Технология распознавания лица как система биометрического доступа

XV Международный конкурс научно-исследовательских и творческих работ учащихся
Старт в науке

Технология распознавания лица как система биометрического доступа

Кислов К.А. 1
1МБОУ «СОШ № 1» г. Верхнего Уфалея
Красавин Э.М. 1
1Муниципальное автономное общеобразовательное учреждение «Лицей № 97», г. Челябинск
Автор работы награжден дипломом победителя III степени
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF

Введение

В настоящее время, в мировой практике, широко внедряются всё более современные биометрические технологии, которые до некоторых пор считались просто фантастическими. Одной из таких технологий является система распознавания лица человека. Совсем недавно, начиная с 2017 года, подобные системы начали широко применяться во многих сферах деятельности человека. Как пример, можно привести действующую в Китае систему слежения и распознавания более миллиарда человек. В реальном времени система использует 170 миллионов камер. Организована подобная система, в основном, для распознавания опасных преступников и действует она очень эффективно. При проверке системы, на распознавание лица и задержание предполагаемого преступника потребовалось всего 7 – 8 минут. Распознавание лиц (Face Recognition - англ.) — это одни из наиболее перспективных методов биометрической бесконтактной идентификации человека. Первые системы распознавания лиц были реализованы как индивидуальные программы, устанавливаемые на компьютер. В наше время технология распознавания лиц наиболее часто используется в системах видеонаблюдения, контроля доступа, на разнообразных мобильных и облачных платформах. Журнал Массачусетского технологического института – «MIT Technology Review» включил технологию распознавания лиц в список 10 прорывных технологий настоящего времени. Принципиально, система распознавания лиц может быть описана как процесс сопоставления изображения лиц, зафиксированных объективом камеры с базой данных ранее сохраненных и идентифицированных изображений лиц эталонов. Работа системы распознавания лиц в реальных условиях — это целый комплекс программно аппаратного взаимодействия. Для организации таких взаимодействий существуют определённые интегрированные платформы, позволяющие осуществлять взаимодействия с различными рабочими системами. К ним можно отнести: системы видеонаблюдения, охранные системы, системы пожарной безопасности, системы управления предприятием и, в том числе, системы контроля доступа в помещение. Совершенствование систем разрешающего доступа в помещения особенно актуально выглядит на фоне неоднократных преступных событий, совершённых в учебных заведениях, в том числе и в России. В сентябре 2021 года стало известно о планах московских властей по внедрению системы распознавания лиц в школах города. Предполагается, что школьников и учителей будут пускать в образовательные учреждения только после биометрической аутентификации. В связи с этим возникла идея внедрения подобной технологии в школьную охранную систему и использовании её в качестве основополагающей для контроля доступа на территорию учебного заведения.

Цель и задачи работы

Целью работы является – разработка и реализация интеллектуальной биометрической платформы с открытым исходным кодом доступа в школьные помещения по идентификации лица. Цель работы предполагала решение следующих задач:

- изучение доступных литературных и интернет – ресурсов по вопросам технологий биометрии, использования биометрических приложений в различных сферах и отраслях промышленности, возможностям использования биометрических программных приложений, способных идентифицировать или верифицировать человека путем сравнения и анализа шаблонов на основе контуров лица человека;

- на основе изученных литературных и интернет – источников разработать модель интеллектуальной платформы идентификации лица человека по определённым биометрическим параметрам;

- реализация концептуальной разработки биометрической платформы идентификации лица человека по аппаратной и программной составляющим;

- анализ возможностей изготовленной платформы и определение параметров её использования в системе биометрического доступа.

Технологии биометрической идентификации

Биометрические технологии, в определённой мере, существуют ещё со времён глубокой древности. В Древнем Египте, ещё строителями пирамид, признавались методы идентификации рабочих по заранее записанным телесным признакам. С тех глубоких исторических времён, в области внедрения биометрических технологий, практически ничего нового не происходило до относительно недавнего времени. Только в конце 19 века начали появляться сообщения и методики, использования отпечатков пальцев и прочих физических характеристик для идентификации людей. В 1880 году Генри Фоулдс (Henry Faulds), шотландский врач, проживающий в Японии, опубликовал свои размышления о многообразии и уникальности отпечатков пальцев, и предположил, что они могут использоваться для идентификации преступников. В 1900 году был опубликован столь значительный труд, как система классификации отпечатков пальцев Гальтона-Генри (Galton-Henry). С тех пор биометрическая идентификация людей по отпечаткам пальцев стала широко внедряться, особенно в криминальной практической деятельности с целью определения и поиска преступников. Остальные направления биометрической идентификация практически не развивались до шестидесятых годов прошлого века (за исключением нескольких разрозненных публикаций по уникальности радужной сетчатки глаза). В этот период братья Миллер (Miller) в штате Нью-Джерси (США) приступили к внедрению устройства, автоматически измерявшего длину пальцев человека. В конце 1960-х и 70-х годах были также разработаны технологии идентификации по голосу и подписи. Первая работающая технология, на основе идентификации радужной сетчатки глаз человека, была представлена в 1985 году. В начале 21 века биометрия начала развиваться, как перспективное направление, на уровне ажиотажного спроса, который наблюдается и в настоящее время. За последние двадцать лет, открыто и разработано множество биометрических платформ и систем, позволяющих идентифицировать и установить личность человека:

- микровибрация пальцев. Инженеры Рутгерского университета в Нью-Брансуике предложили осенью 2017 года метод авторизации людей — по микровибрациям пальцев. Исследователи исходят из того, что для каждого пользователя они будут уникальными, и соответственно, таким образом может получиться индивидуальная сигнатура, подделать которую будет как минимум очень сложно;

- по сердцебиению. Устройство «Jetson», разработчик которого держится в секрете, способен идентифицировать человека по скорости его сердцебиения с помощью инфракрасного лазера на расстоянии до 200 метров с точностью до 95%. Система предложена в 2019 году;

- идентификация по геометрии сердца. В сентябре 2017 года стало известно о новом способе биометрической идентификации — по сердцу. Его важным достоинством является непрерывность: пока авторизованный в системе владелец находится рядом с компьютером, устройство остается работоспособным, а при удалении человека оно блокируется (Приложение лист I, рис. 1);

- отпечатки пальцев. Технологии идентификации по отпечаткам пальцев являются в настоящее время одними из лучших в области биометрии. По отпечатку пальца идентифицируется только конкретный человек, отпечаток пальца нельзя забыть, вольно или невольно передать другому. Современные сканеры устанавливают принадлежность отпечатка пальца только живому человеку, и их нельзя обмануть, предъявляя оттиск отпечатка на бумаге, желатине или стекле (Приложение лист I, рис. 2);

- голосовая биометрия. В биометрической системе для определения или подтверждения личности используют индивидуальные поведенческие, психологические и некоторые другие характеристики;

- анализ действий пользователя. Поведенческая биометрия. «SRI International» использует встроенные в смартфоны акселерометры и гироскопы для получения уникальных данных, описывающих состояние человека в моменты, когда он идет или стоит;

- стилометрия. Анализ почерка человека. Специалисты Университета Дрексела пытаются распознать индивидуальный почерк автора при наборе им текста на смартфоне или планшете. Анализируются слова, употребление грамматических конструкций, построение фраз и даже повторяющиеся ошибки;

- анализ рисунка вен на ладони. В июле 2018 года крупная японская сеть супермаркетов «Aeon Group» сообщила о внедрении системы оплаты покупок по рисунку вен «Fujitsu Palm Secure»;

- тест ДНК. Этот способ практически безошибочно идентифицирует владельца, но он так и не стал повседневным из-за затрат времени и дороговизны;

- фотометрия. Комплексный метод биометрии, включающий множественные характеристики и особенности изображения лица человека (Приложение лист I, рис. 3).

Даже, далеко не полное перечисление биометрических технологий, показывает их бурное развитие и широкое многообразие. Но в современное время, наиболее продвинутыми и широко распространёнными, являются методы идентификации по отпечатку пальцев и изображению лица.

Подобные системы повсеместно используются многими производителями устройств и платформ, где необходимо ограничить доступ к индивидуальным данным.

Технологии распознавания лиц

Технология распознавание лиц (Face Recognition) — это один из наиболее перспективных методов биометрической бесконтактной идентификации человека по лицу. Впервые, подобные системы, были реализованы как определённое программное обеспечение, устанавливаемое на компьютер. В современное время технология распознавания лиц наиболее часто используется в системах видеонаблюдения, контроля доступа, на разнообразных мобильных и облачных платформах и считается одной из десяти прорывных технологий 2021 года. Принципиально система представляет процесс сопоставления лиц с базой данных ранее сохраненных и идентифицированных изображений. По своей структурной реализации можно выделить три распространенные схемы (Приложение лист II, рис. 4):

- анализ видеопотока на сервере. Анализ видеопотока и сравнение полученных из видеопотока изображений лиц, с базой происходит на сервере. Недостатками такой схемы будут, высокая нагрузка на сеть, высокая стоимость сервера. Преимуществом является возможность использовать уже существующую систему видеонаблюдения. Анализ изображения производится на самой камере. Недостатком является необходимость установки специальных видеокамер, выбор способов хранения информации. Преимуществом является возможность подключения неограниченного количества видеоисточников к хранилищу информации - серверу.

- анализ видеопотока на устройстве контроля доступа. Камера встроена в устройство доступа. База данных лиц эталонов хранится на устройстве. Характеризуется низкой стоимостью, но ограничено действием на определённых объектах.

Непосредственно, технология реализации системы будет зависеть от трёх основных факторов:

- алгоритм распознавания;

- базы данных распознанных лиц (эталонов);

- быстродействие алгоритма.

Для создания алгоритма распознавания лиц существует несколько системных подходов. Первоначально использовался, так называемый, эмпирический подход. В его основе лежат некоторые базовые правила, которые использует человек для детектирования лица. Для определения лиц производится значительное уменьшение участка изображения, где предполагается наличие лица, или строятся перпендикулярные гистограммы. Эти методы легко реализовать, но они практически непригодны при наличии большого количества посторонних объектов на фоне, нескольких лиц в кадре или при изменении ракурса. Более рациональным подходом является использование инвариантных признаков. В основе такого подхода лежит попытка внедрения системы «думать» как человек. Данный метод может использоваться даже при повороте головы, но при наличии других лиц или неоднородном фоне распознавание становится невозможным. Наиболее совершенным является алгоритм детектирования лиц с помощью шаблонов, заданных разработчиком системы. Лицо представляется определённым шаблоном, и цель алгоритма – произвести проверку каждого участка, сравниваемого лица, на наличие этого шаблона, причем проверка может производиться для разных ракурсов и масштабов. Такая система требует множество трудоемких вычислений. Так или иначе, все современные технологии распознавания лиц используют системы, обучающиеся с помощью тестовых изображений. Каждый фрагмент исследуемого изображения характеризуется как вектор признаков, с помощью которого классификаторы (алгоритмы для определения объекта в кадре) определяют, является данная часть изображения лицом или нет. Алгоритм определения лица можно свести к следующему (Приложение лист II, рис. 5):

- камера обнаруживает лицо человека;

- снимается фотография лица и начинается его анализ. Используются форматы 2D-изображения или 3D-изображения. Каждое лицо составлено из различимых ориентиров или узловых точек (большинство программ работает по 80 узловым точкам);

- анализ лица конвертируется в математическую формулу, черты лица становятся числовым кодом;

- числовой код сравнивается с базой данных отпечатков лиц. В этой базе данных имеются фотографии с идентификаторами, которые можно сравнивать.

Качество программного обеспечения

Работа системы распознавания лиц в реальных условиях — это целый комплекс программно аппаратного взаимодействия. Для организации таких взаимодействий существует большое количество интегрированных платформ (Приложение лист III, рис. 6), позволяющей настраивать взаимодействия с системами контроля доступа, системами видеонаблюдения, охранными системами. Существует несколько важных характеристик для оценки качества программного обеспечения. Самые важные из них FRR и FAR. «False Reject Rate» — FRR (уровень ошибочных отказов) — вероятность того, что система не идентифицирует зарегистрированного пользователя или не подтверждает его подлинности:

где: Nt — количество эталонов изображений в базе данных; FR — количество ложных нераспознаваний (False Reject).

«False Acceptance Rate» — FAR (уровень ошибочных подтверждений) — вероятность того, что система распознавания лиц ошибочно идентифицирует незарегистрированного пользователя или подтверждает его подлинность:

где: Nt — количество эталонов изображений в базе данных; FA — количество ложных распознаваний (False Acceptation).

Естественно, эти показатели относительные и взаимосвязаны друг с другом. Ориентировочные значения FRR и FAR для систем распознавания лиц и их взаимосвязь представлены в таблице приложения (Лист III, таблица 1). Сравнительная таблица данных показателей для различных методов биометрической идентификации представлена в приложении (Лист III, таблица 1). Из анализа таблиц очевидно, что аппаратное программное обеспечение распознавания лиц занимает не лидирующие позиции, но с точки зрения технической организации системы доступа более приемлемое.

Аппаратно – программный комплекс

Умные камеры со встроенными алгоритмами распознавания лиц являются одним из самых передовых на данный момент времени. Они позволяют обрабатывать видеопоток непосредственно на самой камере, а на сервер/контроллер отправляют обработанные метаданные. Подобными характеристиками обладает аппаратный комплекс «Ximiir» (производитель Китай). Сертификация: FCC - Европейский сертификат соответствия. Характеристики:

- номер модели: MD-9S;

- ёмкость изображений: до 2000;

- операционная система: LINUX System

- дисплей сенсорный 4.3 дюйма;

- связь с персональным компьютером и контроллером: TCP / IP, порт USB типа A; дополнительный WI-FI;

- камера 2 миллиона пикселей на дюйм

- скорость распознавания лица менее 0,3 с;

- питание устройства - 12V DC

- управление электромагнитным замком (280 кг., на отрыв).

Камера поддерживает несколько кодеков сжатия видео (H.265, H.264, MPEG-4 и MJPEG) Конструктивно представляет собой двухлинзовую камеру с бинокулярной технологией, которая считывает большое количество характеристик лица для более точного распознавания. Оснащена объективом с фиксированным фокусным расстоянием 4 мм, угол обзора равен 86°. Камера автоматически захватывает, выбирает и выводит оптимальное изображение лица человека. Предусмотрено автоматическое переключение между режимами дневной и ночной съемки. Инфракрасная подсветка действует на расстояние до 10 метров (Приложение лист IV, рис. 7). Контроллер управления электромагнитным замком конструктивно совмещён с блоком питания камеры (Приложение лист V, рис. 8). Контроллер поддерживает две системы замков: электромагнитный пластинчатый и ригельный (Приложение лист V, рис. 9). Схема подключения контроллера к системному блоку камеры и электромагнитному замку приведена в приложении (Лист VI, рис. 10). Алгоритм распознавания лиц - «Xeoma». Модуль «Xeoma» представляет несколько методов определения лиц — с помощью статического анализа изображения или используя массивы искусственного интеллекта. Эти методы отличаются своими механизмами работы и формируют свои базы данных разными способами. Для корректной работы модуля необходимо функцию распознавания лиц и модуль «Распознавание лиц» вставить в цепочку так, чтобы он был подключен к модулю «Просмотр и архив» (Приложение лист VI, рис. 11). Обязательным условием является настройка типа срабатывания модуля. Базы данных для методов распознавания «Статистический анализ» и «Искусственный интеллект» формируются разными способами отдельно друг от друга. Это значит, что, переключившись с одного метода на другой, формируется своя база данных для «нового» метода распознавания.

Статистический анализ: метод более простой, его средний показатель успешности распознавания 75%. Статистический анализ изображения позволяет добавить в базу данных неограниченное количество людей, поэтому для систем с большим количеством людей в базе данных этот метод более выгоден. В настройках модуля «Распознавание лиц» необходимо указать имя человека (или иной идентификатор) и подключить функцию «Обучить распознаванию», когда в кадр попадёт то лицо, которое нужно сохранить, программа добавит это лицо в свою базу данных, предварительно привязав к нему указанное имя (или иной идентификатор) (Приложение лист VII, рис. 12). Если необходимое лицо уже попадало в поле зрения камеры, то можно зайти в архив и добавить его оттуда.

Распознавание лиц, метод «Искусственный интеллект»: Средний процент успешного распознавания этого метода 90%. Для распознавания с помощью опции «Искусственный интеллект» доступна возможность «Автообучения лицам» — добавление людей (лиц) в группы на основе частотности их обнаружения.

Полуавтоматическое обучение (по внешним фото): если необходимо обучить систему, имея в наличии только фото нужных лиц, то можно с помощью метода «Искусственный интеллект» создать архив данных. Прежде всего - все фотографии необходимо перевести в формат JPEG. В программе «Xeoma» создаётся цепочка (Приложение лист VII, рис. 13). В модуле «Распознавание лиц» выбираем «Искусственный интеллект» в графе «Алгоритм распознавания лиц». В модуле «Чтение файла» прописываем путь до одной из фотографий. В модуле «Распознавание лиц» вводим уникальное имя в графу «Имя человека» для распознавания и нажимаем «Обучить распознаванию». Таким образом поступаем для всех фотографий и создаём архив.

Массовое обучение (создание обширной базы данных): для обучения большим массивам данных, используется следующий алгоритм (доступно только для распознавания лиц с помощью опции «Искусственный интеллект»):

- через программу «Xeoma» проводится обучение одного человека. Это нужно для создания папки «Xeoma\FaceDetector\DNN» (появляется автоматически после того, как первого человека обучили через программу).

- в папке «Xeoma\FaceDetector\DNN\Recognition» создаёте папку с именем человека только в формате HEX (конвертировать можно через онлайн-конвертеры типа https://codebeautify.org/string-hex-converter).

- в эту папку кладем любое изображения человека, которого нужно добавить. Это фото будет использоваться для обучения, и качество распознавания будет зависеть от качества этой фотографии. Изображение должно быть хорошего качества, само лицо должно быть хорошо видно (рекомендуется, что лицо должно быть минимум 160х160 пикселей на дюйм).

- в папку «Xeoma\FaceDetector\DNN\Person» копируем изображение лица этого же человека (можно вырезать с той же фотографии). Это фото будет выводится на превью при узнавании этого человека.

Формат: bmp. Имя файла должно быть идентичным имени человека (тоже HEX).

- повторяем шаги для других людей из базы (для больших баз данных стоит создать скрипт с этими действиями).

- перезапускаем программу. После перезапуска «Xeoma» обучится на всех добавленных людей. Таким образом производится быстрое автоматическое обучение многочисленным массивам лиц (Приложение лист VII, рис. 14).

Предполагаемая структура пропускного пункта

Предлагаемое типовое решение системы контроля доступа реализуется на базе электронной проходной как экономичное решение для организации контроля доступа в учебное заведение (Приложение лист VIII, рис. 15). В вестибюле учебного заведения устанавливается электронная проходная турникет со встроенной системой контроля доступа по принципу идентификации лица. Для увеличения скорости прохода, ученикам, преподавателям и сотрудникам учебного заведения выдаются электронные пластиковые карты-пропуска. Необходимо иметь в виду что, если система идентификации лица не даст доступ, то при приложении карты прозвучит сигнал тревоги и турникет не откроется. Информация об учениках, сотрудниках школы и выданных им карточках заносится в память системы. Все события — входы и выходы по карте или по команде охранника — фиксируются в энергонезависимой памяти системы; впоследствии их можно просмотреть с помощью программного обеспечения, установленного на компьютере. Электронная проходная дополнена ограждениями для того, чтобы не было возможности пройти, минуя турникет. Выход из здания отделён от прохода и турникеты выхода работают только в направлении выхода, как и кнопка выхода. При экстренном выходе возможна ручная разблокировка системы и складные планки турникетов. Помещение охраны изолировано, имеет кнопки системы тревоги, антивандальную защиту. При желании администрации учебного заведения и родителей возможна реализация передачи SMS-уведомления о времени прихода ребенка в школу и ухода из нее. SMS-уведомления автоматически отправляются на мобильные телефоны родителей (к какому сотовому оператору будет подключен телефон-получатель SMS, не имеет значения). Для отправки SMS-сообщений используется GSM USB-модем, подключаемый к одному из компьютеров охранной системы.

Заключение

В результате проделанной работы можно сделать следующие выводы:

- изучены доступные литературные и интернет – ресурсы по вопросам технологий биометрии, использования биометрических приложений в различных сферах и отраслях промышленности, возможностям использования биометрических программных приложений, способных идентифицировать или верифицировать человека путем сравнения и анализа шаблонов на основе контуров лица человека;

- на основе изученных литературных и интернет – источников разработана модель интеллектуальной платформы идентификации лица человека по определённым биометрическим параметрам на основе модульной конструкции и с применением биометрического сканера;

- на основе разработанной технологической модели реализована разработка биометрической платформы идентификации лица человека по аппаратной и программной составляющим;

- проведён анализ возможностей изготовленной платформы и определены параметры её использования в системе биометрического доступа и охранного комплекса.

Список использованной литературы и интернет - источников

1.М. Ю. Михеев, К. В. Гудков, Т. Н. Астахова, Е. Ю. Макарова, Обработка информации в системе идентификации по термограмме лица, 05.13.00 Информатика, вычислительная техника и управление, УДК 004.3, 2017 г.

2.https://www.tadviser.ru/index.php/Статья:Технологии_биометрической_идентификации - Технологии биометрической идентификации, 2019 г.

3.https://www.tadviser.ru/index.php/Статья:Краткая_история_биометрии - Краткая история биометрии.

4.https://securityrussia.com/blog/face-recognition.html - Как работает система распознавания лиц?

5. http://www.techportal.ru/glossary/kontrol-dostupa-po-litsu.html - Технологии распознавания лица.

6.https://www.tadviser.ru/index.php/Статья:Системы_распознавания_лиц_(Facial_recognition) - Системыраспознаваниялиц Facial recognition technology (FRT)

7.https://felenasoft.com/xeoma/ru/articles/face-detector-face-recognition/ - Программное обеспечение

Приложени

Р ис. 1. Разработанная в Университете Баффало система непрерывно сканирует сердце человека при помощи допплеровского радара и в случае удаление человека от компьютера блокирует систему.

Рис. 2. Технологии идентификации человека по отпечатку пальца.

Рис. 3. Технологии идентификации человека по индивидуальным особенностям лица.

 

Рис. 5. Алгоритм распознавания лица.

Р ис. 4. Схемы реализации технологий распознавания лица.

 

«Sigur», Россия. Ведущий российский разработчик, оборудования и программного обеспечения для систем контроля доступа.

Верификация лица: лицензия на одну камеру - цена 50 000 рублей.

Идентификация лица: лицензия на одну камеру - цена 7 000 рублей.

Идентификация лица: лицензия на базу до 1 000 лиц - цена 294 000 рублей.

Контроллеры СКУД — цена от 12 510 рублей.

«ITV», Россия. Программное обеспечение «Интеллект».

Распознавание лиц (1 000 эталонов лиц в базе) — цена 314 000 рублей.

Программное обеспечение «Интеллект» - Ядро системы — цена 20 300 рублей.

Подключение видеоканала — цена 6 000 рублей.

«Macroscop», Россия. Программное обеспечение «Macroscop Basic».

Модуль распознавания лиц «Macroscop Basic» (до 1000 лиц) — цена 240 000 рублей.

Лицензия на работу с 1 IP-камерой — 16 500 рублей.

Рис. 6. Некоторые программные комплексы распознавания лица российских производителей.

Т аблица 1. Ориентировочные значения FRR и FAR для систем распознавания лиц и их взаимосвязь.

Таблица 2. Сравнение FAR и FRR различных методов биометрической идентификации.

Рис. 7. Системный блок камеры идентификации лица с управлением доступом.

Рис. 8. Блок питания и контроллер управления замком.

Рис. 9. Поддерживаемые системы электромагнитных замков.

Рис. 10. Подключение контроллера к камере и электромагнитному замку.

Рис. 11. Цепочка включения модуля распознавания в архив.

Рис. 12. Настройка модуля «Распознавание лиц» - статистический анализ.

Рис. 13. Создание архива по фотографиям.

Рис. 14. Создание массива данных.

Рис. 15. Предполагаемая система пропускного пункта.

Просмотров работы: 162