DEEPFACE ТЕХНОЛОГИЯ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.8

DEEPFACE - ТЕХНОЛОГИЯ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ

ЛИЧНОСТИ

А. Е. Пилипенко, Е. И. Семенова Научный руководитель - В. В. Кукарцев

Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Е-mail: pilipenko.alesya@mail.ru

Описана технология автоматической идентификации личности человека по фотографии, алгоритм ее осуществления. Приведен пример технологии DeepFace, процедура и область применения. Представлены преимущества и недостатки данной технологии.

Ключевые слова: программное обеспечение, DeepFace, идентификация личности. DEEPFACE - AUTOMATIC PERSONAL IDENTIFICATION TECHNOLOGY

A. E. Pilipenko, E. I. Semenova Scientific Supervisor - V. V. Kukartsev

Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation Е-mail: pilipenko.alesya@mail.ru

The technology for the automatic identification of a person from a photograph, an algorithm for its implementation is described. An example of DeepFace technology, its procedure and field of application is given. Presented the advantages and disadvantages of this technology.

Keywords: software, DeepFace, person's identification.

Технология автоматической идентификации личности по фотографии или снимку имеет широкое коммерческое и научное применение. Эта технология интересна тем, что ее можно применять без какого-либо контакта с объектом.

Процесс идентификации личности осуществляется в два этапа. Первым шагом является определение местоположения лица на картинке. Для этого исходное изображение сканируется меньшим окном, и в окне каждый раз определяется степень сходства изображения с человеческим лицом. Этот шаг вычислительно трудоемкий, поэтому необходимо каждый раз проводить полное сканирование для разных размеров окна, а также находить степень сходства изображения в окне с лицом. Формально изображение лица можно определить структурно (лицо-овал, в середине которого расположен нос и симметрично расположены глаза и т. д.), по цвету кожи (если фон имеет цвет, отличный от цвета кожи), статистически и по списку примеров изображения лица [1].

После выбора окна, содержащего только лицо человека, начинается второй шаг. Это идентификация личности. Для этого используется набор алгоритмов, таких как статистические, нейронные сети, цепи Маркова, гибкие графики, анализ характерных точек и т. д. Обычно эти методы используются в сочетании в современных системах. В настоящее время технология идентификации личности действительно широко распространена.

Секция «Информационно-экономические системы»

Например, Facebook очень заинтересован в разработке системы распознавания лиц, которая может автоматически находить и отмечать людей на загруженных фотографиях. Исследовательская группа Facebook по развитию искусственного интеллекта объявила о создании нового программного обеспечения под названием DeepFace, которое дает большой скачок вперед по сравнению с предыдущими исследованиями в этой области. Программное обеспечение DeepFace использует новый подход к развитию искусственного интеллекта под названием Глубокое обучение, которое с прошлого года очень подчеркивается Facebook и его конкурентами. Помимо прочего, сфера применения искусственного интеллекта охватывает также программное обеспечение, использующее искусственные нейронные сети для того, чтобы научиться распознавать паттерны в больших объемах данных [2-5].

Следует уточнить, что DeepFace выполняет процедуру верификации лица, то есть распознавания того факта, что на двух фотографиях изображено одно и то же лицо, но не процедуру распознавания лица, то есть автоматического поиска человека по фотографиям. Однако некоторые из основных методов технологии, используемой в программном обеспечении, могут быть полезны и для распознавания [6-8]. Для DeepFace характерна двухэтапная обработка изображений. Первоначально программа изменяет угол наклона так, чтобы человек на снимке был повернут лицом вперед, используя SD-модель "среднего" человека в положении анфас. Затем глубокое обучение включается в процесс как искусственная нейронная сеть, которая анализирует переориентированное лицо, чтобы найти структурные особенности для сравнения.

Программа дает желаемый результат при обнаружении достаточного количества совпадений в двух разных изображениях. Это программное обеспечение распознает 97,25% одного и того же человека на двух разных изображениях, независимо от того, как он был снят: анфас, пол-лица, при хорошем или плохом освещении. Для сравнения, сами люди правильно сравнить два незнакомых лица на фотографиях можно в 97,53% случаев, то есть механизм распознавания человека работает всего на 0,28% лучше, чем машина [9].

Ответственная за обучение часть DeepFace состоит из девяти слоев простых смоделированных нейронов с более чем 120 миллионами внутренних связей. Для того чтобы обучить эту нейронную сеть, исследователи использовали массив изображений пользователей Facebook в своих профилях, около 4 миллионов фотографий лиц, принадлежащих почти 4000 пользователям. Пока что программа может сравнивать только картинки; она еще не научилась распознавать, кто изображен на них. Эту функцию технически возможно реализовать и тем самым повысить точность распознавания людей на изображениях. Однако сейчас DeepFace остается исследовательским проектом и в социальных сетях не применяется.

Библиографические ссылки

1. Volchenkov M. P., Samonenko I. U. Ob avtomaticheskom raspoznavanii lits (About automatic face recognition) // Intelligent Systems. 2005. Р. 135-136 (In Russ.).

2. Kukartsev V. V. et al. Selection of appropriate architecture and parameters of neural network for images recognition and classification //Journal of Physics: Conference Series. - IOP Publishing, 2019. - Т. 1399. - №. 3. - С. 033105.

3. Idimechev I. A. et al. Comparative analysis of background subtraction algorithms in the task of recognizing and identifying people in a video stream //Journal of Physics: Conference Series. -IOP Publishing, 2020. - Т. 1661. - №. 1. - С. 012041.

4. Kukartsev V. V. et al. Selection of appropriate architecture and parameters of neural network for images recognition and classification //Journal of Physics: Conference Series. - IOP Publishing, 2019. - Т. 1399. - №. 3. - С. 033105.

5. Ding C., Tao D. Robust face recognition via multimodal deep face representation //IEEE Transactions on Multimedia. - 2015. - Т. 17. - №. 11. - С. 2049-2058.

6. Srivastava Y., Murali V., Dubey S. R. A Performance Evaluation of Loss Functions for Deep Face Recognition //National Conference on Computer Vision, Pattern Recognition, Image Processing, and Graphics. - Springer, Singapore, 2019. - С. 322-332.

7. Obedin A. V. et al. The developing program system of social monitoring of road improvement and urban infrastructure //Journal of Physics: Conference Series. - IOP Publishing, 2019. - Т. 1399. - №. 5. - С. 055021.

8. Kukartsev V. V. et al. Features of evaluating the effectiveness of industrial enterprise marketing activities //IOP Conference Series: Materials Science and Engineering. - IOP Publishing, 2020. - Т. 734. - №. 1. - С. 012081.

9. Bets Y. S. et al. Information system to support the achievements assessment of future engineers in the learning process //IOP Conference Series: Materials Science and Engineering. -IOP Publishing, 2020. - Т. 734. - №. 1. - С. 012140.

© Пилипенко А. Е., Семенова Е. И.,2021