Сравнительный анализ методов биометрической идентификации лиц: от традиционных алгоритмов к современным моделям глубокого обучения

Аннотация

Биометрическая идентификация по лицу является одной из самых перспективных и широко внедряемых технологий в современных системах информационной безопасности, видеонаблюдения и управления доступом. С быстрым развитием искусственного интеллекта, особенно архитектур глубокого обучения, точность, эффективность и надежность систем распознавания лиц значительно возросли, что позволило их использование в таких критически важных отраслях, как национальная безопасность, финансы, здравоохранение и транспорт. Несмотря на эти достижения, остаются значительные проблемы, включая высокие вычислительные затраты на обучение и внедрение моделей глубоких нейронных сетей, необходимость в масштабных размеченных наборах данных, а также вопросы, связанные с конфиденциальностью и безопасностью биометрической информации. В данном исследовании представлен всесторонний сравнительный анализ классических методов машинного обучения, таких как метод главных компонент (PCA) и метод опорных векторов (SVM), с современными моделями, основанными на глубоких нейронных сетях, а именно FaceNet и ArcFace. Анализ сосредоточен на ключевых показателях производительности, включая точность распознавания, устойчивость к изменяющимся внешним условиям (изменение освещения, мимики лица и наличие частичных закрытий), а также вычислительную эффективность и масштабируемость. В статье также рассмотрены математические основы каждого метода, подробно описаны алгоритмические процессы, включая использование функции потерь triplet loss в FaceNet и угловой функции потерь в ArcFace, которые значительно улучшают обучаемость признаков для повышения точности распознавания лиц. Результаты исследования подтверждают, что хотя модели глубокого обучения, такие как FaceNet и ArcFace, превосходят традиционные алгоритмы по точности и устойчивости, их применение требует значительных вычислительных ресурсов и порождает серьезные опасения по поводу безопасного хранения и обработки биометрических данных. Будущие исследования должны быть сосредоточены на разработке облегчённых, безопасных моделей, способных обеспечивать высокую точность распознавания без ущерба для безопасности и без необходимости в сложной вычислительной инфраструктуре.