Машинное обучение поможет найти преступников по отпечатку пальца
© ar130405/Pixabay
Новый алгоритм автоматизирует ключевой элемент криминалистического анализа отпечатков пальцев, благодаря чему поиск преступников может проходить быстрее. Исследование об этом опубликовано в журнале IEEE Transactions on Information Forensics and Security.
Использовать дактилоскопию, то есть анализ отпечатков пальцев, для поимки преступников начали еще в начале ХХ века. Тем не менее, несмотря на длительную практику метода, до сих пор есть вероятность человеческой ошибки.
Ученые из Национального института стандартов и технологий и Университета штата Мичиган разработали технологию, которая сводит риск человеческой ошибки к минимуму. При помощи алгоритма компьютер может анализировать отпечаток пальца, даже если он недостаточно четкий.
Уже сегодня компьютеры легко могут сопоставлять два набора отсканированных отпечатков в контролируемых условиях, то есть когда человек целенаправленно сканирует пальцы. На месте преступления, однако, найти хороший отпечаток не так просто, а если частичный и искаженный отпечаток сохранился, например, на банкноте, найденной на месте преступления, то компьютер с трудом отделяет след пальца от орнамента на банкноте.
«Скрытые» отпечатки пальцев
© Chugh et al., Hancek/NIST
В судебном сообществе принята стандартная практика, что сначала эксперт анализирует отпечаток самостоятельно, а потом отправляет его в автоматическую систему идентификации отпечатков пальцев (AFIS), где тот изучается на предмет совпадений с отпечатками из базы данных. Если же на первом этапе эксперт не получил достоверной информации, то компьютерная обработка вряд ли поможет найти преступника.
Разработка американских ученых направлена на первый этап анализа отпечатка пальца. Для построения алгоритма ученые использовали машинное обучение. Сначала 31 эксперт провел анализ 100 отпечатков пальцев и оценил каждый из них по шкале от 1 до 5. И отпечатки, и оценки использовались для обучения алгоритма.
Процесс работы алгоритма: эксперт отмечает область, которую нужно анализировать (а), алгоритм размечает папиллярные линии в нужной области (b), составляет схему, на которой видны более или менее качественные следы отпечатка (с), отмечает характерные точки для сравнения с другими отпечатками (d)
© Chugh et al., Hancek/NIST
По окончании обучения исследователи протестировали производительность алгоритма и отправили получившуюся у него серию отчетов по отпечаткам в программное обеспечение AFIS, чтобы найти нужные отпечатки среди 250 000 оттисков. Оказалось, что алгоритм подсчета результатов справился с задачей несколько лучше, чем в среднем справлялся эксперт, участвовавший в опыте.
Исследователи считают, что помимо достижений в области машинного обучения и компьютерного зрения, этот прорыв стал возможен благодаря большому набору данных для обучения и тестирования.