל, ניסיונות להסוואה, או גורמים מעוותים אחרים (כגון שינויים בביטויים, במקרה של תפיסת פנים) שיכולים להשפיע על האמינות של מערכות מזהה פופולריות יותר, כולל זיהוי צעידה וזיהוי פנים.

על אף שמערכות אבטחה תוכננו שהופכות להשתמש בדפוסי ורידי יד דרך תמונות אינפרא-אדום, זה לא סביר שזה יהיה זמין בסוגי ההקלטות המשמשות בפשעים. במקום זאת, המחקר הנוכחי מתרכז בהקלטות שהתקבלו דרך מצלמות דיגיטליות סטנדרטיות, בדרך כלל מובנות במכשירים ניידים, אך במקרה של פשעי מין, לעיתים קרובות יותר מוקלטות על ידי ‘מצלמות טיפשות’ שפחות מעוניינות לשתף מידע רשת.

באירוניה, הטביעת כף היד, אולי השיטה הביומטרית הפופולרית ביותר המוצגת בסרטי מדע בדיוני של החמישים האחרונות, לא זכתה לאימוץ הצפוי על ידי עתידנים, אולי משום שמערכות זיהוי טביעות אצבעות דורשות שטחי זיהוי קטנים יותר וזולים יותר. עם זאת, Fujitsu הפיקה מחקר תיעוד ב-2016 שטוען כי זיהוי דפוס ורידי כף היד הוא כלי ביומטרי עליון עבור מערכות אבטחה.

מאגרי נתונים ובדיקות

GPA-Net הוא, לפי החוקרים, המערכת הראשונה שאושרה באימון קצה-לקצה לנסות זיהוי יד. השלד המרכזי של רשתו מבוסס על ResNet50 שאומנה על ImageNet. אלו נבחרו בשל יכולתם לבצע היטב במגוון רחב של פלטפורמות, כולל Google Inception (מודול GoogleNet שהתפתח ל-Convolutional Neural Network המתפתח שמתמחה בגילוי וניתוח תמונות).

מסגרת GPA-Net נבדקה בשני מאגרי נתונים – מאגר 11k Hands מ-2016, שיתוף פעולה בין חוקרים מקנדה ומצרים; ומאגר Hand Dorsal (HD) של אוניברסיטת הפוליטכניקה של הונג קונג.

פרט מ-‘Personal Identification Using Minor Knuckle Patterns From Palm Dorsal Surface’, המתמקד בזיהוי פרקים.

מאגר ה-11k כולל 190 נושאי זהות, כולל מגוון רחב של מטא-נתונים בנוגע ל-ID, גיל, צבע עור, מגדר וגורמים אחרים. החוקרים השמיטו כל תמונות שהכילו תכשיטים, מאחר שאלו יסתיימו בהכרח כפרוטוקולים מפריעים. הם גם השמיטו תמונות ממאגר HD שחסרות בירור, מאחר שהתאמת ID היא ענף רגיש יותר מסינתזת תמונות, ונתונים מעורפלים הם סכנה גדולה יותר.

GPA-Net הופעל על מסגרת למידת מכונה עמוקה PyTorch על כרטיס מספר יחיד NVIDIA GeForce RTX 2080 Ti עם 11gb של VRAM. המודל אומן באמצעות אבדן קרוס-אנטרופי, ואופטימייזר Stochastic Gradient Descent (SGD) מיני-באטץ’. האימון התרחש במשך 60 אפוקות בקצב למידה התחלתי של 0.02, שנתון לאחר מכן על ידי מנהל קצב למידה עם פקטור דעיכה של 0.1 לכל 30 אפוקות – בעצם, האטת האימון כאשר תכונות מרחביות גבוהות משתלבות במהירות, והמערכת צריכה לאחר מכן לבלות זמן רב יותר בחיפוש הנתונים לפרטים עדינים יותר.

הערכה בוצעה באמצעות מדד Cumulative Matching Characteristics (CMC) עם Mean Average Precision (mAP).

החוקרים מצאו כי GPA-Net מתפקד טוב יותר משיטות מתחרות על ResNet50 ב-24.74% בדיוק דירוג-1 וב-37.82% ב-mAP.

תוצאות איכותניות מבדיקות מערכת GPA-Net. שורות מלמעלה למטה הן הכרה דורסלית ימנית של קבוצת 11k, דורסלית שמאלית של אותה קבוצה, פלמרית ימנית של אותה קבוצה, ופלמרית שמאלית של מאגרי 11k ו-HD. קופסאות חיתוך ירוקות ואדומות מצביעות על התאמות נכונות ולא נכונות.

החוקרים סבורים כי השיטה היא ‘בעלת פוטנציאל חזק לזיהוי עבריינים אמין’.