Estudio del uso de redes convolucionales en el reconocimiento biométrico del usuario por su forma de andar

Abstract

El presente Trabajo de Fin de Grado tiene como principal objetivo explorar la viabilidad del uso de redes neuronales convolucionales (CNN por sus siglas en inglés) en la verificación biométrica basada en la forma de andar a partir de los datos inerciales obtenidos de los sensores de dispositivos ponibles de uso comercial. La verificación mediante el análisis de la marcha constituye una técnica no invasiva y de creciente interés dentro del campo de la biometría, especialmente en entornos en los que otras formas de autenticación pueden resultar intrusivas o inadecuadas. Este estudio parte de una línea de trabajo previa desarrollada en el Departamento de Informática de la Universidad de Valladolid. Por tanto, se cuenta con un conjunto de datos reales recopilado empleando los sensores de dos dispositivos distintos. A partir de estos datos, se diseñó una línea de preprocesamiento que tiene como resultado un conjunto de imágenes RGB específicamente diseñadas para codificar espacialmente las series temporales. El núcleo experimental del trabajo consiste en comparar el rendimiento de una serie de arquitecturas de red convolucional —tanto preexistentes como de creación propia— en una tarea de verificación binaria usuario genuino/impostor. Se han entrenado y comparado cinco arquitecturas: ResNet18, ResNet50, EfficientNet-B0, MobileNetV2 y una CNN de diseño propio; empleando la tasa de equierror (EER) como métrica principal de evaluación. El sistema ha sido implementado mediante PyTorch, haciendo uso de técnicas de transferencia de aprendizaje, y la experimentación se ha llevado a cabo en una combinación de entornos locales y máquinas virtuales proporcionadas por la universidad. Los resultados obtenidos permiten estudiar la factibilidad de este tipo de redes en entornos interactivos y comprobar si pueden alcanzar tasas de error competitivas utilizando exclusivamente dispositivos comerciales.

The main objective of this thesis is to explore the feasibility of using Convolutional Neural Networks (CNN) in gait-based biometric verification from inertial data obtained from commercial wearable devices. The identification of people by analyzing their gait is a non-invasive technique of growing interest within the field of biometrics, especially in environments where other forms of authentication may be intrusive or inappropriate. This study is based on a previous line of work developed in the Department of Computer Science of the University of Valladolid, where a set of real data was collected using the sensors of two different devices. From this data, a preprocessing process was developed, resulting in a set of RGB images specifically designed to spatially encode the time series. The experimental core of the work consists of comparing the performance of a number of convolutional network architectures - both pre-existing and self-created - in a binarial genuine user/impostor verification task. Five architectures have been trained and compared: ResNet18, ResNet50, EfficientNetB0, MobileNetV2, and a self-designed CNN; using the Equal Error Rate (EER) as the main evaluation metric. The system has been implemented using PyTorch, making use of learning transfer techniques, and the experimentation has been carried out in a combination of local environments and virtual machines provided by the university. The results obtained allow us to study the feasibility of this type of networks in interactive environments and to check if they can achieve competitive error rates using exclusively commercial devices.