Аутентификация пользователей информационной системы по изображению лица

Аутентификация относится к классическим средствам управления информационной безопасностью компьютерных систем предприятия, от качества которой зависит безопасность информационной системы. В данной статье описана процедура аутентификации пользователей информационной системы по изображению лица. Разработана архитектура искусственной нейронной сети, сформированы наборы биометрических персональных данных и проведено обучение на основе распознавания пользователей информационной системы по изображению лица. В рамках данного исследования проведена оценка функциональности архитектуры искусственной нейронной сети на международных банках данных (Dataset). При распознавании пользователей информационной системы по изображению лица были извлечены такие дескрипторы, как локальные бинарные шаблоны (LBP) и гистограмма ориентированных градиентов (HOG). Скомпилирована модель обучения нейронной сети на основе категориальной кросс-энтропии, сформирована конфигурация компиляционной модели (размер мини-выборки, количество эпох, функция активации, функция оптимизации). Разработанный программный модуль производит аутентификацию пользователей информационной системы по принципу «свой-чужой». Применение данных дескрипторов изображения позволяет повысить точность распознавания пользователей информационной системы (accuracy) и снизить значение функции потерь (loss). Реализован программный код системы мультимодальной биометрической аутентификации. Для оценки эффективности работы программного модуля приведены показатели ошибок первого и второго рода.

1. Lawrence R. Rabiner, Ronald W. Schafer. Theory and Applications of Digital Speech Processing. Prentice Hall; 2010. 1056 p.

2. Васильев В.И., Жумажанова С.С., Ложников П.С., Сулавко А.Е. Оценка идентификационных возможностей биометрических признаков от стандартного периферийного оборудования. Вопросы защиты информации. 2016;112(1):12–20.

3. Шелупанов А.А., Сабанов А.Г. Идентификация и аутентификация в цифровом мире. М.: Горячая линия-Телеком; 2022. 355 с.

4. Машкина И.В., Белова Е.П. Разработка нейросетевой базы данных биометрических образов для системы аутентификации по голосу. Проблемы информационной безопасности. Компьютерные системы. 2019;(2):86–93.

5. Ложников П.С., Сулавко А.Е., Еременко А.В., Волков Д.А. Экспериментальная оценка надежности верификации подписи сетями квадратичных форм, нечёткими экстракторами и персептронами. Информационно–управляющие системы. 2016;84(5):73–85. DOI: 10.15217/issn1684–8853.2016.5.73.

6. Todisco M., Delgado H., Evans N. A new feature for automatic speaker verification anti-spoofing: Constant Q cepstral coefficients. In: Odyssey 2016: The Speaker and Language Recognition Workshop, 21–24 June 2016, Bilbao, Spain. Bilbao: ISCA SIG; 2016. p. 283–290.

7. Горбунов А.Л. Визуальная когерентность в дополненной реальности. Advanced Engineering Research (Rostov-on-Don). 2023;23(2):180–190. DOI: 10.23947/2687-1653-2023-23-2-180-190.

8. Korkmaz S., Binol H. Classification of molecular structure images by using ANN, RF, LBP, HOG, and size reduction methods for early stomach cancer detection. Journal of Molecular Structure. 2018;(1156):255–263. DOI: 10.1016/j.molstruc.2017.11.093.

9. Korkmaz S., Akjijek A., Binol H.B., Korkmaz M. Recognition of the stomach cancer images with probabilistic HOG feature vector histograms by using HOG features. In: 2017 IEEE 15th International Symposium on Intelligent Systems and Informatics (SISY), 14–16 September 2017, Subotica, Serbia. IEEE. p. 339–342. DOI: 10.1109/SISY.2017.8080578.

10. Девицына С.Н., Елецкая Т.А., Балабанова Т.Н., Гахова Н.Н. Разработка интеллектуальной системы биометрической идентификации пользователя. Экономика. Информатика. 2019;46(1):148–160.

11. Анисимова А.С., Аникин И.В. Интеллектуальная система биометрической аутентификации пользователя по динамической рукописной подписи. В сборнике: Международный форум Kazan Digital Week–2022, 21–24 сентября 2022, Казань, Россия. Казань: Научный центр безопасности жизнедеятельности; 2022. с. 280–285.

12. Van Hoorick B., Vondrick C. Dissecting Image Crops. Columbia University, New York; 2020.

13. Raveendra M., Nagireddy K. DNN Based Moth Search Optimization for Video Forgery Detection. International Journal of Engineering and Advanced Technology. 2019;9(1):1190–1199.