КОНЦЕПТУАЛИЗАЦИЯ СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА БАЗЕ OPENCV ДЛЯ ОБРАЗОВАТЕЛЬНЫХ УЧРЕЖДЕНИЙ

CONCEPTUALIZATION OF AN OPENCV-BASED FACIAL RECOGNITION SYSTEM FOR EDUCATIONAL INSTITUTIONS

Kuanysh Tleubay

Student, Faculty of engineering and digital technology, North Kazakhstan University named after M. Kozybayev,

Kazakhstan, Petropavlovsk

АННОТАЦИЯ

В статье освещается концептуализация и план реализации интегрированной системы распознавания лиц для повышения безопасности в образовательных учреждениях. Статья включает в себя диаграммы и схемы демонстрирующие комплексное решение. Исследование подчеркивает значимость двухфакторной аутентификации, представляя систему, которая усиливает безопасность без ущерба удобству пользователей и эффективности образовательного процесса.

ABSTRACT

The article discusses the development and implementation of an integrated facial recognition system to enhance security in educational institutions. It includes diagrams and charts that demonstrate a comprehensive solution. The research emphasizes the importance of two-factor authentication, presenting a system that enhances security without compromising the convenience of users and the efficiency of the educational process.

Ключевые слова: распознавание лиц, машинное обучение, автоматизация, OpenCV, CvCam, cxcore, CVaux, СКУД, Youtu, Seetface.

Keywords: face recognition, machine learning, automation, OpenCV, CvCam, cxcore, CVaux, ACS, Youtu, Seetface.

В современном образовательном пространстве безопасность становится ключевым приоритетом, наравне с обучением и исследовательской деятельностью. Обеспечение порядка и контроль доступа в образовательных учреждениях требуют всё большего внимания для защиты академической честности и личной безопасности [2, с. 766-755]. Важность этих вопросов, хотя и кажется несравнимой с академическими задачами, не может быть недооценена, поскольку игнорирование их может привести к значительным рискам.

Проблемы физической безопасности в образовательных заведениях усугубляются инцидентами неправомерного проникновения, когда посторонние лица могут нарушить спокойствие и безопасность образовательного процесса. Такие ситуации создают не только физическую угрозу для присутствующих в здании, но и ставят под риск академическую политику и честность.

В контексте этих вызовов, стоит вопрос о поиске эффективных технологических решений. Предыдущая статья затрагивала различные методы биометрической идентификации, особое внимание было уделено трем передовым технологиям распознавания лиц: OpenCV, YouTu и Seetaface. Каждая из этих систем была изучена с точки зрения её основных характеристик, возможностей и ограничений [4, с. 480], как эти технологии могут способствовать укреплению безопасности в учебных заведениях, не только улучшая академическую добросовестность, но и предотвращая внешние угрозы безопасности.

OpenCV, с его алгоритмами и гибкостью интеграции, выделился как особенно перспективный инструмент [1, с. 41-44]. Его преимущества оказались наиболее релевантными для задач, стоящих перед образовательными учреждениями: высокая точность и устойчивость в распознавании лиц, а также возможность работать в условиях различного освещения и на фоне сложных сцен. Эти характеристики делают OpenCV идеальным кандидатом для разработки системы контроля доступа, способной вести непрерывный мониторинг и обеспечивать безупречную идентификацию учащихся и персонала.

Выбор в пользу OpenCV не был сделан основывается на следующих сравнительных данных. Метод YouTu предложил исключительную детализацию в распознавании, которая была бы идеальна для научных и медицинских исследований, где каждая мелочь имеет значение. Seetaface, с его открытым исходным кодом, обеспечил бы отличную гибкость и стал бы хорошим выбором для проектов с ограниченными ресурсами. Для обеспечения безопасности в динамичной среде,  OpenCV показал себя как наиболее компетентное решение.

Рисунок 1. Структура модели библиотеки OpenCV

В центре библиотеки находится модуль «cxcore», который служит фундаментом, предоставляя базовые структуры данных и алгоритмы, необходимые для манипуляций с многомерными числовыми массивами, выполнения операций матричной алгебры и математических расчетов, а также содержит средства для работы с XML. Модуль CV расширяет возможности OpenCV, включая базовые операции над изображениями, такие как фильтрация и преобразования, а также аналитические функции для извлечения характеристик, анализа движения и детекции объектов. Highgui, еще один ключевой модуль, упрощает процессы ввода и вывода изображений и видео, а также создания пользовательского интерфейса. Следующие модули «Cvaux» и «CvCam» вносят свой вклад в экспериментальные и устаревшие функции для глубинного анализа пространственных данных и захвата видео соответственно, делая OpenCV поистине универсальным инструментом для исследователей и разработчиков в области компьютерного зрения [5, с. 19-27].

Таким образом, основываясь на глубоком анализе и сравнении, было принято решение остановить свой выбор на OpenCV для дальнейшей разработки.

Продолжая изучение вопросов безопасности в образовательных учреждениях и рассматривая различные подходы к идентификации личности, определено, что существующая система контроля доступа на основе карт (СКУД) является надежным решением, но в то же время она может быть усовершенствована путем интеграции современных технологий компьютерного зрения. Это решение призвано не заменить, а значительно улучшить и оптимизировать текущую систему безопасности, делая её более адаптивной и интеллектуальной.

Рисунок 2. Схематичное изображение процесса входа в образовательное учреждение

Интеграция компьютерного зрения в уже существующие системы контроля доступа на основе карт (СКУД) в образовательных учреждениях открывает новые горизонты для повышения их эффективности [6, с. 30-38]. Представим ситуацию: студент подходит к турникету и подносит карту. Система считывает данные и определяет, что перед ней «Иванов Иван». Далее активируется программа компьютерного зрения, которая, уже зная, кого следует идентифицировать, сканирует лицо Иванова для подтверждения его личности. Такой подход имеет неоспоримые преимущества.

Рисунок 3. Схематичное изображение процесса входа в образовательное учреждение с внедрением компьютерного зрения

Например, если кто-то попытается использовать чужую карту, система не обманется – ведь лицо нарушителя не совпадет с лицом, ассоциированным с картой. Такая двухфакторная система идентификации значительно усиливает защиту от несанкционированного доступа.

Рисунок 4. Диаграмма вариантов использования системы распознавания лиц на базе OpenСV

На представленной диаграмме Use Case демонстрируется следующие возможности системы распознавания. Акторы, представленные в виде "Администратора" и "Студента", взаимодействуют с системой через разнообразные операционные процедуры.

"Администратор" имеет следующие варианты использования:

• "Удалить профиль": удаляет профили пользователей из системы.
• "Создать профиль": создает новые профили пользователей в системе.
• "Редактировать профиль": изменяет существующие профили пользователей.

"Студент" может:

• "Войти по системе": процесс авторизации в системе.
• "Создать обращение": с целью изменения анкетных данных или обновление профиля для корректной идентификации системой.

"Хранение данных" и "Идентификация" являются внутренними функциями системы, критически важными для обеспечения ее функциональности. Они включаются во все основные процессы, свидетельствуя о том, что каждое действие в системе требует взаимодействия с базой данных и модулем идентификации для верификации пользовательских данных.

В рамках научного реализации научной работы необходимо разработать программу, в которой будет интегрирован модуль распознавания лиц с существующей инфраструктурой учебных заведений. Разработка должна включать в себя создание графического пользовательского интерфейса, который обеспечит взаимодействие с пользователями на интуитивном уровне, и серверной части, где будет осуществляться обработка и анализ данных. Программа должна поддерживать работу с видеопотоками от цифровых камер, обеспечивать регистрацию и хранение пользовательских данных в защищенной базе данных, а также выполнять их сверку с учетными записями пользователей. Завершающим этапом станет внедрение модулей машинного обучения для обучения модели на основе собранных данных.

Список литературы:

1. M.S. Kalas, Обнаружение и отслеживание лиц в реальном времени с использованием OpenCV. Int. J. Soft Comput. Artif. Intell. 2(1), 41–44 (2014)
2. Z. Cai and X. Zheng, “A private and efficient mechanism for data uploading in smart cyber-physical systems,” IEEE Transactions on Network Science & Engineering, vol. 7, no. 2, С. 766–775, 2018.
3. С. Ву и З. Инвэй, «Обнаружение лиц на основе выборочного поиска и сверточных нейронных сетей», Computer Application Research , стр. 2854–2857, 2017.
4. Николенко С.И. Глубокое обучение. Погружение в мир нейронных сетей. С.И. Николенко, А.А. Кадурин, Е.В. Архангельская – Санкт-Петербург : Питер, 2018. – 480 c.
5. Z. Lv and L. Qiao, “Optimization of collaborative resource allocation for mobile edge computing,” Computer Communications, vol. 161, С. 19–27, 2020.
6. K. Bong, S. Choi, C. Kim, and H. J. Yoo, “Low-power convolutional neural network processor for a face-recognition system,” IEEE Micro, vol. 37, no. 6, С. 30–38, 2017.
7. C. Li, W. Wei, J. Li, and W. Song, “A cloud-based monitoring system via face recognition using Gabor and cs-lbp features,” Journal of Supercomputing, vol. 73, no. 4, С. 1532–1546, 2017.