CC BY
267
УДК 004.891.3
А. С. Катасёв, Д. В. Катасёва, А. П. Кирпичников НЕЙРОСЕТЕВАЯ БИОМЕТРИЧЕСКАЯ СИСТЕМА РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ
ЧЕЛОВЕЧЕСКОГО ЛИЦА
Ключевые слова: биометрическая система, идентификация, аутентификация, распознавание лиц, нейронная сеть, кросс-
валидация, cross-validation, информационная безопасность.
В данной работе проводится анализ методов построения систем идентификации и аутентификации личности по биометрии лица. Также анализируются существующие подходы к распознаванию образов. Разрабатывается нейросетевая биометрическая система распознавания личности по биометрии лица. Производится оценка ее эффективности на основе расчетов ошибок первого и второго рода, а также по методике кросс-валидации.
Keywords: biometric system, identification, authentication, faces recognition, neural network, information security.
In this paper analyzed the methods of development the identification and authentication systems based on person faces recognition. Also analyzed the existing methods of pattern recognition. The neural network biometric identity recognition system for facial biometrics is developed. The estimation of its efficiency on the basis of the first and second kind errors calculations, as well as by the method of cross-validation.
В настоящее время в различных сферах человеческой деятельности получили распространение системы контроля и разграничения доступа [13,14]. Доступ в помещение или к ресурсам системы предполагает наличие в ней подсистемы идентификации и аутентификации. В качестве информации, аутен-тифицирующей субъектов доступа, могут выступать пароли, секретные пин-коды, различные технические устройства, а также индивидуальные биометрические характеристики пользователей [8]. Использование последних наиболее актуально, так как биометрические признаки не отчуждаемы от субъектов, их практически невозможно подменить или модифицировать. Это создает предпосылки к эффективному использованию биометрии в системах идентификации и аутентификации [2].
Построение эффективной биометрической системы предполагает решение задачи распознавания образов. В целом данная задача основана на применении двух последовательных этапов [12]: обучения биометрической системы и ее использование для распознавания новых образов. На этапе обучения используется обучающая выборка, по которой настраиваются параметры биометрической системы для однозначного распознавания всех объектов одного класса [20].
В [18] приведена следующая классификация методов распознавания образов:
- интенсиональные;
- экстенсиональные;
- нейросетевые.
Методы первой группы [6] основаны на анализе характеристик объекта. В случае распознавания графических образов - это определение различных геометрических характеристик (например, поиск определенных геометрических структур на рентгеновском снимке). Особенностью первой группы методов является использование ими при построении биометрической системы алгоритмов распознавания на основе характеристик признаков объектов и их связей.
Экстенсиональные методы [6] являются переборными, где для каждого вида объектов представлены различные модификации отображений. В данной группе методов каждый объект сопоставляется с некоторым классом с определенной степенью достоверности.
Нейросетевые методы [4,5] основаны на использовании математического аппарата, а не простого перебора и сравнения, что позволяет с меньшими затратами ресурсов получить высокую эффективность [12]. Достоинством нейронных сетей является их обучающаяся способность, что позволяет производить распознавание объектов с неизвестными характеристиками [7,9,10].
Сравнительная характеристика данных методов показала, что использование методов интенсиональной группы ограничено в силу налагаемых в них ограничений на структуру данных. Это приводит к линейному характеру получаемых моделей с невысокой эффективностью их практического использования. Такие модели способны выделять только самые значимые закономерности в анализируемых данных. Скрытые глубинные зависимости остаются не реализованными. Эффективность применения методов экстенсиональной группы для распознавания входных образов определяется главным образом выбором меры близости между анализируемыми параметрами, а также качеством исходных данных в обучающей выборке. Следовательно, использование методов экстенсиональной группы для распознавания входных образов сопровождается высокой трудоемкостью, что не приемлемо для практического использования. Применение нейросетевых методов обеспечивает быстрое и надежное распознавание образов, в частности, за счет возможности параллельного функционирования. Несмотря на необходимость предварительного обучения сети, данный процесс протекает быстрее и является менее трудоемким, так как не требует выбора доминантных признаков и определения их значимости в процессе обучения [11,15,16].
Для построения нейросетевой системы применительно к задаче биометрической аутентификации по изображению человеческого лица необходимо иметь обучающий набор изображений лиц заданной группы людей [19]. К этому набору система должна обращаться в процессе распознавания и настраиваться в процессе обучения на данных этого набора. В настоящей работе для построения нейросетевой биометрической системы использованы ресурсы базы данных ORL Database of Faces [3], содержащие по 10 различных изображений лиц 40 человек. Все изображения выполнены в серых тонах на одинаковом темном фоне.
Разработана нейросетевая модель с одним скрытым слоем, обученная по методу обратного распространения ошибки. Число нейронов входного слоя составило 2576, что соответствует количеству пикселей в изображении. Число нейронов в скрытом слое - 70, что явилось компромиссом между скоростью обучения сети и производительностью компьютера. В выходном слое сети количество нейронов было равно числу распознаваемых людей, а именно 40. Активационной функцией экспериментально была выбрана функция гиперболического тангенса.
На этапе предобработки полученных данных в качестве метода преобразования изображений был выбран метод дискретного косинусного преобразования. Такие преобразования используются для того, чтобы уменьшить избыточность информации, содержащейся в изображении. В результате сохраняются лишь самые важные черты лица, такие как контуры волос, глаз и рта человека, за счет чего распознавание лица на основе дискретного косинусного преобразования происходит быстрее по сравнению с другими известными методами [21].
В ходе обучения нейронной сети проведено исследование зависимости ее точности от количества нейронов скрытого слоя. На начальных этапах эксперимента количество нейронов в скрытом слое было равно 10. При этом, как показано на рисунке 1, видно, что обучение сети недостаточно быстрое.
Е
Эпохи обучения
Рис. 1 - Изменение среднеквадратичной ошибки выхода нейронной сети от числа эпох обучения (при 10 нейронах скрытого слоя)
Для достижения желаемого уровня ошибки, равного 10-1, требуется 908 эпох обучения нейронной сети. При этом обучение сети на зашумленных об-
разах не позволяет достичь требуемого предельного минимального значения ошибки (см. рис. 2).
Е
10"-'-■-'-'--
а 500 600 700 800 эоо
Эпохи обучения
Рис. 2 - Изменение ошибки выхода нейронной сети на зашумленных образах от числа эпох обучения (при 10 нейронах скрытого слоя)
Следовательно, при решении простых задач распознавания образов нейронная сеть с 10 нейронами в скрытом слое является приемлемой. Однако, при увеличении объема обучающей выборки и повышения сложности задачи распознавания нейронная сеть не сможет приобрести обобщающую способность, то есть безошибочно распознавать тестируемый объект. Таким образом, при увеличении сложности задачи необходимо повышать число нейронов скрытого слоя нейронной сети. В этом случае сеть сможет приобрести способность к обобщению и правильно распознавать новые образы.
При увеличении числа нейронов скрытого слоя сети до 50 скорость ее обучения существенно возрастает (см. рис. 3).
Е
Эпохи обучения
Рис. 3 - Изменение среднеквадратичной ошибки выхода нейронной сети от числа эпох обучения (при 50 нейронах скрытого слоя)
Сравнивая рисунки 1 и 3, делаем следующий вывод: при увеличении количества скрытых нейронов нейронная сеть приобретает способность решать более сложные задачи классификации образов. При дальнейшем увеличении числа нейронов скорость обучения сети повышается, но начинает падать производительность компьютера, вследствие чего оптимальным числом нейронов скрытого слоя было выбрано 70.
Для создания, обучения и тестирования нейросетевой системы был использован пакет Matlab Neural Network Toolbox [1]. В результате была написана программа «Face Recognition», способная распознавать человека по изображению его лица. Данная программа является ядром разработанной системы идентификации и аутентификации личности по биометрии лица (см. рис. 4).
Рис. 4 - Главное меню нейросетевой системы биометрической идентификации и аутентификации «Face Recognition»
При запуске программы предлагается выбрать изображения из обучающей выборки. Далее предлагается добавить изображение в базу данных и присвоить изображению класс личности, после чего запускается процесс обучения нейронной сети. После выбора изображения лица и нажатия кнопки «Face Recognition» система выдаст сообщение о принадлежности личности к определенному классу или о не принадлежности ни к одному из известных ей классов.
Для оценки адекватности разработанной нейросетевой системы биометрической аутентификации был проведен расчет ошибок первого и второго рода. Результаты работы сети по распознаванию известных лиц представлены в таблице 1.
Таблица 1 - Результаты тестирования нейронной сети при распознавании известных лиц
№ эксперимента Эталонное значение Значение, выданное сетью Ошибка нейронной сети
1 1 1 -
2 1 1 -
3 1 1 -
4 1 1 -
5 1 1 -
6 2 2 -
7 2 2 -
8 2 2 -
9 2 2 -
10 2 4 Ошибка 1 рода
11 3 3 -
12 3 3 -
13 3 3 -
14 3 3 -
15 3 1 Ошибка 1 рода
16 4 4 -
17 4 4 -
18 4 4 -
19 4 4 -
20 4 4 -
В таблице 2 представлены результаты работы сети по распознаванию неизвестных лиц.
Таблица 2 - Результаты тестирования нейронной сети при распознавании неизвестных лиц
№ эксперимента Эталонное значение Значение, выданное сетью Ошибка нейронной сети
1 0 0 -
2 0 0 -
3 0 0 -
4 0 2 Ошибка 2 рода
5 0 0 -
6 0 0 -
7 0 0 -
8 0 0 -
9 0 0 -
10 0 0 -
11 0 0 -
12 0 0 -
13 0 0 -
14 0 0 -
15 0 0 -
16 0 0 -
17 0 0 -
18 0 0 -
19 0 0 -
20 0 0 -
По результатам экспериментов, результаты которых представлены в приведенных выше таблицах, ошибка первого рода составила 10%, а ошибка второго рода - 5%.
Для оценки итоговой ошибки нейросетевой модели была использована методика перекрестной проверки (десятикратная кросс-валидация) [17]. В таблице 3 представлены результаты проведенных экспериментов по данной методике.
Таблица 3 - Результаты оценки ошибки нейросетевой модели по методике кросс-валидации
№№ этапов 1 2 3 4 5 6 7 8 9 10
1 этап 0 0 0 0 0 0 0 0 0 0
2 этап 0 0 0 0 0 0 0 0 0 0,08
3 этап 0 0 0,06 0 0 0 0 0 0,04 0
4 этап 0,02 0 0,04 0 0 0 0 0,02 0 0
5 этап 0 0 0,02 0 0 0 0,02 0 0 0
6 этап 0 0 0 0 0,04 0,02 0 0 0 0
7 этап 0,02 0 0 0 0 0 0 0,04 0 0
8 этап 0 0 0 0 0 0 0 0 0 0,02
9 этап 0 0,02 0 0,02 0 0,06 0,02 0 0 0
10 этап 0,04 0 0 0,02 0 0 0 0 0 0
Средняя ошибка 0,008 0,002 0,012 0,004 0,004 0,008 0,004 0,006 0,004 0,01
Таким образом, общая средняя ошибка модели составила 0,006. По результатам проведенных экспериментальных исследований можно сделать вывод, что разработанная нейросетевая система является эффективным средством для распознавания изображений человеческих лиц и ее можно успешно использовать при построении систем биометрической идентификации и аутентификации.
Литература
1. Абдулхаков А.Р., Катасёв А.С. Математическое и программное обеспечение редукции нечетких правил в базах знаний интеллектуальных систем: Монография. - Казань: Центр инновационных технологий, 2015. - 160 с.
2. Ахметвалеев А.М., Катасёв А.С., Шлеймович М.П. Проблема стимуляции направления взгляда человека в задачах бесконтактного выявления потенциально опасных лиц // Информационная безопасность и зашита персональных данных. Проблемы и пути их решения: Материалы VIII Всероссийской научно-практической конференции. - Брянск: БГТУ, 2016. - С. 5-8.
3. База изображений лиц, ORL Database of Faces [Электронный ресурс]. http://www.cl.cam.ac.uk/ research/dtg/attarchive/facedatabase.html
4. Глова В.И., Катасев А.С., Корнилов Г.С. Кластеризация значений входных параметров нечеткой нейронной сети // Вестник Казанского государственного технического университета им. А.Н. Туполева. - 2009. - № 1. - С. 74-78.
5. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей - Брест: БПИ, 1999. - 228 с.
6. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. -М.: Мир, 1978. - 510 с.
7. Емалетдинова Л.Ю., Катасёв А.С., Кирпичников А.П. Нейронечеткая модель аппроксимации сложных объектов с дискретным выходом // Вестник Казанского технологического университета. - 2014. - Т. 17, № 1. - С. 295-299.
8. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных движений: монография. -Пенза: Изд-во Пензенского государственного университета, 2000. - 188 с.
9. Катасёв А.С., Ахатова Ч.Ф. Гибридная нейронечеткая модель интеллектуального анализа данных для формирования баз знаний мягких экспертных диагностических систем // Наука и образование: электронное научно-техническое издание. - 2012. - № 12. - С. 34.
10. Катасёв А.С., Ахатова Ч.Ф. Симбиоз методов искусственного интеллекта при обнаружении нелинейных зависимостей в базах данных // Информатика, вычислительная техника и инженерное образование, №2, 2010.
11. Катасёв А.С., Катасёва Д.В. Интеллекту-альный анализ временных рядов для формирования нечетких правил диагностики состояния водоводов в нефтяной отрасли //
Международная конференция по мягким вычислениям и измерениям. - 2014. - Т. 1. - С. 85-88.
12. Катасёв А.С., Катасёва Д.В., Кирпичников А.П., Гуме-рова Р.И. Нейросетевая модель распознавания рукописных символов в системах биометрической идентификации и аутентификации // Вестник технологического университета. - 2016. - Т. 19. № 4. - С. 122-126.
13. Катасёв А.С., Кирпичников А.П., Рамазанова Р.И. Методика анализа защищенности аккаунтов социальных сетей от вредоносного контента // Вестник технологического университета - 2015. - Т. 18, №18. - С. 195-198.
14. Катасёв А.С., Макаров Д.А. Методика, алгоритмы и программный комплекс слежения за движущимся объектом в системах видеонаблюдения // Вестник Казанского государственного технического университета им. А.Н. Туполева. - №4. - 2010. - С. 145-150.
15. Катасёва Д.В. Интеллектуальный анализ временных рядов для прогнозирования нагрузок в сфере экономического правосудия // VIII Международная научно-практическая конференция «Логистика и экономика ресурсоэнергосбережения в промышленности» (ЛЭРЭП-8-2014). - 2014. - С. 311313.
16. Катасёва Д.В. Методы анализа и прогнозирования временных рядов // Международная молодежная научная конференция «XXII Туполевские чтения (школа молодых ученых)». - 2015. - С. 115-120.
17. Паклин Н.Б., Орешков В.И. Бизнес-аналитика: от данных к знаниям: учебное пособие. - 2-е изд., испр. - СПб.: Питер, 2013. - 704 с.: ил.
18. Фу К. Структурные методы в распознавании образов: Пер. с англ. - М.: Мир, 1977. - 320 с.
19. Katasev A.S. The methods and instruments of Data Mining in tasks of technological equipment faults and damages recognition / 7th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-7-2004). - St. Petersburg, 2004. - pp. 720-723.
20. Petrou M. Learning in Pattern Recognition. Lecture Notes in Artificial Intelligence - Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 1-12.
21. Zhengjun Pan Hamid Bolouri. High Speed Faсe Reсognition Based on Discrete Cosine Transforms and Neural Networks, University of Hertfordshire, 1999.
© А. С. Катасёв - к-т. техн. наук, доц. кафедры систем информационной безопасности КНИТУ-КАИ, e-mail: [email protected]; Д. В. Катасёва - аспирант кафедры систем информационной безопасности КНИТУ-КАИ, e-mail: [email protected]; А. П. Кирпичников - д-р физ.-мат. наук, профессор, зав. кафедрой интеллектуальных систем и управления информационными ресурсами КНИТУ, e-mail: [email protected].
© A. S. Katasev - PhD, Associate Professor of Information Security Systems Department, KNRTU named after A.N. Tupolev, e-mail: [email protected]; D. V. Kataseva - Postgraduate Student of Information Security Systems Department, KNRTU named after A.N. Tupolev, e-mail: [email protected]; А. P. Kirpichnikov - Dr. Sci, Prof, Head of Intelligent Systems & Information Systems Control Department, KNRTU, e-mail: [email protected].
