· Становится возможным произвести аутентификацию пользователя, т.е. реальное подтверждение подлинности субъекта получающего права доступа.
· Существенно повышается защищенность систем и, вместе с тем, упрощается процесс идентификации пользователя – пользователь не должен вспоминать, набирать и периодически менять пароли доступа в различные системы.
· Пользователь может не запоминать и не вводить свое идентификационное имя (имена).
· Авторизация выполняется вне зависимости от языка операционной среды и кодировок символов.
· В силу простоты процесса аутентификации, его можно инициировать значительно чаще, чем позволяют традиционные системы (запрашивающие имя пользователя и пароль).
· Во всех случаях, кроме случаев взлома защиты, можно доказать авторство того или иного электронного действия, подтвержденного биометрической аутентификацией.
· Затрудняется дистанционный подбор идентифицирующей информации.
· Невозможно предъявить идентификатор третьим лицом.

1. Обнаружение элементов и особенностей (features), которые характерны для изображения лица.

2. Анализ обнаруженных особенностей, вынесение решения о количестве и расположении лиц.

Второе семейство методов подходит проблеме с другой стороны, и, не пытаясь в явном виде формализовать процессы, происходящие в человеческом мозге, стараются выявить закономерности и свойства изображения лица неявно, применяя методы математической статистики и машинного обучения. Методы этой категории опираются на инструментарий распознавания образов, рассматривая задачу обнаружения лица, как частный случай задачи распознавания. Изображению (или его фрагменту) ставится в соответствие некоторым образом вычисленный вектор признаков, который используется для классификации изображений на два класса – лицо/не лицо. Самый распространенный способ получения вектора признаков это использование самого изображения: каждый пиксель становится компонентом вектора, превращая черно-белое изображение n×m в вектор пространства R^n×m. Недостатком такого представления является чрезвычайно высокая размерность пространства признаков. Достоинство заключается том, что используя все изображение целиком вместо вычисленных на его основе характеристик, из всей процедуры построения классификатора (включая выделение устойчивых признаков для распознавания) полностью исключается участие человека, что потенциально снижает вероятность ошибки построения неправильной модели изображения лица вследствие неверных решений и заблуждений разработчика.

Метод главных компонент [8] применяется для снижения размерности пространства признаков, не приводя к существенной потере информативности тренировочного набора объектов (в данном случае – изображений лиц). Применение метода главных компонент к набору векторов линейного пространства Rⁿ, позволяет перейти к такому базису пространства, что основная дисперсия набора будет направлена вдоль нескольких первых осей базиса, называемых главными осями (или главными компонентами). Таким образом, основная изменчивость векторов тренировочного набора представляется несколькими главными компонентами, и появляется возможность, отбросив оставшиеся (менее существенные), перейти к пространству существенно меньшей размерности. Натянутое на полученные таким образом главные оси подпространство размерности m << n является оптимальным среди всех пространств размерности m в том смысле, что наилучшим образом (с наименьшей ошибкой) описывает тренировочный набор изображений.

Факторный анализ (ФА) [9], как и многие методы анализа многомерных данных, опирается на гипотезу о том, что наблюдаемые переменные являются косвенными проявления относительно небольшого числа неких скрытых факторов. ФА, таким образом, это совокупность моделей и методов ориентированных на выявление и анализ скрытых (латентных) зависимостей между наблюдаемыми переменными. В контексте задач распознавания, наблюдаемыми переменными обычно являются признаки объектов. Факторный анализ можно рассматривать как обобщение метода главных компонент.

Цель тренировки большинства классификаторов – минимизировать ошибку классификации на тренировочном наборе (называемую эмпирическим риском). В отличие от них, с помощью метода опорных векторов можно построить классификатор минимизирующий верхнюю оценку ожидаемой ошибки классификации (в том числе и для неизвестных объектов, не входивших в тренировочный набор). Применение метода опорных векторов к задаче обнаружения лица заключается в поиске гиперплоскости в признаковом пространстве, отделяющий класс изображений лиц от изображений "не-лиц".

Возможность линейного разделения столь сложных классов, как изображения лиц и "не-лиц" представляется маловероятной. Однако, классификация с помощью опорных векторов позволяет использовать аппарат ядерных функций для неявного проецирования векторов-признаков в пространство потенциально намного более высокой размерности, в котором классы могут оказаться линейно разделимы. Неявное проецирование с помощью ядерных функций не приводит к усложнению вычислений, что позволяет успешно использовать линейный классификатор для линейно неразделимых классов.

Нейросети давно и успешно применяются для решения многих задач распознавания. Для решения задачи обнаружения лица применялось большое количество нейронных сетей различных архитектур, в частности: многослойные персептроны, probabilistic decision-based neural networks (PDBNN) [10], и т.д. Достоинством использования нейросетей для решения задачи обнаружения лица является возможность получения классификатора, хорошо моделирующего сложную функцию распределения изображений лиц p(x | face). Недостатком же является необходимость в тщательной и кропотливой настройке нейросети для получения удовлетворительного результата классификации.

Sparse Network of Winnows (SNoW) можно попытаться перевести как "разреженная сеть просеивающих элементов". SNoW для обнаружения лиц [11] представляет собой двухслойную сеть, входной слой которой состоит из узлов, каждый из которых соответствует некоторой характеристике входного изображения (генерирует 1 при наличии некоторой особенности и 0 в случае ее отсутствия на изображении), выходной же состоит всего из двух узлов, каждый из которых соответствует распознаваемым классам изображений ("лицо", "не-лицо"). В качестве характеристик изображения используются флаги равенства определенным величинам среднего значения и дисперсии яркости в каждом из прямоугольных фрагментов изображения размером 1x1, 2x2, 4x4 и 10x10 (все изображения имеет размер 20x20 пикселей). Это дает пространство признаков размерности 135424. При проведении классификации на входные узлы подается информация о присутствии определенных характеристик в обрабатываемом изображении. Узлы выходного слоя вычисляют линейную комбинацию сигналов, генерируемых входными узлами. Коэффициенты линейной комбинации задаются весами связей между входными и выходными узлами. При превышении заданного порога, принимается решение о наличии лица на изображении.

Решаемые задачи:

Применение данного метода в системах контроля доступа позволит упростить процедуру идентификации/аутентификации пользователя: пропадает необходимость ввода пароля не только для входа в сеть, но и для авторизации в любых приложениях. Также становиться возможным снизить затраты на безопасность компьютерных систем и сетей. Это, в свою очередь, позволит добиться широкого распространения биометрических систем и повысить общий уровень безопасности компьютерных систем.

При разработке алгоритма учитываются имеющиеся методы локализации лица в изображении и алгоритмы определения положения глаз и рта. Алгоритм «OFG» выполняет следующие функции:

- нормализует полученный образ (элиминирует повороты головы, нормализует световые параметры);

- визуализирует офтальмогеометрический паттерн (построение системы координат, необходимых точек);

- выполняет операции и вычисления над ним;

- производит сравнение.

Идентификация пользователей на основе характеристик асимметрии лица:

Выбранный метод основывается на Ченстоховской точной модели асимметрии лица и на исследованиях в области офтальмогеометрии профессора Э. Мулдашева.

Рисунок 2 – Представление основных параметров лица, используемых в офтальмогеометрии.

Построение офтальмогеометрического образа(Рисунок 3):

На основании имеющихся точек и параметров модели лица человека построим офтальмогеометрический образ в следующей последовательности:

Анимация – Последовательность процедуры аутентификации пользователя (нажмите play).

1. Определить диаметр радужной оболочки глаза и приравнять к 1 Мульду (fi = 1 Muld). Он определяется по трём точкам Ar, Br, Cr. Относительно них затем строится окружность радужки, находится её диаметр и приравнивается к 1 Мульду. Мульдом называется величина равная диаметру радужной оболочки глаза. Эта величина равная 10±0,56 мм и является единственной константой из биометрических характеристик человека, начиная с 4-5 - летнего возраста. Принимая во внимание это обстоятельство, все офтальмогеометрические образы можно нормализовать, т.е. привести к одному масштабу для удобства обработки.

2. Измерить расстояние между B1r и B1l Base1[Мульд].
Расстояние между центрами окружностей радужных оболочек фронтально смотрящего человека образует базу лица. Она измеряется также в Мульдах и служит для согласования размеров образов, полученных с камеры и хранящихся в базе.

3. Определить середину между зрачками O*. Находим точку, необходимую для построения системы координат {Y*, X*}.

4. Определить точки 1* и 2*.
Эти точки необходимы для построения перпендикуляра к оси X*.

5. Провести линии {Y*, X*}, Y* – линия, проходящая через точки 1* - O* - 2*, X* – линия, проходящая через точки B1r - O* - B1l.

6. Построить систему координат (линии) {X1, X2, Y} в соответствии с рисунком 3. Данная система координат строится с целью нахождения наименее изменяющейся базы. Относительно неё производятся дальнейшие отсчеты и измерения. Её основу составляют две точки О1 и О2. Точка О1 находится как середина отрезка, связывающего точки Оcr и Ocl. Эти точки являются одними из самых неподвижных на лице. Они не меняют своего положения ни с возрастом, ни с эмоциональным состоянием. Ось Х системы координат проводится через них. Ось Y является перпендикуляром к оси Х1 в точке О1. Точка О2 находится на оси Y на расстоянии 4 Мульда от оси Х1. Эта точка также должна удовлетворять принципу наименьшей подверженности изменениям. Она находиться в геометрической середине между линией, связывающей кончики мочек ушей и линией проходящей через уголки рта с центром в геометрической середине овала лица. Ось Х2 параллельна оси Х1 и проходит через точку О2.

7. Измерить угол α1, мера отклонения Y* от Y.

Рисунок 3 – Построение осей координат.