СИСТЕМА АВТЕНТИФІКАЦІЇ ЗА ОБЛИЧЧЯМ З ВИКОРИСТАННЯМ ТРАНСФЕРНОГО НАВЧАННЯ НЕЙРОННИХ МЕРЕЖ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.3.2.39Ключові слова:
біометрична автентифікація, розпізнавання обличчя, комп’ютерний зір, згорткові нейронні мережі, трансферне навчання, інформаційна безпекаАнотація
Використання згорткових нейронних мереж у процесі аналізу зображень мало вплив і на системи біометричної автентифікації за обличчям, які відіграють важливу роль у забезпеченні інформаційної безпеки. Сучасні моделі для вирішення цієї задачі досягають високої точності, та мають складну архітектуру, що потребує багато часу на проєктування. Застосування трансферного навчання сприяє спрощенню процесу тренування моделей нейронних мереж, забезпечуючи при цьому достатньо високий рівень точності. В роботі запропоновано підхід до побудови систем автентифікації особи за обличчям, в межах якого використано попередньо навчену модель згорткової нейронної мережі, яка за рахунок використання трансферного навчання була адаптована під задачу автентифікації особи за обличчям. Такий підхід спрощує процес проєктування архітектури нейронної мережі та значно скорочує час на її навчання. В ході дослідження було розроблено дві архітектури згорткової нейронної мережі, які відрізнялись налаштуванням шарів базової моделі для вилучення ознак, кількістю повнозв’язних шарів та їх параметрів, та методами регуляризації. Було зібрано два набори зображень обличчя, в подальшому вони були використані для навчання та тестування моделей нейронних мереж, отримано графіки залежності функції втрат від кількості епох в ході навчання, і виконано перевірку на тестовій підмножині. Для перевірки адекватності рішення було розроблено та протестовано прототип системи, отримана точність автентифікації висока на обох наборах зображень, тож запропонований підхід може використовуватись у реальних системах біометричної автентифікації за обличчям, а також потенційно може бути доповнений механізмами безпеки, наприклад модулем для перевірки підміни обличчя. Подальші дослідження в цьому напрямі пропонується спрямувати на вдосконалення методів попередньої обробки зображень з камери та доповнення навчального набору даних.
Посилання
Kortli Y., Jridi M., Al Falou A., Atri M. Face recognition systems: A survey. Sensors. 2020. Vol. 20, no. 2. P. 342. URL: https://doi.org/10.3390/s20020342
Turk M. A., Pentland, A. Face recognition using eigenfaces. Computer Vision and Pattern Recognition : Proceedings of the IEEE Computer Society Conference, Maui, 03–06 June 1991. Maui, 1991. P. 586–591. URL: https://doi.org/10.1109/CVPR.1991.139758
Belhumeur P. N., Hespanha J. P., Kriegman D. J. Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection. IEEE Transactions on pattern analysis and machine intelligence. 1997. Vol. 19, no. 7. P. 711–720. URL: https://doi.org/10.1109/34.598228
Dalal N., Triggs B. Histograms of oriented gradients for human detection. Computer Vision and Pattern Recognition : Proceedings of the IEEE Computer Society Conference, San Diego, 20–25 June 2005. San Diego, 2005. P. 886–893. URL: https://doi.org/10.1109/CVPR.2005.177
Bartlett M. S., Movellan J. R., Sejnowski T. J. Face recognition by independent component analysis. IEEE Transactions on neural networks. 2002. Vol. 13, no. 6. P. 1450–1464. URL: https://doi.org/10.1109/TNN.2002.804287
Ghostfacenets: Lightweight face recognition model from cheap operations / Alansari M. et al // IEEE Access. 2023. Vol. 11. P. 35429–35446. URL: https://doi.org/10.1109/access.2023.3266068
Ghostnet: More features from cheap operations / Han K. et al // Computer vision and pattern recognition: Proceedings of the IEEE/CVF conference, Seattle, 13–19 June 2020. Seattle, 2020. P. 1580–1589. URL: https://doi.org/10.1109/CVPR42600.2020.00165
GhostNetv2: Enhance cheap operation with long-range attention / Tang Y. et al // Neural Information Processing Systems : Proceedings, New Orleans, 28 November – 09 December 2022. New Orleans, 2022. P. 9969–9982. URL: https://doi.org/10.48550/arXiv.2211.12905
Wen Y., Zhang K., Li Z., Qiao Y. A discriminative feature learning approach for deep face recognition. European conference on computer vision : Proceedings. Cham, 2016. P. 499–515. URL: https://doi.org/10.1007/978-3-319-46478-7_31
Deng J., Guo J., Xue N., Zafeiriou S. Arcface: Additive angular margin loss for deep face recognition. Computer Vision and Pattern Recognition : Proceedings of the IEEE Computer Society Conference, Long Beach, 15–20 June 2019. Long Beach, 2019. P. 4690–4699. URL: https://doi.org/10.1109/CVPR.2019.00482
Cosface: Large margin cosine loss for deep face recognition / Wang H. et al // Computer vision and pattern recognition : Proceedings of the IEEE/CVF conference, Salt Lake City, 18-23 June 2018. Salt Lake City, 2018. P. 5265–5274. URL: https://doi.org/10.1109/CVPR.2018.00552
Kim M., Jain A. K., Liu X. Adaface: Quality adaptive margin for face recognition. Computer vision and pattern recognition : Proceedings of the IEEE/CVF conference, New Orleans, 18–24 June 2022. New Orleans, 2022. P. 18750–18759. URL: https://doi.org/10.1109/CVPR52688.2022.01819
Boutros F., Damer N., Kirchbuchner F., Kuijper A. Elasticface: Elastic margin loss for deep face recognition. Computer vision and pattern recognition : Proceedings of the IEEE/CVF conference, New Orleans, 18–24 June 2022. New Orleans, 2022. P. 1578–1587. URL: https://doi.org/10.1109/CVPRW56347.2022.00164
Unitsface: Unified threshold integrated sample-to-sample loss for face recognition / Jia X. et al // Neural Information Processing Systems : Proceedings, New Orleans, 10–16 December 2023. New Orleans, 2023. P. 32732–32747. URL: https://doi.org/10.48550/arXiv.2311.02523
Wang X., Xue H., Liu X., Pei Q. A privacy-preserving edge computation-based face verification system for user authentication. IEEE Access. 2019. Vol. 7. P. 14186–14197. URL: https://doi.org/10.1109/ACCESS.2019.2894535
Lin W. H., Wang P., Tsai C. F. Face recognition using support vector model classifier for user authentication. Electronic Commerce Research and Applications. 2016. Vol. 18. P. 71–82. URL: https://doi.org/10.1016/j.elerap.2016.01.005
Your face your heart: Secure mobile face authentication with photoplethysmograms / Chen Y. et al // Computer Communications : Proceedings of the IEEE Conference, Atlanta, 01–04 May 2017. Atlanta, 2017. P. 1–9. URL: https://doi.org/10.1109/INFOCOM.2017.8057220
Smith-Creasey M., Albalooshi F. A., Rajarajan M. Continuous face authentication scheme for mobile devices with tracking and liveness detection. Microprocessors and Microsystems. 2018. Vol. 63. P. 147-157. URL: https://doi.org/10.1016/j.micpro.2018.07.008
Zhou B., Xie Z., Ye F. Multi-modal face authentication using deep visual and acoustic features. Communications : Proceedings of the IEEE International Conference, Shanghai, 20–24 May 2019. Shanghai, 2019. P. 1–6. URL: https://doi.org/10.1109/ICC.2019.8761776
Aface: Range-flexible anti-spoofing face authentication via smartphone acoustic sensing / Xu Z. et al // Interactive, Mobile, Wearable and Ubiquitous Technologies. 2024. Vol. 8, no. 1. P. 1–33. URL: https://doi.org/10.1145/3643510
Imagenet: A large-scale hierarchical image database / Deng J. et al. // Computer Vision and Pattern Recognition : Proceedings of the IEEE Conference, Miami, 20–25 June 2009. Miami, 2009. P. 248–255. URL: https://doi.org/10.1109/CVPR.2009.5206848
Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. Learning Representations : Proceedings of the International Conference, San Diego, 07-09 May 2015. San Diego, 2015.
Huang G. B, Mattar M., Berg T., Learned-Miller E. Labeled faces in the wild: A database forstudying face recognition in unconstrained environments. Faces in’Real-Life’Images: detection, alignment, and recognition : Proceedings. 2008
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
