Повсеместное внедрение систем видеонаблюдения вызвало появление спроса на системы распознавания и идентификации по видеофиксации. Такие системы основаны на технологии, использующие методы компьютерного зрения для автоматизированного получения различной информации на основании анализа последовательности изображений, поступающих с видеокамер в режиме реального времени. Другими словами, такая технология основана на методах и алгоритмах распознавания образов и обработки изображения в результате анализа видеопотока. Современные системы распознавания и идентификации по видеофиксации способны без участия человека способно обнаружить и отследить в реальном времени заданные цели (например, автомобиль, группа людей) или потенциально опасные ситуации (например, задымление, возгорание, несанкционированный доступ), после чего своевременно выдать тревожный сигнал. Еще одним преимуществом применения таких систем является значительное снижение нагрузки на коммуникационные каналы и архивную базу за счет фильтрации видеопотока в режиме реального времени. Любые системы распознавания и идентификации по видеофиксации базируются на определенном алгоритме выявления соответствия считываемых характеристик заранее заданному шаблону. Видео камера транслирует видеопоток на сервер в режиме реального времени, система распознавания и идентификации определяет соответствие хранящейся в базе данных информации, а идентификация происходит с учетом заранее определенных в системе факторов (например, усов или головных уборов).
система распознавания
идентификация по видеофиксации.
1. Брилюк Д.В., Старовойтов В.В. Распознавание человека по изображению лица нейросетевыми методами. – Минск, 2002. – 54 с. (Препринт / Ин-т техн. кибернетики НАН Беларуси; № 2).
2. Кулябичев Ю.П., Пивторацкая С.В. Обзор методов идентификации людей на основе изображений лиц с учетом особенностей визуального распознавания
3. Рогозин О.В., Кладов С.А. Сравнительный анализ алгоритмов распознавания лиц в задаче визуальной идентификации МГТУ им. Н.Э. Баумана, Москва, 105005, Россия
4. Шерстобитов А.И., Федосов В.П., Приходченко В.А., Тимофеев Д.В. Распознавание лиц на групповых фотографиях с использованием алгоритмов сегментации
5. Face Recognition by Elastic Bunch Graph Matching Laurenz Wiskott , Jean-Marc Fellous , Norbert Kruger , and Christoph von der Malsburg,
Введение
На сегодняшний день в современных системах видеонаблюдения реализован функционал не только по записи видеопотока и вывода изображение на экран, но и по обеспечению различных аналитических функций. Как правило, такие функции заключаются в автоматизации анализа видеоинформации. Одной из наиболее востребованных функций является распознавание и идентификация лиц в зоне контроля. В таких системах в качестве физических параметров используются ключевые особенности человеческого лица, по которым его можно отличать от множества других.
Основная часть
Определим перечень задач, решаемых системами распознавания и идентификации лиц по видеофиксации в реальном времени:
1. Верификация. Система распознавания и идентификации лиц по видеофиксации в реальном времени может подтверждать личность человека путем сравнения предъявляемого образца с эталонным образцом, записанным в систему ранее. Фактически, выполняется сравнение по схеме «один к одному».
2. Идентификация на закрытом множестве. Система распознавания и идентификации лиц по видеофиксации в реальном времени сопоставляет полученное из видеопотока изображение с множеством записанных ранее шаблонов различных людей с целью установления личности, которой принадлежит этот образец. Данная задача может быть решена с учетом того, что персона, которой принадлежит образец, присутствует в базе. В этой задаче выполняется сравнение образцов по схеме «один ко многим».
Определим область применения подобных систем в следующем перечне:
1. Распознавание лиц нарушителей и злоумышленников в общественных местах или на крупных мероприятиях. Системы распознавания и идентификации лиц по видеофиксации получают в режиме реального времени данные из систем видеонаблюдения различных хозяйствующих субъектов и камер, установленных в городе. На основании полученной информации проводится поиск нарушителей или преступников с целью последующей передачи данных правоохранительным органам.
Сегодня в России существуют крупные проекты, направленные на распознавание и идентификацию объектов по видеофиксации в режиме реального времени. С сентября 2017 года часть из 170 000 камер видеонаблюдения в Москве подключили к системе распознавания лиц. Существующая сеть объединяет подъездные видеокамеры, камеры на территории и в зданиях школ и детских садов, стадионах, остановках общественного транспорта и автовокзалах, в парках, подземных переходах и других общественных мест. Благодаря такому подходу появился дополнительный инструмент поиска преступников и нарушителей.
Распознавание лиц людей по всему городу предоставляет уникальные возможности сотрудникам правоохранительных органов. Доступ к системе городского наблюдения получили около 16 тыс. сотрудников правоохранительных органов, государственных и муниципальных организаций. Система располагает разграничением уровня доступа для различных групп пользователей, что позволяет сохранить конфиденциальность действий жителей города.
2. Обеспечение контроля управления доступа. В этом случае видеонаблюдения интегрировано в систему безопасности и управляет контроллерами на турникетах.
Такая система может быть применена как в качестве основной (принимающей решение о пропуске субъекта на закрытую территорию), так и дублирующей. Неопознанные посетители не получат доступа на закрытую территорию, а их фото будет сохранено в базе с целью последующей обработки данного инцидента службой безопасности.
Обычно такие системы устанавливаются на больших предприятиях, где от уровня безопасности зависит эффективность работы компании (например, разработка передовых технологий). Система автоматически распознает всех сотрудников и сравнивает с базой данных. В случае несоответствия или отсутствия человека в системе, система активизирует протоколы безопасности и оповестит сотрудников службы безопасности.
Преимуществом такого применения является минимизация человеческого участия в процессе, повышение трудовой дисциплины сотрудников и снижение издержек хозяйствующих субъектов на оплату труда.
3. Противодействие кражам в гипермаркетах и торговых центрах. Проблема систематических хищений стоит перед каждым крупным магазином с большими торговыми площадями. Дело в том, что существующие системы видеонаблюдения не эффективны в части предотвращения кражи и обычно используется только для получения доказательств уже совершенной кражи, когда ущерб уже нанесен. Системы распознавания и идентификации лиц по видеофиксации способны выявлять повторные потенциальные кражи в случаях, когда в базу данных будут введены данные по нарушителям и средства видеоаналитики выявят потенциального злоумышленника еще на входе в магазин.
4. Организация фейс-контроля в общественных заведениях. Использование системы распознавания лиц с выведением тревожной информации на удаленное устройство сотрудника службы безопасности поможет снизить или полностью пресечь нахождение в общественном заведении нежелательных лиц.
5. Организация продаж и целевой рекламы. На основе распознавания и идентификации лица человека, можно определить его пол, возраст и показать рекламу, которая будет потенциально интересна клиенту. Вместе с тем, на основе полученной информации можно списать денежные средства со счета клиента в случае его согласия на ту или иную покупку без участия человека.
Независимо от алгоритма обработки видеопотока программная функция распознавания и идентификации лиц работает по принципу сравнения отсканированного изображения с эталонами, имеющимися в базе. При этом сканирование происходит на ходу, посетителю достаточно повернуть лицо к сканеру во время движения.
По сути, системы распознавания являются компьютерными программами, которые анализируют изображения лиц людей в целях их идентификации. Программа берет изображение лица и измеряет такие его характеристики, как расстояние между глазами, длина носа, угол челюсти, на основе чего создается уникальный файл, который называется "шаблон". Используя шаблоны, программа сравнивает данное изображение с другими изображениями в базе, а затем оценивает, насколько изображения являются похожими друг на друга. Обычными источниками изображений для использования при идентификации по лицу являются сигналы от видеокамер или ранее полученные фотографии, наподобие тех, что хранятся в базе данных водительских удостоверений.
Такой подход обуславливает наличие определенных требований к изображению, полученному из видеопотока. Хорошим показателем эффективности и быстродействия считается, если система способна идентифицировать человеческое лицо с расстояния не менее 10 метров от видеокамеры. При этом, распознавание должно успешно реализовываться даже при изменении определенных физических параметров: изменение прически, появление бороды, и т.д. Промежуток времени, в течение которого должно происходить распознавание и идентификация не должен превышать определенного значения, например подхода объекта видеоконтроля от входной двери турникетам. Еще одним требованием являются характеристики оборудования по видеонаблюдению. В зависимости от решаемых задач используется несколько типов ip камер, обладающих требуемыми характеристиками.
В связи с тем, что вышеописанные требования довольно серьезно влияют на процесс инедтификации и распознавания, процент ложного распознавания и идентификации довольно высок. Проблема такого высокого значения показателя ложного распознавания связан также с тем, что в отличие от отпечатков пальцев или радужной оболочки, наши лица меняются с течением времени. Системы распознавания легко ошибаются из-за изменения прически, растительности на лице или веса тела, из-за применения человеком каких-то простейших средств изменения внешности, а также из-за проявления последствий старения.
В качестве примера приведём исследование, проведенное Национальным институтом стандартов и технологий (NIST), по результатам которого было установило, что уровень ложной идентификации субъектов, чьи фотографии были сделаны всего 18 месяцев назад, равен 43%. При этом фотографии, использованные в исследовании, были отсняты в идеальных условиях, что весьма важно, так как программы распознавания по лицу очень плохо справляются с оценкой изменения освещенности или угла наклона камеры.
Изображение лица, записанное в шаблоне, подвержено воздействию ряда факторов, которые определяют ограничения и возможности систем инедтификации и распознавания лиц. В первую очередь, это условия освещения и различные окклюзии, например очки или маска,а также углы поворота, наклона и отклонения. На рисунке 1 представлены угловые положения головы, которые необходимо учитывать в процессе распознавания и идентификации лица.
Рисунок 1 - Угловые положения головы
Функционирование системы распознавания и идентификации лиц по видеофиксации в реальном времени начинается с разработки шаблонов людей. Как правило, шаблоны представляют собой двумерные изображения или кадры, распакованные из видеопотока. На рисунке 2 схематично представлен процесс регистрации нового шаблона в системе распознавания и идентификации лиц.
Рисунок 2 - Схематичное представление процесса регистрации нового шаблона в системе распознавания и идентификации лиц
В последнее время все чаще применяются трёхмерные модели, использующие триангуляцию при обработке двумерных изображений или трехмерные образцы, когда к RGB-массиву добавляется матрица глубины D, получаемая с помощью инфракрасного сенсора. Трёхмерные модели могут быть получены также за счет метода триангуляции, применяемого к фотоснимкам, полученным специальной техникой.
Способ построения шаблона зависит от методов, применяемых в системе распознавания и идентификации лиц, формата исходных данных, или задач, решаемых системой. Наиболее общие этапы, которые описывают формирование шаблона для системы распознавания и идентификации лиц представлены на рисунке 3
Рисунок 3 - Процесс формирования шаблона на примере системы распознавания и идентификации лиц.
1. На этапе предобработки осуществляется детектирование лиц и трансформация выделенных областей к определенному виду: вращение (выравнивание), масштабирование, преобразование каналов и т.п.
2. Второй этап может включать в себя как поиск ключевых точек, так и представление пиксельной матрицы лица в пространстве признаков. Под признаками в данном случае понимаются произвольные дескрипторы изображения, полученные в результате обработки исходных данных.
3. На последнем этапе происходит кодирование и запись шаблона в базу моделей. Сформированная база шаблонов впоследствии используется как набор эталонов.
Представим схематичное изображение принципа идентификации и распознавания лиц на рисунке 4, в котором отражены следующие обозначения:
1. Передача системе изображения из видеопотока.
2. Идентификация образца среди имеющихся в базе шаблонов.
3.
Верификация наиболее близкого образца из списка и предъявляемого на вход системы.
Рисунок 4 - Схематичное изображение принципа идентификации и распознавания лиц
Если процесс идентификации проходит успешно, система возвращает положительный результат, заключающийся в соответствии человека на изображении из видеопотока идентифицированному субъекту.
Таким образом, системы распознавания и идентификации лиц по видеофиксации в реальном времени имеют широкую область применения и функционируют в условии ряда ограничений, накладываемых на получаемые изображение. В рамках дальнейшего исследования проведем анализ существующих решений в области распознавания и идентификации лиц по видеофиксации в режиме реального времени.
Сегодня область применения систем распознавания и идентификации по видеофиксации затрагивает практически каждую сферу деятельности человека. Одним из ключевых направлений применения является охранная деятельность, а основными объектами распознавания являются лица людей и номерные знаки транспортных средств. Однако на сегодняшний день существуют тенденции роста востребованности более сложных функций — детектирование движения и оставленных предметов, отслеживание траекторий движения, многокамерный трекинг, классификация и идентификация объектов, распознавание ситуаций, анализ поведения людей и т. д.
В качестве критически важной области применения систем распознавания и идентификации по видеофиксации можно определить борьбу с терроризмом и криминалом. В случаях, когда изображения лиц преступников хранятся в базе данных, а в местах массового скопления людей (например, аэропорты, вокзалы, ТРЦ, спортивные учреждения) ведется съемка в режиме реального времени, использование подобных систем является эффективным методом выявления лиц, находящихся в розыске.
Таким образом, проблематика данного исследования заключается в существовании ряда нерешенных проблем в отношении устойчивости алгоритмов распознавания к воздействию внешних условий и вычислительных требований, наряду со стремительным развитием области применения систем распознавания и идентификации по видеофиксации в режиме реального времени. Необходимо разработать современный проект эффективной системы видеофиксации в части распознавания и идентификации лиц в режиме реального времени, способный оказывать качественную поддержку для успешного применения исследуемой технологии.
Исходя из актуальности и выявленной проблематики, можно сделать вывод о целесообразности разработки проекта эффективной системы видеофиксации в части распознавания и идентификации лиц в режиме реального времени.
Сегодня на рынке представлены сразу несколько типов подобных систем и выполняют они разные по уровню сложности задачи: от дистанционного распознавания в толпе до учета рабочего времени в офисе. Решения для распознавания лиц доступны заказчикам на разных платформах – это серверная архитектура, мобильные и встраиваемые решения и облачные сервисы.
Современные системы работают на нейросетевых алгоритмах глубокого обучения, поэтому точность распознавания максимальная даже для изображений низкого качества, они устойчивы к поворотам головы и обладают другими преимуществами.
Обеспечение безопасности – это своего рода отправная точка, с которой началось внедрение систем биометрической идентификации. Системы дистанционного распознавания лиц применяются для обеспечения безопасности объектов массового нахождения людей.
Самая сложная задача – идентификация человека в толпе.
Так называемое некооперативное распознавание, когда человек не взаимодействует с системой, не смотрит в объектив камеры, отворачивается или пытается скрыть лицо. Например, на транспортно-пересадочных узлах, метро, крупных международных мероприятиях.
Кейсы
Одним из самых значимых проектов 2017 для нашей компании стала крупнейшая международная выставка EXPO-2017, проходившая в Казахстане этим летом. В системе дистанционного биометрического распознавания лиц применялись специализированные камеры.
Выделение лиц в кадре происходит в самой камере и на сервер передается только изображение лица, это разгружает канал и существенно снижает затраты на сетевую инфраструктуру. Камеры контролировали четыре входные группы, в разных частях комплекса. Архитектура системы была разработана таким образом, что входные группы работали по отдельности или все вместе, при этом корректная работа системы обеспечивалась всего 4 серверами и 48 камерами.
С помощью видеоаналитики в режиме онлайн на крупных территориально-распределенных объектах ищут подозреваемых, пропавших людей, расследуют происшествия и инциденты, ведут анализ пассажиропотоков.
В некоторых аэропортах до конца 2017 года биометрия начнет применяться и для регистрации пассажиров на рейс. По данным портала Tadviser , системы «умных гейтов» в аэропортах планируют также внедрить 12 европейских стран (Испания, Франция, Нидерланды, Германия, Финляндия, Швеция, Эстония, Венгрия, Греция, Италия, Румыния).
А следующим шагом должно стать внедрение систем распознавания лиц для прохождения пограничного и миграционного контроля. При государственной поддержке внедрение идентификации по лицу может стать такой же обыденностью, как рамки металлодетекторов в перспективе ближайших трех-пяти лет.
Бизнес тоже делает ставку на биометрическую идентификацию по лицу. В первую очередь, это розничная торговля.
Системы распознают пол и возраст покупателей, частоту и время посещения торговых точек, аккумулируют статистику по каждому отдельному магазину сети.
После этого для отдела в автоматическом режиме выводятся подробные отчеты как в целом по сети, так и с разбивкой по торговым точкам. На основе этих отчетов удобно составлять «портрет клиента», планировать эффективные маркетинговые кампании.
К сожалению, мы не можем разглашать заказчиков. В их числе крупнейшие ритейлеры и DIY (Do It Youself) сети, в ассортименте которых присутствует дорогой инструмент и комплектующие.
Как это работает
Многие опасаются утечек конфиденциальной информации, но мы особо подчеркиваем, что никакие личные данные распознанных людей не хранятся в архивах. Более того, хранится даже не изображение, а его биометрический шаблон, по которому изображение не восстановить.
При повторных визитах «подтягивается» биометрический шаблон лица, поэтому система точно знает, кто и сколько раз был в магазине. За сохранность личных данных можно быть спокойным.
Для небольших магазинов, автосалонов, аптек механизм сбора маркетинговой аналитики реализован в облачном сервисе распознавания. Для предприятий малого и среднего бизнеса такой вариант является более предпочтительным, поскольку не требует затрат на серверное оборудование, найм дополнительного персонала, обновление софта и так далее Это, во-первых, удобный инструмент для оценки эффективности торговых точек, а во-вторых, отличный помощник для выявления воров. То есть одна система выполняет сразу несколько функций.
Помимо вышеперечисленных функций, систему распознавания лиц удобно применять как альтернативу Proximity-картам в системах контроля и управления доступом (СКУД).
Они имеют ряд преимуществ: обеспечивают высокую достоверность распознавания, их невозможно обмануть, скопировать или украсть идентификатор, их легко интегрировать с существующим охранным оборудованием. Можно даже использовать уже имеющиеся камеры наблюдения. Системы биометрической идентификации лиц работают дистанционно и очень быстро с фиксированием событий в архиве.
На базе биометрической СКУД удобно вести учет рабочего времени сотрудников, особенно в крупных офисных центрах.
Кейс
Мы внедрили такую систему на крупном индийском предприятии, которое специализируется в сфере логистики в прошлом году. Число постоянных сотрудников – более 600 человек. При этом компания работает в круглосуточном режиме и практикует «плавающий» трудовой график. С помощью нашей системы дистанционной биометрической идентификации заказчик получил полный и достоверный учет рабочего времени сотрудников, инструмент превентивной безопасности объекта и СКУД.
В момент покупки билета в кассах лицо каждого покупателя автоматически фотографируется и подгружается в систему. Так формируется база посетителей матча. Если покупка была через интернет или мобильное приложение, то авторизация возможна удаленно с помощью «селфи». В дальнейшем, когда человек придет на стадион, система его распознает без всяких паспортов.
Идентификация посетителей спортивных соревнований стала обязательной согласно Федеральному закону № 284-ФЗ «О внесении изменений в статью 20 Федерального закона «О физической культуре и спорте в Российской Федерации» и статьи 32.14 Кодекса Российской Федерации об административных правонарушениях.
На стадион пройдет именно тот, кто купил билет, передать билет другому лицу или пройти по поддельному билету невозможно. Дистанционное распознавание лиц на стадионах работает по такому же принципу, как на крупных территориально-распределенных транспортных объектах: если человек внесен в списки лиц, которым доступ на стадион запрещен, система его не пропустит.
Кейс
В марте 2016 года в рамках совместного проекта Вокорда и Ханты-Мансийского филиала ПАО «Ростелеком» система дистанционного распознавания лиц применялась для обеспечения безопасности Кубка мира по биатлону, проходившего в Ханты-Мансийске. С 2015 года такая же система успешно работает в многофункциональном спортивном комплексе «Арена Омск». Он входит в шестерку самых больших спортивных сооружений России, является крупнейшим спортивно-развлекательным объектом Сибири и базой хоккейного клуба «Авангард».
Еще одной нишей, в которой обосновалось распознавание лиц, является банковская сфера. Здесь внедрение новых технологий проходит интенсивно, поскольку финансовый сектор больше других заинтересован в достоверности и сохранности персонифицированной информации.
Сегодня биометрия постепенно начинает, если не вытеснять привычные и устоявшиеся «бумажные» документы, то идти с ними вровень. При этом существенно повышается степень защиты при проведении платежей: для подтверждения транзакции достаточно посмотреть в камеру своего смартфона. При этом сами биометрические данные никуда не передаются, соответственно, перехватить их невозможно.
Внедрение технологий биометрической идентификации напрямую связано с массовым использованием электронных сервисов и устройств, развитием интернет-торговли и распространением пластиковых карт взамен наличных денег.
С появлением высокопроизводительных графических процессоров (GPU) и сверхкомпактных аппаратных платформ на их базе – таким как NVIDIA Jetson – распознавание лиц начало внедряться в банкоматы. Теперь снять наличные или провести операции по счету может только владелец карты, например, через банкоматы Тинькофф-банка . А PIN-код скоро может уйти на пенсию.
В последнее время на Хабре появляется множество статей, посвящённых Гугловским системам идентификации по лицам. Если честно, то от многих из них так и несёт журналистикой и мягко говоря некомпетентностью. И захотелось мне написать хорошую статью по биометрии, оно же мне не в первой! Пара неплохих статей по биометрии на Хабре есть - но они достаточно короткие и неполные. Тут я попробую вкратце обрисовать общие принципы биометрической идентификации и современные достижения человечества в этом вопросе. В том числе и в идентификации по лицам.
У статьи есть продолжение , которое, по-сути, является её приквэлом.
В качестве основы для статьи будет использована совместная с коллегой публикация в журнале (БДИ, 2009), переработанная под современные реалии. Коллеги пока Хабре нет, но публикацию переработанной статьи тут он поддержал. На момент публикации статья являлась кратким обзором современного рынка биометрических технологий, который мы проводили для себя перед тем как выдвинуть свой продукт. Оценочные суждения о применимости, выдвинутые во второй части статьи основаны на мнениях людей, использовавших и внедрявших продукты, а так же на мнениях людей, занимающихся производством биометрических систем в России и Европе.
В статье мы будем рассматривать только те характеристики, которые применимы в системах контроля и управления доступом (СКУД) или в близких им задачах. В силу своего превосходства это в первую очередь именно статические характеристики. Из динамических характеристик на сегодняшний момент только распознавание по голосу имеет хоть какую-то статистическую значимость(сравнимую с худьшими статическими алгоритмами FAR~0.1%, FRR~6%), но лишь в идеальных условиях.
Чтобы ощутить вероятности FAR и FRR, можно оценить, как часто будут возникать ложные совпадения, если установить систему идентификации на проходной организации с численностью персонала N человек. Вероятность ложного совпадения полученного сканером отпечатка пальца для базы данных из N отпечатков равна FAR∙N. И каждый день через пункт контроля доступа проходит тоже порядка N человек. Тогда вероятность ошибки за рабочий день FAR∙(N∙N). Конечно, в зависимости от целей системы идентификации вероятность ошибки за единицу времени может сильно варьироваться, но если принять допустимым одну ошибку в течение рабочего дня, то:
(1)
Тогда получим, что стабильная работа системы идентификации при FAR=0.1% =0.001 возможна при численности персонала N≈30.
А теперь поподробнее про каждую из технологий
В последние годы биометрия все более активно проникает в нашу жизнь. Ведущие страны мира уже ввели в оборот или в ближайшее время планируют ввести электронные паспорта, содержащие сведения о биометрических характеристиках своего владельца; многие офисные центры внедрили биометрические сенсоры в корпоративные системы контроля доступа; ноутбуки уже давно оснащаются средствами биометрической аутентификации пользователя; на вооружении служб безопасности появляются современные средства выявления любого разыскиваемого преступника в толпе людей
Андрей Хрулев
Начальник отдела биометрических
и комплексных систем безопасности
Группы компаний "Техносерв", к.т.н.
Примеров использования биометрических систем становится все больше. Успех биометрии легко объяснить. Традиционные средства идентификации личности, основанные на принципах "Я – то, что я имею" (идентификационные карты, токены, удостоверяющие документы) и "Я – то, что я знаю" (пароли, пин-коды) – не совершенны. Карту легко потерять, пароль можно забыть, к тому же ими может воспользоваться любой злоумышленник, и ни одна система не сможет отличить вас от подставного лица.
Кроме того, традиционные средства идентификации абсолютно бесполезны, если речь идет о задачах скрытой идентификации личности, а таких задач становится все больше:
Все эти задачи могут быть решены только с использованием средств биометрической идентификации личности, основанных на принципе "Я – то, что я есть". Такой принцип позволяет информационной системе идентифицировать непосредственно человека, а не предметы, которые он предъявляет, или информацию, которую сообщает.
Среди всего многообразия биометрических характеристик человека, используемых для идентификации личности, особо стоит отметить изображение лица. Биометрия лица уникальна тем, что не требует создания специализированных сенсоров для получения изображения – изображение лица можно получить с обычной камеры системы видеонаблюдения. Более того, фотография лица присутствует практически на любом документе, удостоверяющем личность, а значит внедрение этой технологии на практике не сопряжено с разнообразными нормативными проблемами и сложностями социального восприятия технологии.
Стоит также отметить, что изображение лица может быть получено неявно для самого человека, а значит, биометрия лица оптимально подходит для построения систем мониторинга и скрытой идентификации.
Любая система распознавания лица – это типичная система распознавания образов, задача которой сводится к формированию некоторого набора признаков, так называемого биометрического шаблона, согласно заложенной в систему математической модели. Именно эта модель и составляет ключевое ноу-хау любой биометрической системы, а эффективность распознавания лица напрямую зависит от таких факторов, как устойчивость биометрического шаблона к различного рода помехам, искажениям в исходном фото- или видеоизображении.
Эффективность распознавания лица напрямую зависит от таких факторов, как устойчивость биометрического шаблона к различного рода помехам, искажениям в исходном фото- или видеоизображении
Несмотря на огромное многообразие систем распознавания лица, представленных как на российском рынке, так и в мире, во многих из них используются одни и те же биометрические движки – собственно программные реализации методов построения и сравнения математических моделей лица. В России наибольшее распространение получили такие биометрические движки, как Cognitec (разработка компании Cognitec Systems GmbH, Германия), "Каскад-Поток" (разработка компании "Техносерв", Россия), FRS SDK (разработка компании Asia Software, Казахстан), FaceIt (разработка компании L1 Identity Solutions, США).
Как правило, распознавание лица в любом биометрическом движке выполняется в несколько этапов: обнаружение лица, оценка качества, построение шаблона, сопоставление и принятие решения.
На этом этапе система автоматически выделяет (детектирует) в потоке видеокадров или на фотографии лица людей, причем диапазон ракурсов и масштабов лиц может значительно варьироваться, что крайне важно для построения систем безопасности. Совершенно необязательно, что все выделенные лица будут распознаны (как правило, это и невозможно), но обнаружить максимальное количество лиц в потоке и, при необходимости, разместить их в архиве крайне полезно (рис. 1).
Обнаружение лица является одним из ключевых этапов распознавания, так как пропуск лица детектором автоматически означает невозможность дальнейшей идентификации. Качество работы детектора принято характеризовать вероятностью обнаружения лица P0. Для современных биометрических систем, работающих в условиях потока людей, значение вероятности обнаружения лица составляет от 95 до 99% и зависит от условий регистрации видео (освещенность, разрешение камер и т.д.).
Одной из наиболее перспективных тенденций развития рынка биометрии является появление интеллектуальных цифровых видеокамер, реализующих функцию обнаружения лица на основе встроенной логики (рис. 2). Интеллектуальные видеокамеры позволяют получать не только качественный видеопоток, но и связанные с ним метаданные, содержащие сведения о найденных лицах.
Такой подход позволяет значительно снизить нагрузку на аппаратные мощности системы распознавания, что, в свою очередь, уменьшает конечную стоимость биометрических комплексов, делая их более доступными для конечного потребителя. Кроме того, уменьшаются требования к каналам передачи данных, поскольку при таком подходе нам не требуются гигабитные линии связи для передачи высококачественного видео, а достаточно наличия стандартных сетей для передачи сжатого видео и незначительного потока детектированных изображений лиц.
Это очень важный этап распознавания, на котором биометрический движок осуществляет выбор из всего массива детектированных лиц только тех изображений, которые удовлетворяют заданным критериям качества.
Часто разработчики биометрических систем лукавят, утверждая, что их система обеспечивает высокий уровень распознавания при соответствии изображений лица в видеопотоке требованиям качества, определенным в ГОСТ Р ИСО/МЭК 19794-5. Однако этот ГОСТ накладывает очень жесткие (практически идеальные) условия на качество фотографий лица (фронтальный ракурс лица с отклонением не более чем на 5 град.; равномерная освещенность; нейтральная мимика и т.п.), которые не могут быть выполнены в реальных условиях систем видеонаблюдения. Такие требования ГОСТа вполне оправданы тем, что, по сути, данный стандарт предназначен для унификации формата хранения электронной фотографии в паспортно-визовых документах нового поколения – так называемых биометрических паспортах. На практике системы биометрической идентификации вынуждены иметь дело с гораздо менее благоприятными условиями работы:
Именно стабильность работы биометрического движка в таких сложных условиях и определяет его качество. В современных биометрических движках на этапе оценки качества, как правило, оцениваются:
Существует общее заблуждение, что если на изображении лица глаза закрыты (морганием или очками), то якобы система не сможет распознать человека. Действительно ранние алгоритмы распознавания лица использовали центры зрачков глаз в качестве базы для дальнейшей обработки изображения, в частности для стандартного масштабирования лица. Однако в настоящий момент многие современные биометрические движки (например, Cognitec или "Каскад-Поток") используют более сложные схемы кодирования лица и не привязаны к положению центров зрачков.
Это один из самых сложных и уникальных этапов распознавания лица, составляющий ключевое ноу-хау технологии биометрического движка. Суть данного этапа состоит в нетривиальном математическом преобразовании изображения лица в набор признаков, объединенных в биометрический шаблон.
Каждому лицу соответствует свой уникальный биометрический шаблон. Принципы построения биометрических шаблонов чрезвычайно многообразны: шаблон может быть основан на текстурных свойствах лица, на геометрических особенностях, на характерных точках, на комбинации различных разнородных признаков.
Важнейшей характеристикой биометрического шаблона является его размер. Чем больше размер шаблона, тем больше информативных признаков он включает в себя, но тем ниже скорость и эффективность поиска этого шаблона. Типичное значение размера шаблона лица в биометрических системах составляет от 1 до 20 кбайт.
Это объединенный этап работы системы распознавания, на котором производится сравнение биометрического шаблона лица, построенного по детектированному лицу, с массивом шаблонов, хранящихся в базе данных. В простейшем случае сопоставление осуществляется простым перебором всех шаблонов и оценкой меры их схожести. На основании полученных оценок и их сопоставления с заданными порогами принимается решение о наличии или отсутствии идентичной личности в базе данных.
В современных системах сопоставление реализуется по сложным оптимальным схемам сравнения, обеспечивающим скорость сопо ставления от 10 000 до 200 000 сравнений в секунду и более. Причем стоит понимать, что процесс сопоставления может быть запараллелен, что позволяет работать системам идентификации практически в режиме реального времени даже по большим массивам изображений, например в 100 000 персон.
Качество работы систем распознавания лиц принято характеризовать вероятностями идентификации. Очевидно, что при биометрической идентификации возможно появление двух типов ошибок.
Стоит понимать, что распознавание лица – не абсолютная технология. Часто можно слышать критику в адрес биометрических систем, что на реальных объектах не удается достичь столь же высоких показателей, как и в "лабораторных" условиях. Это утверждение верно лишь отчасти. Действительно, эффективно распознавать лицо можно только в определенных условиях, именно поэтому крайне важно при внедрении биометрии лица понимать, в каких условиях будет эксплуатироваться система. Однако для большинства современных систем распознавания эти условия вполне достижимы на реальных объектах. Так, для повышения эффективности распознавания лица в идентификационных зонах следует организовывать направленный поток людей (дверные проемы, рамки металлодетекторов, турникеты и т.п.) для обеспечения возможности кратковременной (не более 1–2 с) фиксации лица каждого посетителя. При этом камеры видеофиксации должны быть установлены с таким условием, чтобы угол отклонения зафиксированных лиц от фронтального положения не превышал 20–30 град. (например, установка камер на удалении от зоны прохода в 8–10 м при высоте подвеса на 2–3 м).
Соблюдение этих условий при внедрении систем распознавания позволяет эффективно решать задачу идентификации личности и поиска людей, представляющих определенный интерес, с вероятностями, максимально приближенными к декларируемым разработчиками значениям показателей успешной идентификации.
Биометрией называется совокупность способов и устройств для идентификации человека, которые основаны на его уникальных физиологических или поведенческих характеристиках.
Этот вид идентификации может применяться для предотвращения запрещенного доступа в здания, к компьютерам, банкоматам, мобильным телефонам и так далее.
Биометрические свойства это:
Наука 2.0 Идентификация личности
Биометрическая защита дает больший эффект по сравнению, например, с использованием паролей, смарт-карт, PIN-кодов, жетонов или технологии инфраструктуры открытых ключей. Это объясняется возможностью биометрии идентифицировать не устройство, но человека.
Обычные методы защиты чреваты потерей или кражей информации, которая становится открытой для незаконных пользователей. Исключительный биометрический идентификатор, например, отпечатки пальцев, является ключом, не подлежащим потере.
Классификация способов биометрии
По типу используемой информации биометрическая идентификация делится на:
Этот метод опознавания является самым распространенным. Он использует неповторимость папиллярных узоров пальцев для каждого человека. Специальным сканером получают изображение пальцевого отпечатка. Оно трансформируется в цифровой код и сопоставляется с шаблоном, введенным ранее.
Процесс идентификациидлитсяне больше нескольких секунд. Определенный недостаток, сдерживающий развитие этого метода, состоит в предубеждении некоторых людей, не желающих оставлять данные о своих отпечатках пальцев. Контраргумент разработчиков аппаратуры заключается в том, что информация о папиллярном узоре не хранится, а хранится только короткий идентификационный код, выстроенный по отпечатку пальца и не позволяющий воссоздать узор для сравнения. Преимуществом метода является простота в использовании, надежность и удобство.
Этот статический метод основан на измерении формы кисти руки. Она также является уникальным биометрическим параметром человека. Специальное устройство позволяет получить трехмерный вид кисти. В результате получают измерения для создания уникального цифрового кода, идентифицирующего человека.
Данный метод по своей технологии и точности сопоставим с методом отождествления по отпечатку пальца, хотя само устройство для реализации метода занимает много места. Чрезвычайно мала вероятность наличия двух идентичных кистей рук, имеющих одинаковую геометрию, хотя руки с возрастом меняются.
Сегодня идентификация по геометрии руки применяется в законодательных органах, больницах, международных аэропортах и т. д.
Основой этого метода является исключительность узора на радужной оболочке глаза. Для его выполнения нужна камера, чтобы получать изображение глаза с достаточным разрешением, и специальное программное обеспечение для выделения из полученного изображения рисунка на радужной оболочке. По нему и создается цифровой код, служащий для идентификации человека.
Достоинством сканеров является то, что от человека не требуют сосредотачиваться на цели, поскольку образец пятен радужной оболочки сосредоточен на поверхности глаза. Сканирование возможно на расстоянии меньше 1 м. Это удобно для использования, например, в банкоматах.
Сетчатки сканируется с помощью низкоинтенсивного инфракрасного света, который направляется к кровеносным сосудам задней стенки глаза через зрачок. Сканеры сетчатки широко распространены в системах доступа на секретные объекты, поскольку у них почти не бывает неправильного разрешения доступа. Ошибки могут объясняться отклонением головы от эталонного положения и неправильной фокусировкой взгляда на источнике света.
Даже у близнецов различается капиллярный рисунок сетчатки. Вот почему этот способ может успешно использоваться для идентификации личности.
Недостатком таких систем можно отнести психологический фактор: не каждый человек может смотреть в темное отверстие, в котором в глаз что-то светит. Кроме того, эти системы чувствительны к неверной ориентации сетчатки, поэтому надо внимательно следить за положением глаза по отношению к отверстию.
Этот статический метод идентификации заключается в создании двух- или трехмерного образа лица человека. Камерой и специализированным программным обеспечением на изображении лица подчеркиваются контуры глаз, губ, бровей, носа и т. д. Затем вычисляют расстояния между этими элементами и прочие параметры. По этим сведениям создается образ, который для сравнения преобразуется в цифровую форму.
Этот способ относится к наиболее динамично развивающимся направлениям в индустрии биометрии. Его привлекательность основана на том, что не требуется специального дорогого оборудования. Достаточно персонального компьютера и видеокамеры. Кроме того, отсутствует физический контакт с устройствами. Не нужно прикасаться ни к чему, либо останавливаться, специально ожидая срабатывания системы.
Основой идентификации по почерку служит уникальность и стабильность этого фактора для каждого человека. Характеристики измеряются, переводятся в цифровой вид и подвергаются компьютерной обработке. То есть для сравнения выбирается не письмо как продукт, а сам процесс.
Распространены два метода обработки данных: обычное сравнение с образцом и динамическая верификация. Первый ненадежен, потому что подпись не всегда одинакова. Такой метод приводит к большому проценту ошибок. Динамическая верификация состоит в более сложных вычислениях. Этим методом в реальном времени регистрируются параметры самого процесса подписи: скорость движения руки на различных участках, силу давления и длительность разных этапов подписи. Это исключает подделку, так как невозможно в точности скопировать движения руки автора подписи.
Этот метод, в общем, аналогичен описанному выше, однако подпись в нем заменяется неким кодовым словом, а из оборудования нужна лишь обычная клавиатура. Основной идентификационной характеристикой является динамика клавиатурного набора кодового слова.
Согласно современным исследованиям, клавиатурный почерк обладает определенной стабильностью, благодаря чему можно однозначно идентифицировать личность. Исходными данными является время между нажатием клавиш и их удержания. Причем время между нажатием показывает темп работы, а удержания – стиль работы, то есть плавное нажатие либо резкий удар.
Вначале на этапе фильтрации удаляются данные о «служебных» клавишах – функциональных, управления курсором и т. д.
Потом выделяются следующие характеристики пользователя:
Биометрический метод идентификации голоса удобен в применении. Причинами его внедрения являются широкое распространение телефонных сетей и встраивание микрофонов в компьютеры. Недостатками можно считать факторы, оказывающие влияние на распознавание: помехи в микрофонах, окружающие шумы, ошибки в процессе произнесения, разное эмоциональное состояние человека при идентификации и т. п.
Главное в построении устройств аутентификации по голосу – выбор параметров, лучше всего описывающих индивидуальность голоса. Эти параметры сигнала называются признаками индивидуальности. Такие признаки, кроме данных об особенностях голоса, должны иметь и другие свойств. Например, они должны легко измеряться, и мало зависеть от шумов и помех. Кроме того, они должны обладать стабильностью во времени и сопротивляться имитации.
Разработаны системы с применением метода комбинированного анализа голоса с мимикой. Оказывается, мимика говорящего отличает только его и будет иной у произносящего те же слова другого человека.
Идентификация человека по лицу сильно упрощаются, если перейти в инфракрасный диапазон световых волн. Термография идентифицируемого лица выявляет уникальность расположения на лице артерий, снабжающих кожу кровью. Вопроса подсветки для этих биометрических устройств не существует, поскольку они воспринимают лишь температурные перепады лица и свет им не нужен. Эффективность распознавания не зависит от перегрева или переохлаждения лица, естественного старения личности, пластических операций, так как они не изменяют внутреннее положение сосудов.
Способом лицевой термографии можно различать близнецов, лицевые кровеносные сосуды которых сильно различаются.
В этом способе идентификации используется специализированная видеокамера инфракрасного дальнего диапазона.
На биометрическом рынке присутствуют устройства, которые построены на анализе индивидуального расположения вен на руках. Во внимание принимается рисунок вен, расположенных на тыльной стороне кисти сжатой в кулак руки. Наблюдение за рисунком вен осуществляет телевизионная камера при инфракрасной подсветке. При вводе изображения производится его бинаризация, выделяющая вены. Подобное оборудование производит единственная английская фирма Vinchek.
Доминирующим способом идентификации личности по-прежнему остается распознавание отпечатков пальцев. Для этого существуют две главные причины:
Существенное расширение можно ожидать в секторе идентификации по подписи в связи с широким внедрением цифровой электронной подписи. Распознавание голоса тоже может набрать обороты благодаря реализации крупных проектов в строительстве интеллектуальных зданий.
Основные прогнозы сводятся к тому, что внедрение биометрических устройств безопасности в скором будущем приобретет лавинный характер. Борьба с глобальным терроризмом потребует практического использования любых достижений в этой сфере. Благодаря интенсивному развитию мультимедийных и цифровых технологий и дальнейшее их удешевление позволят разработать и внедрить принципиально новые системы идентификации.
Определенные биометрические технологии сейчас проходят стадию разработки и некоторые из них признаны перспективными:
Эти способы биометрической идентификации на сегодняшний день можно считать сформировавшимися. Возможно, скоро они перейдут от научных исследований к коммерческим технологиям.