ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Современные системы контроля и управления доступом (СКУД) играют ключевую роль в обеспечении безопасности объектов и организаций, где требуется строгий контроль перемещения персонала и предотвращение несанкционированного доступа. Такие системы позволяют не только регулировать доступ к различным зонам, но и отслеживать перемещение сотрудников, фиксировать нарушения, а также контролировать рабочее время, что особенно важно для объектов с повышенными требованиями к безопасности.

В последние годы всё большее внимание уделяется внедрению биометрических технологий в СКУД, среди которых технология распознавания лиц занимает одно из ведущих мест. Её применение позволяет существенно повысить точность идентификации пользователей, исключить возможность использования чужих идентификационных данных (например, пропусков или ключей), а также упростить процесс доступа, делая его удобным и быстродействующим.

Разрабатываемая автоматизированная СКУД на основе технологии распознавания лиц рассматривается в контексте аптечного склада и представляет собой актуальную задачу для данного типа объектов. Аптечные склады предназначены для хранения дорогостоящих медикаментов, а также препаратов с ограниченным доступом, таких как наркотические и психотропные вещества, и потому подвергаются повышенным рискам, связанным с утратой или хищением. Строгий контроль за доступом на такие склады необходим не только для предотвращения экономических убытков, но и для соблюдения требований законодательства, направленного на предотвращение нелегального оборота лекарственных средств.

Настоящее исследование направлено на разработку автоматизированной системы контроля и управления доступом, основанной на технологии распознавания лиц. Такая система обеспечит высокий уровень безопасности на аптечном складе благодаря надёжной идентификации сотрудников, минимизирует человеческий фактор, повысит эффективность работы и позволит создать безопасную среду, соответствующую современным требованиям.

1. Актуальность темы

Актуальность разработки системы контроля и управления доступом на основе распознавания лиц обусловлена необходимостью повышения уровня безопасности и удобства в условиях современных вызовов.

Современные реалии диктуют высокие требования к безопасности как в корпоративной, так и в общественной среде. Традиционные системы контроля и управления доступом, используемые для ограничения или разрешения доступа на объекты, активно развиваются с момента своего появления и играют ключевую роль в предотвращении несанкционированного доступа. СКУД включает в себя совокупность технических и программных средств, которые позволяют контролировать доступ в здания, помещения и на территории путем идентификации пользователя по определенному параметру.

Наиболее распространенными видами СКУД долгое время были системы, основанные на использовании физических носителей: ключей, магнитных карт, брелоков и т.д. Однако такие системы имеют ряд существенных недостатков:

Для устранения этих недостатков в последние годы все больше внимания уделяется биометрическим технологиям. Биометрические СКУД основываются на уникальных физиологических параметрах человека, таких как отпечатки пальцев, радужная оболочка глаза или геометрия лица, что значительно повышает надежность системы. Среди всех биометрических методов именно распознавание лиц становится наиболее востребованным и удобным, поскольку не требует физического контакта и легко интегрируется в уже существующую инфраструктуру.

Технологии распознавания лиц в последние годы получили значительное развитие благодаря прогрессу в области искусственного интеллекта и машинного обучения. Алгоритмы на базе сверточных нейронных сетей позволяют точно распознавать лица даже при изменениях во внешности или при неблагоприятных условиях освещения.

Ключевые преимущества биометрических СКУД на основе распознавания лиц:

Подобные системы, уже стали частью нашей повседневной жизни. Они используются в смартфонах для разблокировки устройства, на пограничных контролях в аэропортах, в банковской сфере для аутентификации клиентов, в офисах и жилых комплексах. Удобство и бесконтактный принцип работы делают их популярными в условиях пандемий и других ситуаций, где минимизация физического взаимодействия является приоритетом.

Все это подчеркивает актуальность данной темы и необходимость в дальнейших исследованиях и разработках новых решений.

2. Цель и задачи исследования, планируемые результаты

Цель исследования – разработка автоматизированной системы контроля и управления доступом для аптечного склада на основе технологии распознавания лиц, соответствующей высоким стандартам функциональности и безопасности.

Для достижения поставленной цели необходимо решить следующие задачи:

Объект исследования: контрольно-пропускная система аптечного склада.

Предмет исследования: СКУД на основе технологии распознавания лиц.

В рамках магистерской работы планируется получение актуальных научных результатов по следующим направлениям:

  1. Создание модели системы контроля доступа на основе технологии распознавания лиц, адаптированной к условиям аптечного склада.
  2. Подготовка рекомендаций по внедрению и использованию системы в реальных условиях.
  3. Повышение уровня безопасности на аптечном складе за счёт минимизации рисков несанкционированного доступа.
  4. Прогнозирование дальнейших возможностей развития и масштабирования биометрических технологий для улучшения процессов контроля и управления доступом.

3. Обзор исследований и разработок

На сегодняшний день биометрические СКУД на основе технологии распознавания лиц активно развиваются и внедряются в различных отраслях. В связи с растущей необходимостью повышения уровня безопасности на объектах с особыми требованиями, биометрические технологии привлекают всё больше внимания исследователей и разработчиков.

Цель данного обзора литературы – рассмотреть ключевые исследования и разработки в области распознавания лиц и систем контроля доступа, чтобы выбрать наиболее подходящие методы и технологии для реализации автоматизированной системы на аптечном складе.

Марьенков А.Н., Кузнецова В.Ю., Гелагаев Т.М., «Применение технологий распознавания лиц в системах контроля и управления доступом» [1]. Статья посвящена исследованию применения технологий распознавания лиц в СКУД для повышения уровня безопасности на предприятиях. Авторы обсуждают недостатки традиционных систем, таких как RFID, которые могут быть скомпрометированы использованием чужих или клонированных карт. Предлагается внедрение биометрических методов идентификации, таких как распознавание лиц, которое уменьшает риски нелегитимного доступа. Описаны методы анализа видеопотока (на сервере, на камере или на устройстве контроля доступа) и их влияние на эффективность системы. Статья также охватывает основные алгоритмы распознавания лиц и их преимущества для улучшения безопасности.

Безгачев Ф.В., «Распознавание лиц на основе нейронных сетей: современные технологии» [2]. В статье анализируются современные методы распознавания лиц с использованием нейронных сетей. Особое внимание уделено алгоритмам MTCNN и FaceNet. MTCNN использует три сверточные сети для последовательного выделения лиц, а FaceNet — сиамская сеть, обучающаяся различать похожие и непохожие лица с помощью функции потерь TripletLoss. Также рассмотрены классические методы, такие как гибкое сравнение на графах и метод главных компонент, но основной упор сделан на преимущества нейронных сетей. Авторы подчеркивают, что использование этих технологий позволяет существенно повысить точность и надежность систем распознавания лиц, особенно в приложениях, связанных с безопасностью и контролем доступа.

Муса А.Ж., Алдашев А.А., «Распознавание лиц для системы безопасности» [3]. Авторы статьи исследуют использование глубокого обучения для распознавания лиц в системах безопасности. Описаны ключевые этапы обработки изображения: обнаружение лица, его обрезка и последующий анализ с использованием сверточных нейронных сетей (CNN). Статья также рассматривает алгоритмы HOG (гистограмма ориентированных градиентов) для кодирования изображений и SVM для классификации и идентификации лиц. Описаны технические аспекты создания веб-сервиса с RESTful API для доступа к системе распознавания лиц. Система продемонстрировала высокую точность (98% для распознавания и 90% для верификации) при тестировании в реальных условиях. Авторы отмечают возможности улучшения системы за счёт внедрения дополнительных функций.

Рудинская Е.А., Парингер Р.А., «Разработка алгоритма детектирования лиц с использованием комбинаций каскадов Хаара» [4]. Статья посвящена методам детектирования лиц с применением каскадов Хаара. Описываются различные подходы к распознаванию лиц, включая гибкое сравнение эластичных графов, нейронные сети и скрытые Марковские модели. Основной акцент сделан на каскады Хаара, предложенные Виолой и Джонсом, которые используются для детектирования объектов на изображениях. Авторы провели эксперимент на наборе фотографий с различными разрешениями и количеством лиц, определяя оптимальные параметры для детектирования. Было доказано, что комбинирование каскадов Хаара может значительно улучшить точность распознавания. Статья подчеркивает перспективы использования этого метода в системах безопасности и видеонаблюдения, хотя дальнейшие исследования необходимы для повышения устойчивости алгоритмов к внешним факторам.

Shamova U., «Face recognition in healthcare: general overview» [5]. В этой статье рассматриваются возможности применения распознавания лиц в сфере здравоохранения. Технология распознавания лиц находит применение в автоматической идентификации пациентов, мониторинге состояния здоровья и обеспечении безопасности в медицинских учреждениях. Примеры включают использование «умных зеркал» для анализа состояния здоровья, мониторинг уровня стресса и предупреждение выгорания медицинского персонала. В статье отмечается, что распознавание лиц может значительно улучшить качество обслуживания пациентов, сократить время ожидания и повысить точность диагностики. Однако одним из ключевых вызовов является создание репрезентативных баз данных, охватывающих различные категории населения, для обеспечения универсальности системы. Технология обладает высоким потенциалом, но требует дальнейшего совершенствования для полного внедрения в медицину.

Никитин М.Ю., Конушин В.С., Конушин А.С., «Нейросетевая модель распознавания человека по лицу в видеопоследовательности с оценкой полезности кадров» [6]. Статья посвящена разработке нейросетевой модели для распознавания лиц в видеопоследовательности, где учитывается качество каждого кадра. Авторы предложили модель, включающую два модуля: модуль распознавания лица и модуль оценки качества изображения. Основная идея заключается в построении признакового представления видеопоследовательности, которое агрегируется с учетом полезности каждого кадра. Экспериментальные результаты, проведенные на базах данных YouTube Faces и IJB-A, показали улучшение качества распознавания по сравнению с традиционными методами, особенно при низкой ошибке второго рода. Работа также охватывает обзор существующих подходов к распознаванию лиц, включая методы на основе подпространств, обучения словарей и сверточных нейронных сетей.

Заварикин Д.Н., Кадейшвили А.А., Коробкова С.В., Соколов А.Ю., Степаненко О.В., «Система некооперативной биометрической идентификации людей» [7]. В статье описана разработка системы некооперативной биометрической идентификации на основе 2D- и 3D-распознавания лиц. Авторы описывают созданный комплекс VOCORD FaceControl, который автоматически выделяет лица из видеопотока и идентифицирует их. Рассматриваются ключевые компоненты комплекса: камеры высокого разрешения для повышения точности, методы обработки изображений, создание 3D-модели лица и объединение данных из 2D- и 3D-анализа с использованием нейронных сетей. Представлены результаты тестирования, которые демонстрируют точность идентификации 98,5 % при равных показателях ложных допусков и отказов. Статья также затрагивает аспекты применения подобных систем для обеспечения безопасности в местах массового скопления людей, таких как метрополитен.

Друки А.А., «Система поиска, выделения и распознавания лиц на изображениях» [8]. В работе рассмотрены подходы к автоматизации поиска и распознавания лиц на изображениях с применением сверточных нейронных сетей. Автор описывает архитектуру нейронной сети, состоящую из сверточных и подвыборочных слоев, что позволяет достичь инвариантности к изменению масштаба, угла съемки и геометрических искажений. Разработан алгоритм масштабирования и кластеризации, объединяющий обнаруженные участки в кластеры для повышения точности идентификации. Эксперименты подтвердили, что вероятность обнаружения лица превышает 95%. Также представлена система распознавания с базой данных, содержащей антропометрические данные и дополнительную информацию о людях. Работа описывает практическое применение системы в задачах контроля доступа, включая алгоритмы ввода и поиска данных.

Макаренко А.А., Калайда В.Т., «Применение нейросетевых технологий для идентификации изображения лица человека» [9]. Статья предоставляет обзор основных нейросетевых технологий для идентификации полутоновых изображений и рассматривает их использование для решения задачи обнаружения лица на изображении. Авторы анализируют задачи распознавания изображений, включая биометрическую идентификацию, и выделяют преимущества и недостатки различных методов, таких как многослойные персептроны, радиально-базисные нейронные сети и карты Кохонена. В статье особое внимание уделено нейросетям, основанным на архитектуре, аналогичной зрительной системе человека, в том числе сверточным нейронным сетям, которые демонстрируют большую эффективность в распознавании лиц. Обсуждается возможность их применения для создания надежных систем идентификации с учетом изменений масштаба, ориентации и условий съемки. Статья подчеркивает, что сверточные нейронные сети, благодаря своей архитектуре и способности к параллельной обработке, имеют значительные перспективы для задач идентификации изображений.

Антипова С.А., «Система контроля и управления доступом на основе распознавания лиц» [10]. Статья посвящена разработке системы контроля и управления доступом, использующей распознавание лиц. Рассматривается структура системы, включающей четыре независимых модуля: детекцию лиц в видеопотоке, распознавание лиц с использованием сверточной нейронной сети, контроль доступа через открытие дверей или турникетов и клиентский веб-сервис. В качестве фреймворка для глубокого обучения использован PyTorch, а для обучения нейросети применены сиамские сети. Система протестирована на контрольно-пропускном пункте предприятия и продемонстрировала высокую точность распознавания лиц. Также обсуждаются возможности масштабирования системы с помощью сервис-ориентированной архитектуры, что позволяет распределять компоненты системы на различных серверах.

Задачей данного обзора было выделение наиболее перспективных исследований, которые могут служить основой для разработки эффективной системы контроля доступа на аптечном складе. Каждое из рассмотренных исследований внесло свой вклад в развитие методов и технологий, используемых для обеспечения безопасности и эффективности работы подобных систем. Выбранные работы предложили разнообразные подходы к решению проблемы идентификации сотрудников, управления доступом и обеспечения безопасности, что позволяет оптимально адаптировать их под конкретные требования предприятия.

Исследования подтверждают, что применение нейронных сетей и современных алгоритмов компьютерного зрения позволяет достигать высокой точности распознавания лиц при различных условиях. Это особенно важно для аптечных складов, где требования к безопасности и быстродействию систем контроля доступа высоки.

4. Анализ подходов распознавания лиц

Несмотря на разнообразие существующих подходов, можно определить общий алгоритм распознавания лиц, который представлен на рисунке 1.

Общий процесс обработки изображения лица при распознавани

Рисунок 1 – Общий процесс обработки изображения лица при распознавани

На первом этапе производится детектирование и локализация лица на изображении. Далее производится предобработка изображения – выравнивание лица (геометрическое и яркостное) и нормализация (размер, поза, масштаб, ориентация). После этого происходит вычисление признаков и непосредственно распознавание – сравнение вычисленных признаков с заложенными в базу данных эталонами. Основным отличием всех алгоритмов будет вычисление признаков и сравнение их совокупностей между собой. Рассмотрим несколько основных подходов распознаванию.

Метод гибкого сравнения на графах. Этот метод представляет лица в виде графов с взвешенными вершинами и ребрами. В процессе распознавания один граф (эталонный) остается неизменным, в то время как другой граф деформируется для наилучшего совпадения с первым.

Пример структуры графа для распознавания лиц

Рисунок 2 – Пример структуры графа для распознавания лиц
а) регулярная решетка, б) граф на основе антропометрических точек лица

Вершины графа представляются значениями признаков, обычно вычисленными с использованием фильтров Габора или Габоровских вейвлетов. На рисунке 3 изображен пример набора фильтров Габора.

Набор фильтров Габора

Рисунок 3 – Набор фильтров Габора

Ребра графа взвешиваются расстояниями между смежными вершинами. Для сопоставления двух графов происходит деформация графа путем смещения вершин на определенное расстояние с учетом их исходного местоположения. Затем вычисляется мера различия между значениями признаков вершин деформированного и эталонного графов. Эта операция повторяется для всех вершин до получения наименьшего различия между графами. Пример деформации графа изображен на рисунке 4.

Пример деформации графа в виде регулярной решетки

Рисунок 4 – Пример деформации графа в виде регулярной решетки

Преимущества метода включают высокую эффективность распознавания даже при наличии эмоциональных выражений и изменении ракурса лица. Однако его недостатками являются высокая вычислительная сложность и линейная зависимость времени работы от размера базы данных лиц.

Скрытые Марковские модели. Скрытые Марковские модели (СММ) с дискретным временем представляют собой один из статистических методов распознавания лиц. Они используют статистические свойства сигналов, учитывая их пространственные характеристики. Модель состоит из множества скрытых состояний, множества наблюдаемых состояний, матрицы переходных вероятностей и начальной вероятности состояний. Для каждого объекта существует своя Марковская модель, и при распознавании объекта проверяется максимальная вероятность того, что последовательность наблюдений для данного объекта сгенерирована соответствующей моделью.

Однако на сегодняшний день не удалось обнаружить примеры коммерческого применения СММ для распознавания лиц. Среди недостатков этого метода можно выделить необходимость подбора параметров модели для каждой базы данных и отсутствие различающей способности. Это означает, что алгоритм обучения лишь максимизирует отклик каждого изображения на свою модель, но не минимизирует отклик на другие модели.

Нейронные сети. На сегодняшний день существует множество разновидностей нейронных сетей (НС), однако одной из наиболее широко используемых является сеть, построенная на многослойном перцептроне, которая позволяет классифицировать поданное на вход изображение в соответствии с предварительной настройкой/обучением сети. Обучение нейронных сетей происходит на наборе обучающих примеров, где настраиваются веса межнейронных связей методом градиентного спуска. В процессе обучения автоматически извлекаются ключевые признаки и устанавливаются взаимосвязи между ними. После обучения сеть способна применить полученный опыт к новым данным за счет своих обобщающих способностей.

Наилучшие результаты в области распознавания лиц показала Convolutional Neural Network или сверточная нейронная сеть (СНС), которая является логическим развитием идей таких архитектур НС как когнитрона и неокогнитрона. Успех обусловлен возможностью учета двумерной топологии изображения, в отличие от многослойного перцептрона. Она обладает локальными рецепторными полями, общими весами и иерархической организацией с пространственным сэмплингом. Благодаря этим особенностям СНС обеспечивает частичную устойчивость к различным искажениям и достигает высокой точности распознавания. На рисунке 5 приведена схема архитектуры сверточной нейронной сети.

Схематичное изображение архитектуры СНС

Рисунок 5 – Схематичное изображение архитектуры СНС

В настоящее время существует целый ряд нейронных сетей для распознавания лиц, которые находятся в открытом доступе. Эти модели разработаны различными ведущими исследовательскими группами и компаниями и предлагают разнообразные алгоритмы и архитектуры, оптимизированные для точного и быстрого распознавания лиц. Они широко используются в различных приложениях, начиная от систем безопасности и заканчивая социальными сетями и мобильными устройствами. Доступность таких сетей позволяет исследователям и разработчикам интегрировать передовые технологии распознавания лиц в свои проекты без необходимости создания моделей с нуля. Изучение и анализ подобных моделей открывает перспективы для будущих исследований в области распознавания лиц и развития более эффективных систем управления доступом. В дальнейшем планируется исследовать и проанализировать некоторые из этих моделей более тщательно, чтобы определить их преимущества и недостатки, а также адаптировать их для использования в системе управления доступом на аптечном складе. Рассмотрим наиболее популярные и эффективные нейросети для распознавания лиц, которые находятся в открытом доступе.

ArcFace - разработан Alibaba Group. Эта модель для распознавания лиц использует концепцию арки косинуса, что позволяет улучшить точность идентификации путем создания пространства признаков, где различия между лицами становятся более выразительными. ArcFace широко применяется в коммерческих системах видеонаблюдения и аутентификации.

FaceNet, созданный Google, известен своей способностью создавать векторные представления для лиц, что делает его эффективным инструментом для распознавания лиц. Эта модель обучается с использованием триплетных потерь, что позволяет ей эффективно изучать пространственные признаки лиц. FaceNet показывает хорошие результаты в условиях различных изменений, таких как изменения освещения, масштаба и поворотов.

VGGFace, разработанный Visual Geometry Group при Университете Оксфорд, представляет собой набор моделей глубокого обучения, созданных для распознавания и классификации лиц. Эти модели известны своей простой архитектурой и высокой точностью. VGGFace широко применяется в научных и коммерческих проектах, требующих точного распознавания лиц.

DeepFace – это технология распознавания лиц, разработанная Facebook. Она использует сверточные нейронные сети для распознавания лиц на изображениях. DeepFace может распознавать лица с высокой точностью, даже при изменениях в угле обзора или освещении.

MTCNN (Multi-task Cascaded Convolutional Networks), модель для обнаружения лиц, разработанная для одновременного выполнения нескольких задач, таких как обнаружение лиц, обнаружение ключевых точек лица и оценка ограничивающих рамок для лиц. MTCNN широко применяется в системах видеонаблюдения и безопасности.

Каждая из моделей имеет свои плюсы и минусы, а также уникальные характеристики и особенности. Возникает задача выбора подходящей нейронной сети, такой, чтобы она удовлетворяла всем поставленным требованиям проекта. Важно учитывать такие критерии, как точность распознавания, скорость работы, доступность ресурсов и поддержка сообщества разработчиков.

Несмотря на свою эффективность, нейронные сети имеют свои недостатки. Например, добавление нового лица в базу данных требует полного переобучения сети на всем наборе данных, что может быть длительным процессом. Также существуют проблемы математического характера, такие как попадание в локальные оптимумы, выбор оптимального шага оптимизации и переобучение. Кроме того, следует помнить, что этап выбора архитектуры сети (количество нейронов, слоев, характер связей) трудно формализуемый.

Выводы

Данная магистерская работа посвящена исследованию и разработке автоматизированной системы контроля и управления доступом на основе актуальной технологии распознавания лиц.

На текущем этапе исследования:

  1. Сформулированы задачи, необходимые для достижения цели магистерской работы.
  2. Проведён всесторонний анализ предметной области систем контроля и управления доступом.
  3. Рассмотрены преимущества биометрических методов перед традиционными системами.
  4. Изучены существующие подходы к реализации подобных систем.
  5. Проведён обзор современных методов и алгоритмов распознавания лиц.

Будущие исследования будут направлены на проектирование и разработку прототипа автоматизированной системы контроля и управления доступом для аптечного склада с использованием технологии распознавания лиц. Особое внимание будет уделено выбору оптимальных алгоритмов и методов распознавания, повышению точности идентификации и анализу безопасности системы.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: июнь 2025 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. Марьенков, А. Н. Применение технологий распознавания лиц в системах контроля и управления доступом / А. Н Марьенков., В. Ю. Кузнецова, Т. М. Гелагаев // Прикаспийский журнал: управление и высокие технологии. – 2021. – № 1. – С. 83–90.
  2. Безгачев, Ф. В. Распознавание лиц на основе нейронных сетей: Современные технологии / Ф. В. Безгачев // Научный компонент. – 2021. – № 4. – С. 56–63.
  3. Муса, А. Ж. Распознавание лиц для системы безопасности / А. Ж. Муса, А. А. Алдашев // Наука и образование сегодня. – 2020. – № 7. – С. 6–9.
  4. Рудинская, Е. А. Разработка алгоритма детектирования лиц с использованием комбинаций каскадов Хаара / Е. А. Рудинская, Р. А. Парингер // Сборник трудов ИТНТ-2019. – 2019. – С. 6–12.
  5. Shamova, U. Face recognition in healthcare: general overview / U. Shamova // Languages in professional communication: сборник материалов международной научно-практической конференции преподавателей, аспирантов и студентов; отв. ред. Л. И. Корнеева. – 2020. – С. 748–752.
  6. Никитин, М. Ю. Нейросетевая модель распознавания человека по лицу в видеопоследовательности с оценкой полезности кадров / М. Ю. Никитин, В. С. Конушин, А. С. Конушин // Компьютерная оптика. – 2017. – № 5. – С. 732–742.
  7. Заварикин, Д. Н. Система некооперативной биометрической идентификации людей / Д. Н. Заварикин, А. А. Кадейшвили, С. В. Коробкова, А. Ю. Соколов, О. В. Степаненко // Инженерный журнал: наука и инновации. – 2012. – №3. – С. 4.
  8. Друки, А. А. Система поиска, выделения и распознавания лиц на изображениях / А. А. Друки // Известия ТПУ. – 2011. – №5. – С. 64–70.
  9. Макаренко, А. А. Применение нейросетевых технологий для идентификации изображения лица человека / А. А. Макаренко, В. Т. Калайда // Доклады ТГУСУР. – 2005. – №3. – С. 41–48.
  10. Антипова, С. А. Разработка системы контроля доступа на основе распознавания лиц / С. А. Антипова // Программные продукты и системы. – 2021. – №2. – С. 245–256.