L’intelligenza artificiale può identificare una persona da un unico passo
Una nuova iniziativa di ricerca ha prodotto un sistema a basso costo in grado di identificare una persona in base al suono dei suoi passi, già da un solo passo.
Nel documento Passive mUlti-peRson idEntification via Deep Footstep Separation and Recognition (PURE), una collaborazione tra ricercatori della Nanyang Technological University e dell’Università del Kentucky, tra gli altri, i tassi di identificazione sono stati stabiliti fino al 90%, da campioni audio che sono estremamente breve.
L’architettura di PURE si basa sui dati di una serie di microfoni di base, con l’acquisizione dell’audio grezzo annullata tramite sottrazione spettrale di fondo . Quando il rapporto segnale / rumore è alto, inclusa la conversazione che si verifica al momento dell’acquisizione, viene attivato un algoritmo di separazione della sorgente per eseguire l’estrazione discreta dei passi.
Architettura di sistema PURA
L’audio del passo viene chiarito e analizzato tramite l’ adattamento antagonistico del dominio , con il framework che comprende un estrattore di caratteristiche, un predittore di identità e un discriminatore di dominio.
Rete di identificazione Analisi del cammino PURE
Hardware per PURE
L’apparecchiatura utilizzata per PURE è un array di microfoni incorporato in un rig personalizzato basato sul Raspberry Pi 4.
Hardware PURE per il riconoscimento dell’andatura
I microfoni catturano l’audio alla massima velocità disponibile per i segnali “portati dalla struttura” (i piedi che toccano il suolo), poiché questi dati sono di durata estremamente breve e devono essere il più dettagliati possibile. Tuttavia, i passi trasportati dall’aria (i piedi sonori formano l’arco verso il successivo contatto con il suolo) vengono sottocampionati a 16 kHz per risparmiare la capacità di elaborazione locale per i passaggi portati dalla struttura.
I ricercatori hanno sintetizzato un set di dati di addestramento dalla tavola armonica degli effetti sonori Footsteps , nonché dagli effetti sonori Footsteps di Epidemic Sound. La componente audio di vari Ted Talks è stata utilizzata per produrre dati di addestramento per il processo di esfiltrazione dei passi dalla conversazione in background.
Prevenire il riconoscimento dei “replay degli attacchi” in fase di esecuzione
Un sistema di questa natura deve essere resistente agli “attacchi di replay”, in cui un malfattore potrebbe registrare un particolare modello di passo e riprodurlo nella speranza che il sistema identifichi la registrazione come un utente dal vivo.
Per contrastare ciò, PURE analizza il tempo di arrivo (ToA) nei passi di “contatto” e l’angolo di arrivo (AoA) nei passi in volo.
PURE analisi dei passi ripetuta
La mancanza di informazioni dinamiche nei passi ripetuti li rivela abbastanza facilmente, sebbene sia necessario tenerne conto durante l’elaborazione dei dati. Osservando la naturale irregolarità dei passi, e anche la loro velocità nel contesto dell’ambiente (poiché è improbabile che uno corra o si dimeni, ad esempio, in un ambiente d’ufficio), è possibile garantire che i dati ricevuti siano autentici .
Il progetto utilizza tecniche di beamforming per calcolare ToA, ma l’estrazione di AoA è più complessa e richiede una rete neurale R-Net che, ancora una volta, utilizza l’apprendimento contraddittorio per calcolare la portata di un passo. Questo è essenzialmente lo stesso modello della precedente rete neurale, tranne per il fatto che il predittore di identità viene sostituito con uno stimatore di intervallo.
Precisione
PURE è stato testato in un’ampia gamma di ambienti acustici e utilizzando una varietà di velocità di camminata su una gamma di distanze. Man mano che il numero di persone che creano i passi aumenta, la precisione diminuisce naturalmente, come accade anche quando la velocità di più sorgenti di passi aumenta.
Tuttavia, a seconda dell’adattamento del dominio, i risultati di oltre 100 prove hanno rilevato che il sistema è in grado di identificare un utente da 3-5 passi con un intervallo di precisione dal 90,73% al 96,53%; da 2-3 passi con un intervallo di precisione dall’88,16% al 95,92%; e da un singolo passo con una gamma di precisione dall’81,75% all’88,6%.
I ricercatori prevedono un’ampia applicabilità per PURE, a causa del basso costo dell’hardware di base coinvolto, e del fatto che supera anche sistemi simili in termini di latenza e precisione, pur essendo robusto alle interferenze ambientali e agli attacchi di replay.
La crescita dell’analisi del cammino
Questa particolare sfera della ricerca sull’apprendimento automatico si è concentrata principalmente sulla visione artificiale negli ultimi dieci anni e ha ricevuto un impulso culturale quando utilizzata come dispositivo di trama in Mission Impossible: Rogue Nation (2015).
Ad oggi, le tecnologie di riconoscimento dell’andatura sono state proposte per l’uso nell’assistenza agli anziani , nella riabilitazione post-chirurgica e, in modo più controverso, per la pubblicazione di annunci personalizzati negli ambienti di vendita al dettaglio, sebbene un tale sistema abbia ovviamente potenziali usi per il monitoraggio dei dipendenti in ambienti sicuri.
Nel 2018 è stato riferito che le autorità cinesi utilizzano l’analisi dell’andatura basata sulla visione della società di sviluppo di intelligenza artificiale Watrix come aspetto nei suoi sistemi di sorveglianza pubblica a circuito chiuso.
Il riconoscimento dell’andatura è stato implementato anche monitorando la riflettanza dei segnali Wi-Fi.
Tuttavia, tutti questi approcci hanno limitazioni intrinseche, che richiedono condizioni di illuminazione che non possono essere garantite, viste non comprese, attrezzature specializzate proibitivamente costose, condizioni locali eccessivamente specifiche o attrezzature indossabili, tra gli altri ostacoli.
