Autentifikatsiya (Authentication)

biror narsani bilish asosida. Misol sifatida parol, shaxsiy identifikatsiya kodi PIN (Personal Identification Number) hamda “so’rov javob” xilidagi protokollarda namoyish etiluvchi maxfiy va ochiq kalitlarni ko’rsatish mumkin;

biror narsaga egaligi asosida. Odatda bular magnit kartalar, smart-kartalar, sertifikatlar va touch memory qurilmalari;

qandaydir daxlsiz xarakteristikalar asosida. Ushbu kategoriya o’z tarkibiga foydalanuvchining biometrik xarakteristikalariga (ovozlar, ko’zining rangdor pardasi va to’r pardasi, barmoq izlari, kaft geometriyasi va x.) asoslangan usullarni oladi. Bu kategoriyada kriptografik usullar va vositalar ishlatilmaydi. Beometrik xarakteristikalar binodan yoki qandaydir texnikadan foydalanishni nazoratlashda ishlatiladi.

Parol — foydalanuvchi hamda uning axborot almashinuvidagi sherigi biladigan narsa. O’zaro autentifikatsiya uchun foydalanuvchi va uning sherigi o’rtasida parol almashinishi mumkin. Plastik karta va smart-karta egasini autentifikatsiyasida shaxsiy identifikatsiya nomeri PIN sinalgan usul hisoblanadi. PIN — kodning mahfiy qiymati faqat karta egasiga ma’lum bo’lishi shart.

Dinamik — (bir martalik) parol - bir marta ishlatilganidan so’ng boshqa umuman ishlatilmaydigan parol. Amalda odatda doimiy parolga yoki tayanch iboroga asoslanuvchi muntazam o’zgarib turuvchi qiymat ishlatiladi.

Ikkala tarafga bitta sir ma’lum bo’lgani sababli, birinchi taraf ikkinchi taraf javobini to’g’riligini tekshirishi mumkin.

Yuzni tanib olish biometrik tizimlardagi eng diqqatga sazovor usullardan biridir. U inson va kompyuterning o'zaro ta'siri ( Yang va boshq., 2002 ), yuzni kuzatish, yuz ifodasini aniqlash, charchoqni aniqlash, piyodalar va tananing yuqori qismini aniqlash ( Barbu, 2014 , Duffner va Odobez, 2014 ), vizual kuzatuv kabi ko'plab amaliy sohalarda qo'llaniladi. , imo- ishoralarni aniqlash ( Chaudhary va boshq., 2011 ), robototexnika, video va tasvirlarni indekslash, haydash monitoringi tizimi va multimedia va sud-tibbiy ilovalar. Xavfsizlik kuchaygan dunyoning hozirgi stsenariysida yuzni tanib olish muammosi, ayniqsa Covid-19 pandemiyasi va keyingi davrda, potentsial biometrik tanib olish usuli sifatida paydo bo'ldi. Covid-19 pandemiyasidan so'ng, barmoq izlari kabi kontaktga asoslangan biometrik tizimlardan foydalangan tashkilotlarning aksariyati uni kundalik davomat tizimi uchun ishlatishdan bosh tortdilar. Shunday qilib, kontaktga asoslangan biometrik tizimlarni joriy qilgan dunyo bo'ylab tashkilotlar Covid-19 natijasida kontaktsiz yuzni autentifikatsiya qilish platformasiga o'tdilar. Carlaw (2020) , shuningdek, yuz va ìrísí tanib olish kabi kontaktsiz texnologiyalarni taklif qiladi., endi paydo bo'lgan tahdidga moslashishga majbur qilinmoqda. Shunday qilib, kelajakda kontaktsiz biometrik tizimlarga jamoatchilik va tashkilotlarda talabning keskin o'sishi kuzatiladi. Shu sababli, ushbu maqola biometrik texnologiyaga yo'naltirilgan tizimlar bilan shug'ullanadigan tadqiqot tashkilotlarini aks ettiradi, deb hisoblaydi. Bundan tashqari, u biometrik tadqiqot hamjamiyatini yuz, ìrísí, yurish va ovozni aniqlash kabi kontaktsiz biometrik tizimlarga ko'proq e'tibor qaratishga undaydi ( Karlav, 2020 , Yangiliklar, 2020 ).

Keng miqyosda yuzni aniqlash usullarini geometrik asosli yoki modelga asoslangan usullarga ajratish mumkin ( Rezq va El-Sayed, 2008 , Kaur va boshq., 2015 , Ouarda va boshq., 2014 , Yan va boshq., 2014 , Ghimire va Li . , 2013 , Huang va Peng, 2013 , Wolf, 2009 ) va tashqi ko'rinishga asoslangan yoki statistik usulga asoslangan ( Wolf, 2009 , Liu va boshq., 2019 Muqeet va Holambe, 2019; Wu va boshqalar, 2019).) yondashuvlar. Geometrik yondashuvlar og'izning kengligi, ikki ko'z orasidagi ichki va tashqi masofa, peshonadan burun va iyak orasidagi balandliklar, jag' va iyak orasidagi masofa va boshqalar kabi yuz shakli belgilariga asoslangan holda ishlab chiqilgan ( Kaur va boshqalar. , 2015 ). Tashqi ko'rinishga asoslangan usullar rang, tekstura va fazoviy orientatsiya kabi past darajadagi xususiyatlar asosida ishlab chiqilgan ( Muqeet va Holambe, 2019; Wu va boshq., 2019 , Mahmoodi va Sayedi, 2015 ). Adabiyot shuni ko'rsatadiki, faqat geometrik belgilar yaxshi natija bermaydi ( Mahmoodi va Sayedi, 2015).). Shunday qilib, keyingi ishlar geometrik xususiyatlar va past darajali xususiyatlarni birlashtirdi va bu geometrik xususiyatlar yoki past darajadagi xususiyatlardan ko'ra yaxshiroq natija berganligi haqida xabar berdi. Ilgari kiritilgan usullar bitta xususiyat yoki vazifa asosida ishlab chiqilgan bo'lsa, yangi texnikalar turli xususiyatlarni, ya'ni harakat, rang, shakl, chekka va yuqori darajadagi neyron tarmoqlar , Adaboost, SVM va boshqalarni birlashtiradi. qiyinchiliklarni yengish uchun. Adabiyotlardan ko'rinib turibdiki, so'nggi paytlarda deyarli barcha ishlar neyron tarmoq, ya'ni konvolyutsion neyron tarmoq (CNN), chuqur CNN (DCNN), chuqur neyron tarmoq (DNN) tushunchalari bilan ishlab chiqilgan. Davomiy bo'limda so'nggi tegishli ishlar tasvirlangan.
Yuqorida ta'riflanganidek, ko'plab tadqiqotchilar geometrik belgilar yordamida yuzni aniqlashning bir qancha usullarini ishlab chiqdilar. In ( Starovoitov va Sama, 1999 ) yuzning geometrik xususiyatlari, masalan, ko'z o'quvchilari, burun teshiklari, peshonaning chap va o'ng nuqtalari va boshqa yuz belgilari orasidagi masofalar chiqariladi; Xususiyatlarni solishtirish uchun Evklid masofasidan foydalaniladi. Ghimire va Li (2013) dinamik vaqtni o'zgartiruvchi o'xshashlik masofasi bilan ko'p sinfli AdaBoost yordamida olingan yuzning yorqin geometrik xususiyatlariga asoslangan usulni taqdim etdilar. Maheshkar va boshqalar. (2012) ma'lum qilishicha, mavjud xususiyatga asoslangan yoki mahalliy xususiyatlarga asoslangan usullar individual yuz xususiyatlarini tavsiflashga tayanadi.(ya'ni, ko'zlar, burun va og'iz va boshqalar) va ularning geometrik munosabatlari. Ular butun yuz ma'lumotlaridan foydalangan holda ko'z, burun va og'izning maydoni o'lchovlari, gorizontal, vertikal va diagonal yo'nalishli chekka ma'lumotlari va ko'p masshtabli ma'lumotlar kabi xususiyatlar to'plamini avtomatik ravishda hisoblab chiqadigan sxemani taklif qilishdi. Lei va boshqalar. (2009) Faol shakl modeli (ASM) asosida yuzning geometrik nuqtalarini ajratib oladigan va og'irlik markazi koordinatasi va yuz tasvirining izohli ishonchli nuqtalari koordinatalari o'rtasidagi Evklid masofasini hisoblaydigan yuz ifodasini aniqlash tizimini taklif qildi. Mimikalarni aniqlash uchun ko'p sinfli SVM klassifikatori qo'llaniladi. Zangene va Moradi (2018)burun, qosh va og'izning differensial geometrik belgilaridan kelib chiqqan holda ishlab chiqilgan yondashuvni taqdim etdilar. Ular yuz tasvirlarini tanib olish uchun SVM klassifikatorini o'rnatdilar. Do va Le (2008) geometrik xususiyatlarni ajratib oladigan va (i) geometrik xususiyatlarning asosiy komponentlar tahlili (PCA) va (ii) geometrik xususiyatlarning Mustaqil komponentlar tahlili (ICA) kombinatsiyasi bilan ikkita guruhni shakllantiruvchi usulni taklif qildilar va taqqoslashdi. ikki guruhning natijalari. Ularning ta'kidlashicha, ikkinchisi birinchisiga qaraganda yaxshiroq natijalar beradi.
Bindemann va Burton (2009) rang xususiyatlariga asoslangan usulni taqdim etdilar, bu rang yuzni tanib olishda muhim rol o'ynashini ta'kidlaydi. Liu va Liu (2008) gibrid rangga asoslangan chastota xususiyatlari usulini taqdim etdilar, u RIQ deb nomlangan gibrid rang maydonini shakllantiradi va uni chastota domeniga aylantiradi; va haqiqiy va xayoliy qismlardan bir-birini to'ldiruvchi xususiyatlarni va chastota sohasi tasvirining kattaligini ajratib oladi. Qo'shimcha funktsiyalar xususiyatlar darajasida birlashtirish orqali birlashtiriladi. Liu va Liu (2010) RCrQ deb nomlangan gibrid rang maydonini shakllantiradigan usulni taqdim etdilar. U R komponenti tasviridan yamoqqa asoslangan Gabor funksiyasini, Cr komponenti tasviridan koʻp oʻlchamli LBP funksiyasini vaDiscrete Cosine Transform (DCT) Q komponent tasvirining bir nechta yuz kodlash xususiyatlari. Nihoyat, o'xshashlik matritsalari uch komponentli (r, Cr va Q) tasvirlar yordamida yaratiladi va ular qaror darajasida vaznli yig'indi qoidasi yordamida birlashtiriladi. Sharifara va boshqalar. (2017) birinchi navbatda Haarga o'xshash tekstura xususiyatlarini aniqlaydi va keyin kengaytirilgan mahalliy ikkilik naqsh (LBP) asosida jarayonni tasdiqlaydi va Adaboost algoritmi bilan vektorli mashinalarni qo'llab-quvvatlaydi . Chjan va boshqalar. (2010) mahalliy lotin naqshli (LDP) sxemani taqdim etdilar. LDP shablonlari ma'lum bir mahalliy mintaqadagi piksellarning turli xil fazoviy munosabatlarini kodlaydi va yuqori tartibli mahalliy ma'lumotlarni chiqaradi.Mahmoodi va Sayedi (2015) jag'ning shakli, peshona uzunligi, lablar va ko'zlar kabi geometrik xususiyatlar odamdan odamga farq qilishi mumkinligini va bu shablon yoki yuz shakliga asoslangan usullarni taklif qilishda qiyinchiliklarga olib kelishini xabar qildi. Bundan tashqari, ular mavjud usullar qoniqarli natijalar bermayapti, chunki ular bitta xususiyat yoki vazifa asosida ishlab chiqilgan. Ushbu muammoni bartaraf etish uchun ular rang, tekstura va shakl kabi turli xil xususiyatlarni ajratib olishadi va yadro ehtimoli xaritalash funktsiyasidan foydalanadilar. Muqeet va Holambe (2019) yo'nalishli to'lqinli o'zgarishlardan foydalanadigan yangi yuz xususiyatlarini ajratib olish usulini taklif qilishdi.(DIWT) va LBP. Shuningdek, ular DIWT pastki diapazonlarini olish uchun mahalliy hududlarda moslashtirilgan yo'nalishni tanlashni osonlashtiradigan to'rtburchak bo'linish usulini qo'lladilar. LBP gistogramma xususiyatlari mahalliy tavsiflovchi xususiyatlar to'plamini olish uchun tanlangan yuqori darajadagi DIWT pastki diapazonlaridan olinadi. Jiang va boshqalar. (2013) hisobotiga ko'ra, bir nechta vizual signallardan ma'lumotni birlashtirish - tekstura, stereo nomutanosiblik va tasvir harakati - idrok etish vazifalari, ya'ni ob'ektni aniqlash samaradorligini oshirishi mumkin. Ular yuzni ko'p ko'rinishda aniqlash vazifasi uchun biologik ilhomlangan tekstura va stereo nomutanosiblik ma'lumotlaridan foydalanganlar, bu esa aniqlash samaradorligini oshirishga olib keladi va hisoblash murakkabligini kamaytiradi. Pan va boshqalar. (2013)heterojen xususiyat deskriptorlari Adaboost o'rganish algoritmi uchun xususiyat turlarining xilma-xilligini boyitishini xabar qildi. Ular, shuningdek, Hetero-PSO-Adaboost-SVM yuz detektorini taklif qilishdi, u heterojen va bir-birini to'ldiruvchi xususiyat deskriptorlari to'plami bilan yuz naqshlarini ifodalaydi, shu jumladan Umumiy Haarga o'xshash (GH) deskriptori, Ko'p blokli mahalliy ikkilik naqshlar (MB- LBP) deskriptori va Tezlashtirilgan mustahkam xususiyatlar (SURF) deskriptori. Zarrachalar to'dasini optimallashtirish (PSO) algoritmi xususiyatlarni samarali tanlaydigan original Adaboost ramkasiga kiritilgan. Geetika va Indu (2018)Tekstura va qirralarning ma'lumotlari yuz tasvirini ko'rsatishda o'ziga xos rol o'ynashini taklif qiladi va ular LBP (OC-LBP) ortogonal kombinatsiyasi va Yo'naltirilgan gradientlar gistogrammasi (HOG) xususiyatlarini ajratib, normallashtiradigan va keyin birlashtiradigan ramkani taklif qilishdi. Keyinchalik, gistogramma asosidagi Chi-kvadrat, kvadrat akkord va kengaytirilgan Kanberra ko'rsatkichlari va normallashtirilgan Chi-kvadrat yadrosi bilan SVM asosida tasniflanadi . Moeini va boshqalar. (2017) odamlarning yuz chuqurligi o'zgarmaydigan va sinflararo o'xshashlik sinf ichidagi o'zgarishlardan yuqori bo'lgan bir-biriga o'xshash yuzlarni tanib olish usulini joriy qildi. Ushbu muammoni hal qilish uchun ular chuqur va tekstura xususiyatlarini ajratib olishadi va uch xil usulni qo'llaydilar, masalan, siyrak,hamkorlikdagi vakillik va ularning kombinatsiyasi.
So'nggi yillarda konvolyutsion neyron tarmog'i (CNN) va chuqur CNN (DCNN) natijalarning aniqligi va chiziqli bo'lmagan muammolarni hal qilishning qat'iy qoidalariga rioya qilishda moslashuvchanligi tufayli tadqiqot hamjamiyatining e'tiborini tortdi. Ko'pgina tadqiqotchilar yuzni aniqlash muammolari uchun neyron tarmoqlarni qabul qildilar ( Sun va boshq., 2013 , Taigman va boshq., 2014 , Schroff va boshq., 2015 , Vang va boshq., 2017 , Wen va boshqalar, 2019 , Wu va boshqalar . ., 2019 ). Wu va boshqalar. (2019)ko'pchilik CNN modellari yuz tasvirlari uchun har xil turdagi mahalliy hududlarda konvolyutsiya yoki birlashtirish kabi bir xil operatsiyalarni qo'llaydi va xususiyatlarni umumiy surma-oyna konfiguratsiyasida jamlaydi va barcha mahalliy xususiyatlar yuzni aniqlash jarayoni uchun bir xil darajada samarali ishlaydi. . Bunday yondashuvda, mintaqaviy farqlarga e'tibor bermaslik tufayli, nafaqat har bir mahalliy xususiyat suboptimal, balki umumiy yuz tasvirlari ham semantik jihatdan mos kelmaydi. Gosvami va boshqalar. (2019) hisobotiga ko'ra, asosan chuqur neyron tarmoqlarga asoslangan modellar matematik tushunchalar bilan ko'p qatlamlarda o'rganiladigan funktsiyalarni shakllantirishdan beri qora quti stilistik yondashuvidir.qulay ish emas. Ushbu muammoni amalga oshirish bilan ko'plab tadqiqotchilar chuqur o'rganish algoritmlarining kamchiliklaridan foydalanadigan, ularning mustahkamligi va o'ziga xosligini shubha ostiga qo'yadigan ba'zi usullarni ishlab chiqdilar. Bundan tashqari, adabiyotlardan ko'rinib turibdiki, chuqur neyron tarmoq modellari o'rganish qobiliyatiga va yuqori ekspressiv quvvatga ega bo'lishiga qaramay , ular ma'lumotlar to'plamini o'rganish xususiyatlariga o'rgatish uchun yuqori hisoblash xarajatlarini talab qiladi.
Adabiyotlar shuni ko'rsatadiki, yuz tasvirining geometrik belgilarining o'zi yaxshi natija bermaydi, shuningdek, past darajadagi vizual xususiyatlar - rang, tekstura va fazoviy ma'lumotlarning o'zi ham qoniqarli natijalarni bermaydi. Shu sababli, ushbu maqola geometrik xususiyatlarni past darajadagi vizual xususiyatlar bilan birlashtirish orqali yaxshi natijaga erishish mumkin deb hisoblaydi. Bu bizni yorqin geometrik nuqtalar va past darajadagi xususiyatlar kombinatsiyasiga asoslangan yuzni aniqlash tizimini ishlab chiqishga undadi va u mavjud usullardan ko'ra yaxshiroq natijalar berishi mumkinligiga ishondi.