СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ В СИСТЕМАХ КОНТРОЛЯ ДОСТУПА: МЕТРИКИ КАЧЕСТВА И УСТОЙЧИВОСТЬ К УСЛОВИЯМ ЭКСПЛУАТАЦИИ
Keywords:
биометрическая идентификация, глубокое обучение, ArcFace, FaceNet, DLIB, гибридная модель, anti-spoofing, LBP, FAR, FRR, системы контроля доступа.Abstract
Статья посвящена сравнительному исследованию четырёх методов глубокого обучения — DLIB (ResNet-34, 128D), FaceNet (InceptionResNetV1, 512D, Triplet Loss), ArcFace (ResNet-50, 512D, Additive Angular Margin Loss) и авторской гибридной модели Hybrid AI — применительно к задаче биометрической идентификации личности в системах контроля и управления доступом. Разработана единая программная платформа для сравнительного тестирования моделей при пяти условиях эксплуатации: нормальное освещение, слабое освещение, частичное закрытие лица маской, наличие очков и поворот головы. Предложен новый алгоритм оценки аутентичности биометрического образца (anti-spoofing), объединяющий метод локальных бинарных шаблонов, анализ резкости по оператору Лапласа и спектральный анализ цвета кожи в пространстве YCrCb. По результатам 300 испытаний установлено, что гибридная модель обеспечивает наилучшее соотношение показателей точности (Accuracy = 88.0%), F1-меры (0.901) и коэффициента ложного принятия (FAR = 1.7%) при среднем времени отклика 318 мс на CPU.
References
1. Ramachandra R., Busch C. Presentation attack detection methods for face recognition systems: A comprehensive survey // ACM Computing Surveys. — 2017. — Vol. 50, No. 1. — P. 1–37.
2. ISO/IEC 30107-3:2017. Information technology — Biometric presentation attack detection — Part 3: Testing and reporting. — Geneva: ISO, 2017. — 44 p.
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. Schroff F., Kalenichenko D., Philbin J. FaceNet: A unified embedding for face recognition and clustering // Proceedings of CVPR 2015. — P. 815–823.
5. King D. E. Dlib-ml: A machine learning toolkit // Journal of Machine Learning Research. — 2009. — Vol. 10. — P. 1755–1758.
6. 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.
7. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of CVPR 2016. — P. 770–778.
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. Ojala T., Pietikäinen M., Mäenpää T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Trans. PAMI. — 2002. — Vol. 24, No. 7. — P. 971–987.
11. Wang H., Wang Y., Zhou Z. et al. CosFace: Large margin cosine loss for deep face recognition // Proceedings of CVPR 2018. — P. 5265–5274.
12. Li H., Lin Z., Shen X. et al. A convolutional neural network cascade for face detection // Proceedings of CVPR 2015. — P. 5325–5334.
13. ISO/IEC 19795-1:2006. Information technology — Biometric performance testing and reporting — Part 1: Principles and framework. — Geneva: ISO, 2006. — 56 p.
14. Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge: MIT Press, 2016. — 800 p.
15. Jain A. K., Ross A., Prabhakar S. An introduction to biometric recognition // IEEE Transactions on Circuits and Systems for Video Technology. — 2004. — Vol. 14, No. 1. — P. 4–20.
