РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ ДОСТУПА НА ОСНОВЕ ВИДЕОКАМЕР И ТЕХНОЛОГИЙ РАСПОЗНАВАНИЯ ЛИЦА
Keywords:
распознавание лица, биометрия, контроль доступа, глубокое обучение, ArcFace, FaceNet, anti-spoofing, LBP, гибридная модель, Flask, SQLite.Abstract
В статье представлены результаты разработки и экспериментальной проверки интеллектуальной системы автоматизированного контроля доступа, основанной на биометрическом распознавании лица в режиме реального времени. Система реализует четыре модели идентификации: DLIB, FaceNet, ArcFace и авторскую гибридную модель Hybrid AI. Разработан оригинальный шестиэтапный конвейер обработки биометрических данных, включающий геометрическое выравнивание лица, накопление скользящего буфера из пяти кадров, комплексную подсистему защиты от атак подделкой (anti-spoofing) на основе LBP-текстурного анализа, оценки резкости изображения и анализа цвета кожи в пространстве YCrCb, а также двухуровневый механизм принятия решений. Экспериментальное тестирование проводилось на выборке из 15 участников (300 испытаний, 5 условий). Средняя точность гибридной модели составила 88.0% при FRR = 5.0% и FAR = 1.7%. Подсистема anti-spoofing обеспечила блокировку 78.9% атак подделкой без применения специализированного оборудования.
References
1. MarketsandMarkets. Face Recognition Market — Global Forecast to 2028. — Northbrook: MarketsandMarkets Research, 2023. — 350 p.
2. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering // Proceedings of CVPR 2015. — P. 815–823.
3. Deng J., Guo J., Xue N., Zafeiriou S. ArcFace: Additive angular margin loss for deep face recognition // Proceedings of CVPR 2019. — P. 4690–4699.
4. Turk M., Pentland A. Eigenfaces for recognition // Journal of Cognitive Neuroscience. — 1991. — Vol. 3, No. 1. — P. 71–86.
5. Belhumeur P. N., Hespanha J. P., Kriegman D. J. Eigenfaces vs. Fisherfaces: Recognition using class-specific linear projection // IEEE Trans. PAMI. — 1997. — Vol. 19, No. 7. — P. 711–720.
6. Ojala T., Pietikäinen M., Harwood D. A comparative study of texture measures with classification based on feature distributions // Pattern Recognition. — 1996. — Vol. 29, No. 1. — P. 51–59.
7. Taigman Y., Yang M., Ranzato M., Wolf L. DeepFace: Closing the gap to human-level performance in face verification // Proceedings of CVPR 2014. — P. 1701–1708.
8. Boulkenafet Z., Komulainen J., Hadid A. Face anti-spoofing using speeded-up robust features and Fisher vector encoding // IEEE Signal Processing Letters. — 2017. — Vol. 24, No. 2. — P. 141–145.
9. Liu Y., Jourabloo A., Liu X. Learning deep models for face anti-spoofing // Proceedings of CVPR 2018. — P. 389–398.
10. Zhang K., Zhang Z., Li Z., Qiao Y. Joint face detection and alignment using multitask cascaded convolutional networks // IEEE Signal Processing Letters. — 2016. — Vol. 23, No. 10. — P. 1499–1503.
11. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of CVPR 2016. — P. 770–778.
12. King D. E. Dlib-ml: A machine learning toolkit // Journal of Machine Learning Research. — 2009. — Vol. 10. — P. 1755–1758.
13. Wang H., Wang Y., Zhou Z. et al. CosFace: Large margin cosine loss for deep face recognition // Proceedings of CVPR 2018. — P. 5265–5274.
14. ISO/IEC 19795-1:2006. Information technology — Biometric performance testing and reporting — Part 1: Principles and framework. — Geneva: ISO, 2006. — 56 p.
15. Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge: MIT Press, 2016. — 800 p.
