В статье авторы стараются обозреть существующие аспекты использования различных методов распознавания лиц в современных системах безопасности.
Ключевые слова: распознавание лиц, идентификация личности, биометрия, безопасность, метод гибкого сравнения на графах, метод распознавания лиц с использованием нейронных сетей, метод главных компонент и линейного дискретного анализа.
Проблема идентификации личности человека в современном мире достаточно широка. В общих чертах, идентификация предполагает действия по присвоению субъектам и объектам доступа идентификаторов и/или по сравнению предъявляемого идентификатора с перечнем присвоенных идентификаторов [1]. Из этого вытекает конфликт анонимности человека и необходимости хранения данных, которые формируются в ходе бытовой деятельности человека, посещения им различных общественных мест, интернет-ресурсов.
Актуальность исследования заключается в том, что персональные данные людей постоянно под угрозой, ведь используя биометрию, можно узнать о человеке абсолютно всё. Исходя из этого, биометрия человека — это набор индивидуальных физиологических, анатомических психологических, поведенческих характеристик [2]. Именно поэтому информация сегодня стоит дорого и именно поэтому её необходимо защищать.
Идентификация по биометрическим данным используется для обеспечения определённой степени защищённости информации и может производиться разными способами. Самые распространённые сейчас типы — это анализ папиллярного рисунка ладонных поверхностей кожи, сетчатки глаза, голоса, почерка, распознавание лица. Все указанные подходы к идентификации личности в основном используются в вопросах обеспечения безопасности информации, среди которых:
— безопасность мобильных устройств;
— безопасность домовладений;
— безопасность участников дорожно-транспортного движения;
— обеспечение пропускного режима в организациях;
— уровень защищённости отдельных данных;
— безопасность общественных мест.
Распознавание лица в настоящее время является методом идентификации личности, который используется для обеспечения безопасности большей части населения. Зачастую автоматически алгоритм применяется вместе с камерами видеонаблюдения, например, в рамках развития АПК «Безопасный город» — системы видеофиксации размещаются в местах крупного скопления людей: площадях, торговых центрах, центральных транспортных артериях. Однако, у оператора всё ещё остаётся возможность влиять на процесс, например, в рамках формирования базы данных эталонных моделей.
Сейчас существует большое количество алгоритмов распознавания лиц, которые применяются в современных устройствах, однако, возможно выделить общую структуру процесса распознавания лиц в виде структурной схемы (рис. 1).
Рис. 1. Общая схема алгоритма распознавания лиц
Выделение лица в видеопотоке — это этап, на котором из видеоряда, с помощью дискретного устройства либо программного алгоритма, изымается изображение, на котором видно лицо.
Нормализация изображения означает геометрическое и яркостное выравнивание изображения, которое требуется для корректного определения антропометрических точек.
Формирование математической модели лица происходит с использованием выделенных антропометрических точек.
Сравнение с эталонами в базе означает сравнение биометрических шаблонов, которые хранятся в базе, с полученной математической моделью.
Наибольшую проблему в настоящее время составляет выбор метода распознавания лиц. Для идентификации личности используется всего три — методы гибкого сравнения на графах, использования нейронных сетей, главных компонент и линейного дискретного анализа [3].
Метод гибкого сравнения на графах — метод распознавания лиц, в котором графы, как правило, представлены в виде структур, построенных на основе антропометрических точек лица. Он буквально сводится к сопоставлению графов, которые описывают лица [4].
Данный способ достаточно эффективен, но требует достаточно высоких вычислительных затрат, а основной его недостаток заключает в линейной зависимости времени обработки лица от размеров базы данных.
Распознавание лиц с использованием нейронных сетей — наиболее широко используемый в настоящее время метод распознавания лиц, в рамках которого применяются четыре способа [5]:
— эмпирический, пригодный для распознавания одного лица и заключающийся в построении перпендикулярных гистограмм;
— инвариантный — так же непригодный для распознавания при наличии других лиц на фон, и построенный на идентификации комплексных признаков лица;
— авторский — детектирование определённых шаблонов на каждом сегменте лица с помощью алгоритма, определяемого разработчиком;
— обучаемый — основанный на принципах машинного обучения алгоритм, использующий базы данных и определяющий лицо с помощью вектора признаков.
Высокая вычислительная эффективность использования нейронных сетей обусловлена параллельностью работы алгоритмов, а также слабым влиянием затенённости изображения на конечный результат, а недостаток заключается в том, что при добавлении нового элемента в базу данных требуется полное переобучение нейросети с учётом новой записи в базе.
Метод главных компонент и линейного дискретного анализа — использование данного способа подразумевает преобразование изображений в низкоразмерное пространство признаков, которое, в свою очередь, делится на классы. Это действие происходит для проведения аппроксимации входного набора данных. Класс содержит в себе изображения одного лица, множество классов — изображения разных лиц [6].
С помощью линейного дискретного анализа происходит формирование нового подпространства, в проекции которого, максимальное количество классов будет линейно сепарабельно. Указанный метод высокоэффективен лишь вкупе с использованием линейного дискретного анализа.
Важно учесть, что в условиях реального применения метода, основной сложностью является неполная видимость лица, которое требуется распознать, соответственно наиболее эффективный метод должен работать и при таких обстоятельствах.
Исходя из вышеописанного, можно сделать вывод — наиболее эффективным методом распознавания лиц является метод, связанный с использованием нейронных сетей. Его преимущество на фоне остальных методов заключается в слабом влиянии искажений изображения, аксессуаров, бороды, волос на конечный результат.
Литература:
- ГОСТ Р 58833–2020 Защита информации. Идентификация и аутентификация // СПС «КонсультантПлюс»
- Швырев Б. А. Информационная безопасность и биометрия // Пенитенциарная наука. 2015. № 2 (30). URL: https://cyberleninka.ru/article/n/informatsionnaya-bezopasnost-i-biometriya.
- Анализ существующих подходов к распознаванию лиц [Электронный ресурс] // Хабр — сообщество IT-специалистов. URL: https://habr.com/ru/company/synesis/blog/238129/.
- Арсентьев Д. А., Бирюкова Т. С. Метод гибкого сравнения на графах как алгоритм распознавания образов // Вестник МГУП. 2015. № 6. URL: https://cyberleninka.ru/article/n/metod-gibkogo-sravneniya-na-grafah-kak-algoritm-raspoznavaniya-obrazov.
- Максименко В. Н., Волошина Т. С. Анализ системы распознавания лиц по алгоритму нейронной сети // Экономика и качество систем связи. 2018. № 4 (10). URL: https://cyberleninka.ru/article/n/analiz-sistemy-raspoznavaniya-lits-po-algoritmu-neyronnoy-seti.
- Мокеев В. В., Томилов С. В. О решении задачи распознавания изображений методом главных компонент и линейным дискриминантным анализом // КО. 2014. № 4. URL: https://cyberleninka.ru/article/n/o-reshenii-zadachi-raspoznavaniya-izobrazheniy-metodom-glavnyh-komponent-i-lineynym-diskriminantnym-analizom.
