ВИКОРИСТАННЯ СИСТЕМИ РОЗПІЗНАВАННЯ ОБЛИЧЧЯ ДЛЯ АВТОРИЗАЦІЇ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ

Анотація

Актуальність теми дослідження. Технічний прогрес веде до величезного збільшення числа кіберзлочинів. Майже кожна людина у світі має цифрові облікові записи, які містять конфіденційну особисту інформацію, яка насправді захищена простим паролем. Тому системи безпеки відіграють велику й важливу роль у захисті конфіденційності. Необхідно мати надійну систему, яка може розрізняти людей і діяти по-різному в залежності від їх прав.На відміну від аутентифікації по розпізнаванню обличчя та інших рішень для ідентифікації, таких як паролі, перевірка електронної пошти або ідентифікація за відбитками пальців, біометричний розпізнавання осіб використовує унікальні математичні та динамічні шаблони, які роблять таку систему однією з найбільш безпечних та ефективних.

Постановка проблеми. Аутентифікація з розпізнавання обличчя скоро стане однією з найстабільніших. Є методи, доступні для виявлення та обробки обличчя з використанням різних рівнів складності. Підводячи підсумки, можна стверджувати, що розпізнавання обличчя з метою аутентифікації може посилити безпеку. Згорткові нейронні мережі (CNN) перевершують будь-який можливий рівень розпізнавання людини. Однак такі системи повинні постійно поліпшуватися вручну. Інша проблема, пов’язана з такими системами, полягає в тому, що для їх підготовки повинен бути точно підготовка даних, перш ніж вони будуть розгорнуті. Дуже важливо, щоб система була досить швидкою, щоб розпізнавати людей, і щоб навчання проходило без особливих труднощів, а також швидко.

Аналіз досліджень і публікацій. Алгоритми розпізнавання обличчя були розглянуті в ряді наукових робіт, таких як каскади Хаара, фільтр Калмана і застосовані в різних сферах. Серед дослідницьких робіт є ряд систем безпеки, які використовують технологію розпізнавання осіб. Підхід розпізнавання осіб для безпечного доступу і аутентифікації, представлений Джеффрі С. Коффіна, використовує користувальницький метод VLSI Hardware і метод Eigenspaces. Системи, надані Shankar Kartik, також використовують метод Eigenfaces для ідентифікації обличчя, який фактично дає слабкі результати з помірною точністю.

Виділення недосліджених частин загальної проблеми. Швидкість окремих систем розпізнавання обличчя великою мірою залежить від змін умов освітлення, експресії, щільності камери й часткової блокування особи. Кілька наукових робіт вже запропонували певні підходи до розпізнавання обличчя в неприємних умовах, але насправді не багато з них працюють.

Метою статті є опис експериментальної архітектури системи аутентифікації системи розпізнавання обличчя всередині інформаційної системи, доступної через веб-інтерфейс. Система аутентифікації Face Recognition System складається з вузла камери, хмарного сервера і пристрої введення-виведення для взаємодії з користувачами за допомогою веб-інтерфейсу. У зв’язку з розвитком Інтернету і хмарних обчислень ця стаття являє собою розробку системи аутентифікації на основі системи розпізнавання осіб. Використовуючи систему Google наступного покоління, TensorFlow з платформою глибокого навчання на борту. TensorFlow – це гнучкий, стерпний проєкт із відкритим вихідним кодом.

Виклад основного матеріалу. Як відомо, зір людського мозку здається дуже легко функціонуючим. Неважко розгледіти собаку й кішку, прочитати слово або дізнатися людське обличчя. Але на відміну від людини ці завдання дійсно складні для вирішення за допомогою комп’ютера. Процес розпізнавання здається простим, тому що людський мозок дійсно хороший у сприйнятті і, в результаті, в розумінні зображень. В останні роки машинне навчання домоглося великих успіхів у вирішенні цих складних завдань. Зокрема, модель, звана глибоко сверточное нейронною мережею, може привести до розумної продуктивності при вирішенні складних завдань візуального розпізнавання, які в деяких аспектах відповідають або перевершують можливості людини.

Висновки відповідно до статті. У цій статті представлено новий метод отримання даних для навчання систем безпеки з соціальних мереж і взаємодії з людиною для майбутнього використання в процесі аутентифікації в різних інформаційних системах. Існує кілька переваг пропонованої системи, які можна описати. Насамперед треба зазначити, що використання TensorFlow може бути адаптивним, потужним і гнучким. Більш того, час навчання прийнятно в порівнянні з іншими середовищами і набагато швидше, якщо використовувати розподілений TensorFlow.