Дистанційне проведення процесу відеоідентифікації стає все більш актуальним у нашій країні. З одного боку, поширення у світі вірусу COVID-19 викликало різку зміну патернів споживчої поведінки. Зросла частка тих споживачів, які свідомо чи вимушено відмовляються від фізичного контакту з оточуючими. З іншого боку, велика кількість людей стикається з різними проблемами у зв'язку з переселенням та релокацією підприємств із територій, де ведуться активні бойові дії. Наприклад, людина, яка бажає відкрити особистий рахунок чи взяти кредит, не завжди може знайти відділення банку, де операціоніст зможе перевірити схожість людини з її документами. Або громадянин, який звертається для надання деяких електронних державних послуг, наразі, на певних етапах виконання його запиту, повинен бути особисто присутнім у відповідних державних органах, щоб підтвердити свою особистість.
Одним з шляхів вирішення проблеми дистанційної відеоідентифікації особи є процес Liveness detection [1], який дозволяє відрізнити реальну людину від штучної репродукції її зовнішності. При цьому підході система, яка використовує Liveness detection, повинна взаємодіяти із особою таким чином, щоб значно утруднити підробку її особистості хакером або шахраєм.
Робота має високу актуальність і практичну значимість, через що було прийнято рішення про розробку власного алгоритму проведення процесу Liveness detection, який дозволить дистанційно проаналізувати і оцінити присутність особи, що ідентифікується, та побудувати на його основі програмну систему відеоідентифікації співробітників підприємства, відкритість коду якої дозволить вільно, за потребою, повторно використовувати або змінювати її компоненти при реалізації процесу Liveness detection у будь-яких системах відеоідентифікації людини.
Найпершим кроком нашої роботи, що має бути виконаний для розробки системи відеоідентифікації особи, є розробка алгоритму процесу Liveness detection. Його головною метою є конкретизація шагів комунікації програмної системи із користувачем, з метою отримання висновку щодо фізичної присутності особи, яка проходить відеоідентифікацію, перед камерою. Розглянемо створений алгоритм, зображений на рис. 1. більш детально:
Рис 1. Алгоритм виконання процесу Liveness Detection
Найпершим кроком розробленого алгоритму є отримання еталонного зображення для ідентифікації особи. Таким зображенням може бути фото з документів користувача, або, як зроблено у нашій системі - ідентифікатор перепустки, зашифрований у вигляді QR-коду, який генерується заздалегідь та містить в собі логін співробітника, до якого прив’язана його еталона центральна фотографія.
Відповідно до цього, другим та третім кроком є розшифровка QR-коду з перепустки та пошук розшифрованої інформації у базі даних системи. Якщо працівника за отриманим логіном не знайдено, це значить, що перепустка виявилася підробленою та алгоритм не допускає такого співробітника, завершаючи таким чином процес відеоідентифікації.
Якщо дані перепустки були знайдені, на четвертому кроці алгоритму виконується генерація трьох завдань, націлених на отримання положень голови особи, яка ідентифікується. Першим завданням є отримання центральної фотографії особи, два інших обираються випадково з масиву заздалегідь доступних варіантів завдань.
П’ятим та шостим кроком є безпосереднє фотографування особи, з подальшим аналізом фотографії на положення голови та його відповідності поточному завданню.
На сьомому кроці відбувається перевірка, чи виконане поточне завдання. Якщо ні, то кількість доступних спроб зменшується на одну. Якщо у працівника ще є доступні спроби, то процес переходить до п’ятого кроку, тобто на процес фотографування. Якщо завдання було виконано, система перевіряє, чи співпадає особа на фотографії та на перепустці. Якщо відсоток співпадіння занадто малий, то процес буде завершено з не допуском до підприємства. Якщо особа пройшла перевірку, то надається змога виконати останні два завдання на положення голови, після чого система повертається на п’ятий крок.
Наступним кроком нашої роботи є дослідження можливості використання просторових характеристик обличчя для аналізу положення голови від API AWS, оскільки сам по собі API AWS не надає функціоналу для проведення Liveness detection. Для того, щоб зрозуміти, чи є дане положення голови користувача вірним, було виконане дослідження підібраних лімітів для кожного параметра окремо, емпіричним шляхом.
Проведене дослідження порогових значень відповідей AWS API та розроблений у роботі алгоритм Liveness Detection дозволяє автоматично оцінювати, що у ході виконання відеоідентифікації система дійсно взаємодіє із фізично присутньою людиною, що дозволяє боротися із випадками шахрайства у багатьох сферах роботи інформаційних систем – від банального врахування часу роботи на підприємстві до запобігання злому систем безпеки банкінгу та інших фінтеч рішень. Для розробки програмної імплементації створеного алгоритму була проведена інтеграція з сервісами отримання даних фотозображень AWS, під час якої, емпіричним шляхом були підібрані коефіцієнти якості вхідного зображення для проведення процесу Liveness Detection.
Врешті, на основі проведених досліджень і створених алгоритмів, була роз-роблена система відеоідентифікації співробітників підприємства та проведено її тестування, яке показало високі результати роботи створеного програмного продукту. Відкритість алгоритмів і коду системи, а також використання передових технологій при її розробці, дозволяють використовувати наробки, отримані у роботі, для інших програмних систем, де необхідно впроваджувати процес відеоідентифікації особи.
Список використаних джерел:
1.Apgar D. Survey of Face Liveness Detection for Unsupervised Locations / D. Apgar, M. R. Abid // 2021 IEEE 12th Annual Information Technology, Elec-tronics and Mobile Communication Conference (IEMCON) – 2021 – P. 162-168.
2.Datta A. Face detection and recognition: Theory and practice / A. Datta, M. Datta – London: CRC Press, 2016 – 323 p.
3.Use-cases: Acuant [Електронний ресурс] – Режим доступу: https://www.acuant.com/use-case/.
4.Get to Know Kairos [Електронний ресурс] – Режим доступу: https://www.kairos.com/docs/.
5.Animetrics | Face Recognition [Електронний ресурс] – Режим доступу: http://animetrics.com/
6.API Documentation - Lambda Labs [Електронний ресурс] – Режим доступу: https://lambdal.com/api-documentation.html
7.Fan Y. Research on Liveness Detection Algorithms Based on Deep Learning / Y. Fan, Y. Shi, X. Wang, H. Yi // 2019 IEEE 10th International Conference on Software Engineering and Service Science (ICSESS) – 2019 – P. 1-6.
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter