Dorsal Hand Images for Immersive (XR) and Privacy-preserving Age Assurance and Child Safety
作者: Riccardo Bovo, George Loukas, Josh P. Davis
分类: cs.CV
发布日期: 2026-08-21
💡 一句话要点
提出手背图像以解决XR环境中的隐私保护年龄验证问题
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 扩展现实 年龄验证 隐私保护 生物特征识别 手背图像 神经网络 用户安全
📋 核心要点
- 现有的年龄验证方法在XR环境中面临挑战，无法在用户会话期间有效验证年龄。
- 本文提出利用手背图像作为隐私保护的生物特征，利用XR头显的摄像头捕捉手势。
- 实验结果显示，该方法在18岁年龄阈值下实现零未成年人入场，验证了其有效性。
📝 摘要（中文）
确保扩展现实（XR）环境适合不同年龄段用户是一个重要的监管和安全挑战。然而，现有的年龄验证方法仅在注册时进行，无法在会话期间验证活跃用户的年龄。基于面部的解决方案在XR中不切实际，因为它们需要用户摘下头显并拍摄自拍，这不仅打断了沉浸感，还引入了与第三方共享面部图像的隐私风险。本文提出利用手背作为面部的替代方案，利用XR头显内置的第一人称摄像头捕捉手势交互。为此，我们收集了436名参与者的年龄和性别分层的多元文化数据集，评估在法律关键的18岁阈值下，标准神经网络架构的年龄验证性能。分析结果确认该方法对肤色变化具有鲁棒性，挑战-31操作点实现了零未成年人入场，使该系统成为有效的第一阶段年龄验证筛选工具。
🔬 方法详解
问题定义：本文旨在解决XR环境中缺乏有效的实时年龄验证方法的问题。现有的面部识别技术在用户体验和隐私保护方面存在显著不足。
核心思路：论文提出利用手背图像作为替代，通过XR头显的摄像头捕捉手势，避免了面部识别带来的隐私风险，同时保持了用户的沉浸感。
技术框架：整体架构包括数据收集、特征提取和年龄验证三个主要模块。数据收集阶段涉及在不同光照和方向条件下获取手背图像，特征提取阶段使用标准神经网络架构进行处理，最后进行年龄验证。
关键创新：最重要的技术创新在于将手背形态学特征作为生物特征用于年龄验证，这与传统的面部识别方法本质上不同，提供了更高的隐私保护。
关键设计：在实验中，使用了标准的神经网络架构，针对年龄验证任务进行了优化，确保在不同肤色条件下的鲁棒性，损失函数设计考虑了年龄分类的准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，挑战-31操作点在18岁年龄阈值下实现了零未成年人入场，表明该系统在年龄验证方面具有极高的准确性和有效性，且对肤色变化表现出良好的鲁棒性。
🎯 应用场景
该研究的潜在应用领域包括XR游戏、社交平台和在线教育等，能够有效保护未成年用户的隐私，同时确保平台的合规性。未来，该方法可能推动更多隐私保护技术在数字环境中的应用，提升用户体验与安全性。
📄 摘要（原文）
Ensuring that Extended Reality (XR) environments are age-appropriate is an important regulatory and safety challenge. However, current age assurance operates only at registration and cannot verify the age of the active user during a session. Face-based approaches, the dominant solution in social media and adult platforms, are impractical in XR, because they require removing the headset and taking a self-captured image, often on a mobile app. This both breaks immersion and introduces the privacy risk of sharing face pictures with third parties, which leaves XR platforms without a viable path to continuous, in-session and privacy-preserving age assurance. We propose the dorsal part of the hand as an alternative to the face, by exploiting the egocentric cameras that XR headsets inherently and naturally use to capture gesture interactions. To evaluate this, we collect an age- and sex-stratified, ethnodiverse dataset of 436 participants spanning the minor--adult boundary, captured under unconstrained lighting and orientation conditions. To characterise what is achievable with off-the-shelf methods at the minor--adult boundary, we evaluate standard neural network architectures for age assurance at the legally critical 18-year threshold. Analysis confirms performance is robust to skin-tone variation. On this dataset, the challenge-31 operating point achieves zero minor admission, making the system a viable first-stage filter for age assurance. These findings position dorsal hand morphometrics as an effective and more privacy-preserving biometric modality for in-session age assurance in XR.