שימוש בידיים כמזהה ביומטרי בזיהוי פלילי בווידאו פלילי

חוקרים בבריטניה פיתחו מערכת ביומטרית למידת מכונה המסוגלת לזהות אנשים לפי צורת הידיים שלהם. מטרת העבודה היא לסייע בזיהוי עבריינים, במיוחד במקרים של עברייני מין שתיעדו את פשעיהם, כאשר מידע יד הוא לרוב האות הביומטרי היחיד הקיים.

אל האני מאמר, זכאי זיהוי אדם על בסיס ידני באמצעות למידה גלובלית ומודעת לחלקים של ייצוג תכונות עמוקות, ומציע מסגרת ML חדשה בשם Global and Part-Aware Network (GPA-Net).

ב-GPA-Net, שני טנזורים תלת מימדיים (גלובליים ומקומיים) מתקבלים על ידי העברת תמונת המקור דרך שכבות קונבולוציוניות מוערמות על גבי 50. ResNetXNUMX רשת עמוד השדרה. כל אחד מהדרכים האנליטיות יבצע חיזוי זהות. מקור: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net יוצרת סניפים מקומיים וגלובליים בשכבת הפיתול, על מנת ליצור מערכות זיהוי מובחנות הן עבור מכלול הידיים (עם יד שמאל וימין מזוהה באופן מובהק, בניגוד לכמה ניסיונות קודמים במגזר זה) והן עבור חלקים של היד, שבעצמם יכולים לשמש כדגלי הזנה לזיהוי טוב יותר של היד כולה.

המחקר מגיע מבית הספר למחשוב ותקשורת באוניברסיטת לנקסטר, ומובל על ידי נתנאל ל. באיזה, כיום עוזר פרופסור באוניברסיטת דה מונפורט של לסטר.

ידיים כאינדיקטורים ביומטריים עקביים

החוקרים מבחינים כי ידיים מציעות אוסף עקבי של מאפיינים ביומטריים ברורים שיכולים להיות פחות נושא או להזדקנות, ניסיונות להסוות או גורמים מעוותים אחרים (כגון שונות בהבעות, במקרה של לכידת פנים) שיכולים להשפיע על המהימנות של מערכות אינדיקטור פופולריות יותר, כולל זיהוי הליכה וזיהוי פנים.

למרות שיש למערכות אבטחה הומצאה העושים שימוש בדפוסי ורידי ידיים באמצעות הדמיה אינפרא אדום, זה לא צפוי להיות זמין בסוגי מכשירי הקלטה המשמשים בפשעים. במקום זאת, המחקר הנוכחי מתרכז בלכידות המתקבלות באמצעות מצלמות דיגיטליות סטנדרטיות, המוטמעות בדרך כלל במכשירים ניידים, אך במקרה של פשעי מין, לרוב יש סיכוי גבוה יותר שיושגו על ידי מצלמות 'טיפשיות' שפחות נוטות לשתף מידע רשת.

למרבה האירוניה, טביעת כף היד, אולי השיטה הביומטרית הפופולרית ביותר שהופיעה בסרטי מדע בדיוני של חמישים השנים האחרונות, לא נהנתה מההשגה שצפויה להם עתידנים, אולי בגלל שמערכות זיהוי טביעות אצבע דורשות משטחי זיהוי קטנים וזולים יותר. עם זאת, Fujitsu ייצרה א מחקר קידום מכירות בשנת 2016 בטענה שזיהוי דפוסי ורידי כף היד הוא כלי ביומטרי מעולה למערכות אבטחה.

מערכי נתונים ובדיקות

GPA-Net היא, על פי החוקרים, המערכת המאומנת מקצה לקצה הראשונה שמנסה זיהוי ידני. עמוד השדרה המרכזי של הרשת שלה מבוסס על ResNet50 מאומן באמצעות ImageNet. אלה נבחרו בשל יכולתם לבצע ביצועים טובים במגוון פלטפורמות כולל Google Inception (a GoogleNet מודול שסיים את לימודיו לרשת עצבית Convolutional Neural Network המתמחה בזיהוי אובייקטים וניתוח תמונה).

המסגרת של GPA-Net נבדקה על פני שני מערכי נתונים - 2016 11 אלף ידיים set, שיתוף פעולה בין חוקרים מקנדה ומצרים; והאוניברסיטה הפוליטכנית של הונג קונג גב יד (HD) מערך נתונים.

פרט מתוך 'זיהוי אישי באמצעות דפוסי מפרקי אצבע מזעריים ממשטח הגב של כף היד', תוך התמקדות בזיהוי מפרקי האצבעות.

מערך הנתונים של 11 כולל 190 נושאי זהות, כולל מגוון מטא נתונים בנוגע לזהות, גיל, צבע עור, מין וגורמים אחרים. החוקרים שללו כל תמונה שהכילה תכשיטים, מכיוון שאלו יגיעו בהכרח כחריגים משבשים. הם גם לא כללו תמונות ממאגר הנתונים של HD שחסרו בהירות מספקת, שכן התאמת זיהוי היא מגזר רגיש יותר מסינתזת תמונות, והסתרת נתונים מהווה סכנה גדולה יותר.

GPA-Net הופעל על מסגרת PyTorch למידה עמוקה על NVIDIA GeForce RTX 2080 Ti GPU יחיד עם 11GB של VRAM. הדגם הוכשר באמצעות אובדן אנטרופיה צולבת, ומיני אצווה ירידה בדרגה סטוכסטית (SGD) מייעל. האימון התרחש במשך 60 עידנים בקצב למידה ראשוני של 0.02, מטופל לאחר מכן על ידי מתזמן קצב למידה עם מקדם דעיכה של 0.1 עבור כל 30 עידנים - למעשה האטה האימון מכיוון שתכונות מימדיות גבוהות מוטבעות במהירות, והמערכת צריכה לבזבז זמן רב יותר. חציית הנתונים לקבלת פרטים מפורטים יותר.

ההערכה בוצעה באמצעות מאפייני ההתאמה המצטברים (CMC) מדד עם ממוצע ממוצע דיוק (mAP).

החוקרים מצאו ש-GPA-Net מתגבר על שיטות מתחרות ב-ResNet50 ב-24.74% ברמת הדיוק בדרגה 1 וב-37.82% ב-mAP.

תוצאות איכותיות מבדיקת מערכת GPA-Net. השורות מלמעלה למטה הן הזיהויים הגבי הימני של ערכת 11k, הגב השמאלי של אותו, כף היד הימנית של אותו, והדקל השמאלי של מערכי הנתונים של 11k ו-HD. תיבות תוחמות ירוקות ואדומות מציינות התאמות נכונות ולא נכונות.

החוקרים סבורים כי לשיטה יש "פוטנציאל חזק לזיהוי חזק של מבצעי פשיעה חמורה".