Ett team av brittiska och spanska utvecklare har föreslagit en metod för att känna igen en person genom hans gång. Ett neuralt nätverk baserat på metoden för djup restlära gör det möjligt för en person att känna igen de rumsliga och temporära egenskaperna hos sitt fotavtryck med nästan hundra procent noggrannhet. Detta rapporteras i en artikel publicerad i IEEE Transactions on Pattern Analysis and Machine Intelligence.
För att godkänna och begränsa åtkomst används traditionellt data eller medel som är tillgängliga för en smal krets av människor: nycklar, lösenord, tokens eller specialkort. Dock kan lösenordet gissas, kortet kan stulas, och nyligen har det funnits metoder för att förfalska biometriska data som är individuella för varje specifik person: ett fingeravtryck, näthinnan och till och med ett ansikte. Därför finns det ett behov av ett mer effektivt skydd - i synnerhet krävs effektiva metoder för att ge tillgång till endast en specifik person.
En typ av biometrisk som kan användas som identifierare är de individuella egenskaperna hos den mänskliga gången. Sådana egenskaper är indelade i rumsliga och temporära: den första inkluderar mätningar av kontaktpunkterna för foten med stödet (fotvrid, steglängd och dess bas, det vill säga fotytans läge), och den andra - varaktigheten för olika steg (stöd och motor) i steget. Ett stort antal faktorer som påverkar gångens individualitet minskar sannolikheten för att den kopieras till ett minimum; emellertid i en verklig situation kan ett sådant erkännande kompliceras av externa faktorer. För att en dator ska kunna bedöma gång kan exempelvis datorsynteknologi användas, men det kommer att vara nödvändigt att se till att det observerade objektet är i full synlighetvilket är omöjligt att tillhandahålla under svagt ljus eller trånga förhållanden.
Forskare under ledning av Omar Costilla-Reyes från University of Manchester föreslog att man använder fotbilder för att känna igen gång. För att utveckla en sådan metod samlade de en databas med mer än 20 tusen bilder av fotspår på 120 personer, erhållna med hjälp av 88 piezoelektriska sensorer som beräknar tryckstorleken, på grundval av vilken värmekartor för dess distribution skapas beroende på stegets fas. Volontärer som deltog i datainsamlingen uppmanades att bära alla bekväma skor och visa sin naturliga gång.
Prov av råa (övre raden) och bearbetade (övre raden) data för spåren för två (ab och cd) personer från provet. Costilla-Reyes et al. / IEEE-transaktioner om mönsteranalys och maskinell intelligens.
För att utbilda igenkänningssystemet med insamlade data, utbildade forskarna ett djupt neuralt nätverk baserat på metoden för kvarlärande, vilket gör det lättare att träna en modell med ett stort antal lager (med större djup), som ofta är nödvändiga för ett effektivt igenkänning av bilder med ett stort antal parametrar. Nyligen, med hjälp av denna träningsmetod, lärde de sig att förutsäga beteendet hos en hund genom sitt gång.
Modellen testades på tre datasätt i olika storlekar, motsvarande olika erkännandesituationer: kontroll på flygplatsen, kontroll på arbetsplatsen och hemma. Effektiviteten för igenkänning beroende på datasättet (från det minsta erkännandet på flygplatsen till uppgifterna "hemma") varierade från 92,9 till 99,3 procent.
Författarna noterar att, liksom de flesta liknande modeller, beror effektiviteten i deras igenkänningssystem direkt på det samlade datasättet: det kan bara känna igen de personer som det har data om. Att samla in data med golvsensorer och kameror från tredje part är dock en mycket mer verklig uppgift än att samla fingeravtryck. Det är ännu inte klart hur den utvecklade modellen kommer att hantera eventuella tillfälliga gånganomalier, till exempel efter ett fraktur eller förorening.
Kampanjvideo:
Elizaveta Ivtushok