Быстрое развитие систем биометрической аутентификации привело к широкому внедрению технологий распознавания лиц. В данном исследовании рассматривается применение нейронной сети на базе MobileNetV2 для распознавания человеческого лица в системах аутентификации. Преимущества MobileNetV2, такие как легкая архитектура и высокая вычислительная эффективность, делают её подходящим выбором для аутентификации в реальном времени на периферийных устройствах. Предлагаемый метод повышает точность распознавания при сохранении высокой скорости обработки, обеспечивая баланс между безопасностью и производительностью. Экспериментальные результаты демонстрируют эффективность подхода при различных условиях освещения и разных углах ориентации лица. В исследовании также обсуждаются потенциальные проблемы, включая атаки спуфинга и ограничения наборов данных, и предлагаются решения для повышения надежности. Полученные результаты способствуют развитию безопасных и эффективных систем биометрической аутентификации.
Ключевые слова: Распознавание лиц, MobileNetV2, Биометрическая аутентификация, Нейронные сети, Системы безопасности, Обработка в реальном времени, Глубокое обучение, Подтверждение личности.
Современное развитие компьютерного зрения и искусственного интеллекта привело к значительному прогрессу в методах автоматического распознавания человеческих лиц, которое широко используется в сферах безопасности, биометрической идентификации, контроля доступа, развлекательных услуг и даже маркетинга [1]-[10]. И здесь могут использоваться различные методы и подходы [11]-[36]. Несмотря на быстрое развитие технологий, существующие алгоритмы распознавания лиц сталкиваются с рядом проблем, включая низкую точность в сложных условиях освещения, ограниченную производительность на мобильных устройствах и ограниченные возможности обобщения моделей для распознавания различных типов лиц. Одним из перспективных подходов к решению этих задач является использование глубоких нейронных сетей, в частности компактных архитектур, способных обеспечить высокую эффективность при низких вычислительных затратах. Нейронная сеть MobileNetV2 является одной из наиболее оптимальных моделей для мобильных платформ и устройств с ограниченными ресурсами благодаря своей эффективной структуре, сочетающей инвертированные остаточные блоки (inverted residual blocks) и глубокие сверточные слои [37]-[45]. Это позволяет сократить количество параметров и поддерживать высокую точность распознавания, что делает её привлекательной для внедрения в реальных условиях. Однако даже использование MobileNetV2 в задачах распознавания лиц требует дальнейшего усовершенствования, в частности адаптации к новым наборам данных, оптимизации для конкретных сценариев применения и использования дополнительных методов для повышения точности. Одно из перспективных направлений совершенствования — использование методов предварительного обучения, тонкой настройки (fine-tuning) сети на специализированных выборках, а также использование дополнительных слоев или механизмов постобработки результатов классификации.
Значительный интерес представляет также проблема распознавания лиц в реальном времени, когда система должна обеспечивать не только высокую точность, но и скорость обработки изображений. Это особенно актуально в условиях потокового видеонаблюдения, интеграции с мобильными приложениями и интеллектуальных систем доступа. В таких случаях классические глубокие нейронные сети могут быть слишком громоздкими, в то время как MobileNetV2 при условии соответствующей оптимизации обеспечивает баланс между скоростью и точностью. Дополнительной задачей является повышение устойчивости алгоритма к изменениям положения лица, вариациям освещения, наличию аксессуаров и другим факторам, способным повлиять на качество распознавания.
Поэтому совершенствование метода распознавания лиц на основе нейронной сети MobileNetV2 является актуальной задачей, представляющей значительный научный и практический интерес. Исследование направлено на разработку методов повышения точности и скорости работы модели, а также её адаптации к сложным условиям эксплуатации. Результаты работы могут быть использованы в системах безопасности, контроле доступа, автоматизации бизнес-процессов, персонализированных сервисах и других отраслях, где требуется эффективная идентификация лиц в реальном времени.
В настоящее время многие исследователи работают над проблемой распознавания лиц. Для её решения они используют совершенно разные методы. Рассмотрим несколько таких работ.
Начнем со статьи [46], поскольку она представляет собой полный обзор по данной теме. В ней авторы выделили основные области применения, проблемы и тенденции систем распознавания лиц в социальной и научной сферах. Кроме того, они обсуждают некоторые ключевые проблемы, такие как изменчивость освещения, позы, старение, косметика, масштаб, окклюзия и фон. Наряду с классическими методами распознавания лиц глубоко исследуются самые последние направления исследований, т.е. глубокое обучение, разреженные модели и теория нечетких множеств.
Srivastava, G. и Bag, S. в [47] отмечают, что области нейромаркетинга и маркетинга с распознаванием лиц остаются недостаточно изученными. Нейромаркетинг и маркетинг с распознаванием лиц — это методы маркетинга с использованием искусственного интеллекта, которые помогают получить когнитивное понимание человеческого поведения.
Исследователи в [48] представляют всесторонний обзор последних достижений каждого элемента сквозного (end-to-end) глубокого распознавания лиц, поскольку процветающие методы глубокого обучения значительно улучшили их возможности.
В статье [49] вводится еще один аспект адаптивности в функции потерь, а именно качество изображения. Мы утверждаем, что стратегия акцентирования внимания на неправильно классифицированных образцах должна корректироваться в соответствии с качеством их изображения. Предлагается новая функция потерь, которая акцентирует внимание на образцах различной сложности на основе качества их изображения. Этот метод достигает этого в форме функции адаптивного отступа (adaptive margin function) путем аппроксимации качества изображения с помощью норм признаков.
В [50] предлагается MagFace, категория потерь, которые обучают универсальному встраиванию признаков, чья величина перед нормализацией может измерять качество данного лица. При новой функции потерь можно доказать, что величина встраивания признака монотонно возрастает, если субъект с большей вероятностью будет распознан. Кроме того, MagFace вводит адаптивный механизм для изучения хорошо структурированных внутриклассовых распределений признаков путем притягивания простых образцов к центрам классов и отталкивания сложных образцов.
Qiu, H. и соавторы в [51] используют синтетические изображения лиц, т.е. SynFace, пытаясь решить следующую проблему: существующие наборы данных для распознавания лиц обычно собираются из веб-изображений, в которых отсутствуют подробные аннотации атрибутов (например, позы и выражения), поэтому влияние различных атрибутов на распознавание лиц было мало изучено.
Далее в этой статье мы рассмотрим наш метод решения задачи распознавания лиц.
Пусть 𝐼(𝑥, 𝑦) – функция изображения лица, где 𝑥 и 𝑦 – пространственные координаты пикселей изображения. Изображение проходит предварительную обработку, такую как нормализация (приведение к диапазону значений [0, 1]) и масштабирование до стандартного размера, например, 224 x 224 пикселя.
MobileNetV2 использует архитектуру глубокой сверточной нейронной сети с узкими блоками, называемыми «инвертированными остаточными блоками» ("inverted residual blocks"), для извлечения ключевых признаков. С математической точки зрения, каждый блок состоит из следующих операций:
– Поканальная свертка (Depthwise Convolution) используется для эффективного сокращения количества вычислений и параметров в сверточных нейронных сетях. Она заключается в применении отдельного фильтра к каждому каналу входного изображения вместо традиционной свертки, которая обрабатывает все каналы одновременно. Это позволяет значительно снизить вычислительную сложность, так как количество операций сокращается за счет разделения процесса свертки на два отдельных этапа: сначала групповая свертка для каждого канала, а затем точечная свертка для объединения информации из разных каналов. Такая архитектура позволяет сохранить важные пространственные признаки из каждого канала по отдельности, улучшая при этом общую производительность модели. Групповая свертка является ключевым компонентом для легковесных моделей, таких как MobileNet, где важно поддерживать баланс между скоростью и точностью:
Где: 𝐹𝑑(𝑥, 𝑦) – выход после применения групповой свертки к входному изображению. Это карта признаков, которая отображает пространственные особенности изображения после обработки сверточными фильтрами. Координаты x и y указывают позиции пикселей в выходной карте признаков; 𝑊𝑑 – ядро или фильтр групповой свертки (Depthwise Convolution Kernel). Оно отвечает за обработку каждого отдельного канала входного изображения. Важно, что для каждого канала применяется отдельный фильтр, т.е. количество фильтров соответствует количеству каналов входного изображения; 𝐼(𝑥, 𝑦) – входное изображение или входной тензор, который содержит информацию о пикселях в позициях x и y для каждого канала. Из этого тензора берутся признаки, которые будут обработаны фильтрами групповой свертки. В контексте групповой свертки, 𝑊𝑑 применяется к каждому каналу отдельно, т.е. в отличие от традиционной свертки, где все каналы одновременно обрабатываются одним фильтром, здесь операция выполняется независимо для каждого канала входных данных.
– Точечная свертка (Pointwise Convolution) используется для изменения количества каналов в тензоре без изменения его пространственных размеров. Её основная функция — объединение информации из разных каналов входного тензора путем применения фильтра 1x1. Точечная свертка позволяет комбинировать признаки, полученные из разных каналов после применения групповой свертки, и интегрировать их в более сжатую форму. Она играет важную роль в построении эффективных моделей глубокого обучения, таких как MobileNet, за счет сокращения вычислительных затрат и количества параметров нейронной сети при сохранении высокого качества анализа признаков:
Где: 𝐹𝑝(𝑥, 𝑦) – результат операции точечной свертки в точке с координатами 𝑥, 𝑦. Это выходной тензор, в котором изменяется количество каналов, но пространственные размеры остаются прежними. 𝑊𝑝 – набор фильтров 1x1, отвечающих за преобразование входных каналов. Для каждого канала выходного тензора существует отдельный фильтр 𝑊𝑝. Фильтры определяют веса, используемые для взвешивания значений каналов во входном тензоре. 𝐹𝑑(𝑥, 𝑦) – входной тензор признаков в точке 𝑥, 𝑦, который подается на операцию точечной свертки. Этот тензор содержит набор каналов, полученных после применения групповой свертки или предыдущих слоев сети. В общем случае, точечная свертка объединяет информацию из всех каналов входного тензора, изменяя количество каналов без изменения пространственных размеров.
После каждого блока выполняется нелинейное преобразование через функцию активации, например, ReLU6. Функция активации ReLU6 (Rectified Linear Unit 6) — это вариация классической функции ReLU, которая ограничивает выходное значение между 0 и 6. Её математическое выражение выглядит так:
Это означает следующее:
– если входное значение x меньше или равно 0, выход равен 0 (как в стандартной ReLU);
– если входное значение x больше 6, выход ограничивается значением 6;
– если x находится между 0 и 6, выходом является само x.
Тогда для нашего случая:
Где: 𝐹𝑜𝑢𝑡(𝑥, 𝑦) – результат нелинейного преобразования, т.е. выход функции активации ReLU6 для каждого пикселя или элемента данных с координатами x,y. Выходное значение ограничено в диапазоне от 0 до 6; 𝐹𝑝𝑤(𝑥, 𝑦) – результат точечной свертки для каждой пары координат x,y. Это промежуточный результат после применения свертки, который затем передается через функцию активации ReLU6; max(0, …) – эта часть функции отвечает за то, что выходное значение не может быть меньше 0. Если 𝐹𝑝𝑤(𝑥, 𝑦) меньше 0, результат будет 0, т.е. отрицательные значения отсекаются, что является частью стандартной функции ReLU; min(…, 6) – эта часть ограничивает максимальное выходное значение уровнем 6. Если значение 𝐹𝑝𝑤(𝑥, 𝑦) больше 6, то результат функции ограничивается числом 6. Это специфическое свойство ReLU6, которое предотвращает слишком большие значения, что может негативно сказаться на стабильности сети.
Выражение (4) позволяет:
– отсекать отрицательные значения через max(0,…), предотвращая прохождение отрицательных активаций дальше по сети;
– ограничивать активации сверху значением 6 через min(…,6) помогает поддерживать стабильность вычислений, снижая вероятность перенасыщения активации, что особенно важно для мобильных устройств и встраиваемых систем.
Таким образом, выражение (4) определяет активацию для каждого элемента данных, ограничивая выход в пределах [0, 6] для стабильной и эффективной работы нейронной сети. Благодаря такой обработке модель получает набор признаков (Feature Map), представляющих ключевые черты лица.
Следующий шаг — определение ключевых точек (Keypoint Detection) на человеческом лице. Каждая точка может быть описана координатами (𝑥𝑖, 𝑦𝑖), где i соответствует номеру точки (например, левый глаз, правый глаз, нос и т.д.). Если 𝑃 = {(𝑥1, 𝑦1), (𝑥2, 𝑦2), …, (𝑥𝑛, 𝑦𝑛)} — это набор ключевых точек, то модель должна научиться предсказывать эти координаты на основе полученных признаков:
Где: 𝑃 – координаты ключевых точек (например, глаза, нос, рот и т.д.) на лице или любые другие важные признаки, которые должна предсказать модель. Это конечный результат, который генерирует нейронная сеть после обучения. Обычно это координаты в 2D-пространстве, выраженные как пара (x,y) для каждой ключевой точки; 𝑓 – функция, представляющая процесс предсказания. Она может быть частью нейронной сети, которая использует различные нелинейные преобразования, свертки или полносвязные слои для определения координат ключевых точек на основе полученных признаков. Функция f отвечает за обработку признаков и формирование точных предсказаний; 𝑃𝑜𝑢𝑡 – признаки (Feature Map или выходы предыдущих слоев нейронной сети), полученные после прохождения изображения или данных через сверточные или другие слои модели. Они содержат обобщенную информацию об объекте на изображении (в нашем случае, лице), на основе которой делается предсказание. Эти признаки описывают структуру, текстуры, контуры, и на их основе модель строит предсказание координат.
Модель, представленная выражением (5), должна научиться предсказывать координаты ключевых точек (P) на основе признаков, описывающих объект (𝑃𝑜𝑢𝑡). Такой подход позволяет эффективно использовать информацию, полученную из изображения, для определения точного местоположения важных точек (например, черт лица) для дальнейшей идентификации или распознавания лица в автоматизированных системах управления.
Получив координаты ключевых точек лица, система может сравнить их с ранее сохраненными шаблонами или перейти к следующему этапу классификации. При использовании MobileNetV2 для классификации людей добавляется полносвязный слой:
Где: ŷ – прогнозируемый выход модели, т.е. вероятность того, что входные данные принадлежат к определенному классу. В случае классификации людей это могут быть разные классы, например, конкретные люди. Вектор y содержит вероятности для каждого возможного класса, и сумма всех этих вероятностей равна 1 благодаря функции softmax; softmax – функция активации, которая преобразует линейную комбинацию признаков (результат 𝑊𝑐 ∙ 𝐹𝑜𝑢𝑡 + 𝑏𝑐) в вероятности, которые можно интерпретировать как принадлежность к каждому классу. Функция softmax нормализует эти значения так, чтобы они лежали в интервале от 0 до 1, а сумма вероятностей по всем классам была равна 1; 𝑊𝑐 – матрица весов полносвязного слоя, содержащая коэффициенты, которые применяются к признакам (𝐹𝑜𝑢𝑡) для получения окончательных результатов перед классификацией. Каждая строка в матрице W соответствует отдельному классу, и этот параметр обучается в процессе тренировки модели; 𝐹𝑜𝑢𝑡 – выход признаков, полученных из предыдущих слоев модели. Эти признаки представляют собой обобщенную информацию, содержащую важные характеристики объекта, в частности лица. На основе этих признаков полносвязный слой выполняет классификацию; 𝑏𝑐 – вектор смещения (bias) для каждого класса. Смещение добавляется к результатам линейной комбинации 𝑊𝑐 ∙ 𝐹𝑜𝑢𝑡 для каждого класса, позволяя модели лучше адаптироваться к данным и повышать точность классификации. Этот параметр также обучается в процессе тренировки модели.
Уравнение (6) описывает процесс классификации в нейронной сети, где полносвязный слой на основе признаков (𝐹𝑜𝑢𝑡) генерирует вероятности принадлежности к различным классам. Это ключевой шаг в задачах идентификации, в частности для распознавания лиц, когда модель определяет, к какому классу (человеку) принадлежит изображение лица.
Финальный шаг включает сравнение набора признаков или ключевых точек текущего изображения с сохраненными шаблонами. Это можно сделать путем вычисления евклидова расстояния между векторами признаков:
Где: 𝑑 – евклидово расстояние, которое является мерой сходства между двумя векторами. Чем меньше значение d, тем ближе или более похожи векторы признаков, что соответствует более высокой вероятности того, что оба вектора представляют одного и того же человека или объект. Это результат вычисления, используемый для классификации или сравнения; 𝑃𝑖 – компоненты первого вектора признаков (например, для текущего образца), который был получен от нейронной сети после обработки изображения лица. Каждая компонента вектора соответствует определенной характеристике или черте объекта (человека); 𝑇𝑖 – компоненты второго вектора признаков (эталонного или целевого вектора), с которым сравнивается первый вектор P. Это может быть вектор признаков для эталонного лица или шаблона, с которым производится сравнение; 𝑛 – количество признаков или размерность векторов. Это число определяет количество компонентов, используемых для сравнения двух объектов. Вектор признаков обычно является многомерным, и чем больше количество признаков, тем точнее может быть сравнение; (𝑃𝑖 − 𝑇𝑖) – разница между соответствующими компонентами двух векторов признаков. Это различие между конкретными признаками двух сравниваемых объектов; (𝑃𝑖 − 𝑇𝑖)2 – квадрат разницы между соответствующими компонентами векторов. Квадрат используется для того, чтобы сделать все отклонения положительными и усилить влияние больших различий на общее расстояние.
Уравнение (7) используется для вычисления расстояния между векторами признаков двух объектов. В контексте распознавания лиц евклидово расстояние d позволяет определить, насколько похожи или различны лица. Малое расстояние означает, что лица похожи, а большое расстояние означает, что они разные.
Цель эксперимента — проверить точность и скорость распознавания лиц с использованием разработанного программного кода при различных условиях освещения на производственном пропускном пункте. Основные задачи эксперимента:
– оценить влияние уровня освещенности на точность распознавания лиц;
– определить время, необходимое для распознавания лиц в реальном времени при различных условиях освещения;
– выявить, как различные углы обзора и положение головы сотрудника влияют на производительность системы;
– проверить устойчивость системы к изменениям освещения и качеству видеопотока;
– оценить работу системы при наличии посторонних предметов или частичных препятствий (например, маска, очки);
– определить оптимальные условия для эффективной работы системы в реальных производственных условиях.
Эксперименты будут проводиться на ноутбуке Microsoft Surface Pro 4 со следующими параметрами: процессор Intel Core i7 6-го поколения; ОЗУ – 16 ГБ; SSD – 512 ГБ; видеокарта Intel Iris GPU. Фронтальная камера имеет разрешение 5 мегапикселей и поддерживает запись видео в формате 1080p.
Условия эксперимента:
Освещение: будут использоваться различные уровни освещенности: низкий (до 100 люкс) – темное помещение или недостаточное освещение; средний (от 100 до 500 люкс) – стандартный дневной свет; высокий (более 500 люкс) – яркое искусственное или естественное освещение.
Углы обзора: тесты будут проводиться при различных положениях головы: прямой взгляд в камеру; небольшой наклон головы в сторону (15-30 градусов); взгляд под углом (45-60 градусов).
Препятствия: точность распознавания будет проверена при наличии препятствий, таких как: частичное перекрытие лица (маска, очки); наличие объектов на заднем плане.
При тестировании системы распознавания лиц важно учитывать влияние различных факторов, которые могут повлиять на её эффективность. Одним из таких факторов является освещенность помещения. Для оценки системы необходимо провести серию тестов при различных условиях освещения, определить точность распознавания и время обработки кадра, а также выявить минимальный уровень освещенности, при котором система способна функционировать корректно. Также необходимо провести тесты на изменение положения головы сотрудника, чтобы определить, как изменение углов обзора влияет на точность системы. Особое внимание следует уделить ситуациям, когда часть лица закрыта, например, маской или очками, и оценить, насколько эти препятствия снижают эффективность распознавания. Кроме того, важно протестировать систему на способность обрабатывать несколько лиц одновременно, что позволит определить её производительность при повышенной нагрузке. Последний аспект, который следует проверить, — это её устойчивость к резким изменениям освещения, например, когда сотрудник переходит из темной комнаты в ярко освещенное пространство, и скорость адаптации системы к таким изменениям. Данные, полученные в ходе эксперимента по оценке влияния уровня освещенности на точность распознавания лиц, представлены в Таблице 1.
| № | Освещенность (люкс) | Точность распознавания лиц (%) |
|---|---|---|
| 1 | 56 | 70 |
| 2 | 76 | 75 |
| 3 | 100 | 81 |
| 4 | 140 | 88 |
| 5 | 250 | 92 |
| 6 | 300 | 94 |
| 7 | 400 | 97 |
| 8 | 500 | 93 |
| 9 | 650 | 91 |
| 10 | 700 | 89 |
Результаты первого эксперимента представлены в виде графика на Рисунке 1.
Полученные данные (Таблица 1 и Рисунок 1) показывают положительную корреляцию между освещенностью в люксах и точностью распознавания лиц. На начальных этапах эксперимента, при освещенности 56 люкс, точность распознавания составила 70%, что является довольно низким показателем. С увеличением освещенности до 140 люкс точность распознавания повышается до 88%. Однако после достижения освещенности 400 люкс точность возрастает до максимума в 97%. Интересно, что при освещенности 500 люкс точность снижается до 93%, а при 650 и 700 люкс наблюдается небольшое снижение до 91% и 89% соответственно. Это может свидетельствовать о том, что чрезмерная освещенность может привести к бликам или другим оптическим артефактам, которые негативно влияют на качество распознавания. В целом, данные подтверждают, что оптимальное освещение является критически важным для эффективной работы системы распознавания лиц, и показатели точности демонстрируют четкую зависимость от уровня освещенности в окружающей среде.
Результаты эксперимента по скорости распознавания лиц в реальном времени при различных условиях освещения представлены в Таблице 2.
| № | Изображение | Освещенность (люкс) | Скорость распознавания (мс) |
|---|---|---|---|
| 1 | |
56 | 100 |
| 2 | |
76 | 90 |
| 3 | |
100 | 78 |
| 4 | |
140 | 70 |
Результаты второго эксперимента представлены в виде графика на Рисунке 2.
Анализ данных (Таблица 2 и Рисунок 2), полученных во втором эксперименте, показывает четкую взаимосвязь между скоростью распознавания лиц и уровнем освещенности. Начиная с освещенности 56 люкс, скорость распознавания составляет 100 мс, что является самым высоким показателем (самым медленным). По мере увеличения освещенности до 140 люкс скорость распознавания уменьшается до 70 мс, что указывает на то, что увеличение освещенности может упростить обработку изображения. При дальнейшем увеличении освещенности до 250 люкс скорость распознавания падает до 63 мс, а при 400 люкс — до 55 мс, достигая своего минимума. Стоит отметить, что при освещенности 500 люкс скорость распознавания восстанавливается до 60 мс, что может указывать на адаптивные возможности системы в условиях высокой освещенности. Однако при освещенности 650 и 700 люкс скорость остается постоянной на уровне 60 и 68 мс соответственно. В целом, эти данные свидетельствуют о том, что оптимальное освещение критически важно для эффективной работы системы распознавания лиц. Выводы из данных могут быть полезны для улучшения алгоритмов обработки изображений путем адаптации их к изменяющимся условиям освещения.
Результаты эксперимента, определяющего, как различные углы обзора и положение головы сотрудника влияют на производительность системы, представлены в Таблице 3.
| № | Угол обзора (градусы) | Точность распознавания (%) | Скорость распознавания (мс) |
|---|---|---|---|
| 1 | 0 | 96 | 55 |
| 2 | 15 | 90 | 61 |
| 3 | 20 | 85 | 66 |
| 4 | 30 | 74 | 69 |
| 5 | 45 | 0 | --- |
| 6 | 50 | 0 | --- |
| 7 | 60 | 0 | --- |
Результаты третьего эксперимента представлены в виде графика на Рисунке 3.
В экспериментах по исследованию влияния угла обзора на точность и скорость распознавания лиц (Таблица 3 и Рисунок 3) было проведено семь экспериментов. Первые четыре эксперимента, при углах обзора от 0 до 30 градусов, показали высокую точность распознавания, которая варьировалась от 96% до 74%. Это указывает на то, что система эффективно распознает лица при прямом взгляде и небольшом отклонении. Однако при отклонении головы более чем на 30 градусов точность резко падает до 0%.
Скорость распознавания демонстрирует положительную тенденцию: уменьшение задержки с 55 мс при прямом взгляде до 69 мс при 30 градусах. Однако при углах обзора 45 градусов и более система не смогла выполнить распознавание, что привело к отсутствию данных о скорости. Это указывает на то, что система нуждается в оптимизации для работы с большими отклонениями. Таким образом, результаты свидетельствуют о том, что система наиболее эффективна при небольших углах обзора, и для улучшения её производительности необходимо учитывать факторы, влияющие на распознавание лиц в нестандартных условиях.
Исследование показало, что использование нейронной сети MobileNetV2 в системах аутентификации позволяет обеспечить высокий уровень точности распознавания лиц при сохранении скорости и вычислительной эффективности. Благодаря своей компактной архитектуре и оптимизированной структуре MobileNetV2 демонстрирует хорошую производительность даже на устройствах с ограниченными вычислительными ресурсами, что делает её подходящей для мобильных и встраиваемых систем. Экспериментальные результаты показали, что предлагаемый метод устойчив к изменениям освещения и ракурсов лица, что значительно повышает его надежность в реальных условиях эксплуатации. В то же время было обнаружено, что качество распознавания может снижаться при использовании изображений низкого качества или при наличии значительных изменений во внешности пользователя. Для минимизации этих эффектов целесообразно использовать дополнительные механизмы предварительной обработки изображений и адаптировать модель к конкретным условиям эксплуатации. Анализ показал, что MobileNetV2 обеспечивает лучший баланс между скоростью и точностью по сравнению с более ресурсоемкими моделями, такими как ResNet или VGG. Результаты исследования подтверждают, что внедрение MobileNetV2 в системы аутентификации может значительно снизить нагрузку на вычислительные системы при высокой эффективности распознавания. Практическое применение этой технологии охватывает широкий спектр задач, включая контроль доступа, идентификацию в мобильных устройствах и распознавание лиц в видеонаблюдении. Результаты работы могут быть использованы для дальнейшей оптимизации систем биометрической идентификации с целью повышения их точности, скорости и защиты от несанкционированного доступа. В будущем развитие этой технологии может привести к созданию новых решений, сочетающих биометрические методы с другими технологиями безопасности, такими как многофакторная аутентификация и криптографические методы защиты данных.