МЕТОД БІОМЕТРИЧНОЇ АУТЕНТИФІКАЦІЇ ПЕРСОНАЛУ ОБ’ЄКТІВ КРИТИЧНОЇ ІНФРАСТРУКТУРИ ЗА ЗОБРАЖЕННЯМ ОБЛИЧЧЯ ТА РАЙДУЖНОЮ ОБОЛОНКОЮ ОКА ІЗ ЗАСТОСУВАННЯМ НЕЙРОМЕРЕЖЕВИХ ЗАСОБІВ

Анотація

Широке впровадження нейромережевих засобів біометричної аутентифікації за зображеннями обличчя та райдужною оболонкою ока на об’єктах критичної інфраструктури дозволило підвищити рівень безпеки та оперативності ідентифікації персоналу. Водночас сучасні вимоги зумовлюють потребу в підвищенні стійкості до спуфінг-атак, адаптивності до завад реального середовища, а також у розширенні функціональності для врахування психоемоційного стану персоналу в момент проходження автентифікації. Традиційні нейромережеві методи, що базуються на нейронних мережах з монолітною архітектурою обмежені в реалізації цих вимог через недостатню гнучкість і складність адаптації до варіативних умов відеореєстрації. Тому в даній статті запропоновано метод біометричної автентифікації персоналу об’єктів критичної інфраструктури за зображенням обличчя та райдужною оболонкою ока із застосуванням нейромережевих засобів. Метод реалізує багатокрокову адаптивну обробку відеопотоку та комплексне виконання процедур, необхідних для ефективної автентифікації в умовах варіативності параметрів зображення. Етапи методу структуровано як послідовність процедур, що відповідають типовим завданням біометричної автентифікації, кожне з яких реалізується окремою нейромережею. Уперше в межах єдиної архітектури забезпечено багаторівневий аналіз ознак спуфінг-атак із урахуванням візуальних артефактів обличчя, артефактів зовнішнього оточення, динаміки параметрів живучості та емоційного стану. Запропоновано механізм автоматичного оцінювання показників відображення, динамічного формування множини придатних до обробки зображень і їх попередньої обробки для підвищення якості. Фільтрація завад здійснюється шляхом семантичної сегментації та поелементного маскування піксельних областей, що дозволяє виключати з обробки ділянки із тінями, перекриттями чи сторонніми об’єктами. Ключовою особливістю є цілеспрямоване використання доступних і апробованих наперед навчених нейромережевих моделей з відкритим кодом (FaceMeshV2, Visual Transformer, DeepPixBiS, Siamese Network, Two_channel Networks, MobileNet), адаптованих до умов відеореєстрації на об’єктах критичної інфраструктури. За попередніми оцінками, застосування адаптивної обробки відеопотоку та багаторівневого аналізу спуфінг-атак дозволяє підвищити точність виявлення спуфінгу на 25–35 % і щонайменше в 1,5 раза скоротити час розробки системи на основі відкритих моделей.