Аспекты использования различных методов распознавания лиц в современных системах безопасности | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 5 февраля, печатный экземпляр отправим 9 февраля.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №47 (389) ноябрь 2021 г.

Дата публикации: 19.11.2021

Статья просмотрена: 9 раз

Библиографическое описание:

Швецов, Н. И. Аспекты использования различных методов распознавания лиц в современных системах безопасности / Н. И. Швецов, Д. А. Шиянов. — Текст : непосредственный // Молодой ученый. — 2021. — № 47 (389). — С. 8-10. — URL: https://moluch.ru/archive/389/85697/ (дата обращения: 25.01.2022).



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).

Общая схема алгоритма распознавания лиц

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:

  1. ГОСТ Р 58833–2020 Защита информации. Идентификация и аутентификация // СПС «КонсультантПлюс»
  2. Швырев Б. А. Информационная безопасность и биометрия // Пенитенциарная наука. 2015. № 2 (30). URL: https://cyberleninka.ru/article/n/informatsionnaya-bezopasnost-i-biometriya.
  3. Анализ существующих подходов к распознаванию лиц [Электронный ресурс] // Хабр — сообщество IT-специалистов. URL: https://habr.com/ru/company/synesis/blog/238129/.
  4. 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.
  5. 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.
  6. 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.
Основные термины (генерируются автоматически): линейный дискретный анализ, гибкое сравнение, идентификация личности, лицо, конечный результат, метод главных компонент, метод распознавания лиц, распознавание лиц, распознавание лица, сеть.


Ключевые слова

безопасность, идентификация личности, биометрия, распознавание лиц, метод гибкого сравнения на графах, метод распознавания лиц с использованием нейронных сетей, метод главных компонент и линейного дискретного анализа
Задать вопрос