Strengths and weaknesses of gait recognition
- Autores: Pablo Fernández López
- Directores de la Tesis: Raúl Sánchez Reillo (dir. tes.), Judith Liu Jiménez (codir. tes.)
- Lectura: En la Universidad Carlos III de Madrid ( España ) en 2020
- Idioma: español
- Tribunal Calificador de la Tesis: Richard F. Gunst (presid.), Enrique Cantó (secret.), Marcos Faúndez Zanuy (voc.)
- Programa de doctorado: Programa de Doctorado en Ingeniería Eléctrica, Electrónica y Automática por la Universidad Carlos III de Madrid
- Materias:
- Enlaces
- Tesis en acceso abierto en: e-Archivo
- Resumen
Casi desde que comenzamos a usar “smartphones”, el reconocimiento biométrico se convirtió en la principal manera de proteger nuestros dispositivos frente a posibles ataques, ya que este tipo de reconocimiento es capaz de equilibrar la alta seguridad con un uso sencillo. Este positivo balance es la clave de los sistemas biométricos, pues no requieren aprendizaje o memorización de códigos. Desde su introducción, estos sistemas han intentado incrementar su usabilidad manteniendo su calidad de protección. Hasta el momento, dos modalidades han alcanzado un puesto en el mercado: el reconocimiento por huella dactilar y el reconocimiento facial. Sin embargo, no son perfectas.
Los reconocimientos facial y dactilar han alcanzado esta posición porque han conseguido reducir la interacción entre los usuarios y el sistema de control de accesos. La seguridad de los teléfonos móviles pasó de obligar al usuario a introducir una serie de números, a permitirle simplemente colocar un dedo sobre un sensor o mirar a una cámara. Sin embargo, esta interacción se puede reducir aún más. En vez de que el usuario tenga que realizar una acción a través del sistema, este podría capturar acciones que el usuario lleva a cabo de forma natural. Por ejemplo, mientras el usuario usa su teléfono o camina, el sistema debería ser capaz de utilizar estas acciones para reconocerlo. Esta tesis doctoral se centra en este tipo de modalidades biométricas.
“Gait” es el término con el que se denomina en inglés a la forma de andar. El gait de cada individuo es único y esto lo convierte en una muestra óptima para un reconocimiento biométrico con una interacción mínima. Un sistema biométrico basado en el gait tomaría muestras del usuario mientras este camina y permitiría o negaría su acceso usando solo esta información. Por desgracia, sistemas de este tipo no han sido implementados por dos razones principales: precisión y robustez. La precisión del reconocimiento por gait está aún lejos de ser comparable con la del reconocimiento facial o por huella dactilar. Más problemática es incluso la robustez, ya que hay varios factores que no se sabe aún si pueden influir o no en nuestra forma de andar. Si modificamos nuestra forma de andar cada vez que cambiamos de ropa, caminamos a mayor velocidad o estamos cansados, la información que obtendría el sistema sería inestable. Esta tesis doctoral intenta que el reconocimiento por gait dé un paso adelante y esté más cerca de ser útil, tratando de mejorar ambos aspectos. Sus contribuciones principales se pueden sintetizar en la introducción de dos nuevos algoritmos para el reconocimiento por gait y en el estudio de los factores que podrían modificar su implementación.
La primera contribución es el desarrollo del Manhattan Rotation Algorithm (MRA). El MRA se ha elaborado basándose en el estado del arte y usa algoritmos de distancia para comparar señales de gait.
El MRA fue introducido inicialmente como una nueva forma de segmentar este tipo de señales y se desarrolló como un algoritmo completo de reconocimiento, incluyendo la optimización de los recursos disponibles. Con el MRA, se ha estudiado cómo segmentar señales y seleccionar los fragmentos más representativos para poder reconocer a un usuario. Esto hace que el MRA no sea solamente competitivo en materia de precisión, sino también en velocidad y requerimientos “hardware”. Esto significaría que el MRA podría ser implementado mediante una app en teléfonos móviles que ya están en el mercado.
La segunda contribución de esta tesis es el desarrollo de un segundo algoritmo, llamado Deep Gait Algorithm (DGA). El DGA hace uso del “deep learning” para procesar las señales recibidas. Esto permite que el sistema tenga una visión más detallada de las señales de gait y, por lo tanto, una precisión superior. El DGA ha demostrado disponer de uno de los mejores resultados en el estado del arte, mostrando su valor en una de las bases de datos más usadas para comprar algoritmos. Es verdad que puede resultar demasiado complejo para ser implementado en los teléfonos que usamos actualmente.
No obstante, con los avances realizados en comunicaciones inalámbricas y con teléfonos de mayor potencia, se podría asistir a su implementación en poco tiempo.
La tercera contribución de esta tesis se deriva de una serie de evaluaciones operacionales. Varias evaluaciones han sido realizadas respondiendo a preguntas comunes, tales como “¿cuánto tiempo tengo que andar para que el sistema me reconozca? ¿qué ocurre si cambio de zapatos¿ ¿y si no quiero ser reconocido?” Estas y otras preguntas han sido resueltas a través de las evaluaciones realizadas, que son clave para superar los límites teóricos que el reconocimiento por gait tendrá que resolver en el futuro.
