Розробка системи біометричної ідентифікації на основі аналізу зображень облич методами глибокого навчання

Abstract

Кваліфікаційна робота бакалавра присвячена розв'язанню задачі розробки та імплементації системи біометричної ідентифікації облич з використанням методів глибокого навчання та просторового аналізу даних. У роботі проведено математичне обґрунтування використання архітектури згорткової нейронної мережі Inception-ResNet-v1 для вилучення стійких ознак із зображень облич. Формалізовано процеси геометричного вирівнювання облич за ключовими антропометричними точками за допомогою каскадної моделі MTCNN. Реалізовано програмний комплекс мовою Python з використанням фреймворку PyTorch, що розв'язує задачу бінарної класифікації (верифікації) шляхом порівняння 512-вимірних векторів-дескрипторів на основі метрики косинусної схожості. Експериментальне дослідження на стандартизованому наборі даних LFW (Labeled Faces in the Wild) підтвердило високу ефективність розробленої математичної моделі. За результатами ROC-аналізу визначено оптимальний поріг класифікації. Система досягла точності (Accuracy) 96,00% при площі під кривою (AUC) 0,9924. Показник хибного допуску (FAR) становить 0,33%, що гарантує високу надійність захисту від несанкціонованого доступу.

The bachelor's qualification paper is devoted to solving the problem of developing and implementing a face biometric identification system using deep learning methods and spatial data analysis. The paper provides a mathematical justification for using the Inception-ResNet-v1 convolutional neural network architecture for extracting robust features from facial images. The processes of geometric face alignment based on key anthropometric points using the MTCNN cascade model are formalized. A software complex was implemented in Python using the PyTorch framework, which solves the binary classification (verification) problem by comparing 512-dimensional feature vectors based on the cosine similarity metric. Experimental research on the standardized LFW (Labeled Faces in the Wild) dataset confirmed the high efficiency of the developed mathematical model. Based on the ROC analysis, the optimal classification threshold was determined. The system achieved an accuracy of 96.00% with an Area Under the Curve (AUC) of 0.9924. The False Acceptance Rate (FAR) is 0.33%, which guarantees a high level of protection against unauthorized access.