Исследование использования биометрических технологий в криминалистической идентификации и эффекта от их внедрения

К последней принадлежат люди с физическими недостатками – шрамами на лице, проблемами с глазами и прочее. Вышеперечисленных трудностей можно избежать при вмешательстве человека, но существуют и другие проблемы в технологии распознавания, на которые пока требуется время и соответствующей нанотехнологии.2.2 Алгоритм метода распознавания лицаАлгоритм метода распознавания лица состоит в следующем. На базовом этапе с помощью специализированного программного обеспечения и аппаратуры, используемой для получения изображения (например, камеры), строится двух или реже – трехмерный образ лица человека. На следующей стадии на одном или нескольких изображениях, в зависимости от решаемых задач, выделяются форма лица, контуры бровей, глаз, носа, губ, вычисляются расстояния между ними и другие параметры соответственно разновидности используемого алгоритма в той или иной биометрической системе. На третьем этапе по этим данным строится образ, который затем преобразуется в цифровую форму – шаблон для сравнения. Количество, качество и разнообразие, то есть углы наклона и (или) поворота головы, возрастные и косметические изменения внешности и других считываемых образов может быть различным, в зависимости от алгоритмов и функций системы, применяющей данный метод.Выделим три базовых группы методов к распознаванию лиц. - Группа методов, в основе которой лежит целостный поход. Методы этой группы обрабатывают всю поверхность лица как последовательность строк без учета индивидуальных анатомических признаков. Метод главных компонент (PCA) и линейный дискриминантный анализ (LDA) являются примерами целостного похода по распознаванию лиц. • Группа методов, в основе которой лежит подход, основан ный на анатомических признаках. Эти методы рассматривают анатомические признаки и выполняют сравнение этих признаков. Примерами таких методов являются: метод распознавания, основанный на вейвлет-преобразованиях Габора, метод эластичных связанных графов (EBGM) [5]. - Группа методов, в основе которых лежит гибридный подход, представляющий объединение целостного подхода и подхода, основанного на признаках. Выбор категории и метода для распознавания зависит от ограничений и условий задачи распознавания лиц. В качестве ограничений, влияющих на выбор метода решения задачи, следует выделить: - наличие или отсутствие ограничений на возможные искусственные помехи на лице; - пространственные характеристики положения лиц; - цветность изображения; - масштаб лиц и разрешение изображения; - количество лиц на изображении; - условия освещенности объектов; - приоритет в минимизации ложных распознаваний или в количестве распознанных лиц. Для решения задачи распознавания лиц построим метод, представляющий собой комбинацию базовых компонентов метода подпространства линейного дискриминантного анализа и метода, основанного на вейвлет-преобразованиях Габора.Метод «подпространство LDA» является гибридным методом, объединяющим два независимых метода PCA и LDA. В методе PCA, предложенном Пентландом и Тарком, изображение рассматривается как точка в пространстве изображений путем преобразования изображения в вектор. Метод определяет пространство низшей размерности для представления лиц на изображениях с помощью устранения противоречий с изображениями, на которых отсутствуют лица.Признаки изображений из обучающей выборки получаются путем поиска максимального отклонения каждого изображения от значений, полученных от усредненных изображений. Пространство собственных лиц получается с помощью применения метода главных компонент к обучающим изображениям, а обучающие изображения проектируются на пространство собственных лиц. Далее тестовое изображение проектируется на новое пространство и вычисляется расстояние между спроецированным тестовым изображением и изображениями из обучающего набора, которые используются для классификации тестового изображения. Принимается, что тестовое изображение, расстояние проекции которого является минимальным, содержит лицо из обучающей выборки. Метод LDA, в противоположность методу PCA, группирует как можно ближе изображения с одним и тем же лицом и одновременно отдаляет друг друга изображения с разными лицами. Подпространство LDA — гибридный метод, одновременно использующий оба метода PCA и LDA: LDA используется как основной классификатор, принимающий решение о присутствии лица на изображении, PCA — как этап для уменьшения размерности. Таким образом, изначально создаются собственные вектора в подпространстве PCA c помощью обучающих изображений. Полученные векторы подаются на вход алгоритма LDA, который создает новое векторное подпространство. При классификации тестовое лицо сначала проектируется на подпространство PCA, затем на полученное при обучении подпространство LDA. После чего выбирается единообразная метрика, которая используется для сравнения расстояния между индивидуальными проекциями векторов и происходит классификация тестового лица.Брюсом Кепенекси и использующий вейвлеты Габора для обнаружения лицевых признаков на изображении. Данный метод более устойчив к изменениям в освещении, поскольку не использует напрямую значения оттенков серого каждого пикселя, а извлекает характеристические признаки лица.достоверность распознавания метода «подпространство LDA», который является методом целостного подхода, не зависит от разрешения тестового изображения. Метод способен распознавать лица до тех пор, пока на изображении содержится общая структура лица, что позволяет использовать его для распознавания лиц в видеопотоках и в режиме реального времени с приемлемым уровнем точности. Производительность распознавания метода Кепенекси, в основе которого лежит подход, основанный на признаках, зависит от разрешения обучающих (пробных) изображений с лицами: высокое разрешение изображений позволяет обнаруживать различные признаки лица (борода, шрам, родинка) и использовать их во время процесса сравнения. Большое количество выявленных признаков гарантирует высокую точность в процессе распознавания. Однако зависимость от качества изображения и сравнение большого количества признаков пробного изображения с признаками всех обучающих изображений делает его не применимым для использования в режиме реального времени. Производительность метода LDA уменьшается при значительном различии в освещении на обучающем и пробном изображениях и при повороте распознаваемого лица. ЗАКЛЮЧЕНИЕВ настоящий момент проводится разработка системы нелинейного улучшения изображений в разных цветовых пространствах, планируется использовать алгоритм Multi-ScaleRetinex с восстановлением цветов для захвата и обработки видеоизображений, имеющих большой диапазон значений яркостей. Разрабатывается система захвата изображений лиц из видеоизображения, с последующей обработкой и приведением изображений к некоторому «усредненному» виду, снижением влияния освещения, корректировкой положения лица, выбором из видеоданных относительно лучшего изображения лица. Такимобразом, в работе предлагается усовершенствованный подход к распознаванию лиц по изображению, использующий алгоритм нелинейного улучшения изображения, который позволяет скомпенсировать тени и блики.Также проведенный анализ цветовых пространств позволяет повысить качество распознавания сегментов кожи и антропометрических точек лица.Итак, в работе автор рассмотрел последствия использования и распространения техники распознавания лица. Автор анализирует и проводит параллель между криминалистической техникой распознавания и использования высоких технологий совместно с криминалистическими методами.СПИСОК ИСТОЧНИКОВ ЛИТЕРАТУРЫ:Бочкарев В.В. Совершенствование использования в исправительных учреждениях инженерно-технических средств // Актуальные проблемы российского права. 2016. № 4.Брилюк Д., Старовойтов В. Нейросетевые методы распознавания изображений. 2002 Москва.Биометрия идёт на смену паролю [Электронный ресурс] // Xakep Online. – URL: http://www.xakep. ru/post/11332/default.asp?print=true (дата обращения: 20.12.2019).Болл Руд М. Руководство по биометрии [Текст] / Руд М. Болл [и др.]. – М.: Техносфера, 2007. – ISBN 978-5-94836-109-3Дулесов А.С. Нейронные сети и нейрокомпьютеры в интеллектуальных информационных системах. 2005 Абакан.Кузнецова Е.В. Биометрия и криминалистика // Вестник магистратуры. 2016. № 12-2 (63). С.192-195.Крайник В., Крайникова М. Биометрия и криминалистическая идентификация // уголовное производство: процессуальная теория и криминалистическая практика. 2016. С. 42-43.Кузнецова Е.В. Биометрия и криминалистика // Вестник магистратуры. 2016. № 12-2 (63). С.192-195.Лакин Г. Ф. Биометрия: учеб. пособие для биологич. спец. вузов. – 4-е изд., перераб. и доп. – М.: Высш. школа, 1990.Нечаева Н.Б. Внедрение биометрических технологий как фактор, способствующий профилактике преступлений// Актуальные проблемы современного уголовного права и криминологии. 2015. С. 155-157.Рабинер Л.Р. Скрытые Марковские модели и их применение в избранных приложениях при распознавании речи. 1993.Самохвалов И.А. Криминалистическая биометрия как способ идентификации человека: перспективы применения // Наука и инновации в современных условиях . 2016. С. 171-173.Gorban A.N., Kegl B., Wunsch D., Zinovyev A.Y. (Eds.), Principal Manifolds for Data Visualisation and Dimension Reduction. 2007 New York. Задорожный В. В. Обзор биометрических технологий [Электронный ресурс] // Защита информации. Конфидент. – 2003. – № 5 (53). – URL: http://daily.sec.ru/dailypblshow.cfm?ri (датаобращения: 21.12.2019). Belhumeur P., Hespanha J., Kriegman D. Eigenfaces vs fisherfaces: Recognition using class specific linear projection // IEEE Transactions on pattern analysis and machine intelligence. — 2007. — Vol. 19. — No. 7.KepenekciB. Face recognition using gabour wavelet transform // Thesis, the Middle East Technical University. — September 2001.