使用手部作为生物识别标识符在刑事视频法医学中

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。该研究的目的是帮助识别犯罪者，特别是在性犯罪案件中，手的信息往往是唯一可用的生物识别信号。

该论文，题为《使用全局和局部感知深度特征表示学习的基于手的个人识别》，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，通过将源图像传递通过ResNet50骨干网络的叠加卷积层，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标志。

该研究来自兰卡斯特大学计算和通信学院，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，这些特征可以不受年龄、伪装尝试或其他干扰因素（如面部表情变化）的影响，这些因素可能会影响其他生物识别系统（如步态识别和面部识别）的可靠性。

虽然安全系统已经被设计为使用手背静脉图案通过红外成像，但是这些系统不太可能被用于犯罪记录设备。相反，当前的研究重点是通过标准数字相机（通常嵌入在移动设备中）获得的图像，特别是在性犯罪案件中，图像往往是通过“哑”相机获得的，这些相机不太可能共享网络信息。

手掌印可能是过去五十年来科幻电影中最流行的生物识别方法，但它并没有像预期的那样被广泛采用，可能是因为指纹识别系统需要更小、更便宜的识别表面。然而，富士通在2016年进行了一项促销研究，认为手背静脉图案识别是安全系统中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，第一个尝试手部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包括Google Inception（一个GoogleNet模块，演变为一个专门用于对象检测和图像分析的卷积神经网络）在内的各种平台上表现良好。

GPA-Net框架在两个数据集上进行了测试：2016年的11k手数据集，这是一个加拿大和埃及研究人员之间的合作；以及香港理工大学的手背（HD）数据集。

来自“使用手掌背面小指关节图案进行个人识别”的细节，重点是指关节识别。

11k数据集包含190个身份主题，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性的离群值。他们还排除了来自HD数据集的图像，因为这些图像缺乏足够的清晰度，而ID匹配是一个比图像合成更敏感的领域，模糊的数据是一个更大的危险。

GPA-Net在PyTorch深度学习框架上运行，使用单个NVIDIA GeForce RTX 2080 Ti GPU，具有11GB的VRAM。该模型使用交叉熵损失和随机梯度下降（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，系统必须花费更长的时间来遍历数据以获得更细致的细节。

评估使用累积匹配特征（CMC）指标和平均平均精度（mAP）进行。

研究人员发现，GPA-Net在ResNet50上的排名1准确率上比竞争方法高出24.74%，在mAP上高出37.82%。

GPA-Net系统测试的定性结果。从上到下的行分别是11k数据集的右侧背面识别、同一数据集的左侧背面识别、同一数据集的右侧掌面识别和11k和HD数据集的左侧掌面识别。绿色和红色边界框分别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”。