Forensic Iris Image-Based Post-Mortem Interval Estimation

要約

死後虹彩認識は、法医学セットアップにおける虹彩ベースの人間識別の新たなアプリケーションです。
虹彩認識方法を調整する際に役立つ可能性のある要因の 1 つは組織分解レベルです。これは死後間隔 (PMI)、つまり死後の経過時間と相関関係があります。
ただし、PMI は常に利用できるわけではなく、その正確な推定は依然としてフォレンジック検査における中心的な課題の 1 つです。
この論文は、死後に撮影された虹彩画像から直接 PMI を推定する、既知の最初の方法を紹介します。
虹彩ベースの PMI 推定の実現可能性を評価するために、(a) 近赤外 (NIR)、(b) 可視 (RGB)、(c) マルチスペクトル (RGB+NIR) 法医学虹彩画像から PMI を予測するモデルを設計しました。
。
モデルは、(S1) サンプル間結合、(S2) 対象間間、および (S3) クロスデータセットのシナリオで、10 分割相互検証に従って評価されました。
S3 の 2 つのデータ バランシング手法、リサンプリングベースのバランシング (S3-real) と合成データを補足したバランシング (S3-synthetic) を検討します。
マルチスペクトル データを使用すると、シナリオ (S1) では $\約 3.5$ 時間という驚くほど低い平均絶対誤差 (MAE) が得られ、シナリオ (S2) では少し悪い MAE $\約 17.5$ 時間であり、MAE が得られることがわかりました。
シナリオ (S3) では $\約 45.77$ 時間。
さらに、合成的に生成された法医学虹彩画像 (S3 合成) でトレーニング セットを補完すると、別の研究室で収集された新しい NIR、RGB、およびマルチスペクトル データに一般化するモデルの能力が大幅に強化されます。
これは、環境条件が良好な場合 (例: 遺体が低温に保たれている場合)、法医学虹彩画像から PMI を示す特徴が得られ、自動的に推定できることが示唆されます。

要約(オリジナル)

Post-mortem iris recognition is an emerging application of iris-based human identification in a forensic setup. One factor that may be useful in conditioning iris recognition methods is the tissue decomposition level, which is correlated with the post-mortem interval (PMI), \ie the number of hours that have elapsed since death. PMI, however, is not always available, and its precise estimation remains one of the core challenges in forensic examination. This paper presents the first known to us method of the PMI estimation directly from iris images captured after death. To assess the feasibility of the iris-based PMI estimation, we designed models predicting the PMI from (a) near-infrared (NIR), (b) visible (RGB), and (c) multispectral (RGB+NIR) forensic iris images. Models were evaluated following a 10-fold cross-validation, in (S1) sample-disjoint, (S2) subject-disjoint, and (S3) cross-dataset scenarios. We explore two data balancing techniques for S3: resampling-based balancing (S3-real), and synthetic data-supplemented balancing (S3-synthetic). We found that using the multispectral data offers a spectacularly low mean absolute error (MAE) of $\approx 3.5$ hours in the scenario (S1), a bit worse MAE $\approx 17.5$ hours in the scenario (S2), and MAE $\approx 45.77$ hours in the scenario (S3). Additionally, supplementing the training set with synthetically-generated forensic iris images (S3-synthetic) significantly enhances the models’ ability to generalize to new NIR, RGB and multispectral data collected in a different lab. This suggests that if the environmental conditions are favorable (\eg, bodies are kept in low temperatures), forensic iris images provide features that are indicative of the PMI and can be automatically estimated.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google