ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО ИЗОБРАЖЕНИЮ ЛИЦА

АННОТАЦИЯ

В данной научной статье рассматривается применение современных методов искусственного интеллекта для решения задачи идентификации личности по изображению лица. В нашем исследовании мы стремимся обозначить актуальность и значимость применения искусственного интеллекта в идентификации личности по изображению лица, а также выявить возможности улучшения существующих методов и систем. Результаты нашего исследования могут оказать важное влияние на развитие биометрической аутентификации и повышение уровня безопасности в различных сферах человеческой деятельности.

ABSTRACT

This scientific article discusses the use of modern artificial intelligence methods to solve the problem of personal identification from a facial image. In our study, we strive to outline the relevance and significance of the use of artificial intelligence in identifying a person by facial image, as well as to identify opportunities for improving existing methods and systems. The results of our research can have an important impact on the development of biometric authentication and increasing the level of security in various areas of human activity.

Ключевые слова: идентификации, методы, искусственного интеллект, изображения, лица.

Keywords:  identification, methods, artificial intelligence, images, face.

Введение. В последние годы методы искусственного интеллекта (ИИ) стали широко применяться в различных областях, включая распознавание образов и анализ изображений. Одним из важных направлений в области ИИ является идентификация личности по изображению лица. Эта область находит широкое применение в системах безопасности, аутентификации пользователей, управлении доступом и других приложениях. В данной статье мы рассмотрим применение методов искусственного интеллекта в идентификации личности по изображению лица, основные подходы и технологии, а также перспективы развития данной области [1,с.18].  

Материалы и методы.  Одним из ключевых методов, применяемых в идентификации личности по изображению лица, является использование глубокого обучения, в частности, свёрточных нейронных сетей (CNN). Эти сети способны автоматически извлекать признаки из изображений лиц и использовать их для идентификации или верификации личности. Для обучения и тестирования моделей идентификации лиц используются различные датасеты, содержащие изображения лиц с различными условиями освещения, выражениями лица и ракурсами. Некоторые из наиболее популярных датасетов включают в себя CelebA, LFW и MegaFace. Оценка производительности моделей идентификации лиц обычно проводится с использованием различных метрик, таких как точность (accuracy), полнота (recall) и F1-мера.

Эти метрики позволяют оценить эффективность модели в различных условиях и сравнить её с другими методами [2,c.382].

1. Извлечение признаков: Для идентификации личности с использованием ИИ сначала необходимо извлечь характеристики изображения лица. Это может быть выполнено с использованием методов, таких как глубокие нейронные сети (например, свёрточные нейронные сети) или методы, основанные на характеристиках лица, таких как распознавание ключевых точек или дескрипторы лица.

2. Методы машинного обучения: После извлечения признаков применяются методы машинного обучения для создания модели идентификации лиц. Это может включать в себя методы классификации, такие как метод опорных векторов (SVM), а также глубокое обучение, такое как методы сиамских сетей или сетей, основанных на внимании.

3. Свёрточные нейронные сети: Свёрточные нейронные сети (CNN) играют важную роль в идентификации лиц благодаря своей способности извлекать и классифицировать уникальные признаки из изображений (Рис.1).

Рисунок 1. Архитектура свёрточной нейронной сети

Оператор свёртки составляет основу свёрточного слоя сети. Слой состоит из набора ядер и вычисляет свёртку выходного изображения из предыдущего слоя с помощью этого набора, на каждой итерации добавляя соответствующее ядру смещение.

Результат данной операции — сложение и масштабирование входных пикселей, ядра можно получить из обучающего набора методом градиентного спуска, аналогично вычислению весов в полно связных сетях, которые так же могут выполнять эти операции, но потребуют гораздо большего времени и данных для обучения. Однако, в сравнении с полно связными сетями, свёрточные используют большее количество гиперпараметров. Конечно, вот пример кода на Python, система демонстрирующий применение свёрточной нейронной сети для идентификации лиц с использованием библиотеке TensorFlow (Рис.2).

Рисунок 2. Базовый результат псевдокод библиотека Tensor Flow