Журнал "Системы Безопасности" № 4‘2024

Из представленного рисунка понятно, что для такого датасета и задача обнаружения стано- вится гораздо сложнее. В частности, можно заметить снимки с огромным количеством лиц на далеком удалении от камеры. Вместе с тем обнаружение объектов на изображениях с помощью нейронных сетей является более вычислительно затратной задачей, чем класси- фикация. Поэтому для обнаружения лиц ранее часто использовали метод Виолы – Джонса, так как он превосходил глубокие нейронные сети в скорости обработки. Пример его работы пред- ставлен на рис. 4. В связи с достаточной сложностью работы с дата- сетом WIDER Faces и большим акцентированием внимания на исследовании производительности моделей было решено протестировать скорость и качество различных алгоритмов на нескольких изображениях. При этом сравнивались изобра- жения с мешающими предметами, а также изоб- ражения с большим количеством лиц. На рис. 5 показаны результаты обработки снимков с помо- щью метода Виолы – Джонса, а на рис. 6 – с помощью модели YuNet [8], выбранной для повышения производительности. Для сравнения производительности использо- валось вычисление среднего времени обработ- ки кадров (каждая картинка обрабатывалась 100 раз) с помощью CPU-процессора среды Google Colab. В табл. 2 представлены результаты сравнения скорости обработки. В ячейках запи- сано среднее время обработки кадра. Следует отметить, что другие нейросетевые технологии не сравнивались, поскольку для быстрой рабо- ты они требуют использования графических процессоров NVIDIA (GPU) и заведомо уступают в скорости обработки информации методу Виолы – Джонса при использовании CPU. Анализ результатов табл. 2 показывает, что при- менение YuNet позволяет уменьшить среднее время обработки кадров в два-три раза для случая с единичными лицами и в пять-шесть раз для случаев с большим количеством лиц. Таким образом, хорошим пайплайном для пол- ного цикла распознавания является применение детектора лиц YuNet и классификатора (для извлечения признаков) FaceNet. Однако суще- ствуют методы атак на нейронные сети, которые требуют от разработчиков решений идентифи- кации лиц дополнительных методов защиты. Визуальные атаки и методы борьбы с ними Исследования [9, 10] подтверждают, что можно заставить нейронную сеть давать неправильные ответы в случае использования состязательных атак на изображения. В част- ности, технологии работы сверточных нейро- нных сетей являются уязвимыми к примене- нию резких перепадов яркости пикселей. Патчи в стиле "шахматной доски" могут сбить работу системы обнаружения, не говоря уже об идентификаторе лиц. Вместе с тем опас- ность представляют и однородные вставки белого или черного без яркостного перепада. На рис. 7 показан пример штатного функцио- нирования детектора лиц MTCNN и его работа при воздействии визуальной атаки. В нашем исследовании были реализованы состязательные атаки на изображения лиц. На август – сентябрь 2024 www.secuteck.ru БИОМЕТРИЧЕСКИЕ СИСТЕМЫ  С И С Т Е М Ы К О Н Т Р О Л Я И У П Р А В Л Е Н И Я Д О С Т У П О М 60 Рис. 2. Примеры изображений LFW 1 Рис. 3. Примеры изображений WIDER Faces 2 Рис. 4. Методы Виолы – Джонса 3 1 https://paperswithcode.com/dataset/lfw 2 https://shuoyang1213.me/WIDERFACE/ 3 https://habr.com/ru/articles/133826/