Исследование эффективности аутентификации личности по геометрии лица
1. Анализ биометрических
систем идентификации личности
Хотя к настоящему времени выявлено
множество физических черт человека, пригодных для установления личности,
широкомасштабное их использование длительное время сдерживалось отсутствием
аппаратных и программных средств, позволяющих автоматизировать процесс
биометрической идентификации. Появление в последнее время новых технологий,
решающих эту задачу, и их стремительное удешевление, сделали широко доступными
биометрические системы идентификации, которые ранее использовались только узким
кругом особо уполномоченных лиц.
В данном разделе при анализе
современного состояния в области биометрических технологий используется термин
«идентификация», как составная часть устойчивого выражения «biometric
identification», описывающего биометрическую проверку в широком смысле слова,
включая также и аутентификацию.
идентификация личность
биометрический лицо
1.1 Общие сведения
У всех биометрических технологий
существует очевидный общий подход к решению задачи идентификации - любая
биометрическая технология предусматривает поэтапное выполнение следующей
последовательности действий:
- сканирование
субъекта идентификации (одно или большее количество измерений биометрической
характеристики со считывающего устройства);
- преобразование
полученных о субъекте данных в пригодную для использования цифровую форму,
извлечение индивидуальной информации;
- формирование по
заданному алгоритму индивидуального идентификатора для рассматриваемого
субъекта;
- сравнение текущего
идентификатора с базой данных (либо с данными всех пользователей, либо только
определенного, в случае наличия дополнительной информации о субъекте) [5].
Хотя разработанные опознавательные
методы биометрической идентификации весьма разнообразны, принципиально все они могут
быть разделены на две большие группы:
- статические методы
- основаны на анализе какой-либо физиологической характеристики человека,
уникальной для каждого, присущей ему от рождения и неотъемлемой от него;
- динамические методы
- анализируют поведенческие характеристики человека, особенности
подсознательных движений в процессе воспроизведения какого-либо действия
(подписи, речи, клавиатурного набора).
Определенные физиологические
особенности человека, такие, как папиллярный узор пальца, геометрия лица,
температура кожи лица, форма уха, рисунок вен руки, геометрия ладони, рисунок
радужной оболочки глаза или сетчатка глаза, структура ДНК, являются постоянными
и неизменными в течение всей жизни физическими характеристиками человека. Как и
сами эти физиологические характеристики, измерения статического типа дают
практически неизменный для каждого человека результат. Поскольку человек сам
является ключом, эти методы проверки отличаются удобством применения и
точностью результатов.
Общеизвестно также, что каждый
человек имеет некоторые индивидуальные поведенческие характеристики, по которым
можно его идентифицировать: особенности подписи, голос, рукописный или
клавиатурный почерк, походка. В отличие от физиологических особенностей, они
могут изменяться с течением времени, поэтому зарегистрированный биометрический
образец должен обновляться при каждом его использовании. Кроме того,
поведенческие черты являются управляемыми и находятся под влиянием не только
сознательных действий человека, но и неуправляемых психологических факторов
(настроение, состояние здоровья, стресс), что может значительно снизить
точность идентификации. Поэтому хотя биометрия, основанная на поведенческих
характеристиках, менее дорога и представляет меньшую угрозу для
конфиденциальности биометрических данных пользователей, она не позволяет
обеспечить точность идентификации, сравнимую с точностью идентификации личности
по физиологическим чертам.
Некоторые методы биометрической
идентификации, получившие наиболее широкое распространение, рассмотрены ниже
[6, 7].
1.1.1 Распознавание по
отпечаткам пальцев
В основе этого метода биометрической
идентификации лежит уникальность рисунка папиллярных узоров на пальцах каждого
человека. Преимущества - простота использования, скорость и надёжность. Социологические
исследования также показали, что использование отпечатка пальца является самым
удобным для пользователей биометрическим методом. Кроме того, биометрический
сканер отпечатка пальца весьма компактен и умещается даже на клавиатуре.
Изображение отпечатка пальца,
полученное с помощью специального сканера, преобразуется в цифровой код
(свертку) и сравнивается с ранее введенным эталоном. Существует два основных
алгоритма сравнения полученного кода с имеющимся в базе шаблоном: по
характерным точкам и по всей поверхности пальца. В первом случае выявляются
характерные участки и их взаиморасположение. Во втором случае запоминается весь
отпечаток. Иногда используется также комбинация алгоритмов, что позволяет
повысить надежность системы.
Обычно в базе данных хранят
несколько эталонных образов, что позволяет повысить точность идентификации. Они
могут отличаться сдвигом и поворотом, максимальный угол поворота отпечатка от
вертикали не более 15 градусов. Масштаб не меняется, т. к. все отпечатки
получают с одного устройства [9].
В среднем процент негативной
идентификации легальных пользователей составляет около 3%, а процент ошибочной
позитивной реакции - меньше одного к миллиону. Такая вероятность ошибки намного
меньше в сравнении с другими биометрическими методами, особенно если учесть,
что средняя вероятность распознавания отпечатков пальцев криминалистом равна
приблизительно 70%, хотя дактилоскопия используется более 100 лет и считается
достаточно надежной [9].
1.1.2 Распознавание по
форме кисти руки
Этот сравнительно новый статический
метод, произошедший из криминалистики, выполняет идентификацию по сканированию
руки. В данных биометрических системах используется геометрическая форма кисти
руки (либо нескольких пальцев), а попутно - расположение подкожных кровеносных
сосудов ладони, узор линий на ладони. При этом речь может идти о разных
методах.
Идентификация по геометрии руки по
своей технологической структуре и уровню надежности сопоставима с методом
дактилоскопической идентификации. Зачастую эти методы используются совместно,
хотя устройство для считывания отпечатков ладоней занимает больше места.
Измерения для получения уникальной цифровой свертки производятся с помощью
специального устройства, позволяющего получать трехмерный образ кисти руки
(либо, используя видеокамеру, снимки и внутренней, и боковой стороны ладони).
Однако форма кисти руки достаточно
сильно меняется со временем.
1.1.3 Распознавание по
радужной оболочке глаза
При этом производится измерение и
анализ цветного кольца вокруг зрачка. Факт отсутствия двух человек с одинаковой
радужной оболочкой глаза (более того, даже у одного человека радужные оболочки
глаз отличаются друг от друга) был доказан ещё в 1950-х годах. Однако
техническая реализация метода распознавания по радужной оболочке глаза появилась
относительно недавно - патент на эту технологию был получен в 1994 году.
Уникальность данной технологии состоит в том, что в радужке хранится больше
информации, чем в любом другом органе человеческого тела (266 уникальных точек
идентификации по сравнению с 10-60 точками у других методов).
Не требуется специальных условий,
например, чтобы пользователь сосредоточился на цели, потому что радужная
оболочка находится на поверхности глаза. Нарушения зрения и повреждение
хрусталика глаза (катаракта) никак не влияет на точность сканирования.
Патентованный код, принятый во всех коммерческих системах идентификации,
гарантирует частоту ошибок порядка 1 на 1,2 миллиона. Существующие решения
позволяют идентифицировать пользователя даже при затенении (или повреждении)
радужной оболочки по 1/3 изображения радужки с вероятностью ошибки 1 к 100 тыс.
Подобную надежность не могут обеспечить другие биометрические технологии.
Для реализации метода необходима
лишь камера, позволяющая получить изображение с достаточным разрешением, и
специализированное программное обеспечение, позволяющее выделить из полученного
изображения рисунок радужной оболочки глаза, по которому строится цифровой код
для идентификации человека. Фактически, современными камерами глаз может быть
отсканирован на расстоянии метра, что расширяет возможности использования
метода [6].
1.1.4 Сетчатка глаза
Сканирование сетчатки происходит с
использованием инфракрасного света низкой интенсивности, направленного через
зрачок к кровеносным сосудам на задней стенке глаза. Изображение радужной
оболочки должно быть чётким, поэтому катаракта может отрицательно
воздействовать на качество идентификации личности.
Сканеры сетчатки получили широкое
распространение в системах контроля доступа на особо секретные объекты, так как
у них один из самых низких процентов отказа в доступе легальных пользователей и
практически не бывает ошибочного разрешения доступа.
Несмотря на сходство и почти
одинаковую надёжность, данный метод не является парным со сканированием
радужной оболочки, так как используются разные сенсоры, с разными требованиями
к получаемому образу.
1.1.5 Распознавание по
форме лица
Это самый интуитивно понятный метод
идентификации, наиболее близкий человеку. В данном статическом методе
идентификации строится образ лица, а на нём выделяются индивидуальные
параметры. Количество, качество и разнообразие (разные углы поворота головы,
изменения нижней части лица при произношении ключевого слова и т.д.)
считываемых образов может варьироваться в зависимости от алгоритмов и функций
системы, реализующей данный метод.
Идентификация по чертам лица - одно
из самых динамично развивающихся направлений в биометрической индустрии, однако
большинство разработчиков пока испытывают трудности в достижении высокой
степени надёжности систем.
1.1.6 Распознавание по
рукописному почерку (по подписи)
Как правило, для этого динамического
метода идентификации используется написание кодового слова или подпись
человека. Цифровой код идентификации формируется по динамическим
характеристикам написания, то есть по графическим параметрам надписи, временным
характеристикам написания и динамики нажима на поверхность в зависимости от
возможностей оборудования (планшет, экран карманного компьютера и т.д.).
Для идентификации подписи используют
специальные ручки, чувствительные к давлению панели, или комбинацию обоих.
Устройства со специальными ручками менее дороги и занимают меньше места, но в
тоже время имеют меньший срок службы.
1.1.7 Распознавание по
голосу
Голос индивидуален для каждого
человека и формируется из комбинации физиологических и поведенческих факторов.
Существует достаточно много способов построения кода идентификации по голосу:
как правило, это различные сочетания частотных и статистических характеристик
голоса.
Биометрический подход, связанный с
идентификацией голоса, является одной из старейших технологий и, в тоже время,
крайне удобен в применении. Главным его недостатком является низкая точность
идентификации из-за высокой зависимости от нефиксированных внешних факторов
(например, заболевание горла). Распознавание по голосу имеет точность,
сравнимую с худшими статическими алгоритмами, но и то лишь в идеальных
условиях. Необходимо отметить, что другие динамические методы еще менее
надежны. Хотя идентификация личности по голосу не так надежна, как многие
другие биометрические методы, это становится все менее серьёзной проблемой по
мере того, как устройства голосовой идентификации различают новые
дополнительные характеристики человеческой речи [8].
Существует также много других
малоизвестных направлений в области биометрии, как уже неиспользуемых, так и
перспективных, которые сейчас следует признать скорее экзотическими. Например,
распознавание по ушной раковине, термограмме лица, по сердечному ритму, анализу
фрагментов ДНК, запаху и т.п. Большинство этих технологий находится ещё на
стадии исследований и в настоящий момент их доля на рынке и влияние на развитие
биометрии невысоки.
Каждый из параметров имеет свои
достоинства и недостатки с точки зрения его использования в качестве критерия
идентификации. В последнее время ведутся активные разработки по
усовершенствованию и модификации систем идентификации личности, поиск новых
подходов для характеристики человеческой индивидуальности, комбинации
физиологических и поведенческих факторов.
1.2 Анализ рынка
биометрических систем распознавания личности
Как и в других отраслях, для
изучения состояния мирового рынка биометрических технологий необходимо
проводить целый комплекс масштабных статистических и аналитических
исследований, опросов потребителей и производителей. Существуют
специализирующиеся на этом научно-технические и аналитические организации,
наблюдающие за функционированием рынка и оценивающие его развитие.
Воспользуемся данными, предоставленными некоторыми из таких организаций, для
анализа современного состояния на рынке средств биометрической идентификации.
Однако необходимо иметь в виду, что в различных источниках сходные данные
колеблются в пределах 15-20%, так что это всего лишь оценочное представление.
Неполный перечень использованных для
оценки источников:
- ежегодные отчёты
признанной мировым сообществом ведущей консалтинговой компании International
Biometric Group (IBG);
- данные
исследовательской компании Allied Business Intelligence;
- отчеты и прогнозы
глобальной консалтинговой компании Frost&Sullivan, имеющей более чем
50-летний опыт работы;
- прогноз,
опубликованный компанией Biometrics Research Group;
- обзор от
маркетинговой компании Global Industry Analysts (GIA)
- результаты
исследования рынка систем управления персоналом в России аналитического центра
TAdviser (#"651255.files/image001.gif">
Рисунок 1.1 - Объём рынка
биометрических технологий (в млн. долл.) в период с 2002 по 2007 гг. (по данным
International Biometric Group) [7]
Около половины этого рынка
составляют решения для «гражданского» сектора, применяемые в торговых
компаниях, банках, госсекторе и образовательных учреждениях. Причём это не
только системы безопасности, но и, например, решения для мониторинга рабочего
времени сотрудников.
Рассмотрим сегментацию рынка
биометрических технологий за последние годы по данным исследовательских
компаний (рис. 1.2 - 1.5).
Рисунок 1.2 - Сегментация мирового
рынка систем безопасности в 2002 г. (Allied Business Intelligence) [7]
Рисунок 1.3 - Сегментация мирового
рынка систем безопасности в 2003 г. (International Biometric Group) [7]
Рисунок 1.4 - Сегментация рынка
биометрических технологий в США в 2003 г. (International Data Corp.) [7]
Рисунок 1.5 - Сегментация рынка
биометрических систем безопасности в 20011 г. (International Data Corp.) [3]
Видно, что самый большой сегмент
биометрического рынка устойчиво формируют дактилоскопические системы: в 2012 г.
на долю этого сегмента приходилось 5 млрд. долл., и ожидается, что к 2015 г.
данный показатель достигнет 10 млрд. долл.
При этом по оценкам GIA совокупный
объём продаж систем идентификации по лицу, радужной оболочке, рисунку вен и
голосу в 2010 г. оценивался в 2 млрд. долл.; а в 2015 г. может увеличиться до 5
млрд. долл., а объём рынка идентификации по лицу и голосу может к 2018 г.
достичь 2,9 млрд. долл. То есть ожидается интенсивное внедрение подобных
технологий.
Самым крупным региональным рынком в
рассматриваемом сегменте были и останутся США (GIA). Что же касается скорости
развития технологий биометрической идентификации, то здесь наиболее высокие
результаты демонстрируют страны Азиатско-Тихоокеанского региона (АТР): в 2011
г. объем биометрического рынка в странах Азиатско-Тихоокеанского региона составил
около 500 млн. долл., и в ближайшие пять лет среднегодовые темпы его роста,
исчисленные в сложных процентах, достигнут 12,6% (Frost & Sullivan). Причём
распознавание по лицу и голосу среднегодовые темпы роста, исчисленные в сложных
процентах (CAGR), достигнут здесь 28,5%.
Это обусловлено тем, что для стран
АТР приоритетной задачей сейчас является формирование инфраструктуры систем
национальной идентификации и пограничного контроля. Роль технологий биометрии
тут настолько велика, что биометрический рынок в АТР будет развиваться быстрее,
чем в Северной Америке, на Среднем Востоке и в европейских государствах.
Наиболее яркой чертой становления биометрического рынка в АТР стало
формирование систем национальных идентификационных карт, содержащих биометрические
сведения владельцев (прежде всего об отпечатках пальцев). Эти ID-карты помогают
правительственным органам стран АТР эффективно идентифицировать добропорядочных
граждан и противодействовать деятельности повстанческих группировок.
В России также особенно широкое
распространение получили дактилоскопические устройства, спрос на которые в
последнее время резко возрос со стороны частных лиц, которые устанавливают их в
загородных коттеджах. Большой редкостью в России считаются системы
идентификации личности по радужной оболочке глаза, голосу или по другим
биометрическим признакам (хотя есть примеры их использования в ряде крупных
депозитарных банков Москвы).
В разрезе географии производителей
первое место на российском рынке занимают американские и западноевропейские
компании. Собственные российские разработки отличаются крайней
фрагментарностью, существуют на уровне опытных образцов и говорить о
сколько-нибудь серьезных объемах их продаж, пока не приходится. Наиболее
известная система, разработанная российскими инженерами - «Кордон» - устройство
физического доступа в помещение; имеются также разработки в области
дактилоскопии (компания «Биолинк») и распознавания лица (компания «Спирит»). В
основном же рынок биометрических систем безопасности в России представлен
иностранными фирмами, которые через российских партнеров реализуют свои
технологии. Например, инженерная компания «Солинг» активно внедряет систему
распознавания лиц немецкого производства SmartEye, компания «Биометрические
системы» специализируется на поставке импортного дактилоскопического
оборудования.
1.2.2 Технологии
дактилоскопической идентификации
Согласно мировой статистике,
технологии, основанные на обработке отпечатков пальцев, занимают лидирующее
положение с огромным отрывом (рис. 1.2 - 1.5), по ряду оценок - до 52% от
общего числа биометрических решений. Не только за рубежом, но и в
России доминируют решения, идентифицирующие пользователей по отпечаткам
пальцев, занимая более половины объёма отраслевого рынка.
В дополнение к другим средствам
безопасности, устройства доступа по отпечатку пальцев установлены в военных
учреждениях США, включая Пентагон и правительственные лаборатории. Данная
технология получила большое распространение в системе автоматической
идентификации по отпечатку пальца (AFIS), используемой полицией в США и в более
чем 30 странах.
Суммарный доход производителей в
2002 году составил 462 млн. долл.
Существует несколько причин такого
положения вещей. Технология идентификации и верификации по отпечаткам пальцев
имеет достаточно глубокие исторические корни и, как следствие, мощную
теоретическую и практическую базу (к примеру, правоохранительными ведомствами
накоплены очень большие базы данных об отпечатках пальцев). Кроме того,
постоянно совершенствуются процессы сканирования и обработки изображений,
улучшая и без того неплохие характеристики надежности. Появление широкого
ассортимента эффективных и весьма дешёвых средств по обработке отпечатков
пальцев обеспечивает высокую надежность при такой дешевизне решений «под ключ»,
что даже рядовые граждане устанавливают дактилоскопические сканеры в частных
домах.
В сегменте учета рабочего времени и
контроля доступа эта тенденция проявляется особенно зримо: в массовых масштабах
и производятся, и закупаются именно дактилоскопические системы, тогда как,
скажем, распознавание по рисунку вен или геометрии кисти руки выглядит
экзотично.
Существует достаточно много
компаний, которые занимаются технологиями контроля доступа по отпечатку
пальцев, хотя лидирующие позиции традиционно занимают американские компании.
Несмотря на большое количество фирм,
занимающихся данной тематикой, около 80% всех дактилоскопических систем во всем
мире приходится на одну компанию - Identix (#"651255.files/image006.gif">
Рисунок 2.1 - Примерный эталонный
набор оцифрованных образов лица
Всё множество методов распознавания
по геометрии лица делится на два направления: 2-D и 3-D методы распознавания
[8]. У каждого из них есть достоинства и недостатки, однако многое зависит еще
и от области применения и требований, предъявленных к конкретному алгоритму.
2.1.1 Методы
распознавания лица в 2-D
Этот метод идентификации появился
довольно давно и берёт начало в криминалистике (словесный портрет, фоторобот),
что способствовало его первоначальному развитию.
Распознавание лица изначально имело
неприемлемо низкую по сравнению с другими методами надежность, сопоставимую с
надёжностью распознавания голоса. Высокие результаты достигались лишь при
фиксированных внешних факторах (ракурс, освещенность, дальность и т.п.).
Впоследствии он стал более надёжным, но кардинально статистические
характеристики алгоритма не улучшились: это по-прежнему один из самых
статистически неэффективных методов биометрии, безусловно уступающий другим.
Главный недостаток 2-D распознавания лица - недостаточно высокая статистическая
достоверность - нивелирует преимущества метода. В настоящее время из-за слабых
статистических показателей он уверенно применяется лишь в многофакторной (или
перекрестной) аутентификации, либо в социальных сетях (например, указание людей
на фото в «Facebook»).
Кроме того, согласно имеющейся
статистике, в задачах идентификации при использовании больших баз данных
надежность и быстродействие таких биометрических систем резко снижается [6],
вынуждая использовать дополнительные признаки для аутентификации.
На практике также предъявляются
требования к освещению (например, не удается регистрировать лица входящих с
улицы людей в солнечный день), отсутствию внешних помех (как, например, очки,
борода, некоторые элементы прически). Обязательно фронтальное изображение лица
с весьма небольшими отклонениями, многие алгоритмы не учитывают возможные
изменения мимики лица.
Всё это добавляет трудностей при
идентификации и устанавливает определённые минимальные требования к
вычислительной мощности аппаратуры. На практике достаточно стандартных
видеокамер с разрешением 320x240 пикселей на дюйм, которые передают данные при
скорости видеопотока, по крайней мере 3-5 кадров в секунду. Новые возможности
цифрового видео и мультимедийных цифровых технологий вывели качество идентификации
на качественно новый уровень. Интенсивное развитие и, как следствие, их
удешевление позволяют внедрить их в широкое повсеместное использование.
Система работает с относительно
простым двумерным изображением, что заметно упрощает алгоритмы и снижает интенсивность
вычислений. Впрочем, даже в этом случае задача распознавания всё же не
тривиальна.
В настоящее время существует четыре
основных метода распознавания лица, которые различаются сложностью реализации и
целью применения [5]:
- метод
автоматической обработки изображения лица;
- «eigenfaces» (нем.
«собственное лицо»);
- анализ
отличительных черт;
- анализ на основе
нейронных сетей.
Метод автоматической обработки
изображения лица - наиболее простая технология, анализирующая расстояния и
отношение расстояний между легко определяемыми точками лица. Особенно важны
характерные части лица, а также те, которые практически не изменяются с
течением времени: верхние очертания глазниц, глаза, области окружающие скулы,
конец носа, уголки рта (рис. 2.2).
Рисунок 2.2 - Иллюстрации методов
идентификации, основанных на анализе характерных точек и расстояний
Хотя данный метод не очень мощный,
он может быть достаточно эффективно использован в условиях слабой освещённости.
Технология «Eigenface» использует
представление изображения лица в градациях серого в виде статистически
обоснованных, стандартных блоков данных (областей лица). Данный метод основан
на том, что все лица могут быть получены из репрезентативной выборки лиц с
использованием современных статистических приемов (аналогично тому, как это
делается при создании фоторобота). Они охватывают пиксели изображения лица и
универсально представляют лицевые формы (двухмерные изображения-шаблоны). Фактически
в наличии имеется намного больше элементов построения лица, чем количество
самих частей лица. Однако оказывается, что синтез данного лица с высокой
точностью требует только 12-40 характерных элементов из полного доступного
набора. Комбинируя 100-120 разных шаблонов, можно представить большое
количество лиц. При регистрации облик каждого конкретного человека
представляется в виде ряда коэффициентов, указывающих наиболее соответствующие
шаблоны. Для режима установления подлинности, когда производится проверка
идентичности, биометрический образ пользователя обрабатывается и сравнивается с
ранее зарегистрированным набором коэффициентов, с целью определения
коэффициента различия. Степень различия между шаблонами и определяет факт
идентификации. Технология «eigenface» оптимальна в хорошо освещённых
помещениях, при возможности сканирования лица в фас. Метод используется в
качестве основы для других методов распознавания лица.
Методика анализа отличительных черт
подобна методике «Eigenface», но в большей степени адаптирована к изменению со
временем внешности или мимики человека. В технологии «отличительных черт»
используются не только характерные особенности областей лица, но и учтено их
относительное положение. Лицо человека уникально, но достаточно динамично.
Например, при улыбке наблюдается некоторое смещение частей лица, расположенных
около рта, а также движение смежных частей. Идентичность лица определяется не
только характерными элементами, но и способом их геометрического объединения
(т.е. учитываются их относительные позиции). Индивидуальная комбинация этих
параметров определяет особенности каждого конкретного лица.
К примеру, подобный алгоритм,
разработанный в Университете Рокфеллера, лежит в основе приложения FaceIt
компании Visionic.
В методе, основанном на нейронной
сети, характерные особенности зарегистрированного и проверяемого лиц
сравниваются на совпадение. Нейронные сети устанавливают соответствие
уникальных параметров лица, а затем с помощью соответствующих весовых
коэффициентов каждой характеристики определяет степень общего соответствия
проверяемого лица эталону. Метод имеет высокое качество идентификации в сложных
условиях.
Технология нейронных сетей
используется в системе распознавания лиц TrueFace компании Miros.
Для сравнения с графическими
изображениями-шаблонами применяются два основных алгоритма сравнения:
минимальной средней корреляционной энергии (MACE) [11] и Локальные Бинарные
Шаблоны (LBP) [12].
Локальные Бинарные Шаблоны (LBP)
используют обработку окрестности пикселя цифрового изображения (рис. 2.3).
Метод LBP популярен для распознавания графического изображения в целом, а в
последнее время применяется и для распознавания лиц. Непараметрическое ядро LBP
анализирует пиксельную структуру изображений. Оно инвариантно к монотонным серо-масштабным
преобразованиям, то есть менее чувствительно к освещенности, что весьма важно.
Рисунок 2.3 - Иллюстрации принципа
действия метода LBP, основанного на анализе пиксельной структуры изображений
Принцип работы MACE-фильтра основан
на определении средней степени корреляции к заранее подготовленным изображениям;
коэффициент корреляции равен нулю на всем изображении кроме областей, которые
совпадают с шаблонами, то есть в этих областях степень корреляции больше. Для
работы необходима база шаблонов для расчёта степени корреляции. Для обеспечения
большей в базе нужно сравнительно большое количество изображений лица, в
различных условиях освещения и изменения мимики. В случае использования МАСЕ
фильтра возникает ошибка определения лица >2%.
2.1.2 Распознавание лица
в 3-D
Реализация представляет собой
довольно сложную математически и технически задачу. В настоящее время
существует множество методов по 3-D распознаванию лица. Методы невозможно
сравнить друг с другом, так как они используют различные сканеры и базы, не для
всех из них указаны FAR и FRR, используются абсолютно различные подходы
(примеры показаны на рис. 2.4).
Рисунок 2.4 - Иллюстрации построения
трёхмерного образа лица и характерных точек на нём
Классическим уже методом является
метод проецирования шаблона. Он состоит в том, что на лицо проецируется
световая сетка. Луч, падающий на искривленную поверхность, изгибается - чем
больше кривизна поверхности, тем сильнее изгиб луча. Изначально при этом
применялся источник видимого света, подаваемого через «жалюзи». Затем видимый
свет был заменен на инфракрасный, что имеет ряд преимуществ. Далее камера
делает снимки со скоростью десятки кадров в секунду, а полученные изображения
обрабатываются специальной программой. По полученным снимкам восстанавливается
3-D модель лица, на которой выделяются и удаляются ненужные помехи (прическа,
борода, усы и очки). Затем производится анализ модели - выделяются
антропометрические особенности, которые записываются в уникальный код,
заносящийся в базу данных.
Помимо низкой чувствительности к
внешним факторам, как на самом человеке, так и в окружении (освещенность,
поворот головы), важнейшим преимуществом метода является высокий уровень
надежности. Считается, что статистическая надежность метода сравнима с
надежностью идентификации по отпечаткам пальцев. К примеру, для лучших моделей
фирмы Bioscript (3D EnrolCam, 3D FastPass), работающих по методу проецирования
шаблона при FAR = 0.0047%, FRR составляет 0.103%. Изменения мимики лица и
помехи на лице ухудшают статистическую надежность метода. Время захвата и
обработки изображения около 1-2 секунды для лучших моделей. Недостаток -
дороговизна оборудования. Имеющиеся комплексы превосходили по цене даже сканеры
радужки. Метод еще недостаточно хорошо разработан, что затрудняет его широкое
применение.
Также набирает популярность метод 3-D распознавания по изображению с
нескольких камер. Этот метод даёт точность позиционирования выше, чем у метода
проецирования шаблона. Примером может являться 3D-сканер фирмы Vocord. Коммерческие
системы, впрочем, ещё не анонсированы.
2.1.3 Переходный метод
Переходный метод реализует
накопление информации. Тут, так же как и при 2-D, используется одна камера. При
занесении субъекта в базу субъект поворачивает голову, и алгоритм соединяет
изображения воедино, создавая 3-D шаблон. А при распознавании используется несколько кадров
видеопотока. Этот метод имеет лучшие характеристики, чем 2-D метод, но является
экспериментальным.
2.2 Анализ рынка систем
распознавания личности по геометрии лица
Распознавание по геометрии лица
причисляют к «трём большим биометрикам» вместе с распознаванием по отпечаткам
пальцев и радужной оболочке. Данный метод довольно распространен, и ему отдают
пока предпочтение перед распознаванием по радужке глаза. Удельный вес
технологий распознавания по геометрии лица в общем объеме мирового
биометрического рынка можно оценивать в пределах 13-18%. В России к данной
технологии также проявляется больший интерес, чем, например, к идентификации по
радужной оболочке.
Большая часть работ в этой области
изначально была посвящена тому, чтобы получить изображение при помощи
фотографии или видеокамеры. Только в США и Германии над технологиями
опознавания по чертам лица работали несколько десятков компаний, которым были
выделены правительственные гранты. Первоначально разработки предназначались для
спецслужб, но со временем результаты этих исследований разрешили применять и в
коммерческих целях. В результате на рынке появилось некоторое количество систем
распознавания (правда, не все из них оказались пригодными на практике).
Основные потребители подобных биометрических систем - не только службы
безопасности, но и государственные учреждения (силовые ведомства, специальные
структуры) [10].
Идентификация по чертам лица - одно
из самых динамично развивающихся направлений в биометрической индустрии, что
обусловлено с быстрым прогрессом мультимедийных и видео - технологий,
распространением видеокамер наблюдения, установленных дома и на рабочих местах.
Качество электронного оборудования, в том числе и видеокамер, повышается с всё
возрастающей скоростью, и уже перестало быть лимитирующим звеном - самые
обычные камеры уже отлично справляются с захватом изображения лица. Это же
касается и алгоритмов обработки видеопотока и изображения, не ограничивающих
больше скорость и качество идентификации.
В области распознавания 2-D лица
основным предметом разработки является программное обеспечение: алгоритмы
обработки и формирования биометрического образа приобретают теперь
превалирующее влияние на точность распознавания. Решение задачи распознавания
по изображению лица в какой-то степени зашло в тупик - уже на протяжении
нескольких лет практически не происходит улучшения статистических показателей
алгоритмов. В этой области происходит планомерная «работа над ошибками».
-D распознавание лица сейчас
является куда более привлекательной областью для разработчиков, в нём работает
множество коллективов и регулярно слышно о новых открытиях.
На сегодняшний день разработан целый
ряд коммерческих продуктов, предназначенных для распознавания лиц. Алгоритмы их
различны и сложно оценить, какая из технологий имеет преимущество [5].
Весьма широк и спектр применения
систем с распознаванием формы лица: от систем контроля доступа до систем
автоматизированного документооборота.
В качестве примера действующей
системы контроля доступа на базе распознавания лица можно привести систему
TrueFace компании Miros для распознавания посетителей киосков для обналичивания
чеков, установленных компанией Mr. Payroll в казино и других увеселительных
заведениях в нескольких штатах США. При первом посещении производится цифровой
снимок лица клиента, а потом система сверяет лицо клиента и только после этого
выполняет транзакцию.
Наиболее продаваемая в Европе
система контроля доступа - ZN-Face компании ZN Vision Technologies AG.
Первоначально разработанная для атомных электростанций, она теперь применяется
как европейским отделением корпорации Microsoft в Германии, так и спортивными
клубами в Голландии.Phantomas - это база фотоданных, автоматически сравнивающая
и идентифицирующая лица. Тесты показали, что доля успешной идентификации -
практически 100% и не снижается при изменении внешности очками, бородой или по
причине старения. С 1997 г. ZN-Phantomas используется полицией в Европе и США
для розыска преступников, пропавших людей и опознания жертв.
Широко известна система
распознавания по лицу FaceIt, разработанная компанией Visionics. Сложный
математический код индивидуальной идентичности (шаблон Faceprint) может быть
сравнен с другими с феноменальной точностью, независимо от изменений в
освещении, тона кожи, очков, выражения лица, волос на лице и голове, устойчив к
изменению ракурса. В Великобритании FaceIt интегрирована в телевизионную
антикриминальную систему Mandrake, которая ищет преступников по видеоданным 144
камер, объединенных в сеть.
В США независимыми экспертами было
проведено сравнительное тестирование различных технологий распознавания лиц
(рис. 2.5):
Рисунок 2.5 - Сравнительный анализ
эффективности распознавания лиц в разных коммерческих системах
Всё же, современные биометрические
системы визуального поиска людей по лицу пока недостаточно хороши, чтобы
использоваться в розыскных мероприятиях. Это можно проиллюстрировать
результатами тестов в Майнце в 2009 г., где проверялись три системы опознавания
по лицу. На центральном вокзале с пассажиропотоком около 23 тысяч человек в
день были установлены цифровые камеры, которые в реальном времени должны были
находить в толпе двести регулярно пользующихся транспортом добровольцев, чьи
биометрические параметры лиц хранились в базе данных. Испытания показали, что
доля успешных опознаний разыскиваемых людей может достигать 60% при уровне
ложных опознаний в 0,1%. Однако, даже такой уровень ложных опознаний - для
вокзала Майнца означал бы ежедневное задержание и выяснение личности для 23 ни
в чем не повинных людей. Во-вторых, при ухудшении условий освещения качество
систем распознавания заметно падало, в среднем примерно до 30%. По этой причине
отмечается, что более практичны и перспективны технологии 3D-опознавания лиц.
Германское ведомство информационной
безопасности (Bundes amt fur Sicherheit in der Informationstechnologie, BSI) по
окончании многопланового тестирования всех имеющихся на рынке биометрических
систем признало соответствующими всем требованиям к обеспечению безопасности
только лишь продукт Iris Scan, основанный на идентификации по роговице глаза, и
ZN-Face, основанный на идентификации по чертам лица.
В отличие от систем общей
безопасности, использующих процедуру идентификации, системы верификации
повсеместно справляются со своими задачами весьма успешно, используя
стандартные условия съемки и дополнительные признаки аутентификации.
В США больше десятка штатов уже
применяют автоматизированную систему сканирования фотографий для водительских
удостоверений. С ее помощью отлавливаются люди, подающие заявления на новые
права в разных штатах или же в одном штате под разными именами. Однако в этой
весьма успешной системе условия для опознания лиц идеальные - на водительском
удостоверении снимок должен быть единообразным: обязательно анфас и при
правильном освещении.
Коммерческие компании и
государственные структуры во многих американских штатах и в ряде других стран
используют систему компании Viisage вместе с идентификационными удостоверениями,
например, водительскими правами.
Также успешно распознавание лиц
применяется в системах мониторинга рабочего времени. Подобные системы всё более
востребованы на рынке, что объясняется следующим. В 74% компаний, применяющих
карточные системы, сотрудники отмечают приходы и уходы друг за друга, меняясь
картами. Эксперты NucleusResearch подсчитали, что внедрение биометрических
систем учета рабочего времени обеспечивает ежегодную экономию до 800 долл. на
одного сотрудника, то есть для компании со штатом более 1 тыс. человек эта
сумма составляет почти 1 млн. долл. в год. Об эффективности биометрических
систем учета рабочего времени свидетельствует и опыт мировых компаний.
Например, сеть ресторанов McDonald’s, внедрившая биометрическую систему учета
рабочего времени, смогла сэкономить более 20% фонда заработной платы в
Венесуэле.
Согласно исследованию российского
аналитического портала Biometrics.ru, в России биометрические системы учёта
рабочего времени пользуются наибольшей популярностью в ритейле (23,0%,) и сфере
услуг (24,3%). Также значительную долю занимают производственные (19%) и
медицинские (7,8%) предприятия.
Существуют и другие «гражданские»
применения технологий распознавания лица.
К примеру, распознавание лица
уверенно применяется в социальных сетях для распознавания людей на фотографиях
(см. рис. 2.6).
Рисунок 2.6 - Указание людей по
распознаванию лица в «Facebook»
Агентство Reuters объявило о том,
что намерено встроить в свой новый сайт программу видеопоиска. В сочетании с
Viewdle, средством распознавания лиц, программа Reuters индексирует
видеоматериалы агентства, так что в ближайшее время пользователи получат
возможность искать видеосюжеты, содержащие конкретных людей.
Простейшие функции опознавания лиц
уже реализованы в цифровых фотоаппаратах многих фирм, в том числе Canon, Pentax
и Fuji. Встроенные программы поиска могут автоматически находить в картинке
видоискателя человеческие лица по характерным признакам - глазам, ушам, носу и
т.д. Если лицо одно, камера сама может настроить фокус исключительно на него,
если же лиц несколько, то может вычислить усредненный фокус для всех. Или,
скажем, лишь для лиц переднего плана. А недавно фирма Sony объявила еще об
одной новинке - цифровой камере, которая удерживает затвор от срабатывания до
тех пор, пока люди не улыбнутся, исследуя положение уголков рта, размыкание губ,
мимические морщинки вокруг глаз.
Активно идут разработки программ для
распознавания лица с помощью камер мобильных устройств. Смартфоны Apple уже
реализуют эту функцию.
Следует отдельно упомянуть несколько
компаний, которые являются лидерами в разработке технологий распознавания
лица.Vision Technologies (#"651255.files/image013.gif"> (3.1)
Приоритет критериев устанавливается
при анализе альтернатив субъективно, исходя из важности их в конкретных
условиях. Выводы о важности критериев должны быть обоснованы, иначе результаты,
по сути, будут изначально не валидными. Нужно отметить, что если параметры
различны и не компенсируют друг друга, расставить приоритеты критериев
соответствующим образом особенно важно. Так, для системы аутентификации, задача
которой - контроль доступа, самым важным является показатель FRR, тогда как стоимость
имеет несколько меньшее значение, превалируя, в свою очередь, над скоростью
аутентификации.
Примем для данного случая приоритет
критерия FRR системы самым высоким (например 0,95), для FAR - несколько меньше
(0,85), далее - затраты на внедрение (0,7), удобство использования (0,5) и т.д.
В соответствии с условием (3.1) далее приведём эти значения к долевому
выражению.
Оценки по разным критериям могут
иметь разные шкалы (например, FRR выражается в процентах, а стоимость внедрения - в рублях). Для
возможности совместного использования разнородных параметров при свертке
необходимо предварительно произвести их нормирование, то есть привести их в
безразмерную форму в одинаковом диапазоне, обычно от 0 до 1. При этом для
каждого варианта Х оценки по n критериям выражаются так:
(3.2)
Помимо приведения к общему виду
нормировка позволяет произвести однозначную градуировку шкалы, по которой
определяется оптимальность значения каждого конкретного параметра
эффективности. Это необходимо потому, что в зависимости от смысла используемого
критерия оптимальный результат достигается либо при минимальности критерия,
либо, напротив, при максимальной его величине. Необходимость максимизировать
или минимизировать критерий и определяет диапазон нормированной шкалы.
В данной работе
используется метод нормировки параметров по эталонной шкале: для каждого
параметра, исходя из его физического смысла и конкретных значений,
устанавливается минимальное 
и максимальное 
значение
показателя в натуральном выражении. При этом нормированные значения
рассчитываются для негативных и позитивных критериев соответственно так:
; 
(3.3)
В рассматриваемом случае
для всех нормируемых показателей из табл. 3.2 устанавливается диапазон от 0 до
1 (исходя из (3.2)). На основании смысла отдельных показателей (см. разд.
3.3.1-3.3.3), при этом выдвигаются требования минимальности всех критериев, кроме
величин стабильности работы и простоты использования, для которых требуется
максимальность критерия.
Выбор эталонной шкалы
для параметров производится на основании их значений и единиц измерения.
Например, эмпирические оценки произведены по десятибалльной шкале [3, 8],
поэтому эталонная шкала для них 0 - 10 баллов. В то же время, исходя из
практических соображений пригодности системы, процентные значения FRR и FAR не могут быть
больше 10% и 0,05% соответственно.
При поиске оптимального
решения в многокритериальных задачах с разнородными показателями большое
значение имеет теория принятия решений, методы которой позволяют одинаково
работать как с техническими, так и с экономическими показателями, позволяя
подключать статистику и финансовый анализ.
Если требуется принять
некое решение, выбрав один из возможных вариантов как оптимальный, и при этом
есть несколько критериев эффективности решения, речь идёт о решении
многокритериальной задачи. Обычно каждый из вариантов решения многофакторной
задачи превалирует по одним критериям, проигрывая по другим. Основным способом
решения в этом случае является сведение задачи к однокритериальной посредством
«свёртки» критериев в один комплексный критерий, то есть совокупное
представление нескольких критериальных оценок в виде единой оценки, называемой
целевой функцией (функцией полезности).
Заключение
В самых разных сферах
деятельности всегда имелись задачи, где необходимо опознание конкретного
человека. Наиболее часто это необходимо при управлении, обеспечении безопасности,
для контроля над деятельностью людей.
В последние десятилетия
для установления личности используются всё более высокотехнологичные способы,
наиболее востребованным из них является биометрическое распознавание личности,
когда человек сам является ключом, предоставляя для проверки свои уникальные
физические или поведенческие характеристики. Область использования подобного
рода средств и систем чрезвычайно расширилась по сравнению с изначальной:
идентификация используется не только в традиционных задачах безопасности и
контроля доступа, но и, например, в системах «лояльных продаж» для
индивидуального подхода к покупателям.
Доказана уникальность
для каждого человека многих признаков, начиная от общеизвестных (наподобие
отпечатков пальцев), до весьма экзотических (форма ушной раковины,
температурная картина лица). Для идентификации по многим из этих признаков
разработаны технические средства, имеются и полностью автоматические системы
производящие биометрическую проверку личности человека.
Практика показывает, что
замена традиционных систем аутентификации на биометрические позволяет в любом
случае значительно повысить общую степень защищённости и технической гибкости
организации за счёт безусловных достоинств этого подхода. Грамотная
эксплуатация и применение подходящих средств (например, иногда требуется
перекрёстная биометрия) обеспечивает на практике почти 100% уровень точности
идентификации, что в свою очередь позволяет сделать выводы о правильности
выбранной системы.
Среди прочих методов,
ставших уже традиционными, наиболее перспективным следует признать
распознавание человека по лицу. Этот метод имеет ряд неоспоримых преимуществ
перед большинством других: при достаточно высокой точности определения он
позволяет проводить проверку на расстоянии, допускает скрытную проверку и
требует наличия только общеупотребительного оборудования (видеокамеры).
Совокупность этих качеств обусловила очень быстрое развитие этого метода,
поставив его по распространенности в один ряд с дактилоскопической проверкой.
С повышением качества
видеокамер и алгоритмов обработки видеопотока и изображения они уже перестали
быть лимитирующим звеном в системах распознавания лица. При использовании
примерно одинаковых видеокамер превалирующее значение на точность распознавания
по лицу приобретают алгоритмы обработки и формирования биометрического образа.
Разработано довольно большое число алгоритмов, обеспечивающих не только высокое
быстродействие и точность определения, но и позволяющих системе работать в
самых разных условиях (плохая освещенность, наличие очков, бороды, разное
положение головы и т.п.).
Современные системы
распознавания личности по лицу находят применение не только для серьезных задач
типа обнаружения разыскиваемых лиц в местах массового пребывания людей, но и
для сугубо гражданских целей, например, как системы контроля доступа к
персональному компьютеру. Из-за широкого распространения недорогих веб-камер и
разработки новых алгоритмов распознания лица, позволивших существенно повысить
точность метода, контроль доступа к персональным (в том числе и домашним)
компьютерам по лицу пользователя становится всё более значимым сегментом рынка
биометрических технологий.
Анализ самых
распространённых программ для бытового применения частными пользователями
показывает, что они имеют довольно малую вероятность ошибок, обеспечивают
удобство в работе. Следует признать, что характеристики их примерно одинаковы и
выбор их зависит главным образом даже не от специфики работы, а от личных
предпочтений пользователя; для новых пользователей этот выбор в основном
случаен.
Таким образом, из
результатов проделанного в данной работе анализа видно, что технический скачок
уже состоялся - биометрия вышла на первый план при решении большого спектра
задач. С течением времени биометрические технологии будут развиваться, вытесняя
существующие уже давно другие средства. Причем развитие можно ожидать не только
количественное, но и качественное - в виде внедрения биометрии в новых областях
(как, к примеру, это происходит с голосовым управлением) и появлении всё более
простых, интуитивно понятных конечному пользователю методов. Можно уверенно
прогнозировать в том числе и широкое внедрение систем распознавания по лицу.
Практика массового внедрения, безусловно, позволит снизить сложность задачи
поиска наиболее эффективного решения и свести её к анализу отзывов
потребителей.
Список источников
1. Интернет-портал «Википедия»: [Электронный ресурс] - www.wikipedia.org
2. Статья «Аутентификация, авторизация и администрирование
действий пользователей».: [Электронный ресурс] - Сайт «Your Private Network. Лаборатория Сетевой Безопасности» www.ypn.ru
3. Статья «Основы биометрии».: [Электронный ресурс] - http://habrahabr.ru/blogs/infosecurity/126144/
. Татарченко Н.В, Тимошенко С.В. «Биометрическая
идентификация в системах безопасности»: [Электронный ресурс] - http://www.vidim.od.ua/News_y1.aspx? pid=22&NewsID=105
. Прудников Илья, Голов Андрей «Аутентификация
пользователей» CIO, #4/2006.: [Электронный ресурс] - http://www.topsbi.ru/default.asp? trID=1
. Компьютерный журнал «КомпьюПресс»,: [Электронный ресурс] -
http://www.compress.ru/article.aspx? id=10113&iid=420
. М. Попов «Биометрические системы безопасности», В.
Задорожный «Обзор биометрических технологий».: [Электронный ресурс] - www.BRE.ru
. Статья Современные биометрические методы идентификации.:
[Электронный ресурс] - http://habrahabr.ru/blogs/infosecurity/126144/
. Методы идентификации, аутентификации и авторизации в СУБД
. Андрей Борзенко «Биометрические системы распознавания
внешности»: [Электронный ресурс] - http://www.bytemag.ru/articles/detail.php? ID=8520
11. Face Verification using Correlation Filters Marios Savvides,
Electrical and Computer Eng. Dept, Carnegie Mellon University Pittsburgh, PA
15213, U.S.A. http://www.ece.cmu.edu/~kumar/Biometrics_AutoID.pdf
12. On the Recent Use of Local Binary Patterns for Face
Authentication S´bastien Marcel, Yann Rodriguez and Guillaume Heusch //
http://www.idiap.ch/~marcel/professional/publications/marcel-ijivp-2007.pdf
13. Р.М. Болл и др. «Руководство по биометрии»