Миварная экспертная система для системы контроля и управления доступом на основе биометрической идентификации по венам ладони

В статье рассмотрена задача построения системы контроля и управления доступом (СКУД), способной принимать обоснованные решения не только на основе биометрического шаблона, но и с учетом контекста: уровня прав сотрудника, зоны доступа, временного режима и истории аутентификации. Предложена архитектура комплексной интеллектуальной системы, объединяющей нейросетевой и логический уровни искусственного интеллекта. Биометрическая идентификация реализована с помощью сверточной нейронной сети ResNet18, адаптированной для grayscale-изображений вен ладони и обученной на датасете из 834 субъектов (8 340 снимков) с использованием триплетного метрического обучения и классификационной головы; достигнута точность Top-1 Accuracy = 87,47 %, Top-5 = 96,58 %, Top-10 = 98,14 %, ROC-AUC = = 0,9985 и EER = 1,64 % при среднем уровне уверенности правильных совпадений 0,908. Степень уверенности нейронной сети совместно с пятью контекстными параметрами передается в миварную экспертную систему (МЭС), реализованную в среде КЭСМИ Wi!Mi Разуматор. МЭС содержит три независимых отношения с общими входными параметрами, формирующих решение о доступе, уровень тревоги и оценку надежности биометрии. Общие входы порождают перекрестные дуги в двудольном графе решения, что отражает многоаспектность принятия решений в комплексном искусственном интеллекте. Разработан алгоритм принятия решений из 32 правил, распределенных по пяти группам приоритета. Проведено тестирование МЭС на трех репрезентативных сценариях, демонстрирующих три различные топологии графа решения – от вырожденной до полной двудольной. Результаты подтверждают корректность миварного логического вывода и масштабируемость базы знаний без изменения нейросетевого модуля. Практическая значимость полученных результатов состоит в возможности построения аудируемых биометрических СКУД, сочетающих точность глубокого обучения и прозрачность логического вывода миварных баз знаний.

1. Jain A.K., Ross A.A., Nandakumar K. Introduction to Biometrics. New York: Springer; 2011. 312 p. https://doi.org/10.1007/978-0-387-77326-1

2. Garcez A.D., Lamb L.C. Neurosymbolic AI: the 3rd wave. Artificial Intelligence Review. 2023;56(11):12387–12406. https://doi.org/10.1007/s10462-023-10448-w

3. Wu W., Elliott S.J., Lin S., et al. Review of palm vein recognition. IET Biometrics. 2020;9(1):1–10. https://doi.org/10.1049/iet-bmt.2019.0034

4. Das R., Piciucco E., Maiorana E., et al. Convolutional Neural Network for Finger-Vein-Based Biometric Identification. IEEE Transactions on Information Forensics and Security. 2019;14(2):360–373. https://doi.org/10.1109/TIFS.2018.2850320

5. Huang H., Liu Sh., Zheng H., et al. DeepVein: Novel finger vein verification methods based on deep convolutional neural networks. In: 2017 IEEE International Conference on Identity, Security and Behavior Analysis (ISBA), 22–24 February 2017, New Delhi, India. IEEE; 2017. https://doi.org/10.1109/ISBA.2017.7947683

6. Sarker I.H. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Computer Science. 2021;2(6):420. https://doi.org/10.1007/s42979-021-00815-1

7. Kumar A., Zhou Y. Human Identification Using Finger Images. IEEE Transactions on Image Processing. 2012;21(4):2228–2244. https://doi.org/10.1109/TIP.2011.2171697

8. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. Москва: Радио и связь; 2002. 286 с.

9. Varlamov O., Aladin D. A New Generation of Rules-based Approach: Mivar-based Intelligent Planning of Robot Actions (MIPRA) and Brains for Autonomous Robots. Machine Intelligence Research. 2024;21(5):919–940. https://doi.org/10.1007/s11633-023-1473-1

10. Варламов О.О. Миварные технологии: переход от продукций к двудольным миварным сетям и реализация автоматического конструктора алгоритмов, управляемого потоком входных данных и обрабатывающего более трех миллионов правил. Искусственный интеллект. 2012;(4):11–33.

11. Pizer S.M., Amburn E.Ph., Austin J.D., et al. Adaptive histogram equalization and its variations. Computer Vision, Graphics, and Image Processing. 1987;39(3):355–368. https://doi.org/10.1016/S0734-189X(87)80186-X

12. He K., Zhang X., Ren Sh., et al. Deep Residual Learning for Image Recognition. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27–30 June 2016, Las Vegas, USA. IEEE; 2016. P. 770–778. https://doi.org/10.1109/CVPR.2016.90

13. Schroff F., Kalenichenko D., Philbin J. FaceNet: A Unified Embedding for Face Recognition and Clustering. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 07–12 June 2015, Boston, USA. IEEE; 2015. P. 815–823. https://doi.org/10.1109/CVPR.2015.7298682

14. Obayya M.I., El-Ghandour M., Alrowais F. Contactless Palm Vein Authentication Using Deep Learning With Bayesian Optimization. IEEE Access. 2020;9:1940–1957. https://doi.org/10.1109/ACCESS.2020.3045424

15. Deng J., Guo J., Xue N., et al. ArcFace: Additive Angular Margin Loss for Deep Face Recognition. In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 15–20 June 2019, Long Beach, USA. IEEE; 2019. P. 4685–4694. https://doi.org/10.1109/CVPR.2019.00482