Beyond Mortality: Advancements in Post-Mortem Iris Recognition through Data Collection and Computer-Aided Forensic Examination

Resumo Técnico: Reconhecimento de Íris Post-Mortem

1. Problema e Motivação

O reconhecimento de íris é uma modalidade biométrica robusta para indivíduos vivos, mas sua aplicação em cadáveres (reconhecimento post-mortem) enfrenta barreiras significativas:

• Dificuldade de Coleta de Dados: A obtenção de dados biométricos de sujeitos falecidos é complexa, exigindo técnicos forenses e ocorrendo em necrotérios, o que resulta em conjuntos de dados pequenos, desbalanceados e fragmentados.
• Falta de Métodos Especializados: A maioria dos algoritmos existentes foi projetada para sujeitos vivos e não lida bem com as alterações fisiológicas e estruturais que ocorrem após a morte (decomposição, rugas na córnea, opacidade).
• Riscos de Segurança: Há a preocupação de que padrões de íris preservados de falecidos possam ser usados em ataques de apresentação (impersonação) para burlar sistemas de segurança, exigindo a capacidade de detectar se uma íris é de um sujeito vivo ou falecido.
• Ferramentas Forenses: Existe uma lacuna em ferramentas que auxiliem examinadores humanos, fornecendo não apenas listas de candidatos, mas também explicações sobre as decisões de correspondência.

2. Metodologia

Os autores adotaram uma abordagem multidisciplinar envolvendo coleta de dados em larga escala, experimentação algorítmica e desenvolvimento de software forense.

• Coleta de Dados (NIJ-2018-DU-BX-0215):

  • Coletado no Escritório do Médico Legista do Condado de Dutchess (Nova York).
  • Escala: 259 sujeitos falecidos, resultando em 5.770 imagens de infravermelho próximo (NIR) e 4.643 imagens de luz visível (RGB).
  • Intervalo Pós-Morte (PMI): O maior intervalo registrado foi de 1.674 horas (aproximadamente 70 dias).
  • Casos Únicos: Inclui o primeiro caso publicado com imagens pré e pós-morte do mesmo sujeito, além de casos com lesões graves (deslocamento do globo ocular, fraturas orbitárias).
  • Processamento: As imagens foram curadas, com máscaras de segmentação geradas por modelos de deep learning treinados especificamente para íris post-mortem (detectando rugas, oclusões e textura).

• Experimentos de Reconhecimento:

  • Corpus Combinado: Os dados novos foram combinados com datasets públicos anteriores (Warsaw BioBase), totalizando 338 sujeitos falecidos para análise.
  • Algoritmos Testados: Cinco métodos distintos foram avaliados:
    1. OSIRIS: Abordagem clássica baseada em wavelets de Gabor.
    2. USIT: Método baseado em código de íris com kernels não-Gabor.
    3. HDBIF: Método baseado em percepção humana e aprendizado profundo (segmentação específica para post-mortem).
    4. DGR: Representação de Grafo Dinâmico (Deep Learning).
    5. VeriEye: Solução comercial proprietária.
  • Análise Demográfica: Avaliação do impacto de gênero e idade no desempenho, com balanceamento dos dados para controlar variáveis de confusão.

• Detecção de Ataques de Apresentação (PAD):

  • Utilização do modelo D-NetPAD (baseado em DenseNet-121) para classificar se uma íris é de um sujeito vivo ou falecido.
  • Aprendizado Few-Shot: Experimentos foram realizados para testar a eficácia do modelo ao ser fine-tuned (ajustado) com quantidades mínimas de dados post-mortem (de 5 a 50 amostras) para detectar cadáveres como "spoofs".

• Ferramenta Forense (PMExpert):

  • Desenvolvimento de um software de código aberto que integra métodos de reconhecimento, métricas de qualidade ISO/IEC 29794-6 e elementos de explicabilidade (mapas de ativação e visualização de regiões salientes) para auxiliar examinadores humanos.

3. Principais Contribuições

1. Novo Dataset de Grande Escala: O dataset NIJ-2018-DU-BX-0215, o maior e mais diversificado até a data, com o maior PMI registrado e casos únicos de imagens pré/pós-morte.
2. Validação de Detecção de Cadáveres: Demonstração de que é possível detectar íris post-mortem como ataques de apresentação com alta precisão, mesmo utilizando poucos dados de treinamento (few-shot learning).
3. Análise Demográfica e Biológica: Estudo abrangente sobre como fatores como idade, gênero e o intervalo pós-morte (PMI) afetam a taxa de erro, revelando que a degradação da identidade não é linear e é mais severa nas primeiras 72 horas.
4. Ferramenta Forense Aberta: Lançamento do PMExpert, uma ferramenta que integra algoritmos de ponta com visualização explicativa para uso prático em necrotérios.
5. Comparação de Algoritmos: Avaliação rigorosa de cinco famílias de algoritmos, identificando quais são mais robustos para cenários forenses.

4. Resultados Chave

• Desempenho de Reconhecimento:

  • O método HDBIF (baseado em percepção humana e segmentação específica) apresentou o melhor desempenho geral, com baixa taxa de falha de correspondência (FTM) e alta precisão, superando métodos comerciais e de deep learning genéricos.
  • Imagens NIR (Infravermelho) superaram significativamente as imagens RGB (Visível) em todos os métodos.
  • A correspondência entre imagens de diferentes espectros (NIR vs. RGB) teve desempenho muito inferior.
  • A correspondência pré-morte vs. pós-morte foi viável, com o VeriEye alcançando uma Taxa de Erro Igual (EER) de 1% e FTM de 8%.

• Impacto do Tempo (PMI):

  • A degradação da capacidade de reconhecimento é mais acentuada nas primeiras 72 horas após a morte. Após esse período, a queda no desempenho torna-se menos drástica, embora a confiabilidade geral diminua.

• Fatores Demográficos:

  • Idade: Sujeitos na faixa etária de 34 a 66 anos tenderam a apresentar melhor desempenho de reconhecimento do que os grupos mais jovens (1-33) ou mais velhos (67-99).
  • Gênero: Houve diferenças estatisticamente significativas entre gêneros dependendo do algoritmo utilizado, mas sem uma tendência causal clara e consistente em todos os métodos.

• Detecção de Ataques (PAD):

  • O modelo D-NetPAD, quando ajustado (fine-tuned) com apenas 50 amostras post-mortem, alcançou uma AUC (Área sob a Curva ROC) de 0,995, demonstrando alta capacidade de distinguir íris vivas de cadáveres.
  • Mesmo com apenas 5 amostras de treinamento, o modelo manteve uma capacidade discriminatória razoável (AUC > 0,92), validando a eficácia do aprendizado few-shot.

5. Significância e Impacto

Este trabalho representa um marco no campo da biometria forense:

• Avanço Científico: Preenche a lacuna crítica de dados escassos e desbalanceados, permitindo o desenvolvimento e validação de algoritmos mais robustos.
• Aplicação Prática: A ferramenta PMExpert já está em uso no Escritório do Médico Legista, demonstrando que a tecnologia é viável para operações reais de identificação de vítimas.
• Segurança Pública: A capacidade de detectar íris post-mortem como ataques de proteção é crucial para prevenir o uso indevido de cadáveres para burlar sistemas de segurança biométrica.
• Reprodutibilidade: A disponibilidade gratuita do dataset e do software (via NACJD) fomenta a pesquisa contínua e a transparência na comunidade forense.

Em suma, o artigo demonstra que o reconhecimento de íris post-mortem é viável e útil para investigações forenses, desde que sejam utilizados algoritmos adaptados, dados de alta qualidade e ferramentas que auxiliem a interpretação humana.