O echipă de dezvoltatori britanici și spanioli au propus o metodă de recunoaștere a unei persoane din mersul său. O rețea neuronală bazată pe metoda de învățare profundă reziduală permite unei persoane să fie recunoscută prin caracteristicile spațiale și temporale ale amprentei sale cu o precizie de aproape o sută la sută. Acest lucru este raportat într-un articol publicat în Tranzacțiile IEEE privind analiza modelului și informațiile despre mașini.
În mod tradițional, pentru autorizarea și restricționarea accesului, se folosesc date sau mijloace care sunt disponibile unui cerc restrâns de persoane: chei, parole, jetoane sau carduri speciale. Cu toate acestea, parola poate fi ghicită, cardul poate fi furat și recent au existat metode de falsificare a datelor biometrice care sunt individuale pentru fiecare persoană specifică: o amprentă, retina ochiului și chiar o față. Prin urmare, este nevoie de o protecție mai eficientă - în special, sunt necesare metode eficiente de acordare a accesului numai unei persoane specifice.
Un tip de biometric care poate fi utilizat ca identificator este caracteristicile individuale ale mersului uman. Astfel de caracteristici sunt împărțite în spațiale și temporale: prima include măsurători ale punctelor de contact ale piciorului cu sprijinul (virajul piciorului, lungimea treptei și baza acestuia, adică poziția suprafeței piciorului), iar a doua se referă la durata diferitelor faze (suport și motor) ale pasului. Un număr mare de factori care afectează individualitatea mersului reduce probabilitatea copierii sale la minimum; cu toate acestea, într-o situație reală, o astfel de recunoaștere poate fi complicată de factori externi. De exemplu, pentru ca un computer să poată evalua mersul, se poate utiliza tehnologia vizionării computerului, dar va trebui să vă asigurați că obiectul observat este în vizibilitate deplină,care este imposibil de furnizat în condiții de lumină slabă sau aglomerate.
Oamenii de știință conduși de Omar Costilla-Reyes de la Universitatea din Manchester au sugerat să folosească imagini pentru picioare pentru recunoașterea în mers. Pentru a dezvolta o astfel de metodă, au colectat o bază de date cu peste 20 de mii de imagini cu amprente de 120 de persoane, obținute folosind 88 de senzori piezoelectrici care calculează amploarea presiunii, pe baza căreia sunt create hărți de distribuție a acesteia în funcție de faza pasului. Voluntarii care au participat la colectarea datelor au fost invitați să poarte pantofi confortabili și să-și demonstreze mersul natural.
Eșantion de date brute (rândul superior) și prelucrate (rândul superior) pentru piesele a două persoane (ab și cd) din eșantion. Costilla-Reyes și colab. / Tranzacții IEEE pentru analiză de pattern și informații despre mașini.
Pentru a instrui sistemul de recunoaștere folosind datele colectate, oamenii de știință au instruit o rețea neuronală profundă bazată pe metoda de învățare reziduală, ceea ce facilitează formarea unui model cu un număr mare de straturi (cu o adâncime mai mare), care sunt adesea necesare pentru recunoașterea eficientă a imaginilor cu un număr mare de parametri. Recent, folosind această metodă de antrenament, au învățat să prezice comportamentul unui câine în mersul său.
Modelul a fost testat pe trei seturi de date de dimensiuni diferite, corespunzătoare situațiilor de recunoaștere diferite: verificare la aeroport, verificare la locul de muncă și acasă. Eficiența de recunoaștere în funcție de setul de date (de la cea mai mică recunoaștere de la aeroport la datele colectate „acasă”) a variat între 92,9 și 99,3%.
Autorii remarcă faptul că, la fel ca în cazul majorității modelelor similare, eficacitatea sistemului de recunoaștere depinde în mod direct de setul de date colectat: poate recunoaște doar persoanele despre care deține date. Totuși, colectarea datelor cu senzori de podea și camere terțe este o sarcină mult mai reală decât colectarea amprentelor. Încă nu este clar modul în care modelul dezvoltat va face față posibilelor anomalii de trecere temporară, de exemplu, după o fractură sau o entorsă.
Video promotional:
Elizaveta Ivtushok
