Використання рук як біометричного ідентифікатора у кримінальній відеофорензyczній експертизі

Дослідники у Великій Британії розробили систему машинного навчання біометричної ідентифікації, здатну ідентифікувати осіб за формою їхніх рук. Метою роботи є допомога у ідентифікації злочинців, особливо у випадках сексуальних злочинів, які були записані, де інформація про руки часто є єдиною доступною біометричною ознакою.

У статті, озаглавленій Ідентифікація особи на основі рук за допомогою глобальної та часткової глибокої функції представлення, пропонується нова система машинного навчання під назвою Global and Part-Aware Network (GPA-Net).

У GPA-Net дві різні 3D-тензори (глобальна та локальна) отримуються шляхом проходження вихідного зображення через стекові конволюційні шари на основі мережі ResNet50. Кожна з аналітичних напрямків зробить передбачення ідентифікації. Джерело: https://arxiv.org/pdf/2101.05260.pdf

GPA-Net створює локальні та глобальні гілки на конволюційному шарі, щоб створити різні системи розпізнавання для всієї руки (з окремим розпізнаванням лівої та правої руки, на відміну від деяких попередніх спроб у цій галузі) та частин руки, які самі по собі можуть служити ознаками для кращої ідентифікації всієї руки.

Дослідження проводиться школою комп’ютерних наук та зв’язку університету Ланкастера під керівництвом Натанаеля Л. Байси, зараз асистента професора університету Де Монтфорта у Лестері.

Руки як постійні біометричні ознаки

Дослідники спостерігають, що руки пропонують постійну колекцію різних біометричних ознак, які можуть бути менш чутливими до віку, спробам маскування або інших деформуючих факторів (таких як зміна виразів у випадку захоплення обличчя) що можуть впливати на надійність більш популярних систем ідентифікації, включаючи розпізнавання походки та розпізнавання обличчя.

Хоча системи безпеки були розроблені, які використовують узори вен на руках через інфрачервоне зображення, це малоймовірно стане доступним у типах записуючих пристроїв, які використовуються у злочинах. Натомість поточне дослідження зосереджується на захопленнях, отриманих через стандартні цифрові камери, зазвичай вбудовані у мобільні пристрої, але у випадку сексуальних злочинів часто більш ймовірно отримані через “глухі” камери, які менш схильні до обміну мережевою інформацією.

Іронічно, відбиток долоні, можливо, найпопулярніший біометричний метод, представлений у науково-фантастичних фільмах останніх п’ятдесяти років, не отримав очікуваного прийняття, можливо, тому, що системи ідентифікації відбитків пальців вимагають менших і дешевших поверхонь розпізнавання. Однак Fujitsu створила промо-студію у 2016 році, яка стверджує, що розпізнавання узорів вен на долоні є надійнішим біометричним інструментом для систем безпеки.

Дані та тестування

GPA-Net, згідно з дослідниками, є першою системою, навченою з кінця в кінець, яка намагається розпізнати руки. Центральний хребет його мережі базується на ResNet50, навченій на ImageNet. Вони були обрані за свою здатність добре працювати на різних платформах, включаючи Google Inception (модуль GoogleNet, який перейшов до еволюційної卷олюційної нейронної мережі, спеціалізованої на виявленні об’єктів та аналізі зображень).

Фреймворк GPA-Net був протестований на двох наборах даних – наборі даних 2016 року 11k Hands, спільному проекті дослідників з Канади та Єгипту; та наборі даних Hand Dorsal (HD) університету Гонконгського політехнічного університету.

Фрагмент з ‘Особиста ідентифікація за допомогою малих шишок з поверхні долоні’, що фокусується на ідентифікації шишок.

Набір даних 11k містить 190 ідентифікаторів, включаючи різноманітні метадані щодо ідентифікатора, віку, кольору шкіри, статі та інших факторів. Дослідники виключили будь-які зображення, які містили прикраси, оскільки вони незмінно стали б перешкодами. Вони також виключили зображення з набору даних HD, які не мали достатньої ясності, оскільки ідентифікація є більш чутливим сектором, ніж синтез зображень, а прихована інформація є більшим небезпекою.

GPA-Net був запущений на фреймворку глибокого навчання PyTorch на одному графічному процесорі NVIDIA GeForce RTX 2080 Ti з 11 ГБ відеопам’яті. Модель була навчена за допомогою функції перекрестної ентропії, а також міні-батч стохастичного градієнтного спуску (SGD) оптимізатора. Навчання відбувалося протягом 60 епох за початковою швидкістю навчання 0,02, керованою подальшим планом скорочення швидкості навчання з коефіцієнтом 0,1 кожні 30 епох – фактично сповільнюючи навчання, коли високі розмірності швидко стають вбудованими, а система повинна потім витратити більше часу на деталі даних.

Оцінка проводилася за допомогою метрики накопичених характеристик співпадіння (CMC) з середнім значенням точності (mAP).

Дослідники виявили, що GPA-Net перевершує конкурентні методи на основі ResNet50 на 24,74% за точністю рангу-1 і на 37,82% за mAP.

Якість результатів тестування системи GPA-Net. Верхні рядки – права дорсальна ідентифікація набору даних 11k, ліва дорсальна того ж набору, права палмарна того ж набору та ліва палмарна наборів даних 11k і HD. Зелені та червоні рамки вказують на правильні та неправильні збіги.

Дослідники вважають, що метод має “сильний потенціал для надійного ідентифікації злочинців, які скоїли серйозні злочини”.