Перейти к основному содержанию
ИТарктика
004.021, 004.93’12
Пешнина Любовь Владимировна, Морданов Андрей Валерьевич, Башлачева Анастасия Павловна
преподаватель, кафедра Автоматики и телемеханики, Федеральное государственное бюджетное образовательное учреждение высшего образования «Вятский государственный университет»

магистрант, кафедра Автоматики и телемеханики, ФГБОУ ВО «ВятГУ»

магистрант, кафедра Автоматики и телемеханики, ФГБОУ ВО «ВятГУ»
Идентификация пользователя по геометрии лица в управлении доступом к дистанционному образовательному информационному ресурсу
Аннотация:

Статья посвящена вопросам реализации методов управления доступом с использованием методов идентификации личности по физическим признакам, в частности, с использованием геометрии лица.

Ключевые слова: управление доступом, идентификация личности, измерение физических признаков, геометрия лица, нейронные сети, дистанционный образовательный информационный ресурс.

В связи с возросшей информатизацией современного общества и массовым внедрением компьютеров во все сферы деятельности человека объем информации, хранимой в электронном виде, вырос в тысячи раз. В наши дни практически любая организация имеет в своем распоряжении несколько компьютеров, обычно объединённых в локальную сеть. В таких сетях существуют разделяемые информационные ресурсы, доступные для всех пользователей. Однако на практике информация обычно разделяется на классы в зависимости от своей важности. При этом необходимо контролировать доступ пользователей к информации в соответствии с их полномочиями. В последнее время значительное развитие получили системы дистанционного образования. Эти системы позволяют оперативно получать теоретическую информацию, выполнять практические задания с поддержкой преподавателя, присутствовать на «вебинарах» и т.д.

Курсы дистанционного образования чаще всего являются платными. Кроме того, в системах дистанционного образования существует четкая иерархия пользователей. Администратор системы следит за всей системой дистанционного образования и обычно имеет доступ ко всем данным. У ведущих преподавателей в системе должна быть возможность создавать и модифицировать учебные курсы, у ассистирующих преподавателей – получать и представлять учебные курсы (возможно, не все), частично их модифицировать и создавать учебные программы и курсы лекций. У тех, кто ведет практическую часть, должен быть доступ к курсу лекций (на чтение и, возможно, частично на изменение) и возможность создавать практические задания, которые могут быть скорректированы преподавателями и ведущими преподавателями. Обучаемые должны иметь доступ только к получению информации и к своим личным данным: отчетам, контрольным и т.п.

Всё это порождает необходимость защиты информации от несанкционированного доступа, а также разграничения доступа по вышеупомянутой иерархии всех пользователей дистанционного образовательного ресурса. Конечно, такая защита может выполняться и на уровне авторизации, однако данный метод слабо защищён и имеет низкую надёжность. Именно поэтому использование физических параметров при управлении доступом в информационных системах является приоритетным направлением разработки во многих частных фирмах, правительственных организациях и лабораториях.

Идентификация личности, основанная на обработке «геометрии лица»

Типичный метод распознавания по геометрии лица [1] состоит из трёх компонент:

  1. Преобразование исходного изображения в начальное представление (может включать в себя как предобработку, так и математические преобразования, например, вычисление главных компонент);
  2. Выделение ключевых характеристик (например, берутся первые n главных компонент или коэффициентов дискретного косинусного преобразования);
  3. Создание механизма классификации (моделирования): кластерная модель, метрика, нейронная сеть и т.п.

Кроме этого, построение метода распознавания опирается на априорную информацию о предметной области (в данном случае – характеристики лица человека) и корректируется экспериментальной информацией, появляющейся по ходу разработки метода.

Разработка системы идентификации личности,

основанной на обработке «геометрии лица»

Задача идентификации личности с использованием геометрии лица конкретизируется как необходимость реализации модуля, позволяющего формировать и заносить данные о пользователях в базу данных (модуля регистрации пользователя), и модуля, выполняющего идентификацию (модуля идентификации).

К разрабатываемым модулям предъявляются следующие требования:

  • кроссплатформенность;
  • возможность взаимно независимого использования модулей;
  • высокая отказоустойчивость;
  • простота работы.

Для достижения поставленной цели необходимо решить следующие задачи:

  • проанализировать существующие методы идентификации с использованием обработки геометрии лица;
  • выбрать оптимальный метод для создания данного модуля;
  • разработать алгоритм идентификации личности по изображению, содержащему его лицо;
  • разработать базу данных для хранения информации о пользователях и использовании ими указанных модулей;
  • разработать программный модуль, который будет вносить данные в эталонную выборку.

Модуль регистрации состоит из следующих частей:

  • база данных для хранения данных о пользователе;
  • модуль редактирования данных для изменения данных о пользователях;
  • модуль обработки изображения для поиска лица пользователя на предъявляемом изображении.

 

Модуль регистрации должен выполнять следующие функции:

  1. обработка данных:
    1. создание новой записи пользователя,
    2. изменение записи пользователя,
    3. удаление записи;
  2. обработка изображения:
    1. предварительная обработка исходного изображения,
    2. поиск лица на изображении,
    3. сохранение изображений.

Блок-схема алгоритма функционирования модуля регистрации пользователя приведена на Рисунке 1.

пр

Рис. 1. Блок-схема алгоритма функционирования модуля регистрации пользователя

Для реализации алгоритма используются следующие методы:

  1. На этапе обработки информации используется приведение вводимой информации к формату, который используется для хранения данных в базе данных.
  2. На этапе ввода изображения применяются функции работы с Web-камерой, реализованные в библиотеке OpenCV (Open Source Computer Vision Library – библиотека алгоритмов компьютерного зрения, обработки изображений и численных алгоритмов общего назначения с открытым кодом) [3].
  3. Поиск лица на изображении, осуществляется с помощью метода Виолы–Джонса.

Метод Виолы–Джонса является одним из лучших по соотношению показателей эффективность распознавания/скорость работы. Этот метод обеспечивает крайне низкую вероятность ложного обнаружения лица. Алгоритм хорошо распознает черты лица даже под небольшим углом, примерно до 30 градусов.

Данный метод основан на следующих принципах:

  • Изображения используются в интегральном представлении [2], что позволяет быстро вычислять необходимые объекты;
  • Поиск нужного объекта (в данном контексте – лица и его черт) осуществляется с использованием признаков Хаара [2].

Необходимость использования достаточно простого алгоритма получения признаков делает использование Хаар–подобных характеристик очень перспективным. Хаар–подобные характеристики представляют собой результат сравнения яркостей двух прямоугольных областей изображения. Наиболее часто используют прямоугольные признаки Хаара.

Суть данного метода состоит в следующем:

  • Есть исследуемое изображение, выбрано окно сканирования, выбраны используемые признаки;
  • Далее окно сканирования начинает последовательно двигаться по изображению с шагом в 1 ячейку окна (допустим, размер самого окна есть 24*24 ячейки).

гш

Рис. 2. Примитивы Хаара

В расширенных методах применяют дополнительные признаки.

ш

Рис. 3. Дополнительные признаки

  • При сканировании изображения в каждом окне вычисляется приблизительно 200 000 вариантов расположения признаков, за счет изменения масштаба признаков и их положения в окне сканирования;
  • Сканирование производится последовательно для различных масштабов;
  • Масштабируется не само изображение, а сканирующее окно (изменяется размер ячейки);
  • Все найденные признаки попадают к классификатору, который «выносит вердикт».

Модуль идентификации состоит из следующих частей:

  1. база данных, для хранения данных о пользователях, которым разрешён доступ, а также для хранения информации обо всех попытках доступа к системе;
  2. модуль, осуществляющий сравнение лица потенциального пользователя с имеющейся в базе данных фотографией;
  3. модуль обработки изображения, для поиска лица пользователя на предъявляемом изображении.

Блок-схема алгоритма, реализующего функции модуля идентификации, приведена на Рисунке 4.

п

Рис. 4. Блок-схема алгоритма, реализующего функции модуля идентификации

Методы, используемые для реализации алгоритма на этапах обработки информации, ввода изображения и поиска лица на изображении, идентичны методам, описанным выше.

Задачи по анализу методов и выбору конкретного метода, использующегося для классификации предоставляемых изображений, были выполнены ранее. Метод, используемый в данном модуле – Eigenface.

Проведение тестирования

После того, как модули системы разработаны, можно приступить к тестированию. Сперва определим исходные данные, на которых будет проводиться тестирование.

Начальными условиями являются фотографии с лицами 15 участников эксперимента, которые будут зарегистрированы в системе при различном освещении, наклоне/повороте головы, при разной мимике.

Результаты тестирования в краткой форме приведены в Таблице на Рисунке 5.

пс

Рис. 5. Таблица «Результаты тестирования»

Опыт 1

В ходе первого эксперимента все участники зарегистрировались в системе, меняя как мимику, так и освещение, то есть эталонные фото сильно отличаются друг от друга. Примеры фото показаны на Рисунке 6.

гп

Рис. 6. Примеры фото, используемых в качестве исходных данных

После того, как участники зарегистрировались, им предлагалось пройти аутентификацию, при этом фото для проверки во всех опытах участники старались делать одинаковыми, также с различным освещением и мимикой. Всего было проведено 5 опытов, на основании всех тестов были выявлены общие характеристики, позволяющие дать оценку разработанной системе.

Результаты первого опыта

Поскольку в базе использовалось максимальное количество фотографий, то результаты получились положительными, более 95% схожести. В паре попыток наблюдалась схожесть с другим лицом при идентичных мимике и освещении.

Опыт 2

Для второго эксперимента в качестве эталонов были использованы фотографии только светлых оттенков.

Результаты второго опыта

Процент схожести при освещенных фотографиях (естественное освещение, лампы дневного света), лица на которых обладали разнообразной мимикой, а также голова была повёрнута/наклонена, был выше 95%. Процент схожести затемненных фотографий был равен 85%.

Опыт 3.

На этот раз в качестве эталонов – фотографии темных оттенков.

Результаты третьего опыта

Здесь наблюдается обратная картина по отношению к предыдущему опыту. Темные фотографии – процент схожести больше 95%, светлые фотографии – 85%.

Опыт 4

В качестве эталонов – фотографии, на которых все лица расположены фронтально при различном освещении.

Результаты четвертого опыта

Наибольшая схожесть была с лицами с нейтральной мимикой, а также расположенные фронтально – свыше 95%. Для тех фотографий, выражение лица на которых было изменено, добавлены эмоции, повёрнута голова – процент схожести чуть меньше 90%.

Опыт 5

Как и в первом опыте, используем различный набор эталонов, однако в данном опыте исключим из него те изображения, на которых лица расположены фронтально.

Результаты пятого опыта

Наиболее достоверными, свыше 90% схожести, были фотографии с изображением лица, имеющего небольшой наклон, а также небольшой мимикой. Нейтральное выражение лица обладало 85% схожести.

Оценка результатов тестирования.

В ходе тестирования система показала положительные результаты, в целом процент схожести более 90%, что для 2D распознавания является отличным результатом.

Также, исходя из результатов проведённых экспериментов, становится понятно, что качество распознавания в наибольшей степени зависит от внешних факторов: освещение, мимика, повороты/наклоны головы, задний фон. Все эти факторы оказывают негативное воздействие на успешность проведения аутентификации. А это значит, что чем больше разнообразных «эталонов» пользователя, находится в базе, тем лучше качество распознавания.

Для разработки системы использовалось следующее программное обеспечение: IntellijIDEA (среда разработки java), PostgreSQL (система управления базами данных), для реализации и проверки алгоритма eigenface использовалось программное обеспечение MathCad. Планируется доработка системы в направлении увеличения скорости выполнения, применение и тестирование различных связок алгоритмов, для повышения точности распознавания.

Список литературы

  1. Анализ существующих подходов к распознаванию лиц. [Электронный ресурс] // Хабрахабр. URL: http://habrahabr.ru/company/synesis/blog/238129/.
  2. Метод Виолы-Джонса (Viola-Jones) как основа для распознавания лиц. [Электронный ресурс] // Хабрахабр. URL: http://habrahabr.ru/post/133826/.
  3. Описание библиотеки компьютерного зрения OpenCV. [Электронный ресурс] // РобоКрафт. URL: http://robocraft.ru/blog/computervision/264.html.