УДК 004.832
Возможность использования нейронных сетей для идентификации личности
Дружин Дмитрий Сергеевич, Фролова Марина Александровна
Балаковский инженерно-технологический институт — филиал федерального государственного автономного образовательного учреждения высшего образования «Национальный исследовательский ядерный университет «МИФИ» г. Балаково, Саратовская область
donat410@gmail.com, MAFrolova@mephi.ru
Рассматривается возможность применения аппарата нейронных сетей для идентификации личности человека. Описываются основные технологические решения применимые для идентификации личности человека. Делаются выводы по возможности применения аппарата нейронных сетей для идентификации личности человека.
Ключевые слова: нейронные сети, экспертная система, анализ изображений, распознавание личности, большие данные.
Ability to use neural networks for personal identification
Druzhin Dmitry Sergeevich, Frolova Marina Alexandrovna
Balakovo Institute of Engineering and Technology of the National Research Nuclear University MEPhI (Moscow Engineering Physics Institute), Balakovo, Saratov region
The possibility of application of neural network apparatus for human personality identification is considered. Describes the main technological solutions applicable to human identification. Conclusions are drawn as to the possibility of using neural network apparatus for the identification of human personality.
Keywords: neural networks, expert system, image analysis, identity recognition, big data.
Идентификация личности является активной и постоянно расширяющейся областью научных исследований. Под идентификацией личности подразумевается извлечение такой информации, как ориентировочные характеристики, поза, эмоции, пол, возраст, индивидуальные особенности и прочие признаки присущие каждому человеку. Идентификация личности имеет несколько областей применения, включая правоохранительную деятельность, проведение аутентификации на различных персональных устройствах таких как телефоны, использование биометрических данных лица для верификации пользователя при оплате, на транспортных средствах с функцией автономного вождения для предотвращения чрезвычайных ситуаций. Немаловажную роль играет идентификация личности при доступе на различные объекты с ограниченным уровнем доступа.
Системы идентификации и верификации личности, как правило, состоят из трех функциональных модулей. Первый — это детектор лиц для выявления лиц на изображении. Необходимыми для детектора лица характеристиками являются устойчивость к изменениям в позиции, освещенности и масштабе приходящего на него изображения. Кроме того, хороший детектор лица должен быть способен сопровождать и выделять пределы области, в которой было обнаружено лицо. Второй модуль локализует лицевые точки, такие как центры глаз, кончик носа, углы рта, мочки ушей и прочее. Эти ориентиры используются для выравнивания лиц, что смягчает эффект вращения в плоскости и масштабирования. Третьим элементом является функция извлечения идентификационной информации, которая заключается в преобразовании полученных данных в вид пригодный для обработки. Эти данные затем используются для вычисления степени сходства между двумя лицами. Эффективный механизм извлечения признаков должен быть устойчив к ошибкам, допущенным на предыдущих этапах: обнаружение лиц, локализация опорных точек и выравнивание лиц [1].
Эффективность сверточных нейронных сетей была не раз доказана при решении задач компьютерного зрения, таких как классификация изображений и обнаружение объектов. Глубокие сверточные нейронные сети являются нелинейными регрессорами из-за наличия иерархических сверточных слоев с нелинейными функциями активации. Глубокие сверточные нейронные сети применяются в качестве структурных элементов для всех трех модулей автоматического распознавания лиц: распознавания лиц, локализации ключевых точек лица, а также верификации и идентификации лиц.
Постоянно увеличивающиеся вычислительные мощности и доступность обширных наборов данных, привела к значительному повышению производительности глубоких сверточных нейронных сетей. Это связано с широкими вариациями данных по позе, освещению и в масштабе лиц, присутствующих в существующих наборах данных.
Обнаружение лиц является первым шагом в любом процессе распознавания или проверки лиц. Алгоритм распознавания лиц выводит местоположение всех лиц на заданном входном изображении, обычно в виде рамки вокруг лица. Детектор лиц должен быть устойчив к изменениям в позе, освещении, точке обзора, мимике, масштабу, цвету кожи, некоторым окклюзиям, переодеванию, макияжу и прочее. Современные детекторы лица на основе глубоких сверточных нейронных сетей основаны на применении общих подходов к обнаружению объектов. Детекторы сверточных нейронных сетей можно разделить на две подкатегории: по областям и по примеру протокола скользящего окна [1].
Подходы, ориентированные на области, изначально генерируют набор объектно-ориентированных представлений и используют сверточные нейронные сети, для определения того, является ли каждое представление лицом или нет.
Методы на основе принципа скользящих окон выводят обнаружение лиц в каждой точке на карте объектов в заданном масштабе. Эти обнаружения состоят из результатов детектирования лиц и граничного поля. Этот подход не опирается на отдельный шаг генерации предположения о том является ли представление лицом или нет, таким образом, данный метод, намного быстрее, чем областные подходы. В некоторых методах мульти масштабное обнаружение выполняется путем создания пирамиды изображений в нескольких масштабах
Ключевые точки лица включают в себя области глаз, кончик носа, мочки ушей, уголки рта и прочие элементы лица. Они необходимы для выравнивания лица, что является важным фактором для его идентификации и проверки.
Методы определения ключевых точек лица можно разделить на два типа: на основе модели и на основе регрессии. Подходы, основанные на модели, создают представление о форме во время тренинга и используют его для соотнесения лиц во время тестирования. Каскадные методы регрессии непосредственно сопоставляют внешний вид изображения с целевым результатом. Этот подход уточняет более крупные участки, полученные из первых нескольких сетей с автоматическим кодированием, с использованием идущих далее сетей. Другой метод, который объединил выходы из нескольких регрессоров, - это каскадное композиционное обучение или другими словами бустинг. Данный подход основан на предположении что при использовании нескольких слабых алгоритмов классификации можно получить наиболее эффективный алгоритм
Получение отличительных и надежных характеристик важно как для проверки лица, так и для его идентификации. Для проверки лица, при наличии совпадения лиц, выбираются и сравниваются две черты лица с использованием метрики сходства. Дистанция L2 и коэффициент косинусового сходства являются двумя наиболее часто используемыми метриками для сравнения двух черт лица. Для идентификации сравнивают черты лица определенного образца с большой галереей и наиболее похожие черты лица в галерее определяют идентичность лица образца. Для получения устойчивых характеристик можно использовать комплекс глубоких сверточных сетей для извлечения различных представлений лица, которые впоследствии могут быть объединены в одно устойчивое представление.
Однако некоторые вопросы остаются нерешенными даже сейчас. Необходимо выработать теоретическое понимание систем распознавания лиц, основанных на глубоких сверточных сетях. Учитывая множество функций, которые используются для обучения этих сетей необходимо разработать единую структуру, которая могла бы поставить их все в один контекст друг с другом. Сегментная адаптация и смещение набора данных также является проблемой для существующих систем распознавания лиц. Эти системы, как правило, обучаются работе с набором данных и хорошо работают с аналогичными наборами тестов. Однако сети, подготовленные в одном сегменте, не работают хорошо для других [2].
Рассматривая возможность практической реализации системы использующей сверточные нейронные сети для идентификации личности на основе перечисленных трех этапов можно выделить два подхода. Первый, разработка программных решений для каждого из этапов с нуля с целью оптимизации под конкретные условия использования и для нивелирования заранее известных неблагоприятных условий. Второй, экспресс развёртывание системы идентификации личности на основе существующих библиотек и программных решений.
Объективно оценив ситуацию, сложившуюся в области компьютерного зрения и смежных областей, таких как идентификация личности посредством применения нейронных сетей можно сделать вывод, что пре вне зависимости от выбранного подхода к разработке системы идентификации личности целесообразно использовать библиотеку компьютерного зрения OpenCV.
Данная библиотека имеет открытый программный код, что позволяет при нехватке базового функционала, которого достаточно для реализации примитивной системы идентификации личности, реализовать недостающий функционал любой сложности и масштаба.
Исходный код данной библиотеки реализован на базе C/C++, однако имеется возможность использовать эту библиотеку практически для любого современного языка высокого уровня [3]. Помимо свободы выбора языка разрабатываемого проекта, присутствует и свобода выбора операционной системы, данная библиотека является кроссплатформенной. Язык C, на котором была написана библиотека, является оптимизированным. Библиотека использует микропроцессорные оптимизации, что делает ее наиболее оптимальным выбором для реализации системы идентификации личности.
Библиографический список
1. Локтев, А.А. Алгоритм распознавания объектов / А.А. Локтев, А.Н. Алфимцев, Д.А. Локтев // Вестник МГСУ. — 2012. — № 5.
2. Козлова, Т.Д. Применение аппарата нейронных сетей для решения трудно формализуемых задач / Т.Д. Козлова, Д.С. Дружин // Актуальные проблемы и пути развития энергетики, техники и технологий. — Москва: НИЯУМИФИ. —2019.
3. Кэлер, А. Изучаем OpenCV 3. Разработка программ компьютерного зрения на C++ с применением библиотеки OpenCV / А. Кэлер, Г. Брэдски; перевод с английского А. А. Слинкина. — Москва: ДМК Пресс, 2017.