Ciemne okulary i kaptur już nie pomogą. Koniec z anonimowością

Możesz zasłonić twarz, założyć czapkę, odwrócić głowę od kamery albo przejść przez kadr w tłumie. To wcale nie musi wystarczyć. Sztuczna inteligencja coraz lepiej radzi sobie z rozpoznawaniem ludzi po czymś znacznie trudniejszym do ukrycia: po sposobie chodzenia.

Nowy system SKDMap-Net nie patrzy przede wszystkim na twarz ani na ogólny kształt sylwetki. Analizuje ruch ciała w czasie: pozycje stawów, kąty, prędkość i przyspieszenie ruchu. Innymi słowy, traktuje chód jak podpis biometryczny. Nie taki, który zostawiasz palcem na czytniku. Taki, który zostawiasz za każdym razem, gdy idziesz ulicą.

Rozpoznawanie twarzy ma swoje oczywiste ograniczenia. Kamera musi widzieć twarz pod odpowiednim kątem, obraz musi być wystarczająco ostry, a osoba nie może być zbyt daleko. Maska, kaptur, okulary, odwrócenie głowy albo kiepskie światło potrafią utrudnić zadanie. Systemy oparte na chodzie omijają część tych problemów.

Człowiek nie musi współpracować z kamerą. Nie musi się zatrzymać, spojrzeć w obiektyw ani przyłożyć palca do skanera. Wystarczy, że idzie. Dla systemu liczy się rytm kroku, sposób pracy nóg, ruch ramion, ustawienie tułowia, rotacja bioder i wiele drobnych zależności, których sami zwykle nie kontrolujemy.

SKDMap-Net idzie krok dalej niż starsze podejścia, które często skupiały się na sylwetce albo zarysie ciała. Sylwetka jest problematyczna, bo zmienia ją płaszcz, plecak, torba, kurtka, kąt kamery albo częściowe zasłonięcie przez innego przechodnia. Nowy system ma patrzeć głębiej: na szkielet ruchu, a nie tylko na zewnętrzny kontur. To właśnie sprawia, że technologia jest jednocześnie ciekawa i niepokojąca.

System SKDMap-Net analizuje tzw. punkty kluczowe ciała pozyskane z nagrania wideo. Można je rozumieć jako uproszczony szkielet człowieka: głowa, barki, łokcie, biodra, kolana, kostki i inne punkty, które pozwalają opisać pozycję ciała w kolejnych klatkach.

Na tej podstawie algorytm wylicza pozycje stawów, kąty między częściami ciała, prędkości kątowe oraz przyspieszenia. Pamiętajmy, że chód nie jest statycznym obrazem. Jest sekwencją. Dopiero ruch pokazuje, jak ktoś przenosi ciężar, jak stawia stopę, jak balansuje ramionami i jak jego ciało wraca do równowagi przy każdym kroku.

SKDMap-Net przetwarza osobno informacje o pozycji ciała i dynamice ruchu, a potem je łączy. Wykorzystuje też mechanizm uwagi, który pozwala modelowi przypisywać większe znaczenie tym częściom ciała, które w danej sytuacji niosą najwięcej informacji. Jeśli nogi są częściowo zasłonięte, większą rolę mogą dostać ramiona albo tułów. Jeśli kamera patrzy z trudnego kąta, system próbuje wyciągnąć sens z tego, co nadal widać.

Chód jest biometrią behawioralną. Twarz można częściowo zakryć, telefon można zostawić w domu, kartę można wymienić, hasło można zmienić, ale chodu nie da się tak po prostu wyłączyć.

Oczywiście można próbować iść inaczej. Można kuleć, skrócić krok, zmienić rytm, wziąć ciężką torbę albo założyć inne buty. Problem w tym, że naturalny wzorzec ruchu jest zakorzeniony w ciele: w proporcjach, nawykach, postawie, napięciu mięśni, przebytych urazach i sposobie poruszania się. Fałszowanie go przez dłuższy czas jest trudne i męczące.

Właśnie dlatego taka technologia może okazać się niezwykle atrakcyjna dla służb, lotnisk, dużych obiektów, infrastruktury krytycznej, kampusów, stadionów czy systemów kontroli dostępu. Może pomóc rozpoznać osobę z większej odległości, gdy twarz nie jest użyteczna. Może też wspierać wyszukiwanie ludzi w nagraniach z wielu kamer.

Jak pisaliśmy w tekście: Okulary Facebooka rozpoznają cię w czasie rzeczywistym. Żegnamy anonimowość, technologia identyfikacji przestaje być zamknięta w policyjnych bazach i miejskim monitoringu. Coraz łatwiej przenieść ją do urządzeń, aplikacji i usług, które działają w codziennym otoczeniu. Rozpoznawanie chodu może być kolejnym krokiem w tym samym kierunku.

Analiza chodu może ograniczać ilość przetwarzanych danych wizualnych. System nie musi przechowywać szczegółowego obrazu twarzy ani całej sylwetki. Może pracować na mapie punktów ciała i ruchu. Z punktu widzenia inżynierii prywatności brzmi to lepiej niż klasyczne rozpoznawanie twarzy.

Jest to jednak tylko połowa prawdy. Jeśli z takiej mapy da się ponownie zidentyfikować człowieka, to nadal mówimy o bardzo wrażliwej informacji. Nie musimy znać twarzy, żeby śledzić osobę między kamerami. Nie musimy znać nazwiska, żeby wiedzieć, że ten sam człowiek pojawia się codziennie o 8:12 przy przystanku, o 8:27 przy biurze i o 17:45 w sklepie.

Prywatność nie polega wyłącznie na ukrywaniu twarzy. Polega także na tym, żeby nie dało się łatwo sklejać naszych ruchów w długą mapę zachowań. Rozpoznawanie chodu jest pod tym względem groźne, bo działa tam, gdzie człowiek czuje się względnie anonimowy: w przestrzeni publicznej, z daleka, mimo braku kontaktu z urządzeniem.

Jak pisaliśmy w tekście: AI wysokiego ryzyka. Regulacje mogą zaskoczyć firmy, biometria w AI to nie tylko twarz. To także inne systemy służące identyfikacji lub kategoryzacji osób. Chód bardzo dobrze pasuje do tej kategorii, nawet jeśli nie brzmi tak groźnie, jak skan tęczówki.

Stary monitoring nagrywał. Nowy monitoring analizuje. To zasadnicza różnica. Kamera przestaje być tylko biernym świadkiem zdarzenia, do którego ktoś wróci po fakcie. Staje się elementem systemu, który może rozpoznawać wzorce, porównywać ludzi, wykrywać zachowania i podpowiadać operatorowi, na co patrzeć.

Rozpoznawanie chodu idealnie do tego pasuje. System nie musi złapać idealnego kadru. Może zebrać fragmenty ruchu z kilku sekund. Może działać na osobie idącej bokiem, od tyłu albo częściowo zasłoniętej. Może połączyć dane z kilkoma innymi kamerami. Im więcej przestrzeni jest objęte monitoringiem, tym większa pokusa, żeby nie tylko nagrywać ludzi, ale ich rozpoznawać.

Przeczytaj także:

Jak pisaliśmy w tekście: Miejskie kamery przewidzą przestępstwa, zanim do nich dojdzie. Taki "Raport mniejszości", ale w realu, miasta coraz chętniej testują systemy, które mają nie tylko rejestrować, ale także przewidywać i alarmować. Problem w tym, że każda taka warstwa zwiększa asymetrię między obserwującym a obserwowanym. Obywatel idzie przez dworzec, system analizuje jego ruch. Obywatel nawet nie wie, czy jest tylko nagrywany, czy już identyfikowany, oceniany i porównywany z bazą danych.