english

Лидар для удаленной идентификации человека по запаху

АННОТАЦИЯ: Каждый человек имеет свой характерный и индивидуальный запах. Индивидуальность запаха обеспечивается неповторимым сочетанием условий формирования запаха. Число сочетаний, составляющих общий запах человека, весьма велико. По механизму образования запаховых следов, используемых в криминалистической одорологии, можно разделить на сами запахи и источники запаха.

Использование одорологической информации в борьбе с преступлениями берет начало с конца 19 столетия. В инструментальной одорологии (ольфактроника) применяются физико-химические приборы, способные выделять спектр пахучих веществ. Спектр запаха получил название ольфактограммы.


Характеристики запаха пота настолько уникальны для каждого человека, что их можно использовать для биометрической аутентификации [2] личности. В работе [2] изложены перспективы отслеживания аминокислот и выделений в коже для активной многофакторной биометрической аутентификации в области кибербезопасности.

Исследователи из Мадридского политехнического университета в сотрудничестве с компанией IIia Sistemas SL представили в начале 2014 года метод идентификация человека по запаху: "Identity verification: Body odor as a biometric identifier"[1,7] - "Проверка личности: запах тела как биометрический идентификатор". Исследователи, в своих изысканиях, добиваются прогресса в разработке новой биометрической техники, которая позволила бы идентифицировать людей по их личному запаху. Исследователи из UPM [7] сделали выводы в том, что вместе с компанией Sistemas делают успехи в разработке новой биометрической техники, которая позволила бы идентифицировать людей по их личному запаху.

Запахи отдельного человека представляют собой "слоеный пирог", в котором нижние слои свойственны только индивидуальному носителю, боле высокие слои связаны с текущей ситуацией и могут быть обусловлены косметикой, спецодеждой, запахами помещения итп, то есть наслоениями запахов. Разложение такого пирога на составляющие решается применением лидаров с перестраиваемой частотой излучения от инфракрасного до фиолетового - этап первичного разделения слоев запаха.

В настоящей работе предложена схема и методы дистанционного зондирования запахов и частей тела людей при решении задачи оперативной идентификации индивидуама. В основе технического решения применена концепция лидара для удаленной регистрации и анализа спектров поглащения запаховых следов. В качестве источников излучения применяются лазерные источники двух и более длинн волн видимого и инфракрасного (ультрафиалетого) диапазона с мощностью безопасных для зрения [3]. В [3] разработан лидар c длиной волны излучения 1.54 мкм безопасной для глаз и предназначенный для детектирования дымов и других примесей в воздухе. Показано, что в зависимости от рассеивающих свойств дыма возможна его регистрация на расстояниях до 10–12 км [3]. Мощность лазера для рассматриваемой задачи может быть уменьшена на 2-3 порядка, так как расстояние до контролируемого объекта будет составлять первые десятки метров.

Протипы лидара для идентификации индивидуама:

Конструктивно, протопипом лидара для идентификация человека по запаху могут послужить известные схемы лидаров, используемые для получения спектров поглащения при анализе атмосферного воздуха. Упрощенная схема лидара для зондирования атмосферы представлена рис.1 [4].


Рис. 1. Упрощенная схема лидара для зондирования атмосферы.[4]

На практике применяют две схемы лазерного зондирования атмосферы. В работе [6] проиллюстрированы такие схемы лазерного контроля состава атмосферных загрязнений по поглощению излучения. Первая схема представляет собой лазерный локатор, в которой лазерный луч проходит трассу к фотоприемнику, который расположен в конце трассы. На рис.1 представлен вариант, в котором в конце трассы установлен отражатель, при этом лазерный луч проходит трассу дважды-туда и обратно.

Во второй схеме, фотоприемник совмещен с излучателем и улавливает излучение, которое отражается от зондируемой области. Такую схему лазерного контроля состояния атмосферы называют лидаром [6].


Рис. 2. Иллюстративная схема лидара для идентификации запахов человека.

На рис.2 представлена схема лидара для идентификации запахов человека. Схема устройства позволяет объединить в одном корпусе источник и приемник излучения. Последнее обстоятельство обеспечит создание компактного устройства для оперативного контроля и идентификация людей.

Спектры поглащения:

Рис. 3. Примеры спектров поглащения атмосферного воздуха в ближнем [0,78-3 микрометров] и среднем [3-50 микрометров] инфракрасном ИК диапазоне длинн волн. [5]

На рис.3. приведены спектры поглощения атмосферы низкого разрешения. Верхние семь строк представляют спектры поглощения наиболее важных видов атмосферы. Нижняя строка таблицы моделируется спектр поглощения атмосферы [5]. Спектры поглощения атмосферы, выполненные спектрометром AVIRIS Classic (224 полосы) имели недостаточную выборку, что соответствовало спектральному разрешению 10 нм, и интервалу дискретизации также 10 нм. Спектрометр AVIRIS NG обеспечил разрешение порядка 5 нм при числе полос более 400 для покрытия 0,38 - 2,5 в микронном спектральном диапазоне волн.

Спектральный анализ спектров испускания и поглощения позволяет установить состав вещества на качественном уровне. Спектр поглощения представляет собой темные линии на фоне непрерывного спектра источника. Количественная характеристика компонентов запаха основывается на измерении яркости спектральных линий. Зная длины волн, испускаемых (поглощаемых) различными парами, можно установить наличие тех или иных компонентов.

Математическая обработка результатов зондирования может основываться на методах распознавания образов и в частности на кластерных методах с обучением, которые получили название нейронных сетей.

Математическая обработка:

Схема автоматического распознавания содержит три основных блока: датчик излучения, классификатор и блок обучения классификатора. Датчик преобразует физические характеристики объекта распознавания в набор формальных признаков x. Главный успех при реализации такого устройства зиждется на независимости измеренных датчиком характеристик. Алгоритм построения классификатора обеспечивает отнесение значений признаков к одному из конечного числа классов. Блок обучения ... (с учителем).

Со статистической точки зрения оптимальным по качеству классификации является байесовский классификатор [8 и др.]. Оптимальная решающая функция, в этом случае, относящая набор характеристик x к классу W_i определяется отношением правдоподобия:

   p(x|W_i)/p(x|W_j) > 1
   для всех j и i, j не равно i,

где p(x|W_k) - условная вероятность для характеристик x при условии, что они принадлежат классу W_k.

Если классификатор выдает ошибочное решение о том, что набор данных x принадлежит классу W_i, хотя на самом деле x принадлежит классу W_j, то классификатор несет потери, которые получили название ошибок первого и второго рода. Правило Байеса позволяет оценить математическое ожидание потерь и выразить апостериорные вероятности через условные и априорные.

Ошибка первого рода - отнесение к классу W_i объекта, принадлежащего другому классу. Ошибка равносильна ситуации, когда вы встретили знакомого и не узнали его (будет богатым).
Ошибка второго рода - отнесение объекта к классу W_i не принадлежащего этому классу. Это равносильно тому, что вы приняли неизвестного человека за своего знакомого (быть ему бедным). Эффективность правильного отнесения объекта к соответствующему классу оценивается предельной вероятностью P_e на рисунке ниже:

Рис.4. Распределение вероятностей ошибок первого и второго рода.

Стремление к более полному описанию объектов распознавания позволяет снизить ошибки 1-го рода. В свою очередь расширение пространства признаков приводит к увеличению ошибок 2-го рода [9]. Нечеткие множества плотностей условных вероятностей не позволяют избежать ошибок распознавания в принципе (рис.4).

ВЫВОДЫ.
1) Успех классификации зависит от качества плотностей распределения условных вероятностей.
2) Риски потерь не могут быть сведены ниже определенной величины - предельной вероятности P_e.

---

ЛИТЕРАТУРА:

1. Планшетные сканеры и их метрология
   
2. Фильтрация и улучшение изображений
3. Восстановление изображений, искаженных движением
4. Синтез изображений
5. Распознавание объектов
6. Обработка и синтез изображений, фильтрация
   изображений


7. Web-программирование