УДК 57.087.1.004.93
К ВОПРОСУ О ПРОВЕДЕНИИ ВЕРИФИКАЦИИ ИЗОБРАЖЕНИЙ ЛИЦ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
О. В. Андреева, Д. В. Дмитриев, Н. С. Крылова, М. В. Мартынюк
Приведено описание метода верификации на основе геометрии лица в качестве биометрического признака. Представлены нейросетевые алгоритмы проведения верификации для целей снижения коэффициентов ошибок. Результаты проведенных экспериментов подтверждают возможность использования предложенных алгоритмов для решения поставленной задачи.
Ключевые слова: биометрия, нейронные сети
ВВЕДЕНИЕ
Все большую актуальность приобретают системы ограничения, использующие в качестве основания доступа биометрические признаки человека, однозначно определяющие конкретного индивидуума, которые трудно подделать.
Системы аутентификации и верификации на основе изображения лица человека выделяются среди прочих биометрических систем тем, что не требуют специализированного оборудования и физического контакта с объектом, подвергающимся проверке [1]. Для таких систем разработано множество методов и алгоритмов, однако их статистическая достоверность по-прежнему невысока. Для повышения надежности и качества проведения аутентификации и верификации на основе геометрии лица человека требуется разработка новых моделей, методов и алгоритмов. В данной работе проведен анализ и сравнение методов биометрической верификации на основе нейронных сетей [2].
ОПИСАНИЕ СХЕМЫ
ВЕРИФИКАЦИИ
ПОЛЬЗОВАТЕЛЯ
Типичная схема верификации пользователя представлена на рис. 1. Пользователь передает
в систему уникальный идентификатор /Д однозначно определяющий его в системе. Системой из базы данных извлекается шаблонный образ, соответствующий переданному идентификатору.
Одновременно с этим с помощью сенсора с пользователя снимается биометрическая информация. Из полученной биометрической информации экстрактором свойств извлекаются биометрические признаки пользователя, на основании которых строится тестовый образ.
Модуль сравнения (биометрический мэтчер) подсчитывает степень сходства между двумя образами (тестовым и шаблон-
Рис. 1. Система верификации
ным) и в зависимости от степени сходства принимается решение о допуске или отказе пользователя [3].
ОПИСАНИЕ МОДУЛЯ ЭКСТАРКТОРА СВОЙСТВА
Проведенное исследование показало, что в общем случае точное и детализированное выявление биометрических признаков пользователя — сложная и трудоемкая задача, а существующие программные реализации (библиотека 8ТЛ8М [4]) недостаточно эффективны. Предлагается в качестве биометрических признаков использовать лицо пользователя целиком.
В рамках данного исследования рассмотрено множество подходов к детектированию изображения лица на фотографии. Большинство из них основаны на моделях человеческого лица, которые воспроизводят форму лица с точки зрения его структуры. В частности были рассмотрены: метод главных компонент, линейный дискрими-нантный анализ, искусственные нейронные сети, метод опорных векторов. Результаты проведенного анализа этих методов показали, что наиболее эффективным, с точки зрения скорости и точности детектирования лица
56
вепвогв & Эувгетв • № 5.2014
человека, является метод Виолы-Джонса.
Основная идея подхода применения лица пользователя целиком в качестве биометрического параметра заключается в уменьшении разрешения изображения лица с нескольких тысяч пикселей до небольшого числа, чтобы оставить наиболее яркие черты, нечувствительные к шуму.
ОПИСАНИЕ МОДУЛЯ СРАВНЕНИЯ
Модуль сравнения в данной работе реализует процесс верификации биометрических данных. В отличие от процесса идентификации, когда система сравнивает один образец со многими, процесс верификации сравнивает один с одним. Проведен анализ наиболее распространенных методов верификации: методы на основе расчета Евклидова расстояния, методы на основе скрытых Марковских моделей, методы на основе сравнения эластичных графов, метод опорных векторов, нейросе-тевые методы. В результате выбор был сделан в пользу многослойного персептрона в качестве модели модуля сравнения как наиболее простого в реализации и удовлетворяющего поставленным требованиям.
Для программной реализации многослойного персептрона применяется библиотека БЛКМ [5]. Внутри этой библиотеки также содержаться процедуры для обучения сети. Реализованная сеть имеет 2500 входов, на которые подаются значения яркости пикселей, и один выход. Для верификации каждого человека создается отдельная сеть, весовые коэффициенты которой сохраняются в базе данных. Для обучения сети используются
изображения лиц человека, для которого предназначена данная сеть (эталонные выходы соответствуют единице) и изображения других людей (эталонные выходы соответствуют нулю).
РЕЗУЛЬТАТЫ
ПРОВЕДЕННОГО
МОДЕЛИРОВАНИЯ
Эксперименты проводились на нескольких базах данных лиц, сфотографированных с различным ракурсом и освещением. Для оценки качества верификации рассчитаны коэффициенты ложного различия и коэффициенты ложного срабатывания [6].
Для базы данных MIT: коэффициент ложного различия (КЛР) — 0,01, коэффициент ложного сходства (КЛС) — 0,12; среднее время обучения сети — 116,39 с.
Для базы данных CalTech: коэффициент ложного различия — 0,16, коэффициент ложного сходства — 0,2; среднее время обучения сети — 7,96 с.
Для собственной базы данных лиц: коэффициент ложного различия — 0,48, коэффициент ложного сходства — 0,0067; среднее время обучения сети — 44,88 с.
Для уменьшения размерности входного вектора применено двумерное дискретное преобразование Фурье, с помощью которого дискретное изображение переводится из области про-
странственных переменных в область частотных переменных. Соответственно, справедливо и обратное двумерное дискретное преобразование Фурье, которое переводит изображение из частотной области в область пространственных переменных. Таким образом, изображение можно представлять как его отсчетами, так и спектральными коэффициентами в частотной области.
Для выполнения двумерного преобразования Фурье использовалась библиотека MATLAB с помощью алгоритма быстрого преобразования Фурье.
Так как первые коэффициенты преобразования несут наибольшее количество информации об исходном изображении, то число отсчетов ограничивается. Экспериментальным путем выявлено, что сравнительно высокая эффективность от преобразования достигается при отборе первых 325 коэффициентов. На рис. 2 представлены исходные изображения лиц и изображения, восстановленные с помощью обратного двумерного преобразования Фурье.
Результаты экспериментов с использованием преобразования Фурье:
— для базы данных MIT: коэффициент ложного различия — 0,011, коэффициент ложного сходства — 0,137; среднее время обучения сети — 2,226 с;
Рис. 2. Изображения лиц после обратного двумерного преобразования Фурье
Датчики и Системы • № 5.2014 - 57
Рис. 3. Рабочие характеристики биометрической системы в зависимости от пороговых значений
— для базы данных Са1Теск: коэффициент ложного различия — 0,24, коэффициент ложного сходства — 0,08; среднее время обучения сети — 0,156 с;
— для собственной базы данных лиц: коэффициент ложного различия — 0,24, коэффициент ложного сходства — 0,08; среднее время обучения сети — 0,156 с.
Применение двумерного дискретного преобразования Фурье позволило значительно сократить время обучения сети, а в некоторых случаях улучшить качество верификации.
Во всех экспериментах пороговая величина Т, выражающая компромисс между коэффициентом ложного срабатывания и коэффициентом ложного
различия, имела значение 0,8. На рис. 3 представлена рабочая характеристика, определяющая соотношение между коэффициентом ложного срабатывания и коэффициентом ложного различия в зависимости от пороговой величины.
ЗАКЛЮЧЕНИЕ
Разработаны методы, алгоритмы и программное обеспечение для обучения нейросетево-го верификатора с применением двумерного дискретного преобразования Фурье. С помощью моделирования получены характеристики нейросетевых верификаторов на основе многослойного персептрона. В рамках рассмотренных примеров эти верификаторы продемонстрировали сопоставимую эффективность. Результаты моделирования свидетельствуют о целесообразности применения разработанных процедур при обучении и использовании нейросетевых верификаторов.
ЛИТЕРАТУРА
1. Дмитриев Д. В., Андреева О. В. Формирование оптимального алгоритма преобразования информации в процессе аутентификации личности по отпечаткам пальцев // Научно-
технический вестник Поволжья. — 2012. — № 6.
2. Дмитриев Д. В., Ляхманов Д. А., Соколова Э. С. Разработка и апробация эмулятора нейросетевого моделирования для целей прогнозирования временных рядов // Современные проблемы науки и образования. — 2012. — № 6.
3. Дмитриев Д. В, Капранов С. Н., Марков Е. В. Исследование алгоритмов предварительной обработки биометрических образов для целей верификации // Нейрокомпьютеры: разработка, применение. — 2014. — № 3.
4. <http://www.milbo.users.sonic.net/stasm>
5. <http://leenissen.dk/fann/wp/>
6. Cootes Т., Edwards G, Taylor C. Active appearance models // In Proceedings of the European Conference on Computer Vision. — 1998. — Vol. 2.
Работа выполнена на кафедре «Информатика и системы управления» Нижегородского государственного технического университета им. Р. Е. Алексеева.
Ольга Вячеславовна Андреева — аспирант, ассистент кафедры;
® (831) 436-83-44
Дмитрий Валерьевич Дмитриев — канд. техн. наук, доцент, ген. директор ООО «БИТ»;
® (831) 436-83-44
E-mail: dmitdmit@mail.ru
Нина Сергеевна Крылова — магистрант.
® (831) 436-83-44
E-mail: tenzornn@yandex.ru
Михаил Владимирович Мартынюк — канд. техн. наук, доцент.
® (831) 436-83-44 □
450 лет со дня рождения Галилео Галилея
Незаметно прошла юбилейная дата: 450 лет назад, 15 февраля 1564 года родился Галилео Галилей, один из зачинателей современной экспериментальной науки. Можно высказать массу сомнений: да, у него были предшественники; да, он не изобрел термометр, а всего лишь продемонстрировал примитивный термоскоп; да, он только спроектировал, но не построил маятниковые часы; да, он допустил ошибки в теории изгиба и не смог построить теорию
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.