Publication:
Strengths and weaknesses of gait recognition

Loading...
Thumbnail Image
Identifiers
Publication date
2020-11
Defense date
2020-11-25
Journal Title
Journal ISSN
Volume Title
Publisher
Impact
Google Scholar
Export
Research Projects
Organizational Units
Journal Issue
Abstract
Almost since the introduction of smartphones, biometric recognition became the main way to protect them from unwanted use. Biometric recognition provides gives smartphones with a capable security system that is easy to use. This factor is the major key of biometric recognition, it does not require learning or the memorization of codes. Since their introduction, biometric modalities have tried to become ever more usable to become generally more accepted by the general public. So far, two major biometric modalities have managed to establish themselves: fingerprint and facial recognition. However, they are not perfect. Fingerprint and facial recognition succeeded in finding their places in the market because they managed to reduce the interaction with the security system. Smartphone security went from introducing a sequence of numbers to just placing a finger on a sensor or looking into a camera. Yet this interaction can be reduced even further. Instead of the user making an action for the system, the system can record an action that the user does regardless of security system. This means that, when the user is making a natural action such as typing or walking, the system will use that action to recognize them. This thesis is centred around one of such biometric modalities. Gait is defined as the manner of walking unique to each individual. We perform this action every time we move, making it an ideal biometric sample for a no-interaction system. A gait recognition system would record the information from the user while they are walking and use that data to grant or deny access. However, such systems are yet to be implemented for two main reasons: performance and robustness. The accuracy of gait recognition is still far from what can be found on the facial and fingerprint state of the art. Even more worrying is its robustness, as there are several concerns regarding what factors influence our gait. If we walk differently when we change clothes, when we change pace or when we are tired, the information that the system could obtain is unusable for user recognition. This thesis aims to bring this biometric modality one step closer by advancing these two factors. The contributions of this thesis are on the forefront of newer algorithms that advance the capacity of gait recognition and study the variables that may influence our gait. The first major contribution of this thesis is the development of the Manhattan Rotation Algorithm (MRA). The MRA was developed based on the state of the art and the use of distance metrics to compare gait signals. The MRA introduced a new signal segmentation algorithm as well as an optimization of the resources obtained from the raw gait signal. The MRA studied how to divide gait signals to select the most relevant aspects to perform the recognition. This makes the MRA not only a competitive algorithm in terms of accuracy, but it also allows it to be a fast algorithm that requires little hardware to be deployed. This could mean that the MRA could be implemented on a pre-existing smartphone via an app, with no extra hardware required. The second major contribution is the development of a different gait recognition algorithm named Deep Gait Algorithm (DGA). The DGA makes use of deep learning in order to process the input data. This allows for a more detailed view of the signal and a more accurate response. The DGA has shown some of the best accuracy results of the state of the art, showing its value in a commonly used gait recognition benchmark. The DGA may be too complex to be implemented on smartphones nowadays, but with the developments/advancements in IoT and higher-powered smartphones, implementation could become viable soon. The final contribution of this thesis comes in a group of operational evaluations. Several evaluations have been performed, each answering questions that tend to arise when talking about gait recognition. How long do I need to walk? What if someone does not want to be recognized? What if I change shoes? These and more questions have been evaluated and answered. These evaluations are key to determine the theoretical limit of gait recognition and to ascertain what challenges future research will face when trying to develop or implement a gait recognition system.
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.
Description
Mención Internacional en el título de doctor
Keywords
Recurrent neural network, Biometric recognition, Pattern recognition, Gait recognition, Smartphone, Manhattan Rotation Algorithm (MRA), Deep Gait Algorithm (DGA)
Bibliographic citation
Collections