Применение термографический модели лица в задачах идентификации и аутентификации
(Стр. 109-120)

Задача. Данная статья является продолжением исследования, результаты которого опубликованы ранее [5], посвященного разработке алгоритма идентификации пользователя по термограмме лица с применением сиамских сверточных нейронных сетей. Цель работы состоит в разработке научно-методического аппарата по применению термограммы лица в задачах идентификации и аутентификации и, в частности, проведении дополнительных экспериментов для полученных ранее результатов. Аналогичные работы встречаются у российских [11–14] и зарубежных [1–4; 6–10; 15–17; 19; 20] авторов, что свидетельствует об актуальности темы исследования. Модель. В статье описан программно-аппаратный комплекс для проведения экспериментальных исследований, на котором происходит проверка выдвигаемых гипотез, кратко описаны несколько алгоритмов: алгоритм извлечения квазистатических точек на термограмме лица человека, алгоритм идентификации по 2D-изображению лица пользователя, алгоритм комплексной оценки результатов идентификации пользователя по термограммам и 2D-изображениям лица. Особенность представленных в данной работе алгоритмов заключается в их способности к обобщению динамических условий, воздействующих на изображение лица в инфракрасном свете. Необходимо отметить, в данной работе не учитывается процесс хранения биометрических данных. Выводы. Разработанный программно-аппаратный комплекс подтверждает применимость алгоритма, основанного на сиамских сверточных нейронных сетях для решения задачи идентификации пользователя по термограмме лица. Также, результаты экспериментов подтверждают эффективность выделения квазистатических областей, и точность определения признаков, выделенных с использованием разработанной нейронной сети, составляет 86,41%. В отношении задачи повышения эффективности идентификации в динамических условиях, предлагается метод объединения результатов, полученных с помощью двух алгоритмов идентификации (термограммы и 2D изображения). Наиболее эффективным показал себя метод стекинга, основанный на алгоритме логистической регрессии. Этот метод обеспечивает удовлетворительные показатели ошибок первого и второго рода, составляющие 6,61 и 5,63% соответственно. В ходе сравнительного анализа алгоритмов идентификации на основе 2D-изображений лиц пользователей, наиболее эффективным считается алгоритм FaceNet. Рамки использования/возможность последующего использования результатов научной работы. Идеи и тезисы, отраженные в представленной работе, могут быть использованы как основа для дальнейших исследований в области биометрической идентификации с использованием изображений лица в ИК диапазоне, а также при совершенствовании алгоритмов идентификации, развитии методов формирования наборов данных, систем контроля и управления доступом. Практическая значимость. Полученные результаты исследования могут быть использованы в составе систем управления и контроля доступом для повышения эффективности многофакторной биометрической идентификации. Использование представленных алгоритмов, возможно в местах, где предписано обязательное ношение средств индивидуальной защиты (медицинские учреждения, объекты опасного производства и так далее) для автоматической идентификации личности работников. Оригинальность/ценность. Данная работа несет ценность в рамках образовательных целей, развития моделей и алгоритмов идентцификации по биометрическим признакам и систем видеоаналитики.

Белов Н.И., Коржук В.М. Применение термографический модели лица в задачах идентификации и аутентификации // Computational Nanotechnology. 2023. Т. 10. № 3. C. 109-120. DOI: 10.33693/2313-223X-2023-10-3-109-120. EDN: SQVCIV

Chatterjee S., Saha D., Sen S. et al. Moth-flame optimization based deep feature selection for facial expression recognition using thermal images // Multimedia Tools and Applications. Published: 28 June 2023. DOI: https://doi.org/10.1007/s11042-023-15861-5
Paulraj B., Vasant A.R. Liveliness detection using thermograph patterns in face recognition // Mathematical Statistician and Engineering Applications. 2023. Vol. 72. No. 1. Pp. 1196–1207. DOI: 10.17762/msea.v72i1.2247
Kuzmina Y. Azovtseva A. Perminova A. Vulnerability of Biometric Protection // International Russian Smart Industry Conference (SmartIndustryCon). Sochi, Russian Federation. 2023. Pp. 275–280, DOI: 10.1109/SmartIndustryCon57312.2023.10110772
Mishra N.K., Kumar S., Singh S.K. MmLwThV framework: A masked face periocular recognition system using thermo-visible fusion // Applied Intelligence. 2023. No. 53. Pp. 2471–2487. DOI: 10.1007/s10489-022-03517-0
Белов Н.И. Алгоритм биометрической аутентификации пользователя по термограмме лица на базе нейросетевой архитектуры // Защита информации. Инсайд. 2023. № 2 (110). C. 34–37.
Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. Pp. 815–823. URL: https://arxiv.org/abs/1503.03832 (дата обращения: 22.03.2023).
Stein G. Falconet: force-feedback approach for learning from coaching and observation using natural and experiential training: Dis. … of Dr. Sci. (Philos.). Orlando, FL. University of Central Florida, 2009. URL: https://stars.library.ucf.edu/cgi/viewcontent.cgi?article=4988&context=etd
Елистратова А.А., Кукарцев В.В. Технология идентификации личности DeepFace // Решетневские чтения. 2014. Т. 2. № 18. C. 186–187. URL: https://cyberleninka.ru/article/n/tehnologiya-identifikatsii-lichnosti-deepface (дата обращения: 22.05.2023).
Yi Sun, Xiaogang Wang, Xiaoou Tang. Deeply learned face representations are sparse, selective, and robust // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. Pp. 2892–2900. DOI: 10.1109/CVPR.2015.7298907. URL: https://arxiv.org/abs/1412.1265 (дата обращения: 17.03.2023).
Changxing Ding, Chang Xu, Dacheng Tao. Trunk-branch ensemble convolutional neural networks for video-based face recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018. Vol. 40. Issue 4. Pp. 1002–1014. URL: https://arxiv.org/abs/1607.05427 (дата обращения: 17.03.2023).
Скрыпников А.В., Денисенко В.В., Демичев С.Е., Самохин А.В. Реализация процедур взаимодействия человека с машиной, посредством обнаружения и распознавания лиц // Международный журнал гуманитарных и естественных наук. 2021. № 12-3. C. 100–104. URL: https://cyberleninka.ru/article/n/realizatsiya-protsedur-vzaimodeystviya-cheloveka-s-mashinoy-posredstvom-obnaruzheniya-i-raspoznavaniya-lits (дата обращения: 22.05.2023).
Катасёв А.С., Катасёва Д.В., Кирпичников А.П. Нейросетевая биометрическая система распознавания изображений человеческого лица // Вестник казанского технологического университета. 2016. № 18. URL: https://cyberleninka.ru/article/n/neyrosetevaya-biometricheskaya-sistema-raspoznavaniya-izobrazheniy-chelovecheskogo-litsa (дата обращения: 22.05.2023).
Эмомов М.И. Анализ современных подходов распознавания и сопоставления лиц для систем биометрического контроля // Вестник магистратуры. 2019. № 1–2 (88). URL: https://cyberleninka.ru/article/n/analiz-sovremennyh-podhodov-raspoznavaniya-i-sopostavleniya-lits-dlya-sistem-biometricheskogo-kontrolya (дата обращения: 22.05.2023).
Рего Г.Э. Распознавание лиц на изображениях с низким качеством съемки // SAF. 2019. № 13. URL: https://cyberleninka.ru/article/n/raspoznavanie-lits-na-izobrazheniyah-s-nizkim-kachestvom-semki (дата обращения: 22.05.2023).
Yang Li, Sangwhan Cha. Face Recognition System // Computer Vision and Pattern Recognition (cs.CV). URL: https://arxiv.org/abs/1901.02452 (дата обращения: 22.05.2023).
Fares Jalled. Face recognition machine vision system using eigenfaces // Computer Vision and Pattern Recognition (cs.CV). URL: https://arxiv.org/abs/1705.02782 (дата обращения: 22.03.2023).
Martínez-Díaz Y., Vazquez H.M., López-Avila L. et al. Toward more realistic face recognition evaluation protocols for the YouTube faces database. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 2018. URL: https://www.researchgate.net/publication/329744028_Toward_More_Realistic_Face_Recognition_Evaluation_Protocols_for_the_YouTube_Faces_Database (дата обращения: 17.10.2022).
Белов Н.И., Кузнецов А.Ю. Методика формирования набора данных для задач аутентификации по термографическому снимку лица // Вестник компьютерных и информационных технологий. 2022. Т. 19. № 12 (222). C. 3–11. URL: https://www.vkit.ru/index.php/archive-eng/1200-003-011
Zhao Wen-Yi., Chellappa R., Phillips P.J., Rosenfeld A. Face recognition: a literature survey // ACM Computing Surveys. 2003. Vol. 35. Issue 4. Pp. 399–458 URL: https://inc.ucsd.edu/mplab/users/marni/Igert/Zhao_2003.pdf
Jain A.K., Ross A., Prabhakar S. An introduction to biometric recognition // IEEE Transactions on Circuits and Systems for Video Technology. 2004. Vol. 14 (1). Pp. 4–20. URL: https://www.researchgate.net/publication/3308596_An_Introduction_to_Biometric_Recognition

квазистатические признаки термограммы лица, термограмма лица, идентификация по термограмме лица, искусственные нейронные сети.