|
Искусственный интеллект распознает человека по следам
|
|
|
|
Команда британских и испанских разработчиков предложила метод распознавания человека по его походке. Нейросеть, основанная на методе глубокого остаточного обучения, позволяет распознавать человека по пространственным и временным характеристикам его следа практически со стопроцентной точностью. Об этом сообщается в статье, опубликованной в IEEE Transactions on Pattern Analysis and Machine Intelligence.
|
|
|
|
Традиционно для авторизации и ограничения доступа используются данные или средства, доступные узкому кругу лиц: ключи, пароли, токены или специальные карточки. Однако пароль может быть разгадан, карточка — украдена, также в последнее время появляются методы подделки биометрических данных, индивидуальных для каждого конкретного человека: отпечаток пальца, сетчатка глаза и даже лицо. Поэтому появилась необходимость в более эффективной защите — в частности, требуются эффективные методы предоставления доступа только одному конкретному человеку.
|
|
|
Один из типов биометрических данных, которые можно использовать в качестве идентификатора, — это индивидуальные характеристики человеческой походки. Такие характеристики разделяются на пространственные и временные: к первым относятся измерения точек соприкосновения стопы с опорой (разворот стопы, длина шага и его база, то есть положение поверхности стопы), а ко вторым — длительность различных (опорных и двигательных) фаз шага. Большое количество факторов, влияющих на индивидуальность походки, снижает вероятность ее копирования к минимуму; тем не менее, в реальной ситуации подобное распознавание может осложняться внешними факторами. Например, для того, чтобы компьютер мог оценить походку, можно использовать технологии компьютерного зрения, но необходимо будет убедиться в том, что объект наблюдения находится в полной видимости, что невозможно обеспечить при недостаточном освещении или многолюдности.
|
|
|
|
Использовать для распознавания по походке снимки стопы предложили ученые под руководством Омара Костиллья-Рейеса (Omar Costilla-Reyes) из Манчестерского университета. Для разработки такого метода они собрали базу данных из более чем 20 тысяч снимков следов 120 людей, полученных при помощи 88 пьезоэлектрических датчиков, рассчитывающих величину давления, на основе чего создается тепловые карты его распределения в зависимости от фазы шага. Добровольцев, участвующих в сборе данных, просили надеть любую удобную обувь и продемонстрировать свою естественную походку.
|
|
|
|
Для обучения системы распознавания с помощью собранных данных ученые натренировали глубокую нейросеть, основанную на методе остаточного обучения, позволяющем облегчить тренировку модели с большим количеством слоев (с большей глубиной), которые часто необходимы для эффективного распознавания изображений с большим количеством параметров. Недавно с помощью такого метода обучения научились предсказывать поведение собаки по ее походке.
|
|
|
|
Модель проверили на трех датасетах разного размера, соответствующих различным ситуациям распознавания: проверка в аэропорту, проверка на рабочем месте и дома. Эффективность распознавания в зависимости от датасета (от самого маленького распознавания в аэропорту до данных, собранных «дома») составляла от 92,9 до 99,3 процента.
|
|
|
|
Авторы отмечают, что, как и с большинством подобных моделей, эффективность их системы распознавания напрямую зависит от собранного датасета: узнать она может только тех людей, данные о которых у нее есть. Тем не менее, сбор данных с помощью напольных сенсоров и сторонних камер — гораздо более реальная задача, чем сбор отпечатков пальцев. Пока что непонятно, как разработанная модель будет справляться с возможными временными аномалиями походки, например, при перенесенном переломе или растяжении.
|
|
|
|
Источник
|
