Una nueva iniciativa de investigación ha producido un sistema de bajo costo capaz de identificar a una persona en función del sonido de sus pasos, desde tan solo un paso.
En el papel IDENTIFICACIÓN PASIVA DE MÚLTIPLES PERSONAS A TRAVÉS DE LA SEPARACIÓN Y EL RECONOCIMIENTO DE PASOS PROFUNDOS (PURE), una colaboración entre investigadores de la Universidad Tecnológica de Nanyang y la Universidad de Kentucky, entre otros, se establecieron tasas de identificación de hasta el 90%, a partir de muestras de audio que son extremadamente breves.
Cinco perfiles de pasos distintivos capturados en PURE.
La arquitectura de PURE se basa en datos de una variedad de micrófonos básicos, con la captura de audio sin procesar sin ruido en segundo plano. sustracción espectral. Cuando la relación señal/ruido es alta, incluida la conversación que se produce en el momento de la captura, se activa un algoritmo de separación de fuente para realizar una extracción discreta de los pasos.
El audio de los pasos se aclara y analiza a través de adaptación de dominio adversariocon el marco que comprende un extractor de características, un predictor de identidad y un discriminador de dominio.
Herrajes para PURO
El equipo utilizado para PURE es un conjunto de micrófonos integrado en un equipo personalizado basado en Raspberry Pi 4.
Los micrófonos capturan audio a la tasa más alta disponible para señales ‘transmitidas por estructuras’ (pies en contacto con el suelo), ya que estos datos tienen una duración extremadamente corta y deben ser lo más detallados posible. Sin embargo, los pasos en el aire (el sonido que hacen los pies en el arco hacia el siguiente contacto con el suelo) se reducen a 16 kHz para ahorrar capacidad de procesamiento local para los pasos en la estructura.
Los investigadores sintetizaron un conjunto de datos de entrenamiento de la Caja de resonancia de efectos de sonido de pasosasí como de Efectos de sonido de pasos de Epidemia Sound. El componente de audio de varias charlas Ted se usó para producir datos de entrenamiento para el proceso de extracción de pasos de una conversación de fondo.
Prevención de ‘ataques de repetición’ en el reconocimiento de pasos
Un sistema de esta naturaleza debe ser resistente a los «ataques de reproducción», en los que un malhechor puede grabar un patrón de pasos en particular y reproducirlo con la esperanza de que el sistema identifique la grabación como un usuario en vivo.
Para evitar esto, PURE analiza el tiempo de llegada (ToA) en pasos de ‘contacto’ y el ángulo de llegada (AoA) en pasos en el aire.
La falta de información dinámica en los pasos repetidos los revela con bastante facilidad, aunque es necesario tener esto en cuenta al procesar los datos. Al observar la irregularidad natural de los pasos, y también su velocidad en el contexto del entorno (dado que es poco probable que uno corra o se entretenga, por ejemplo, en un entorno de oficina), es posible asegurarse de que los datos que se reciben son auténticos. .
El proyecto utiliza formación de haces técnicas para calcular ToA, pero la extracción de AoA es más compleja y requiere una red neuronal R-Net que, nuevamente, utiliza el aprendizaje adversarial para calcular el rango de un paso. Este es esencialmente el mismo modelo que la red neuronal anterior, excepto que el predictor de identidad se sustituye por un estimador de rango.
Precisión
PURE se probó en una amplia gama de entornos acústicos y utilizando una variedad de velocidades de caminata en una variedad de distancias. A medida que aumenta el número de personas que crean pasos, la precisión cae naturalmente, al igual que cuando aumenta la velocidad de múltiples fuentes de pasos.
Sin embargo, dependiendo de la adaptación del dominio, los resultados de más de 100 pruebas encontraron que el sistema podía identificar a un usuario de 3 a 5 pasos con un rango de precisión del 90,73 % al 96,53 %; de 2-3 pasos con un rango de precisión de 88,16% a 95,92%; y de un solo paso con un rango de precisión de 81,75% a 88,6%.
Los investigadores prevén una amplia aplicabilidad para PURE, debido al bajo costo del hardware básico involucrado y al hecho de que también supera a sistemas similares en términos de latencia y precisión, al tiempo que es resistente a la interferencia ambiental y los ataques de reproducción.
El crecimiento del análisis de la marcha
Esta esfera particular de la investigación del aprendizaje automático se ha centrado principalmente en la visión por computadora durante los últimos diez años, y recibió un impulso cultural cuando usado como dispositivo de trama en Misión Imposible: Rogue Nation (2015).
Hasta la fecha, se han propuesto tecnologías de reconocimiento de la marcha para su uso en cuidado de ancianosposquirúrgico rehabilitacióny más controvertido para la publicación de anuncios personalizados en entornos minoristas, aunque dicho sistema obviamente tiene usos potenciales para el monitoreo de empleados en entornos seguros.
En 2018 fue reportado que las autoridades chinas utilizan el análisis de la marcha basado en la visión de la empresa de desarrollo de IA watrix como una faceta de sus sistemas de vigilancia pública de circuito cerrado.
El reconocimiento de la marcha también ha sido implementado por vigilancia la reflectancia de las señales Wi-Fi.
Sin embargo, todos estos enfoques tienen limitaciones inherentes, ya sea que requieren condiciones de iluminación que no se pueden garantizar, vistas despejadas, equipos especializados prohibitivamente costosos, condiciones locales demasiado específicas o equipos que se usan en el cuerpo, entre otros obstáculos.