使用手部作为生物识别标识符在刑事视频法医调查中

英国的研究人员开发了一种机器学习生物识别系统，能够根据手的形状识别个体。该工作的目的是帮助识别犯罪者，特别是在犯罪者记录犯罪的案件中，手的信息往往是唯一可用的生物识别信号。

该 论文，题为 基于全局和局部的深度特征表示学习的手部识别，提出了一种新的机器学习框架，称为全局和局部感知网络（GPA-Net）。

在GPA-Net中，通过将源图像传递到ResNet50骨干网络上的叠加卷积层，获得两个不同的3D张量（全局和局部）。每个分析途径都会进行身份预测。 来源：https://arxiv.org/pdf/2101.05260.pdf

GPA-Net在卷积层上创建局部和全局分支，以创建手的整体和局部特征的不同识别系统，这些特征可以作为更好地识别手的线索。

该研究来自兰卡斯特大学计算机和通信学院，由Nathanael L. Baisa领导，他现在是莱斯特德蒙特福特大学的助理教授。

手作为一致的生物识别指标

研究人员观察到，手提供了一组一致的不同生物识别特征，这些特征可以 减少 年龄、伪装尝试或其他扭曲因素（例如面部表情变化）的影响，从而影响更流行的指标系统（包括步态识别和面部识别）的可靠性。

虽然已经开发了使用手静脉模式通过红外成像的安全系统，但这些系统不太可能在犯罪中使用的录制设备中可用。相反，当前的研究集中于通过标准数字相机（通常嵌入在移动设备中，但在性犯罪中，更有可能通过“哑”相机获得，这些相机不太可能共享网络信息）获得的捕获。

讽刺的是，手掌印刷，可能是过去五十年来科幻电影中最流行的生物识别方法，并没有像未来学家预期的那样被广泛采用，可能是因为指纹识别系统需要较小、较便宜的识别表面。然而，富士通在2016年进行了一项 促销研究，认为手静脉模式识别是安全系统中的一种更好的生物识别工具。

数据集和测试

GPA-Net是根据研究人员的说法，第一个尝试手识别的端到端训练系统。其网络的核心骨干基于在ImageNet上训练的ResNet50。这些被选择是因为它们能够在各种平台上表现良好，包括 Google Inception（一个 GoogleNet 模块，演变成一个专门用于对象检测和图像分析的卷积神经网络）。

GPA-Net框架在两个数据集上进行了测试——2016年的 11k Hands 数据集，这是一个由加拿大和埃及的研究人员合作的项目；以及香港理工大学 Hand Dorsal (HD) 数据集。

来自“使用掌背小指关节模式进行个人识别”的一个细节，重点是指关节识别。

11k数据集包含190个身份对象，包括有关ID、年龄、皮肤颜色、性别和其他因素的各种元数据。研究人员排除了任何包含珠宝的图像，因为这些最终会成为干扰异常值。他们还排除了HD数据集中清晰度不够的图像，因为身份匹配是一个比图像合成更敏感的领域，模糊数据是一个更大的危险。

GPA-Net在一个具有11GB VRAM的单个NVIDIA GeForce RTX 2080 Ti GPU上运行，使用PyTorch深度学习框架。模型使用 交叉熵损失 和mini-batch随机梯度下降（SGD)优化器进行训练。训练发生在60个epoch内，初始学习率为0.02，之后由学习率调度器处理，每30个epoch的衰减因子为0.1——有效地减慢了训练速度，因为高维特征很快就会被嵌入，系统随后需要花费更长的时间来遍历数据以获得更细致的细节。

使用累积匹配特征（CMC）度量和平均精度（mAP）进行评估。

研究人员发现，GPA-Net在ResNet50上比竞争方法的rank-1准确率高24.74%，在mAP上高37.82%。

GPA-Net系统的测试结果。从上到下，分别是11k数据集的右侧背面识别、左侧背面识别、右侧掌面识别和11k和HD数据集的左侧掌面识别。绿色和红色边界框表示正确和错误的匹配。

研究人员认为，该方法具有“强大的潜力，能够对严重犯罪的肇事者进行稳健的识别”。