РАЗРАБОТКА АЛГОРИТМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ
Keywords:
распознавание лиц, глубокое обучение, CNN, ResNet-50, ArcFace, MTCNN, эмбеддинг, биометрия, anti-spoofing, верификация.Abstract
В статье рассматривается разработка алгоритма распознавания лиц на основе глубокого обучения с использованием сверточной сети ResNet-50, функции потерь ArcFace и механизмов внимания. Исходная схема исследования включает детекцию и выравнивание лица, извлечение эмбеддинга, нормализацию признаков и сопоставление по косинусной близости. Для обучения в исходном материале используется CASIA-WebFace, содержащий 494 414 изображений 10 575 личностей; изображения приводятся к размеру 112×112 пикселей, а предварительная обработка выполняется MTCNN. Методологический анализ показывает, что заявленная высокая точность должна подтверждаться отдельным протоколом тестирования, поскольку приведенный материал содержит параметры модели и распределение обучающей выборки, но не содержит полной таблицы результатов на LFW, порогов принятия решения, ROC-характеристик, FAR/FMR, FRR/FNMR, EER или доверительных интервалов. Поэтому показатель точности выше 99% не трактуется в переработанной версии как независимо подтвержденный экспериментальный результат. Для повышения воспроизводимости уточнены требования к описанию архитектуры внимания, размерности эмбеддинга, размеру пакета, числу эпох, расписанию скорости обучения, регуляризации, аугментации, аппаратной платформе и случайным начальным условиям. Предложен протокол сравнительной оценки с базовой ResNet-50, ArcFace без внимания и полной моделью, а также внешней проверкой на LFW и более сложных сценариях с окклюзиями, изменением позы и качества изображения. На основе данных NIST выделены дополнительные ограничения, связанные с масками, демографическими различиями и презентационными атаками. Практическое внедрение алгоритма в Узбекистане требует также соблюдения законодательства о биометрических персональных данных, включая требования к согласию, защите и хранению таких данных. Сформулированы направления дальнейшей экспериментальной проверки алгоритма. Особое внимание уделено различию между закрытой классификацией известных классов и открытой биометрической верификацией, где личности тестового набора могут отсутствовать в обучении, а качество определяется ошибками сопоставления при заранее установленном рабочем пороге системы.
Downloads
References
1. Guo G., Zhang N. A survey on deep learning based face recognition // Computer Vision and Image Understanding. 2019. Vol. 189. Art. 102805. DOI: 10.1016/j.cviu.2019.102805.
2. Dubey R.K., Choubey D.K. Deconstructive human face recognition using deep neural network // Multimedia Tools and Applications. 2023. Vol. 82, No. 22. P. 34147–34162. DOI: 10.1007/s11042-023-15107-4.
3. Wickrama Arachchilage S.P.K., Izquierdo E. Deep-learned faces: a survey // EURASIP Journal on Image and Video Processing. 2020. Art. 25. DOI: 10.1186/s13640-020-00510-w.
4. Ullah N. et al. A novel DeepMaskNet model for face mask detection and masked facial recognition // Journal of King Saud University - Computer and Information Sciences. 2022. Vol. 34, No. 10. P. 9905–9914. DOI: 10.1016/j.jksuci.2021.12.017.
5. Mohammed Sahan J., Abbas E.I., Abood Z.M. A facial recognition using a combination of a novel one dimension deep CNN and LDA // Materials Today: Proceedings. 2023. Vol. 80. P. 3594–3599. DOI: 10.1016/j.matpr.2021.07.325.
6. Schroff F., Kalenichenko D., Philbin J. FaceNet: A Unified Embedding for Face Recognition and Clustering // Proceedings of CVPR. 2015. P. 815–823. DOI: 10.1109/CVPR.2015.7298682.
7. Liu W., Wen Y., Yu Z., Li M., Raj B., Song L. SphereFace: Deep Hypersphere Embedding for Face Recognition // Proceedings of CVPR. 2017. P. 212–220. URL: https://openaccess.thecvf.com/content_cvpr_2017/html/Liu_SphereFace_Deep_Hype rsphere_CVPR_2017_paper.html.
8. Wang H., Wang Y., Zhou Z. et al. CosFace: Large Margin Cosine Loss for Deep Face Recognition // Proceedings of CVPR. 2018. P. 5265–5274. URL: https://openaccess.thecvf.com/content_cvpr_2018/html/Wang_CosFace_Large_Margin_CVPR_2018_paper.html.
9. Deng J., Guo J., Xue N., Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition // Proceedings of CVPR. 2019. P. 4690–4699. URL: https://openaccess.thecvf.com/content_CVPR_2019/html/Deng_ArcFace_Additive_Angular_Margin_Loss_for_Deep_Face_Recognition_CVPR_2019_paper.html.
10. Zhang K., Zhang Z., Li Z., Qiao Y. Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks // IEEE Signal Processing Letters. 2016. Vol. 23, No. 10. P. 1499–1503. DOI: 10.1109/LSP.2016.2603342.
11. Kemelmacher-Shlizerman I., Seitz S.M., Miller D., Brossard E. The MegaFace Benchmark: 1 Million Faces for Recognition at Scale // Proceedings of CVPR. 2016. P. 4873–4882. URL: https://openaccess.thecvf.com/content_cvpr_2016/html/Kemelmacher-Shlizerman_The_MegaFace_Benchmark_CVPR_2016_paper.html.
12. Zhu Z., Huang G., Deng J. et al. WebFace260M: A Benchmark Unveiling the Power of Million-Scale Deep Face Recognition // Proceedings of CVPR. 2021. P. 10492–10502. URL: https://openaccess.thecvf.com/content/CVPR2021/html/Zhu_WebFace260M_A_Ben
chmark_Unveiling_the_Power_of_Million-Scale_Deep_Face_CVPR_2021_paper.html.
13. Grother P., Ngan M., Hanaoka K. Face Recognition Vendor Test Part 3: Demographic Effects. NISTIR 8280. 2019. DOI: 10.6028/NIST.IR.8280.
14. Ngan M.L., Grother P.J., Hanaoka K.K. Ongoing Face Recognition Vendor Test Part 6B: Face Recognition Accuracy with Face Masks Using Post-COVID-19 Algorithms. NISTIR 8331. 2020. DOI: 10.6028/NIST.IR.8331.
15. Ngan M.L., Grother P.J., Hom A. Face Analysis Technology Evaluation Part 10: Performance of Passive, Software-based Presentation Attack Detection Algorithms. NISTIR 8491. 2023. DOI: 10.6028/NIST.IR.8491.
16. Yang J., Grother P.J., Ngan M.L., Hanaoka K.K., Hom A. Face Analysis Technology Evaluation Part 11: Face Image Quality Vector Assessment: Specific Image Defect Detection. NISTIR 8485. 2023. DOI: 10.6028/NIST.IR.8485.
17. Yu Z., Qin Y., Li X., Zhao C., Lei Z., Zhao G. Deep Learning for Face Anti-Spoofing: A Survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2023. Vol. 45, No. 5. P. 5609–5631. DOI: 10.1109/TPAMI.2022.3215850.
18. National Institute of Standards and Technology. Face Challenges: IARPA Janus Benchmark-C (IJB-C), FRVT/FRTE evaluation resources. Updated 2025. URL: https://www.nist.gov/programs-projects/face-challenges.
19. Закон Республики Узбекистан от 02.07.2019 № ЗРУ-547 «О персональных данных», ст. 26–27¹ (действующая редакция). Национальная база данных законодательства Республики Узбекистан. URL: https://lex.uz/docs/4396419.
20. Закон Республики Узбекистан от 26.03.2026 № ЗРУ-1125 «О внесении изменений и дополнения в Закон Республики Узбекистан “О персональных данных”». Национальная база данных законодательства Республики Узбекистан. URL: https://lex.uz/docs/8104580.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution 4.0 International License.
License Terms of our Journal
