Biyometrik Tanımlayıcı Olarak Ellerin Kullanımı ile Suç Videolarında Adli Bilimsel Analiz

Birleşik Krallık’taki araştırmacılar, ellerin şekline dayanarak bireyleri tanımlayabilen bir makine öğrenimi biyometrik sistemi geliştirdiler. Çalışmanın amacı, özellikle cinsel suçluların suçlarını kaydettikleri durumlarda, genellikle yalnızca el bilgisi olan biyometrik sinyali bulunan suçluları tanımlamaya yardımcı olmaktır.

Makale, El Tabanlı Kişi Tanıma Kullanarak Küresel ve Parça-Farkında Derin Özellik Temsili Öğrenme adlı bir yeni ML çerçevesi önermektedir ve Global ve Parça-Aware Ağ (GPA-Net) olarak adlandırılmaktadır.

GPA-Net’te, iki ayrı 3D tensör (küresel ve yerel) ResNet50 temel ağı üzerindeki yığınlanmış konvolüsyonel katmanlardan geçirilen kaynak görüntüsünden elde edilir. Her bir analitik yol kimlik tahmini yapacaktır. Kaynak: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net, konvolüsyonel katmanda yerel ve küresel dallar oluşturur, böylece ellerin (sol ve sağ eller ayrı olarak tanınır, önceki bazı girişimlerin aksine) tümü ve parçaları için ayrı tanıma sistemleri oluşturur, bu parçalar kendileri tüm elin daha iyi tanınması için besleme bayrakları olarak görev yapabilir.

Araştırma, Lancaster Üniversitesi Bilgisayar Bilimi ve İletişim Okulu’ndan geliyor ve Nathanael L. Baisa tarafından yürütülüyor, şu anda Leicester’ın De Montfort Üniversitesi’nde Yardımcı Profesör.

Ellerin Sürekli Biyometrik Göstergeleri

Araştırmacılar, ellerin, yaşa, gizleme girişimlerine veya diğer bozucu faktörlere (yüz tanıma durumunda ifade değişiklikleri gibi) karşı daha az duyarlı olabilen, ayrı biyometrik özellikler koleksiyonu sunduğunu gözlemliyorlar.

Güvenlik sistemleri, el damar desenleri aracılığıyla kızılötesi görüntüleme kullanarak yararlanabilecek sistemler geliştirilmiştir, ancak bu, suçlarda kullanılan kayıt cihazlarında bulunması olası değildir. Mevcut araştırma, genellikle mobil cihazlarda bulunan standart dijital kameralardan alınan görüntülere odaklanmaktadır, ancak cinsel suçlarda daha sık olarak “aptal” kameralardan alınan görüntülere odaklanmaktadır, bunlar genellikle ağ bilgilerini paylaşmaya menos eğilimlidir.

Ironik olarak, son 50 yılın bilim kurgu filmlerinde en popüler biyometrik yöntem olan avuç içi izi, beklenen ilgiyi görmemiştir, belki de parmak izi tanıma sistemlerinin daha küçük ve daha ucuz tanıma yüzeyleri gerektirmesi nedeniyle. Ancak Fujitsu, 2016 yılında tanıtım çalışması yayınladı ve avuç içi damar deseninin tanıma bir güvenlik sistemi için üstün bir biyometrik araç olduğunu savundu.

Veri Setleri ve Test

GPA-Net, araştırmacılara göre, el tanıma denemesi yapan ilk uçtan uca eğitilmiş sistemdir. Ağın merkezi iskeleti, ImageNet üzerinde eğitilen ResNet50’dir. Bunlar, çeşitli platformlar üzerinde iyi performans gösterme yetenekleri nedeniyle seçilmiştir, Google Inception (bir GoogleNet modülü, nesne tanıma ve görüntü analizi uzmanlaşmış bir Evrişimli Sinir Ağı’na dönüşmüştür).

GPA-Net çerçevesi, iki veri seti üzerinde test edilmiştir – 2016 11k Eller seti, Kanada ve Mısır’dan araştırmacıların bir işbirliği; ve Hong Kong Polytechnic Üniversitesi El Dorsal (HD) veri seti.

Palm Dorsal Surface’den Minor Knuckle Patterns Using Personal Identification’a odaklanan bir ayrıntı.

11k veri seti, 190 kimlik konusu, kimlik, yaş, cilt rengi, cinsiyet ve diğer faktörler hakkında çeşitli meta verileri içerir. Araştırmacılar, mücevherat içeren görüntüleri dışladı, çünkü bunlar kaçınılmaz olarak bozucu dış değerler olarak ortaya çıkacaktı. Ayrıca, yeterli netliğe sahip olmayan HD veri setinden görüntüleri de dışladılar, çünkü kimlik eşleştirmesi, görüntü senteziğinden daha duyarlı bir alandır ve bulanık veriler daha büyük bir tehlike oluşturur.

GPA-Net, PyTorch derin öğrenme çerçevesi üzerinde tek bir NVIDIA GeForce RTX 2080 Ti GPU ile 11gb VRAM kullanarak çalıştırıldı. Model, çapraz entropi kaybı ve mini-batch Stokastik Gradient Descent (SGD) optimizatörü kullanılarak eğitildi. Eğitim, 60 epoch boyunca 0.02’lik bir başlangıç öğrenme hızında gerçekleşti, daha sonra her 30 epoch için 0.1’lik bir azalma faktörüyle öğrenme hızını yavaşlatan bir öğrenme hız zamanlayıcısı tarafından yönetildi – efektif olarak, yüksek boyutlu özellikler nhanh chóng gömüldükçe ve sistem daha sonra daha ince ayrıntı için verilere daha uzun süre geçmek zorunda kalırken eğitimi yavaşlatıyor.

Değerlendirme, Ortalama Average Precision (mAP) ile Birikimli Eşleme Özellikleri (CMC) ölçütü kullanılarak gerçekleştirildi.

Araştırmacılar, GPA-Net’in ResNet50’de yarışan yöntemleri %24,74’lük bir sıralama-1 doğruluğu ve %37,82’lik bir mAP ile geride bıraktığını buldu.

GPA-Net sisteminin test sonuçları. Üstten alta doğru satırlar, 11k setinin sağ dorsal tanımlamaları, aynı setin sol dorsal tanımlamaları, aynı setin sağ palmar tanımlamaları ve 11k ve HD veri setlerinin sol palmar tanımlamalarıdır. Yeşil ve kırmızı sınırlayıcı kutular doğru ve yanlış eşleştirmeleri gösterir.

Araştırmacılar, yöntemin “ciddi suçların faililerini güçlü bir şekilde tanımlama potansiyeli” olduğunu düşünüyorlar.