Використання технології розпізнавання облич у правоохоронній діяльності

Размещено на http://www.allbest.ru/

Використання технології розпізнавання облич у правоохоронній діяльності

В.В. Буран,

старший науковий співробітник ДНДІ МВС України, м. Київ, Україна,

У статті розглянуто сучасний досвід використання технології автоматичної ідентифікації особи за відеозображенням поліцейськими зарубіжних країн. Висвітлено основні проблеми та складні моменти у процесі розпізнавання обличчя, шляхи отримання якісних ознак, які б найкраще характеризували та однозначно ідентифікували обличчя конкретної особи. Зазначено переваги та недоліки методів розпізнавання облич. Наголошено на необхідності підвищення рівня технічного оснащення та спеціальної підготовки фахівців функціональних підрозділів Національної поліції України.

Ключові слова: розпізнавання обличчя, системи відеоспостереження, використання нейронних мереж, використання біометричних технологій.

В статье рассмотрен современный опыт использования технологии автоматической идентификации личности по видеоизображению полицейскими зарубежных стран. Освещены основные проблемы и сложные моменты в процессе распознавания лица, пути получения качественных признаков, которые лучше всего характеризовали и однозначно идентифицировали лицо конкретного человека. Указаны преимущества и недостатки методов распознавания лиц. Отмечена необходимость повышения уровня технического оснащения и специальной подготовки специалистов функциональных подразделений Национальной полиции Украины.

Ключевые слова: распознавание лиц, системы видеонаблюдения, использование нейронных сетей, биометрические технологии.

USE OF TECHNOLOGY OF FACIAL RECOGNITION IN LAW ENFORCEMENT ACTIVITIES

V.V. Buran, Senior Staff Scientist of the State Research Institute MIA Ukraine, Kyiv, Ukraine,

The use of video surveillance systems in the activity of law enforcement agencies of Ukraine tends to expand both in the field of public order protection and in access control and management systems. To increase the efficiency of using these systems, it is advisable to apply a biometric identification method by face geometry. The biometric market already has a sufficient number of software offers for such systems. It is necessary to have a state order for the development of software for facial identification systems, since the level of training of programmers in Ukrainian research institutes is sufficient for such development. During the protection of public order, such intelligent video surveillance systems will improve the level of prevention and detection of offenses and identify those in search. The use of face detection video surveillance systems and, in particular, in conjunction with other biometric identification methods, will significantly increase the reliability of object protection and information security.

For the National Police units, it is necessary to determine a complete list of grounds that are of sufficient weight to obtain permission to access and use video information.

3 In order to clearly organize the effective use of video surveillance systems, a methodology for exploiting video surveillance systems, including systems and tools for intelligent data processing and work with the materials received, should be developed. This should be a separate document intended for official use in the departments of the National Police of Ukraine. As preparatory work, issues related to the storage, registration / registration, archiving and access to video archives materials should be solved, namely the development of a number of normative documents (instructions):

- on the categorization of video information and the assignment of stamps “For Official Use”, “Secretly”, “Top Secret”;

- the order of registration and storage of video materials on modern media (CD, DVD, BD, Flash, HDD, etc.) with the appropriate stamps;

- the order and legal basis for the use of video surveillance systems;

- instruction on the operation of the video surveillance systems;

The archived video information must be kept for a certain period of time, and access to it must be carefully controlled. In order to control access to video information, the following restrictions should be introduced:

- exclusively motivated access to video information;

- delimitation of access to video information in time (from: date, hours, minutes to: date, hours, minutes);

- delimitation of access to video information about an object (district, microdistrict or recording of a particular video camera);

- automatic fixing of each access to archived video information with user's identification;

- definition of the range of officials who, for the fulfillment of their tasks, have the right to access archived video information.

Personnel with access to video surveillance systems must be trained for:

- training on the use of video materials and staffing;

- involvement in the operation of video materials;

- development of job descriptions of personnel regarding the use of video information of the corresponding stamps;

- training course on the operation and maintenance of individual components and video surveillance systems in general.

Keywords: facial recognition, video surveillance system, use of neural networks, biometrical technologies.

Професійні злочинці у своїй діяльності використовують найновіші технології, і тому для ефективної протидії злочинності правоохоронні органи повинні використовувати сучасні наукові досягнення, зокрема, у галузі біометричних технологій. Охорона громадського порядку, здійснення відеонагляду за охоронюваним об'єктом за допомогою засобів відеоспостереження з можливістю розпізнавання осіб, які вчинили правопорушення, дозволяють значно швидше та ефективніше розкривати злочини.

Процеси інформатизації потребують переосмислення, що обумовлено сучасними викликами для МВС як багатопрофільного цивільного відомства, що формує та забезпечує реалізацію державної політики у сферах охорони прав і свобод людини, інтересів суспільства і держави, протидії злочинності.

Одним із перспективних напрямів застосування біометричних методик є організація діяльності інтелектуального відеоспостереження за особою за допомогою відеокамер з системою розпізнавання облич, які покривають територію міста.

Проблемам використання цих технологій у правоохоронній діяльності присвячено достатньо публікацій як у відкритих, так і закритих літературних джерелах, зокрема, у доробку таких вчених, як Барсуков В.С., Брюхомицький Ю.А., Гречишкіна О.М., Двоєносова Г., Двоєносова М., Дубчак О.В., Захаров В.П., Іванов А.І., Казарин М.Н., Козирев С.П., Кухарев Г.А., Корченко А.О., Мацьків Н.С., Підгай- на К.І., Полєнніков М.О., Рудешко В.І., Урсуленко І.В., та інших.

Важливість наукового здобутку та внеску в теорію та практику згаданих вчених важко переоцінити. Аналіз літературних джерел дає підстави стверджувати, що у процесі проектування, створення й експлуатування біометричних систем є певні недоліки, які знижують ефективність їх функціонування. Згідно з оглядом зарубіжного досвіду застосування методу біометричної аутентифікації людини Укрбюро Інтерполу, в країнах Євросоюзу, США та в Ізраїлі використовують переважно способи біометричної аутентифікації за відбитками пальців та за двовимірним зображенням обличчя. Проте перевірка за двовимірним зображенням обличчя здійснюється, як правило, без використання спеціальних приладів, шляхом візуального порівняння обличчя особи з цифровим зображенням, що міститься в біометричному паспорті [1].

Для розпізнавання осіб в системах відеоспостереження придатний лише метод ідентифікації за геометрією обличчя, оскільки це єдиний метод, який дозволяє здійснювати ідентифікацію на значній відстані. При чому ефективність такої ідентифікації в значній мірі залежить від якості отриманого зображення. Відеокамера спільно з оптичною системою повинна забезпечувати розмір обличчя не гірше ніж 320х240 пікселів, з уточненням, що між центрами зіниць очей не повинно бути менше ніж 60 пікселів та швидкість 3-5 кадрів на секунду. У випадку забезпечення вищих параметрів роздільної здатності та частоти надійність впізнання значно зростає. Точність 3-^D, а тим більше комбінованого (2-^D + 3-D) методу, є набагато вищою від точності 2-D методу. У процесі ідентифікації виділяються та обробляються найбільш характерні параметри обличчя: форма носа, губ, брів, відстань між ними, на основі яких формуються цифрові моделі [2, 18].

У зарубіжних країнах уже спостерігалися неодноразові спроби використання методу ідентифікації за обличчям у системах відеоспостереження. Наприклад, практично вся територія м. Лондона вкрита системою відеоспостереження для запобігання та розкриття правопорушень в Лондоні. За допомогою системи розпізнання облич, яка була розроблена до лондонської Олімпіади, заарештовано майже 2 тисячі осіб, причетних до мародерства під час масових безпорядків. Нині ФБР використовує систему розпізнавання за обличчям, розробка якої коштувала $1 млрд, що дозволяє розшуковувати злочинців за матеріалами відеонагляду на основі бази даних фотографій з використанням 3D моделі голови особи [3]. Біометрична система розпізнавання облич Next Generation Identification обирає, обробляє та ідентифікує зображення облич, райдужної оболонки очей, татуювань та відбитки пальців на всій території США, обробляючи сотні тисяч облич за секунду. Уже цьогоріч база даних налічує 52 млн осіб, у той час як програма NeoFace, яка використовується у Великобританії та дозволяє порівнювати обличчя підозрюваного із зображенням у картотеці поліції, працює з базою даних обсягом 92 тисячі осіб [4]. Наприклад, використовувана поліцією Уельсу система розпізнавання осіб за рік - з квітня 2017 року, видала 2,5 тис. попереджень про те, що людина знаходиться в розшуку. Представники поліції Уельсу відзначають, що жодна система розпізнавання осіб не може бути на 100 % точною. Згідно з офіційною версією, частина зображень була надіслана іншими службами, а самі картинки були дуже поганої якості.

Система розпізнавання осіб працює в Уельсі в реальному часі, використовуючи камери відеоспостереження, встановлені в спеціальних локаціях або на машинах. Вона порівнює особу з базою даних з 500 тис. зображень, і, якщо знаходить збіг, то офіцер може або проігнорувати це, або направити колег поговорити з особою, яку виявила система. Якщо виявляється, що комп'ютер мав рацію, то підозрюваному пояснюють, що сталося, і запрошують до обладнання, де показують документ про “справедливу обробку”. розпізнавання обличчя правоохоронний

За даними ВВС, у Китаї встановлено понад 174 мільйони камер спостереження. Ще 400 мільйонів планують ввести в роботу в найближчі три роки. Багато камер використовують штучний інтелект, зокрема, можуть розпізнавати обличчя. Китай є світовим лідером із цієї технології.

Протягом останніх років Китай інвестував значні кошти в нові технології для допомоги поліції.

Розвиток сучасних технологій, у першу чергу, вимагає від правоохоронних органів по-новому підходити навіть до виконання повсякденних обов'язків, від яких залежить безпечне існування людей. Останні досягнення в галузі технологій для правоохоронних органів є знахідкою: стрімке поширення доступу в Інтернет протягом останніх двох десятиліть, 3-D відтворення місця злочину (пристрої, які роблять тривимірне сканування всього злочину, замінюючи безліч ескізів та фотографій), натільні відеокамери, автомобільні комп'ютери, пристрої зчитування номерних знаків, технології розпізнавання обличчя і навіть мобільні консолі для зчитування відбитків пальців. З одного боку, повсякденні технології, такі як соціальні медіа, програмне забезпечення, апаратні засоби і комунікаційні мережі, засновані на мобільних системах, та інші додатки є великою допомогою в роботі правоохоронних органів, а з іншого, - утворився абсолютно новий цифровий простір для злочинних угруповань і навіть терористичних організацій, і це потребує додаткової уваги поліції. Однак соціальні медіа - це далеко не єдина технологія, яка викликає занепокоєння з боку поліції.

На сьогодні розпізнавання облич є досить актуальним й знайшло застосування в багатьох сферах життя людини. Зокрема, варто відзначити використання різноманітних методів розпізнавання в таких інтелектуальних системах як динамічна ідентифікація особи в відеопотоці чи автентифікація користувача в системі, використовуючи його біометричні дані, зокрема обличчя.

Процес ідентифікації будь-яких об'єктів складається із двох стадій: навчання та розпізнавання [5]. Навчання складається з послідовного аналізу зображень із зазначенням об'єктів, які на ньому зображені. Отримані в такий спосіб дані зберігаються в базі даних і в майбутньому будуть використані для порівняння векторів ознак. Розпізнавання включає в себе дедалі більш складну процедуру, оскільки потрібно не лише отримати певний набір ознак із поточного зображення обличчя, але й за певним алгоритмом провести порівняння і зробити висновок про належність тій чи іншій особі.

Основною проблемою та складністю у процесі розпізнавання обличчя є отримання якісних ознак, котрі б якнайкраще характеризували й однозначно

ідентифікували обличчя конкретної особи. У ході розвитку теорії розпізнавання було запропоновано й реалізовано в реальних системах досить велику кількість алгоритмів та методів: метод головних компонент [6], геометричний метод [7], приховані моделі Маркова [8], методи на основі нейромережі, метод Віоли-Джонса [9-10] та багато інших. Кожен із цих методів має свої переваги та недоліки. Якість та ефективність методу залежить від багатьох факторів, зокрема, якості вхідного зображення (освітленість, роздільна здатність), виразу (емоційного стану) обличчя людини, наявності додаткових особливостей (борода, вуса, окуляри), розміщення обличчя відносно камери. Розпізнавання на основі 3В-зображення обличчя також має свої складнощі, проте 3В-зображення дає більш точну і повну геометрію обличчя. Тому при виборі методу розпізнавання слід брати до уваги всі ці фактори, більшість з яких визначається сферою практичного застосування.

На цей час відомі й використовуються багато методів та їх модифікацій. Кожен із методів має свої переваги та недоліки, які проявляються за тих чи інших ситуацій, що призводить до непередбачуваних випадків “пропустити чужого чи відмовити в доступі своєму”. Фактори, що позначаються на якості роботи методів, зазвичай одні й ті самі, та все ж таки кожен із методів має свою стійкість до певних із них. Такими факторами є рівень та кут освітлення, відстань від камери, стан міміки чи здоров'я людини, настрій, кут нахилу обличчя, кут самого обличчя відносно камери, вікові зміни, наявність бороди чи вус та ін.

Геометричний метод розпізнавання обличчя є одним із перших з-поміж використовуваних методів розпізнавання обличчя [11, 13]. У методах цього виду розпізнавання полягає в виділенні набору ключових точок (або областей) обличчя і наступному формуванні набору ознак. Серед ключових точок можуть бути куточки очей, губ, кінчик носа, центр ока тощо. Цей метод задає високі вимоги до знімання зображень і потребує надійного алгоритму знаходження ключових точок для загального випадку. Приклад побудови геометричних ліній на обличчі людини зображено на рис. 1.

Рис. 1. Приклад побудови геометричних ліній на обличчі

До переваг методу можна віднести використання недорогого обладнання; при відповідному обладнанні є можливість розпізнавання зображень, отриманих на значних відстанях. Недоліки такі: низька статистична достовірність, високі вимоги до освітлення, обов'язкове фронтальне зображення особи, з невеликими відхиленнями. Не враховують можливих змін міміки обличчя.

Метод гнучкого порівняння на графах, суть якого зводиться до порівняння графів, що описують зображення обличчя особи. В окремих публікаціях вказується 95-97 % ефективності розпізнавання навіть за наявності різних емоційних виразів і зміні ракурсу при формуванні зображення особи до 15 градусів. Проте для порівняння вхідного зображення особи з 87 еталонними витрачається приблизно 25 секунд при роботі на паралельній ЕОМ. Приклади структури графа для розпізнавання осіб: а) регулярна решітка; б) граф на основі антропометричних точок обличчя; в) деформації графа у вигляді регулярної решітки, наведено на рис. 2.

Рис. 2. Приклад структури графа для розпізнавання осіб: а) регулярна решітка; б) граф на основі антропометричних точок обличчя; в) деформації графа у вигляді регулярної решітки.

Іншим недоліком такого підходу є низька технологічність при запам'ятовуванні нових еталонів, що загалом призводить до нелінійної залежності часу роботи від розміру бази даних осіб. Основною перевагою є низька чутливість до рівня освітленості обличчя та до зміни кута обличчя, але сам по собі цей підхід має нижчі показники за достовірністю розпізнавання, ніж методи, побудовані із використанням нейромереж.

Метод головних компонент (МГК) зводить процес розпізнавання чи класифікації до побудови для вхідного зображення певної кількості головних компонент зображень [12]. Приклад перших десяти власних векторів (власних осіб), отриманих за вибіркою осіб, наведено на рис. 3.

Рис. 3. Приклад векторів

Метод Віоли-Джонса [9, 15] дозволяє виявляти об'єкти на зображеннях в реальному часі. Метод добре працює при спостереженні об'єкта під невеликим кутом, приблизно до 30°. Точність розпізнавання з використанням цього методу частково досягає понад 90 %, що є хорошим результатом. Однак при куті відхилення понад 30° імовірність розпізнавання різко падає. Беручи до уваги дану особливість, унеможливлюється детектування особи під довільним кутом. Перевагами цього методу є висока швидкість виявлення об'єктів, висока ймовірність точного виявлення обличчя (понад 90 %) для фронтальних зображень і спостережень об'єкта під невеликим кутом, приблизно до 30°, та низька ймовірність помилкового виявлення обличчя.

Використання нейронних мереж. Один із найкращих результатів у області розпізнавання осіб досягається за допомогою використання згорткових нейронних мереж (ЗНМ), які є логічним розвитком таких архітектур, як когнітрон і неоког- нітрон. Успіх обумовлений можливістю обліку двовимірної топології зображення, на відміну від багатошарового перцептрона. На рисунку 4 зображено приклад роботи нейромережі.

Завдяки цим нововведенням ЗНМ забезпечує часткову стійкість до змін масштабу, зсувів, поворотам, зміні ракурсу та іншим спотворенням. Тестування ЗНМ на базі даних ORL, що містить зображення осіб з невеликими змінами освітлення, масштабу, просторових поворотів, положення і різними емоціями, показало 96 % точність розпізнавання. До недоліків методів, які побудовані на основі нейронних мереж, слід віднести додавання нового еталонного обличчя до бази даних, що вимагає повного перенавчання мережі на всьому наявному наборі, а це досить тривала процедура, яка залежно від розміру вибірки вимагає багатьох годин роботи, а то і декількох днів. Також їм властиві проблеми математичного характеру, пов'язані з навчанням: потрапляння до локального екстремуму, вибір оптимального кроку оптимізації, перенавчання тощо.

Рис. 4. Приклад роботи нейромережі

Локальні бінарні шаблони (ЛБШ) уперше були запропоновані в 1996 році для аналізу текстури півтонових зображень (рис. 5).

Рис. 5. Локальні бінарні шаблони

Дослідження засвідчили, що ЛБШ інваріантні до невеликих змін в умовах освітлення і невеликим поворотам зображення. Методи на основі ЛБШ добре працюють при використанні зображень облич із різною мімікою, різним освітленням, поворотами голови.

Серед недоліків - необхідність якісної попередньої обробки зображень через високу чутливість до шуму, оскільки за його наявності зростає кількість помилкових бінарних кодів.

Приховані моделі Маркова. Прихована марківська модель - статистична модель, що імітує роботу процесу, схожого на марківський процес з невідомими параметрами. Згідно з моделлю ставиться задача знаходження невідомих параметрів на основі інших параметрів, за якими ведеться спостереження. Отримані параметри можуть бути використані під час подальшого аналізу для розпізнавання облич. З точки зору розпізнавання, зображення - це двовимірний дискретний сигнал. Важливу роль у побудові моделі зображення відіграє вектор спостереження. Для того, щоб уникнути розбіжностей в описах, зазвичай використовують прямокутне вікно для розпізнавання. Щоб не втрачати області даних, прямокутні вікна мають перекривати одне одного. Значення для перекривання, як і області розпізнавання, добираються експериментальним шляхом. Після зняття блоку виконують його перетворення в цифровий блок за одним із двох методів: Карунена-Лоєва (КЛП) дискретне косинусне перетворення (ДКП). У роботі А. Нефіан, М. Хаєс основна увага приділяється використанню ПММ, де в якості ознак розпізнавання використовуються двовимірні вектори, такий підхід значно зменшує обчислювальну складність методу [14]. Активні моделі зовнішнього вигляду - це статистичні моделі зображень, які шляхом різних деформацій можуть бути підігнані під реальне зображення. У моделях цього виду описуються два типи параметрів: параметри, пов'язані з формою (параметри форми), і параметри, пов'язані зі статистичною моделлю зображення або текстурою (параметри зовнішнього вигляду). Перед використанням модель повинна бути навчена на безлічі заздалегідь розмічених зображень. Кожна мітка має свій номер і визначає характерну точку, яку повинна буде знаходити модель під час адаптації до нового зображення [16]. Приклад подібної розмітки показаний на рис. 6.

Рис. 6. Приклад розмітки обличчя

На основі проведеного аналізу можна стверджувати про відсутність абсолютної переваги окремого напряму. Більш чіткий вибір методу має бути зумовлений умовами застосування, тобто властивостями біометричної системи, яка застосовується для отримання того чи іншого виду доступу, та можливістю альтернативного використання вже відомих характерних ознак обличчя. Усі методи є інтелектуальною власністю виробника, тому їх сутність детально не розкривається, а отже, визначити ефективність роботи методу можна тільки в ході проведення дослідної експлуатації.

Недоліки, властиві системам розпізнавання облич. Системи ідентифікації облич можна обійти, використавши скопійований елемент, необхідний для ідентифікації, у цьому разі буде достатньо навіть фотографії. Для уникнення таких проблем потрібно змінити метод отримання порівнюваного зображення. Можна використати підказки у програмі під час ідентифікації, які дадуть можливість людині змінити міміку. Пропонується використати новий алгоритм отримання зображень при порівнянні з еталонним фронтальним, а саме використання двох джерел отримання зображення обличчя під певним кутом, тобто два профільних зображення, які не корелюють одне з одним і водночас відтворюють певні елементи фронтального зображення особи, яке внесене попередньо, що дозволить збільшити точність розпізнавання.

Система розпізнавання облич в Україні. В умовах реформування системи Міністерства внутрішніх справ України та функціонування Національної поліції постає необхідність в органах системи МВС. Так, логічним є те, що високопрофесійна діяльність поліції потребує високотехно- логічних рішень. Після проведення аналізу щодо створених систем відеоспостере- ження в світі можна зробити висновок, що створення відомчої системи відеоспосте- реження для потреб Національної поліції України недоцільне, оскільки необхідне фінансування на її створення та утримання. Зазвичай такі системи перебувають у юрисдикції міських служб, а правоохоронцям надаються певні повноваження доступу. При цьому йдеться не просто про системи відеоспостереження, а про повнофункціональні проекти “Безпечне місто”.

За 2 роки в рамках програми “Безпечне місто” в Києві встановили понад 6200 камер відеоспостереження. Окрім функції огляду, вони можуть розпізнавати обличчя й автомобільні номери, а також фіксувати порушення правил дорожнього руху й визначати ступінь завантаженості руху на дорозі. Наразі система відеоспостереження перебуває на етапі розробки і масштабування, але вже певною мірою допомагає в роботі поліції та іншим правоохоронним органам. Наразі комунальне підприємство “Інформатика” проводить тестування нового аналітичного модуля відеоспостереження в рамках проекту “Безпечне місто” (Kyiv Smart Safe City).

Рис. 7. Kyiv Smart City

Унікальний модуль дозволяє шукати правопорушників не лише завдяки спеціалізованим камерам розпізнавання обличчя. Модуль фіксує зображення з будь-якої камери, що встановлена в рамках мережі та порівнює їх із базою правопорушників. Якщо система виявляє подібність, оператор одразу отримує тривожний сигнал. Таким чином, система прискорює розшук злочинців та правопорушників.

Зараз камери розташовані у місцях великого скупчення людей: у дошкільних навчальних закладах, школах, метрополітені, вокзалах, лікарнях тощо.

До складу новітнього аналітичного модуля розпізнавання осіб входять аналітична система та база даних, яка складається зі списку розшукуваних людей. Система має два режими роботи: онлайн та офлайн. У режимі онлайн модуль, отримавши зображення обличчя, порівнює його з наявними зображеннями в базі пошуку. У разі виявлення схожості з даними бази оператор отримує сигнал тривоги. Офлайн-режим дозволяє шукати людей у базі за фотографією обличчя.

Камери фіксують обличчя людини, ці дані залишаються в архіві. За допомогою отриманого з камер фоторобота правопорушника система аналізує базу даних та знаходить потрібну людину. Під час пошуку в системі можна налаштувати параметри, наприклад: “людина в шапці”, “людина в окулярах”, “темний колір волосся”, навіть вік або стать.

Модуль розпізнавання - апаратно-програмний. Він є частиною інтегрованого комплексу, центра обробки даних (ЦОД), що знаходиться в Києві. Апаратна частина та програмна частини - розробки компанії Hikvision. Розробники аналітичного модуля орієнтувалися саме на інтелектуальну систему розпізнавання облич “Sky Net”, що сьогодні використовується в 16 найбільших містах Китаю. Водночас система може обробляти 450 потоків, 1100 облич на секунду.

Унікальність аналітичного модуля полягає в тому, що він здатен аналізувати потоки з різних типів камер, не тільки тих, які оснащені функціями розпізнавання облич. Минулого року розпочато встановлення камер у київському метрополітені. Модуль розроблений із метою полегшення роботи силовиків і швидкого пошуку зловмисників. Минулого року поліція повідомляла, що в Києві протягом року за допомогою камер спостереження розкрито понад 2,5 тис. злочинів.

Наразі у київському метрополітені завершується установка 198 камер відео- спостереження. Вони розміщуватимуться безпосередньо на входах і виходах вестибюлів метро. Усі камери мають функцію розпізнавання особи та підключені до Єдиного центру обробки даних (ЦОД), що дозволяє спостерігати за ситуацією в онлайн-режимі. Дані з камер передаються на сервер, де зберігаються протягом 30 днів.

Відповідно до Стратегії розвитку системи Міністерства внутрішніх справ України до 2020 року, яка затверджена 15 листопада 2017 року розпорядженням Кабінету Міністрів України № 1023, інформатизацію діяльності, а саме підвищення ефективності роботи і взаємодії через максимальне використання інформаційно- комунікаційних технологій у реалізації завдань органами системи МВС, визначено серед основних підходів з досягнення цілей Стратегії зображення [17].

Водночас розпорядженням Кабінету Міністрів України від 20 вересня 2017 р. № 649-р “Про схвалення Концепції розвитку електронного урядування в Україні” запровадження єдиної інформаційної системи МВС, а також розвиток сучасних електронних технологій за найбільш актуальними напрямами діяльності органів виконавчої влади, діяльність яких координується Кабінетом Міністрів України через Міністра внутрішніх справ України, визначено серед основних завдань модернізації державного управління за допомогою інформаційно-комунікаційних технологій у сфері охорони прав і свобод людини.

З часу затвердження у 2016 році Концепції інформатизації Міністерства внутрішніх справ України та центральних органів виконавчої влади, діяльність яких спрямовується та координується Кабінетом Міністрів України через Міністра внутрішніх справ України, продовжували відбуватися автономні процеси розвитку відокремлених інформаційних, інформаційно-, телекомунікаційних систем за кожним напрямом діяльності. Такий стан речей не відповідає сучасним вимогам до організації інформаційних взаємодій та якості інформаційних ресурсів.

Концепцією програми інформатизації системи Міністерства внутрішніх справ передбачено створення інформаційно-телекомунікаційної системи біометричної верифікації та ідентифікації особи - сукупності інформаційних, інформаційно- телекомунікаційних систем МВС та центральних органів державної влади, діяльність яких спрямовується та координується Кабінетом Міністрів України через Міністра внутрішніх справ України, яка функціонує з метою забезпечення національної безпеки, економічного добробуту та прав людини, за допомогою яких забезпечується прийняття і виконання завдань щодо ідентифікації та верифікації особи, у тому числі із застосуванням віддаленого доступу.

Указана система забезпечує використання інтегрованих програмних продуктів на базі інформаційної взаємодії з національною системою біометричної верифікації та ідентифікації, Єдиною інформаційною системою правління міграційними процесами, Єдиним державним демографічним реєстром, інформаційними системи дактилоскопічного обліку та іншими інформаційними, інформаційно-телекомунікаційними системами з метою вдосконалення процесів ідентифікації та верифікації особи, у тому числі біометричних, оперативного доступу до мультимедійної інформації та ізометричних даних особи (дактилокартка, зразки ДНК, відцифрований підпис особи, відцифрований образ обличчя особи тощо), зібраних та накопичених уповноваженими органами, що реалізують державну політику у сфері внутрішніх справ, а також отримані під час їх взаємодії з органами державної влади, органами місцевого самоврядування, органами правопорядку інших держав, фізичними та юридичними особами, під час наповнення реєстрів і бази) даних про осіб, що доставлялися в випадках й порядку, визначеними законом до зазначених уповноважених органів, осіб, підозрюваних у вчиненні кримінального правопорушення, обвинувачених, підсудних, та осіб, які вчинили адміністративні правопорушення, а також інформації та даних, отриманих під час видачі документів, що посвідчують особу, підтверджують громадянство України чи спеціальний статус особи.

Обробка інформації та даних здійснюється з дотриманням вимог Закону України “Про захист персональних даних”, доступ до яких здійснюється уповноваженими посадовими і службовими особами з використанням засобів електронного цифрового підпису.

У всьому світі технічні спеціалісти розробляють і вдосконалюють комунікаційні технології та інноваційні рішення, зокрема технології зв'язку. За сучасних умов швидкість реагування поліції, процес реєстрації правопорушення, правова регламентація взаємодії та координації діяльності правоохоронних органів з іншими структурами є важливими складовими національної безпеки України, які залежать від якісного нормативного забезпечення, високого рівня технічного оснащення, спеціальної підготовки фахівців функціональних підрозділів Національної поліції України.

Недостатній захист життєво важливих інформаційних ресурсів та інформаційних і телекомунікаційних систем або навіть їх відсутність може створити загрозу не тільки національній безпеці України, а й міжнародній безпеці загалом.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Огляд зарубіжного досвіду застосування методу біометричної аутентифікації людини Укрбюро Інтерполу від 29.06.2010. URL: http://42827.ncbint00.web.hosting -test.net/p=270 (дата звернення: 13.02.2019).

2. Захаров В.П., Рудешко В.І. Використання біометричних технологій правоохоронними органами у ХХІ столітті: наук.-практ. посіб. Львів: ЛьвДУВС, 2009. 440 с.

3. Участников беспорядков полиция “вычисляет” с помощью компьютерной технологии распознавания лиц. Dokumentika.org від 12.09.2012. URL: http://dokumentika.org/spetssluzhbi/ uchastnikov-besporyadkov-v-londone-politsiya-vichislyaet-s-pomoschiukompiuternoy-technologii- raspoznavaniya-lits (дата звернення: 15.02.2019).

4. ФБР запустило глобальную систему распознавания лиц. URL: http://hvylya.net/ news/ fbr-zapustilo-globalnuyu-sistemu-raspoznavaniya-lits.html (дата звернення: 13.02.2019).

5. L. Juwei, N.P. Konstantinos, A. Venetsanopoulos, “Face recognition using kernel direct discriminant analysis algorithms”, IEEE Transactions On Neural Networks, vol. 14, no. 1, pp. 117-126, January 2003.

6. M. Lades, J. Vorbruggen, J. Buhmann, “Distortion invariant object recognition in the dynamic link architecture”, IEEE Transactions on computers, 1993, vol. 42, no. 3, pp. 300 -310, March 1993.

7. P. Viola, “Robust realtime face detection”, International Journal of Computer Vision, 2004, vol. 57, no. 2, pp. 137-154, 2004 .

8. Лисенко A.M. Застосування біометричних систем для ідентифікації особи. Вісник Київського нац. ун.-ту ім. Т.Шевченка. Юридичні науки. 2004. № 60/62. C. 87-91.

9. Метод Виолы-Джонса (Viola-Jones) как основа для распознавания лиц. URL: https:// habrahabr.ru/post/133826/ (дата звернення: 13.02.2019).

10. P. Viola, “Rapid object detection using a boosted cascade of simple features”, IEEE Conf. on Computer Vision and Pattern Recognition, V. 1, Kauai, Hawaii, USA., pp. 511-518, 2001.

11. Федоров Д.М. Метод забезпечення інваріантності зображення обличчя щодо афінних спотворень. Наукоємні технології. 2013. № 3. C. 294-298.

12. K. Kim: Face Recognition using Principal Component Analysis. Dept. of Comp. Sci., University of Maryland. 2000. P. 7.

13. Brunelli R., Poggio T. Face recognition through geometrical features. Proceedings of the Second European Conference on Computer Vision, Vol. 588. 1992. Р. 792-800.

14. A.V. Nefian and M.H. Hayes III. Face Detection and Recognition Using Hidden Markov Models. Proc. of IEEE International Conference on Image Processing, vol. 1. 1998. pp. 141-145.

15. Спицын В.Г., Буй Тхи Тху Чанг, Фан Нгок Хоанг. Распознавание лиц на основе применения метода Виолы-Джонса, вейвлет-преобразования и метода главных компонент. Известия Томского политехнического университета. 2012. № 5. C. 54-59.

16 T.F. Cootes, GJ. Edwards, CJ. Taylor, “Active appearance models”, IEEE Trans. on Pattern Recognition and Machine Intelligence, vol. 23, no. 6. Р. 681-685, 2001.

17. Розпорядження від 15 листопада 2017 р. № 1023-р “Про схвалення Стратегії розвитку органів системи Міністерства внутрішніх справ на період до 2020 року”.

18. Захаров В.П., Зачек О.І. Можливості застосування біометричного методу ідентифікації за геометрією обличчя в системах відеоспостереження правоохоронних органів. Науковий вісник Львівського державного університету внутрішніх справ. серія юридична. 2014. Вип. 1. С. 343351. URL: http://nbuv.gov.ua/UJRN/Nvlduvs_2014_1_37 (дата звернення: 13.02.2019).

REFERENCES

1. Ohlyad zarubizhnoho dosvidu zastosuvannya metodu biometrychnoyi autentyfikatsiyi lyudyny Ukrbyuro Interpolu vid 29.06.2010. “Review of Foreign Experience of Applying the Method of Biometric Authentication of the Person of the Interpol Bureau from 29.06.2010”. URL: http:// 42827.ncbint00.web.hosting-test.net/p=270 (date of application: 13.02.2019) [in Ukrainian].

2. Zakharov, V.P., Rudeshko, V.I. (2009) Vykorystannya biometrychnykh tekhnolohiy pravookho- ronnymy orhanamy u XXI stolitti. “The Use of Biometric Technologies by Law Enforcement Agencies in the XXI Century”: scient.-pract. manual. Lviv: Lviv Department of Internal Affairs. 440 p.[in Ukrainian].

3. Uchastnikov besporyadkov politsiya “vychislyayet” s pomoshch'yu komp'yuternoy tekhnologii raspoznavaniya lits. “Police “Calculates” the Riots Using Computer Technology for Face Recognition” (date of application: 15.02.2019) [in Russian].

4. FBR zapustilo global'nuyu sistemu raspoznavaniya lits. “FBI Launches Global Face Recognition System” (date of application: 13.02.2019) [in Russian].

5. L. Juwei, N. P. Konstantinos, A. Venetsanopoulos, “Face recognition using kernel direct discriminant analysis algorithms”, IEEE Transactions On Neural Networks, vol. 14, no. 1, pp. 117-126, January 2003 [in English].

6. M. Lades, J. Vorbruggen, J. Buhmann, “Distortion invariant object recognition in the dynamic link architecture”, IEEE Transactions on computers, 1993, vol. 42, no. 3, pp. 300-310, March 1993 [in English].

7. P. Viola, “Robust realtime face detection”, International Journal of Computer Vision, 2004, vol. 57, no. 2, pp. 137-154, 2004 [in English].

8. Lysenko, A.M. (2004) Zastosuvannya biometrychnykh system dlya identyfikatsiyi osoby. “Application of Biometric Systems for Face Identification”. Bulletin of Taras Shevchenko Kyiv National University. Juridical Sciences. No 60/62. P. 87-91 [in Ukrainian].

9. Metod Violy-Dzhonsa (Viola-Jones) kak osnova dlya raspoznavaniya lits. “Viola-Jones Method as a Basis for Face Recognition”. URL: https://habrahabr.ru/post/133826/ (date of application: 13.02.2019) [in Russian].

10. P. Viola, “Rapid object detection using a boosted cascade of simple features”, IEEE Conf. on Computer Vision and Pattern Recognition, V. 1, Kauai, Hawaii, USA., pp. 511-518, 2001 [in English].

11. Fedorov, D.M. (2013) Metod zabezpechennya invariantnosti zobrazhennya oblychchya shchodo afinnykh spotvoren. “Method of Providing Invariance of Face Image with Respect to Affine Distortions”. Research Technologies No. 3, P. 294-298 [in Ukrainian].

12. K. Kim: Face Recognition using Principal Component Analysis. Dept. of Comp. Sci., University of Maryland. 2000. p. 7 [in English].

13. Brunelli R., Poggio T. Face recognition through geometrical features. Proceedings of the Second European Conference on Computer Vision, Vol. 588. 1992, pp. 792-800 [in English].

14. A.V. Nefian and M.H. Hayes III. Face Detection and Recognition Using Hidden Markov Models. Proc. of IEEE International Conference on Image Processing, vol. 1. 1998, pp. 141-145 [in English].

15. Spitsyn V.G., Bui Thi Thu Chang, Fan Ngok Hoang (2012) Raspoznavaniye lis na osnove primeneniya metoda Violy-Dzhonsa, veyvlet-preobrazovaniya i metoda glavnykh komponent. “Fox Recognition Based on the Application of the Viola-Jones Method, Veyvlet Transform and Principal Component Analysis”. News of Tomsk Polytechnic University No. 5, P. 54-59 [in Russian].

16. T.F. Cootes, G.J. Edwards, CJ. Taylor, “Active appearance models”, IEEE Trans. on Pattern Recognition and Machine Intelligence, vol. 23, no. 6, pp. 681-685, 2001 [in English].

17. Pro skhvalennya Stratehiyi rozvytku orhaniv systemy Ministerstva vnutrishnikh sprav na period do 2020 roku. Order of November 15, 2017 No. 1023-p “On Approval of the Strategy of Development of the Bodies of the Ministry of the Interior System for the Period up to 2020” [in Ukrainian].

18. Zakharov, V.P., Zachek, O.I. (2014) Mozhlyvosti zastosuvannya biometrychnoho metodu identyfikatsiyi za heometriyeyu oblychchya v systemakh videosposterezhennya pravookhoronnykh orhaniv. “Possibilities of Application of Biometric Method of Identification by Face Geometry in Video Surveillance Systems of Law Enforcement Agencies”. Bulletin of the Lviv State University of Internal Affairs. Vol. 1. P. 343-351. URL: http://nbuv.gov.ua/UJRN/Nvlduvs_2014_1_37 (date of application: 13.02.2019) [in Ukrainian].

Размещено на Allbest.ru