A brit és a spanyol fejlesztõk csapata javaslatot tett arra, hogy miként lehet felismerni egy embert a járása alapján. A mély maradványos tanulási módszerre épülő neurális hálózat lehetővé teszi az ember számára, hogy szinte száz százalékos pontossággal felismerje lábnyomának térbeli és időbeli jellemzőit. Erről egy cikk íródott az IEEE Transactions on Pattern Analysis and Machine Intelligence című cikkben.
Hagyományosan a hozzáférés engedélyezéséhez és korlátozásához olyan adatokat vagy eszközöket használnak, amelyek szűk emberek körében állnak rendelkezésre: kulcsok, jelszavak, tokenek vagy speciális kártyák. A jelszó azonban kitalálható, a kártyát ellophatják, és a közelmúltban léteznek olyan módszerek a biometrikus adatok hamisítására, amelyek minden egyes személyre vonatkoznak: ujjlenyomat, a szem retina és még az arc. Ezért hatékonyabb védelemre van szükség - különösen hatékony módszerekre van szükség ahhoz, hogy csak egy adott személy számára hozzáférést biztosítsanak.
Az biometria egyik típusa, amely azonosítóként használható, az emberi járás egyedi jellemzői. Az ilyen jellemzõket térbeli és idõbeli eloszlásra osztják: az elsõ a lábnak a tartóval való érintkezési pontjainak mérését tartalmazza (láb fordulása, lépéshossz és annak alapja, azaz a láb felületének helyzete), a második - a lépés különbözõ (tartó és motoros) fázisának idõtartama. A járás individualitását befolyásoló számos tényező minimálisra csökkenti annak másolásának valószínűségét; valódi helyzetben azonban ezt az elismerést külső tényezők bonyolíthatják. Például annak érdekében, hogy egy számítógép felmérje a járást, számítógépes látástechnológiát is lehet használni, azonban ellenőrizni kell, hogy a megfigyelt tárgy teljes láthatóságban van-e,amelyet gyenge fényben vagy zsúfolt körülmények között lehetetlen biztosítani.
A Manchesteri Egyetem Omar Costilla-Reyes vezetésével a tudósok javasolták a lábképeket a járásfelismerés érdekében. Egy ilyen módszer kifejlesztéséhez több mint 20 ezer 120 ember lábnyomát tartalmazó adatbázist gyűjtöttek, amelyet 88 piezoelektromos érzékelő segítségével nyertek, amelyek kiszámítják a nyomás nagyságát, és amelyek alapján eloszlásának hőtérképei készülnek a lépés fázisától függően. Az adatgyűjtésben részt vevő önkénteseket felkérték, hogy viseljen bármilyen kényelmes cipőt, és mutassák be természetes járásukat.
Nyers (felső sor) és feldolgozott (felső sor) adatok a mintából nyert két (ab és cd) ember nyomaira. Costilla-Reyes et al. / IEEE tranzakciók mintanalízissel és gépi intelligenciával kapcsolatban.
A felismerési rendszer összegyűjtött adatok felhasználásával történő képzéséhez a tudósok a maradék tanulási módszer alapján mély idegi hálózatot képztek, amely megkönnyíti a sok rétegű (nagyobb mélységű) modell kidolgozását, amelyre gyakran szükség van a sok paraméterrel rendelkező képek hatékony felismeréséhez. A közelmúltban ennek a kiképzési módszernek a segítségével megtanultak előre jelezni egy kutya viselkedését a járásának alapján.
A modellt három különböző méretű, különböző felismerési helyzeteknek megfelelő adatkészlettel tesztelték: ellenőrzés a repülőtéren, ellenőrzés a munkahelyen és otthon. A felismerés hatékonysága az adatkészlettől függően (a repülőtéren a legkisebb felismeréstől az "otthon" összegyűjtött adatokig) 92,9 és 99,3 százalék között változott.
A szerzők megjegyzik, hogy a legtöbb hasonló modellhez hasonlóan, felismerési rendszerük hatékonysága közvetlenül is függ a gyűjtött adatkészletből: csak azokat az embereket ismeri fel, akikről adatokkal rendelkeznek. Az adatgyűjtés padlóérzékelőkkel és harmadik féltől származó kamerákkal sokkal inkább valós feladat, mint az ujjlenyomatok gyűjtése. Még nem világos, hogy a kifejlesztett modell hogyan fogja megbirkózni az esetleges átmeneti járási rendellenességekkel, például törés vagy rándulás után.
Promóciós videó:
Elizaveta Ivtushok