De Italiaanse politie heeft onlangs Matteo Messina Denaro gearresteerd, de vermeende leider van de Siciliaanse maffia die sinds 1993 op de vlucht is. Om te helpen bij de zoektocht hebben de carabinieri een kunstmatig verouderde foto gemaakt om te laten zien hoe hij er nu uitziet.
Kunstenaars hebben deze beelden traditioneel gemaakt door oude foto’s van de verdachte te wijzigen – door het toevoegen van rimpels, haaruitval en andere gebruikelijke aspecten van het ouder worden. Maar de laatste jaren is er een verschuiving naar computersystemen die gebruik maken van machine learning, een veel geraffineerdere en geformaliseerde manier om de gezichten van mensen te veranderen.
We kunnen niet met zekerheid voorspellen hoe iemand er jaren na zijn laatste beschikbare foto uit zal zien, maar deze beelden kunnen de politie wel helpen. Dit is hoe de technologie zich heeft ontwikkeld.
Een evoluerende vaardigheid
De eerste geautomatiseerde methode, die inmiddels is achterhaald, maakte gebruik van het verschil tussen twee gemiddelde beelden. Foto’s van een aantal mensen (misschien 30) die qua leeftijd, geslacht en algemene kleur overeenkwamen met het doel, werden samengevoegd tot een gemiddeld “jong” beeld.
Een andere oudere set leverde het gemiddelde “oudere” gezicht op. De computer berekende het verschil tussen de twee beelden – grijzend haar, rimpels en andere kenmerken – en paste dat verschil toe op het beeld van het jonge gezicht, waardoor een beeld ontstond dat er ouder uitzag.
Of het er werkelijk uitzag als een ouder persoon is een andere zaak, maar toen een van ons (Peter Hancock) het probeerde, produceerde het een beeld dat erg op zijn vader leek, alleen zonder de NHS-bril.
De bekende Amerikaanse psychologe Alice O’Toole van de Universiteit van Texas in Dallas, ontdekte per ongeluk een ander aspect van computergestuurde veroudering. Zij probeerde automatische karikaturen van mensen in 3D te maken, door de nadruk te leggen op verschillen tussen een individueel gezicht en een gemiddelde van gezichten van andere mensen van dezelfde leeftijd. Ze ontdekte dat de karikaturen er ouder uitzagen.
Het lijkt erop dat mensen in de regel meer opvallen naarmate ze ouder worden – dunne mensen worden mager en grote neuzen worden groter. Dit benadrukt een belangrijk aspect van het ouder worden – we doen het allemaal anders.
Twee dingen beïnvloeden hoe we ouder worden: onze genetica en onze omgeving. Buiten werken kan de huid doen verouderen. Roken en voeding kunnen ook sterke effecten hebben. Een kunstenaar die probeert een verouderde afbeelding te maken, kan foto’s van familieleden bekijken om te zien hoe de leeftijd hen heeft beïnvloed. Sommige computermethoden proberen dit ook te doen.
De invloed van nature en nurture kan het moeilijk maken om nauwkeurig te voorspellen hoe iemand er in de toekomst uit zal zien. Uit ons onderzoek met de Amerikaanse psychologen Jim Lampinen van de Universiteit van Arkansas en Blake Erickson van de Texas A&M University-San Antonio blijkt dat er grote verschillen zijn in de manier waarop kunstenaars een leeftijdsverloop voorbereiden.
Wij ontdekten dat het gemiddelde van leeftijdsverlopen van verschillende kunstenaars even goed was als de enkele beste afbeelding. Aangezien het van tevoren onbekend is welke afbeelding de beste zal zijn, lijkt dit een goede manier om de nauwkeurigheid te verbeteren.
Het maken van verschillende beelden van een persoon, met een paar mogelijke manieren waarop ze ouder zouden kunnen zijn geworden, zou een veelbelovend alternatief kunnen zijn. Het zou hen bijvoorbeeld kunnen tonen met verschillende niveaus van haaruitval.
Het idee is gebaseerd op de manier waarop gezichtscomposieten van een verdachte worden gemaakt. Deze composities zijn computergestuurde gelijkenissen gebaseerd op ooggetuigenverslagen. Dit wordt gedaan in de hoop dat iemand het gezicht aan de politie kan noemen, waardoor een onderzoek een aanwijzing krijgt (die al dan niet correct kan zijn).
Softwarepakketten zoals E-Fit en EvoFit (die wij hebben ontwikkeld) kunnen verschillende versies van het beeld van de dader genereren met en zonder baard, met hoofddeksels en andere gebruikelijke vermommingen. Ze kunnen ook leeftijd, gewicht, gezondheid en andere leeftijdsgebonden aspecten van het uiterlijk veranderen.
Nieuwe wegen voorwaarts
De huidige computersystemen voor verouderingsverdenkingen op basis van oude foto’s maken gebruik van diepe neurale netwerken, van het soort dat het terrein van de kunstmatige intelligentie aan het transformeren is. Dit zijn geavanceerde computersystemen die kunnen worden gebruikt voor complexe taken en het vermogen hebben om te verbeteren door te leren van voorbeelden.
De netwerken worden getraind met, of getoond aan, een grote steekproef van foto’s in paren, die dezelfde persoon tonen op twee verschillende leeftijden, en leren dan de mapping te doen – het produceren van een ouder beeld wanneer ze het jonge beeld hebben gekregen.
Hoewel een dergelijk systeem misschien alleen de gemiddelde transformatie van een gezicht in termen van leeftijd leert, kan het ook veel meer details leren – bijvoorbeeld of een bepaald soort gezicht op een bepaalde manier zal verouderen.
De resultaten kunnen worden vergeleken met bekende monsters van gezichten en verschillende onderzoekers wedijveren om de verschillen tussen de voorspellingen en de werkelijkheid zo klein mogelijk te maken. De technologie is gemakkelijk inzetbaar – er zijn zelfs telefoon-apps die je gezicht verouderen, als je dat wilt.
Terugkomend op de verouderde foto van Matteo Messina Denaro, is het intrigerend om op te merken dat – in onze analyse – een computergezichtsherkenningssysteem (een ander type diepe neurale netwerken) de arrestatiefoto matcht met de 30 jaar oude foto, maar niet met de kunstmatig verouderde foto.
Aangezien een belangrijke rol voor computergezichtsherkenning – als de maatschappij besluit het te accepteren – zou kunnen zijn om lang gezochte mensen op te sporen, suggereert dit dat er wellicht meer onderzoek nodig is om vast te stellen wat de beste manier is om dit te doen.
Peter Hancock is een van de ontwikkelaars van EvoFIT. Met de inkomsten uit de commerciële verkoop van het systeem wordt studentenonderzoek aan de Universiteit van Stirling gefinancierd.
Charlie Frowd is een van de ontwikkelaars van het EvoFIT gezichtscomposiet systeem. Charlie Frowd en de Universiteit van Central Lancashire halen enige royalty-inkomsten uit de verkoop van het systeem.
