СЕМАНТИЧНА СЕГМЕНТАЦІЯ ЗОБРАЖЕННЯ ОБЛИЧЧЯ  В СИСТЕМАХ БІОМЕТРИЧНОЇ АУТЕНТИФІКАЦІЇ ПЕРСОНАЛУ  ОБ’ЄКТІВ КРИТИЧНОЇ ІНФРАСТРУКТУРИ ЗОБРАЖЕНЬ

Олександр Корченко; Олег Терейковський

doi:10.28925/2663-4023.2025.28.816

Автор(и)

Олександр Корченко Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0003-3376-0631
Олег Терейковський Національний університет «Київський авіаційний інститут»

DOI:

https://doi.org/10.28925/2663-4023.2025.28.816

Ключові слова:

нейромережева модель, семантична сегментація, захист інформації, об’єкт критичної інфраструктури, безпека інформації, біометрична автентифікація, розпізнавання особи

Анотація

Проблематикою статті є підвищення ефективності засобів біометричної аутентифікації персоналу об’єктів критичної інфраструктури. Показано, що один із основних напрямків підвищення ефективності полягає у вдосконалені процедури виділення контурів обличчя у піддослідному зображенні, результатом застосування якої у більшості відомих випадків є визначення прямокутної області, яка охоплює обличчя. Такий результат не забезпечує точного виділення контурів обличчя та завад при відеореєстрації, зокрема засобів індивідуального захисту, волосся та окулярів. Для подолання цих обмежень доцільним є використання нейромережевих засобів семантичної сегментації, які дозволяють точно виділяти контури обличчя, зону очей, а також області з перекриттями чи фоновими елементами, що значно підвищує точність розпізнавання особи в біометричних системах. Водночас результати аналізу сучасних науково-практичних рішень в області семантичної сегментації засвідчують, що більшість з них не забезпечують можливості ефективного функціонування в умовах об’єктів критичної інфраструктури, що в першу чергу пояснюється недосконалістю методологічного забезпечення. З метою подолання вказаних недоліків в статті запропоновано модель семантичної сегментації зображення обличчя, яка базується на енкодер-декодерній нейромережевій архітектурі з можливістю адаптації конструктивних параметрів до умов застосування на об’єктах критичної інфраструктури. На основі цієї моделі розроблено метод визначення архітектурних параметрів нейромережевої моделі, що передбачає послідовну оцінку умов задачі, вибір базової архітектури, налаштування параметрів енкодера, декодера та навчання, оцінювання ефективності та адаптивну модифікацію структури моделі. Метод дозволяє врахувати вплив низки факторів, зокрема просторових характеристик елементів сегментації, дисбалансу класів, варіативності освітлення, обмежень на обчислювальні ресурси та нормативних вимог. Експериментальні дослідження засвідчили, що застосування запропонованого методу дозволяє скоротити обсяг необхідних експериментів у 2 рази та досягти точності сегментації зображення обличчя на рівні 0,9, що перевищує показники існуючих аналогів приблизно на 10–20%.

Завантаження

Дані завантаження ще не доступні.

Посилання

Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). Segnet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence, 39(12), 2481–2495. https://doi.org/10.1109/TPAMI.2016.2644615

Bazarevsky, V., Kartynnik, Y., Vakunov, A., Raveendran, K., & Grundmann, M. (2019). Blazeface: Sub-millisecond neural face detection on mobile gpus. CVPR Workshop on Computer Vision for Augmented and Virtual Reality. https://doi.org/10.48550/arxiv.1907.05047

Chen, L. C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2017). Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. IEEE transactions on pattern analysis and machine intelligence, 40(4), 834–848. https://doi.org/10.1109/TPAMI.2017.2699184

Deng, J., Guo, J., Ververas, E., Kotsia, I., & Zafeiriou, S. (2020). Retinaface: Single-shot multi-level face localisation in the wild. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, 5203–5212.

Lin, G., Milan, A., Shen, C., & Reid, I. (2017). Refinenet: Multi-path refinement networks for high-resolution semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition, 1925–1934. https://doi.org/10.48550/arXiv.1611.06612

Liu, S., Shi, J., Liang, J., & Yang, M. H. (2017). Face parsing via recurrent propagation. BMVC. https://doi.org/10.48550/arXiv.1708.01936

Ranjan, R., Bansal, A., Zheng, J., Xu, H., Gleason, J., Lu, B., Castillo, C. & Chellappa, R. (2019). A Fast and Accurate System for Face Detection, Identification, and Verification. In IEEE Transactions on Biometrics, Behavior, and Identity Science, 1(2), 82–96. https://doi.org/10.1109/TBIOM.2019.2908436

Schroff, F., Kalenichenko, D. & Philbin, J. (2015). FaceNet: A unified embedding for face recognition and clustering. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 815–823. https://doi.org/10.1109/CVPR.2015.7298682

Tereikovskyi, I., Hu, Z., Chernyshev, D., Tereikovska, L., Korystin, O., & Tereikovskyi, O. (2022). The method of semantic image segmentation using neural networks. International Journal of Image, Graphics and Signal Processing, 10(6), 1, 14(6), 1–14. https://doi.org/10.5815/ijigsp.2022.06.01

Tereikovskyi, I., Korchenko, O., Bushuyev, S., Tereikovskyi, O., Ziubina, R. & Veselska, O. (2023). A Neural Network Model for Object Mask Detection in Medical Images. International Journal of Electronics and Telecommunication, 69(1), 41–46. https://doi.org/10.24425/ijet.2023.144329

Zhang, K., Zhang, Z., Li, Z., & Qiao, Y. (2016). Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks. IEEE signal processing letters, 23(10), 1499–1503. https://doi.org/10.1109/LSP.2016.2603342

Zhao, H., Shi, J., Qi, X., Wang, X., & Jia, J. (2017). Pyramid scene parsing network. In Proceedings of the IEEE conference on computer vision and pattern recognition, 6230–6239. https://doi.org/10.1109/CVPR.2017.660

Korchenko O., & Tereikovskyi O. (2023). Analysis and evaluation of biometric authentication means based on the image of the face and iris of the staff of critical infrastructure facilities. Cybersecurity: Education, Science, Technique. 1(21), 136–148. https://doi.org/10.28925/2663-4023.2023.21.136148

Korchenko, O., Tereikovskyi, O. (2024). Modular neural network model for biometric authentication of the personnel of critical infrastructure facilities using facial images and iris. Information security, 30(2), 339–347. https://doi.org/10.18372/2225-5036.30.19247