Et team af britiske og spanske udviklere har foreslået en metode til at genkende en person ved hans gang. Et neuralt netværk baseret på den dybe restlæringsmetode gør det muligt for en person at blive genkendt af de rumlige og tidsmæssige egenskaber ved sit fodaftryk med næsten hundrede procent nøjagtighed. Dette rapporteres i en artikel offentliggjort i IEEE Transactions on Pattern Analysis and Machine Intelligence.
For at autorisere og begrænse adgang bruges traditionelt data eller midler, der er tilgængelige for en snæver cirkel af mennesker: nøgler, adgangskoder, tokens eller specielle kort. Imidlertid kan adgangskoden gætes, kortet kan stjæles, og for nylig har der været metoder til at smede biometriske data, der er individuelle for hver enkelt person: et fingeraftryk, nethinden og endda et ansigt. Derfor er der behov for mere effektiv beskyttelse - især kræves effektive metoder til at give adgang til kun en bestemt person.
En type biometrisk, der kan bruges som identifikator, er de individuelle egenskaber ved den menneskelige gang. Sådanne egenskaber er opdelt i rumligt og tidsmæssigt: den første inkluderer måling af fodens kontaktpunkter med understøtningen (fodens drejning, trinlængde og dens base, det vil sige fodoverfladen), og den anden henviser til varigheden af forskellige (understøtnings- og motoriske) faser af trinnet. Et stort antal faktorer, der påvirker gangartens individualitet, reducerer sandsynligheden for at det kopieres til et minimum; i en reel situation kan en sådan anerkendelse imidlertid kompliceres af eksterne faktorer. For eksempel for at en computer skal vurdere gangart kan computersynsteknologi bruges, men det vil være nødvendigt at sikre, at det observerede objekt er i fuld synlighed,hvilket er umuligt at tilvejebringe i dårligt lys eller overfyldte forhold.
Forskere ledet af Omar Costilla-Reyes fra University of Manchester foreslog at bruge fodbilleder til genkendelse ved gangart. For at udvikle en sådan metode indsamlede de en database med mere end 20 tusind billeder af fodspor på 120 mennesker, opnået ved hjælp af 88 piezoelektriske sensorer, der beregner trykstørrelsen, på grundlag af hvilken varmekort for dens distribution oprettes afhængigt af trinets fase. Frivillige, der deltog i dataindsamlingen, blev bedt om at bære alle behagelige sko og demonstrere deres naturlige gang.
Prøve af rå (øverste række) og behandlede (øverste række) data for sporene til to (ab og cd) personer fra prøven. Costilla-Reyes et al. / IEEE-transaktioner om mønsteranalyse og maskineintelligens.
For at træne genkendelsessystemet ved hjælp af de indsamlede data trænede forskere et dybt neuralt netværk baseret på den resterende læringsmetode, som gør det lettere at træne en model med et stort antal lag (med større dybde), som ofte er nødvendige for effektiv genkendelse af billeder med et stort antal parametre. For nylig lærte de ved hjælp af denne træningsmetode at forudsige en hunds opførsel ved dens gangart.
Modellen blev testet på tre datasæt i forskellige størrelser, svarende til forskellige genkendelsessituationer: kontrol i lufthavnen, kontrol på arbejdspladsen og derhjemme. Genkendelseseffektiviteten afhængigt af datasættet (fra den mindste genkendelse i lufthavnen til de indsamlede data "derhjemme") varierede fra 92,9 til 99,3 procent.
Forfatterne bemærker, at effektiviteten af deres genkendelsessystem, som med de fleste lignende modeller, direkte afhænger af det indsamlede datasæt: det kan kun genkende de mennesker, som det har data om. At indsamle data med gulvsensorer og tredjepartskameraer er imidlertid en meget mere virkelig opgave end at indsamle fingeraftryk. Det er endnu ikke klart, hvordan den udviklede model kan håndtere mulige midlertidige ganganomalier, for eksempel efter et brud eller forstuvning.
Salgsfremmende video:
Elizaveta Ivtushok