В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
Примеров использования биометрических систем становится все больше. Успех биометрии легко объяснить. Традиционные средства идентификации личности, основанные на принципах "Я – то, что я имею" (идентификационные карты, токены, удостоверяющие документы) и "Я – то, что я знаю" (пароли, пин-коды) – не совершенны. Карту легко потерять, пароль можно забыть, к тому же ими может воспользоваться любой злоумышленник, и ни одна система не сможет отличить вас от подставного лица.
Кроме того, традиционные средства идентификации абсолютно бесполезны, если речь идет о задачах скрытой идентификации личности, а таких задач становится все больше:
Все эти задачи могут быть решены только с использованием средств биометрической идентификации личности, основанных на принципе "Я – то, что я есть". Такой принцип позволяет информационной системе идентифицировать непосредственно человека, а не предметы, которые он предъявляет, или информацию, которую сообщает.
Среди всего многообразия биометрических характеристик человека, используемых для идентификации личности, особо стоит отметить изображение лица. Биометрия лица уникальна тем, что не требует создания специализированных сенсоров для получения изображения – изображение лица можно получить с обычной камеры системы видеонаблюдения. Более того, фотография лица присутствует практически на любом документе, удостоверяющем личность, а значит внедрение этой технологии на практике не сопряжено с разнообразными нормативными проблемами и сложностями социального восприятия технологии.
Стоит также отметить, что изображение лица может быть получено неявно для самого человека, а значит, биометрия лица оптимально подходит для построения систем мониторинга и скрытой идентификации.
Любая система распознавания лица – это типичная система распознавания образов, задача которой сводится к формированию некоторого набора признаков, так называемого биометрического шаблона, согласно заложенной в систему математической модели. Именно эта модель и составляет ключевое ноу-хау любой биометрической системы, а эффективность распознавания лица напрямую зависит от таких факторов, как устойчивость биометрического шаблона к различного рода помехам, искажениям в исходном фото- или видеоизображении.
Несмотря на огромное многообразие систем распознавания лица, представленных как на российском рынке, так и в мире, во многих из них используются одни и те же биометрические движки – собственно программные реализации методов построения и сравнения математических моделей лица. В России наибольшее распространение получили такие биометрические движки, как Cognitec (разработка компании Cognitec Systems GmbH, Германия), "Каскад-Поток" (разработка компании "Техносерв", Россия), FRS SDK (разработка компании Asia Software, Казахстан), FaceIt (разработка компании L1 Identity Solutions, США).
Как правило, распознавание лица в любом биометрическом движке выполняется в несколько этапов: обнаружение лица, оценка качества, построение шаблона, сопоставление и принятие решения.
На этом этапе система автоматически выделяет (детектирует) в потоке видеокадров или на фотографии лица людей, причем диапазон ракурсов и масштабов лиц может значительно варьироваться, что крайне важно для построения систем безопасности. Совершенно необязательно, что все выделенные лица будут распознаны (как правило, это и невозможно), но обнаружить максимальное количество лиц в потоке и, при необходимости, разместить их в архиве крайне полезно (рис. 1).
Обнаружение лица является одним из ключевых этапов распознавания, так как пропуск лица детектором автоматически означает невозможность дальнейшей идентификации. Качество работы детектора принято характеризовать вероятностью обнаружения лица P0. Для современных биометрических систем, работающих в условиях потока людей, значение вероятности обнаружения лица составляет от 95 до 99% и зависит от условий регистрации видео (освещенность, разрешение камер и т.д.).
Одной из наиболее перспективных тенденций развития рынка биометрии является появление интеллектуальных цифровых видеокамер, реализующих функцию обнаружения лица на основе встроенной логики (рис. 2). Интеллектуальные видеокамеры позволяют получать не только качественный видеопоток, но и связанные с ним метаданные, содержащие сведения о найденных лицах.
Такой подход позволяет значительно снизить нагрузку на аппаратные мощности системы распознавания, что, в свою очередь, уменьшает конечную стоимость биометрических комплексов, делая их более доступными для конечного потребителя. Кроме того, уменьшаются требования к каналам передачи данных, поскольку при таком подходе нам не требуются гигабитные линии связи для передачи высококачественного видео, а достаточно наличия стандартных сетей для передачи сжатого видео и незначительного потока детектированных изображений лиц.
Это очень важный этап распознавания, на котором биометрический движок осуществляет выбор из всего массива детектированных лиц только тех изображений, которые удовлетворяют заданным критериям качества.
Часто разработчики биометрических систем лукавят, утверждая, что их система обеспечивает высокий уровень распознавания при соответствии изображений лица в видеопотоке требованиям качества, определенным в ГОСТ Р ИСО/МЭК 19794-5. Однако этот ГОСТ накладывает очень жесткие (практически идеальные) условия на качество фотографий лица (фронтальный ракурс лица с отклонением не более чем на 5 град.; равномерная освещенность; нейтральная мимика и т.п.), которые не могут быть выполнены в реальных условиях систем видеонаблюдения. Такие требования ГОСТа вполне оправданы тем, что, по сути, данный стандарт предназначен для унификации формата хранения электронной фотографии в паспортно-визовых документах нового поколения – так называемых биометрических паспортах. На практике системы биометрической идентификации вынуждены иметь дело с гораздо менее благоприятными условиями работы:
Именно стабильность работы биометрического движка в таких сложных условиях и определяет его качество. В современных биометрических движках на этапе оценки качества, как правило, оцениваются:
Существует общее заблуждение, что если на изображении лица глаза закрыты (морганием или очками), то якобы система не сможет распознать человека. Действительно ранние алгоритмы распознавания лица использовали центры зрачков глаз в качестве базы для дальнейшей обработки изображения, в частности для стандартного масштабирования лица. Однако в настоящий момент многие современные биометрические движки (например, Cognitec или "Каскад-Поток") используют более сложные схемы кодирования лица и не привязаны к положению центров зрачков.
Это один из самых сложных и уникальных этапов распознавания лица, составляющий ключевое ноу-хау технологии биометрического движка. Суть данного этапа состоит в нетривиальном математическом преобразовании изображения лица в набор признаков, объединенных в биометрический шаблон.
Каждому лицу соответствует свой уникальный биометрический шаблон. Принципы построения биометрических шаблонов чрезвычайно многообразны: шаблон может быть основан на текстурных свойствах лица, на геометрических особенностях, на характерных точках, на комбинации различных разнородных признаков.
Важнейшей характеристикой биометрического шаблона является его размер. Чем больше размер шаблона, тем больше информативных признаков он включает в себя, но тем ниже скорость и эффективность поиска этого шаблона. Типичное значение размера шаблона лица в биометрических системах составляет от 1 до 20 кбайт.
Это объединенный этап работы системы распознавания, на котором производится сравнение биометрического шаблона лица, построенного по детектированному лицу, с массивом шаблонов, хранящихся в базе данных. В простейшем случае сопоставление осуществляется простым перебором всех шаблонов и оценкой меры их схожести. На основании полученных оценок и их сопоставления с заданными порогами принимается решение о наличии или отсутствии идентичной личности в базе данных.
В современных системах сопоставление реализуется по сложным оптимальным схемам сравнения, обеспечивающим скорость сопо ставления от 10 000 до 200 000 сравнений в секунду и более. Причем стоит понимать, что процесс сопоставления может быть запараллелен, что позволяет работать системам идентификации практически в режиме реального времени даже по большим массивам изображений, например в 100 000 персон.
Качество работы систем распознавания лиц принято характеризовать вероятностями идентификации. Очевидно, что при биометрической идентификации возможно появление двух типов ошибок.
Стоит понимать, что распознавание лица – не абсолютная технология. Часто можно слышать критику в адрес биометрических систем, что на реальных объектах не удается достичь столь же высоких показателей, как и в "лабораторных" условиях. Это утверждение верно лишь отчасти. Действительно, эффективно распознавать лицо можно только в определенных условиях, именно поэтому крайне важно при внедрении биометрии лица понимать, в каких условиях будет эксплуатироваться система. Однако для большинства современных систем распознавания эти условия вполне достижимы на реальных объектах. Так, для повышения эффективности распознавания лица в идентификационных зонах следует организовывать направленный поток людей (дверные проемы, рамки металлодетекторов, турникеты и т.п.) для обеспечения возможности кратковременной (не более 1–2 с) фиксации лица каждого посетителя. При этом камеры видеофиксации должны быть установлены с таким условием, чтобы угол отклонения зафиксированных лиц от фронтального положения не превышал 20–30 град. (например, установка камер на удалении от зоны прохода в 8–10 м при высоте подвеса на 2–3 м).
Соблюдение этих условий при внедрении систем распознавания позволяет эффективно решать задачу идентификации личности и поиска людей, представляющих определенный интерес, с вероятностями, максимально приближенными к декларируемым разработчиками значениям показателей успешной идентификации.
Опубликовано: Журнал "Системы безопасности" #1, 2012
Посещений: 27166
Автор
| |||
В рубрику "Видеонаблюдение (CCTV)" | К списку рубрик | К списку авторов | К списку публикаций
