Joukko brittiläisiä ja espanjalaisia kehittäjiä on ehdottanut menetelmää henkilön tunnistamiseksi hänen kulunsa perusteella. Syvään jäännösoppimismenetelmään perustuva hermoverkko antaa henkilön tunnistaa jalanjälkensä alueellisista ja ajallisista ominaisuuksista lähes sadan prosentin tarkkuudella. Tästä kerrotaan artikkelissa IEEE Transactions on Pattern Analysis and Machine Intelligence julkaistu artikkeli.
Perinteisesti pääsyn valtuuttamiseksi ja rajoittamiseksi käytetään tietoja tai keinoja, jotka ovat saatavilla kapealle ihmisryhmälle: avaimia, salasanoja, rahakkeita tai erikoiskortteja. Salasanan voi kuitenkin arvata, kortti voidaan varastaa, ja viime aikoina on olemassa menetelmiä biometristen tietojen väärentämiseksi, jotka ovat henkilökohtaisia kullekin henkilölle: sormenjälki, silmän verkkokalvo ja jopa kasvot. Siksi tarvitaan tehokkaampaa suojaa - etenkin tarvitaan tehokkaita menetelmiä pääsyn myöntämiseksi vain yhdelle henkilölle.
Yksi biometrinen tyyppi, jota voidaan käyttää tunnisteena, on ihmisen kävelyn yksilölliset ominaisuudet. Tällaiset ominaisuudet jaetaan alueellisiin ja ajallisiin: ensimmäiseen sisältyy jalan kosketuspisteiden mitta tukeen (jalka käännös, askelpituus ja sen alusta, ts. Jalan pinnan sijainti), ja toinen - askeleen eri vaiheiden (tuki ja moottori) kesto. Suuri määrä kävelyreitin yksilöllisyyteen vaikuttavia tekijöitä vähentää sen kopioinnin todennäköisyyttä minimiin; todellisessa tilanteessa tällainen tunnustaminen voi kuitenkin olla monimutkainen ulkoisten tekijöiden vaikutuksesta. Esimerkiksi, jotta tietokone voi arvioida kävelyä, voidaan käyttää tietokonenäkötekniikkaa, mutta on välttämätöntä varmistaa, että havaittu esine on täysin näkyvissä,jota on mahdotonta tarjota hämärässä tai tungosta.
Manchesterin yliopiston Omar Costilla-Reyesin johtamat tutkijat ehdottivat jalkakuvien käyttämistä kävelyä varten. Tällaisen menetelmän kehittämiseksi he keräsivät tietokannan yli 20 tuhatta kuvaa 120 ihmisen jalanjäljistä, jotka saatiin käyttämällä 88 pietsosähköistä anturia, jotka laskivat paineen suuruuden, jonka perusteella sen jakauman lämpökartat luodaan vaiheen vaiheesta riippuen. Tiedonkeruuseen osallistuvia vapaaehtoisia pyydettiin käyttämään mukavia kenkiä ja osoittamaan luonnollista liikettä.
Näyte raa'asta (ylimmästä rivistä) ja käsitellystä (ylimmästä rivistä) tiedosta kahden (ab ja cd) ihmisen kappaleiden perusteella näytteestä. Costilla-Reyes et ai. / IEEE-transaktiot kuvioanalyysissä ja koneintelligenssissä.
Tunnistusjärjestelmän kouluttamiseksi kerättyjä tietoja käyttämällä tutkijat kouluttivat jäännösoppimismenetelmään perustuvan syvän hermoverkon, mikä helpottaa mallin kouluttamista, jolla on suuri määrä kerroksia (suuremmalla syvyydellä), jotka ovat usein välttämättömiä kuvien tehokkaalle tunnistamiselle, jolla on suuri joukko parametreja. Äskettäin he käyttivät tätä koulutusmenetelmää oppimaan ennustamaan koiran käyttäytymistä sen kulun mukaan.
Malli testattiin kolmella erikokoisella tietokokonaisuudella, jotka vastaavat erilaisia tunnistustilanteita: tarkastus lentokentällä, tarkastus työpaikalla ja kotona. Tunnistustehokkuus tietojoukosta riippuen (pienimmästä tunnistuksesta lentokentällä "kotona" kerättyyn tietoon) vaihteli välillä 92,9 - 99,3 prosenttia.
Kirjoittajat huomauttavat, että kuten useimpien samankaltaisten mallien kohdalla, niiden tunnistusjärjestelmän tehokkuus riippuu suoraan kerätystä aineistosta: se voi tunnistaa vain ne ihmiset, joista sillä on tietoja. Tietojen kerääminen lattia-anturien ja muiden valmistajien kameroiden avulla on kuitenkin paljon todellisempaa tehtävää kuin sormenjälkien kerääminen. Ei ole vielä selvää, kuinka kehitetty malli selviää mahdollisista väliaikaisista kävelyhäiriöistä, esimerkiksi murtuman tai nyrjähdyksen jälkeen.
Mainosvideo:
Elizaveta Ivtushok