Анализ системы контроля и управления(Финал). Анализ системы контроля и управления доступом с использованием
 Скачать 5.97 Mb.
|
2 Исследование возможности совершенствования технологии распознавания по контурам лица2.1 Анализ существующего программного обеспеченияКачественная, современная система идентификации в рамках системы контроля и управления доступом, в том числе в инфокоммуникационных системах, должна осуществлять ряд аналитических функций. Одной из наиболее востребованных является распознавание и идентификация людей (лиц) в зоне контроля. Рассмотрим несколько популярных программ для распознавания лиц. 1. KeyLemon v4.03. В программе помимо основных функций выделена возможность активации дополнительных методов идентификации, а именно выявление моргания, факта поворота головы и их комбинаций. 2. VeriLook SDK Комплект программного обеспечения VeriLook SDK адресован в первую очередь разработчикам прикладных биометрических решений. Основное назначение комплекта заключается в обеспечении эффективной поддержки при создании собственных прикладных приложений, эффективно реализующих распознавание лиц. Распознавание осуществляется в следующих режимах: – идентификация – поиск по принципу «один-ко-многим», заключается в сопоставлении модели вновь предъявленного лица с имеющимся множеством ранее зарегистрированных моделей и идентификаторов; – верификации – реализуется на основе сравнение в режиме «один-к-одному», при котором ранее зарегистрированное лицо (записанное, например, в память носителя – жесткого диска, карты, брелока и т.д.) сопоставляется с предъявляемой моделью лица. 3. Rohos Face logon v3.3. Данная система ничем не выделяется по набору основных функций, но разработчики заявляют об особой надежности и множестве дополнительных функций. 4. Luxand Blink! v2.4. Используя перспективные биометрические алгоритмы распознавания лиц, программная система практически не делает ошибок. Система обеспечивает надежное распознавание отдельных черт лица, позволяя задать требуемый уровень защиты и конфиденциальности, и исключая при этом возможность несанкционированного доступа. Результаты тестирования Испытания проводились по следующим параметрам: наличие очков, поворот головы, прическа, использование фотографии, особенности освещения, расстояние (на расстоянии вытянутой руки), время срабатывания. В таблице 2.1 приведены полученные сводные результаты тестирования. Таблица 2.1 – Тестирование программ
Исследования описанных программных продуктов выявили как сильные, так и слабые стороны, что навело на идею поиска путей обхода аутентификации пользователя. 2.2 Технология создания поддельной личностиНа сегодняшний день достаточно легко получить изображение любого человека. Перечислим основные способы: а) чаты с использованием веб-камеры (Skype, Chatroulette и др.); б) поиск в сети Интернете, особенно личные сайты или блоги (Flickr, Tumblr, Pinterest, Facebook и др.); в) использование камеры с телеобъективом, чтобы получить фото цели с большого расстояния; г) злоумышленник может попросить человека сфотографироваться с ним. На самом деле, злоумышленник не может выполнить аутентификацию, используя первую попавшуюся фотографию пользователя, потому что освещение, точка обзора и другие характеристики изображения человека могут отличаться от тех, которые хранятся в памяти системы. Чтобы убедиться в том, что фотография пройдет проверку приложения, злоумышленник должен изменить его, отрегулировав освещение и точку обзора. В связи с тем, что злоумышленник не знает, как точно выглядит лицо, которое запомнила система, ему нужно создать большое количество изображений (поддельных лиц). В целом, это легко сделать, учитывая нынешнее количество разнообразных программ для редактирования фотографий. 2.3 Описание предлагаемой методикиРассмотрев различные подходы и алгоритмы распознавания лиц, предлагается реализовать оригинальную методику, основанную на методе Виолы–Джонса, использующую признаки Хаара [5], с помощью которых происходит поиск нужного объекта (в данном контексте, лица и его черт), а также Emgu CV – кросс-платформенного .Net дополнения для библиотеки OpenCV, совместимого с языками C #, VB, VC ++. Рассматриваемая методика в дальнейшем найдет воплощение в программном продукте, который планируется использовать в решении задач контроля и управления доступом на объектах уголовно-исполнительной системы. Обнаружение Обнаружение – это первая часть (исключая некоторую предварительную обработку) автоматизированного процесса распознавания лиц. Мы предлагаем использовать систему обнаружения, введенную Полом Виолой и Майклом Джонсом в 2001 году [5]. Эта система основана на использовании каскадной классификационной функций, которая позволяет достаточно быстро и эффективно идентифицировать объекты. Эта система обладает высокой вероятность обнаружения лица, при низком уровне ложных срабатываний. Алгоритм хорошо зарекомендовал себя в распознавании отдельных черт лица, расположенных под небольшим углом (примерно до 30 градусов). Но при увеличении угла наклона больше 30 градусов процент обнаружений резко падает, что не позволяет однозначно детектировать повернутое лицо человека под произвольным углом. Принцип работы состоит в поиске определенных признаков на входном изображении. Выявленные классификационные признаки с низким уровнем значимости объединяются в сильные. При этом получается так называемый каскад с приемлемым представлением изображений, что гарантирует высокую скорость обнаружения. На первом этапе алгоритму требуется большое количество позитивных изображений (изображений граней) и негативных изображений (изображений без граней) для обучения классификатора. Далее необходимо извлечь из изображений признаки. Для этого используются функции Хаара, показанные на рисунке 2.1 ниже. Они выполняют операцию свертки, при которой цвет пикселя меняется на усредненный новый, с учетом соседних пикселей и весовых коэффициентов. Матрица весовых коэффициентов как бы движется по изображению произвольного размера, производя операцию свертки для каждого пикселя. Эта матрица называется ядром. Свертка – одна из самых важнейших операций в обработке. Например, если зрачок сканирует изображение, то выходной сигнал с приемника представляет собой свертку распределения прозрачности по площади зрачка с распределением яркости изображения. Каждая функция представляет собой одно значение, полученное путем вычитания суммы пикселей в белом прямоугольнике из суммы пикселей в черном прямоугольнике. Система идентификации работает не напрямую со значением пикселей, а с простыми функциями. Величина признака вычисляется путем суммирования значения в некоторых соседних прямоугольниках и вычитания их друг из друга. Если значение превышает определенный порог, говорят, что этот объект присутствует. Используются три основных типа функций и несколько дополнительных, показанных на рисунке 2.5: а) два прямоугольника, смежные по горизонтали или по вертикали показаны как A и B; б) три прямоугольника, смежных по горизонтали показаны как С; в) четыре прямоугольника показаны как D.  Рисунок 2.1 – Типы признаков Хаара Значение функции – это разница между черными и белыми областями. Далее все возможные размеры и расположения каждого ядра используются для вычисления значений функций. То есть для каждого вычисления функции необходимо найти сумму пикселей под белыми и черными прямоугольниками. Чтобы решить эту проблему переходим к интегральным изображениям. Применение интегрального представления изображения позволяет вычислять признаки одинакового вида, но имеющие различные геометрические параметры, за одинаковое время, т. к. расчет матрицы интегрального представления занимает линейное время, пропорциональное числу пикселей в изображении. Интегральное изображение представляет собой матрицу, в которой каждый элемент [i, i] является суммой всех пикселей i слева и выше [i, i] в исходном изображении. Пример можно увидеть на рисунке 2.2. Преимущество такого представления изображения заключается в том, что вычислительное время любой прямоугольной суммы постоянно: нужно всего три целочисленных операции. Как видно из рисунка, если надо вычислить сумму в области D, вычисляется 4 – 3 – 2 + 1; для области C – это 3 – 1 и так далее.  Рисунок 2.2 – Интегральное изображение Пример детектора признаков в начале каскада показан на рисунке 2.3. Этот детектор доказывает тот факт, что область глаз часто более темная, чем область носа и щек, и что переносица ярче глаз.  Рисунок 2.3 – Возможное начальное определение признаков |