Применение лицевой биометрии для информационно-аналитической поддержки розыскных мероприятий

История биометрии берет свое начало со времен Л. Даггера и А. Бертильона. Большинство современных специалистов определяют биометрию как «способ измерения характеристик человека для проверки его личности» 1 . Такие характеристики можно классифицировать на статические, которые присущи человеку на протяжении всей его жизни (геометрия лица и строение папиллярных линий на руках, радужная оболочка глаз, рисунок вен и др.) и динамические, которые оценивают уникальное поведение и подсознательные движения человека (голос, рукописный почерк, походку др.). Для успешного сравнения и сопоставления с существующими базами биометрические данные должны быть уникальными, постоянными и собираемыми.

Методы распознавания лиц «условно делятся на две группы: использующие локальные и глобальные признаки лица. При использовании локальных — алгоритм выделяет отдельные части (глаза, нос, рот и др.) и уже по ним распознает лицо. При использовании глобальных — оперирует со всем лицом в целом. Количество существующих методов выделения признаков и их классификации велико, но одни и те же методы используются для выделения как локальных, так и глобальных призна-ков»2.

Среди наиболее эффективных методов распознавания лиц можно выделить нейросетевой, который давно перестал быть предметом научной фантастики и благополучно перешел в реальный мир, став при этом одним из самых популярных изобретений в области программного обеспечения для анализа изображений. За счет использования сверхточных нейронных сетей «распознавание становится менее зависимым от поведения людей» [1, с. 433], «снижаются требования к монтажу камер, улучшается качество распознавания в широком диапазоне внешних условий, включая изменяющуюся освещенность»3. Система сначала преобразует лицо в массив точек, а затем в числа, об- рабатываемые математическими алгоритмами. На выходе получается биометрическая модель — файл с определенной последовательностью чисел.

Основная часть

В настоящее время без современных технологий раскрытие и расследование преступлений крайне затруднительно [2, с. 150]. Так, например, существует система распознавания лиц — программа, созданная для распознавания и идентификации человеческих лиц на изображениях или видео, которая позволяет после формирования отпечатка лица найти правильные совпадения с ним в большом массиве данных.

Идентифицирование биометрических черт происходит в несколько этапов:

• 1.    Обнаружение. Система распознавания лиц, соединенная с камерами в одну инфраструктуру, сканирует поле видеозахвата на предмет, по очертаниям и контуру напоминающий лицо. Данные системы устанавливаются в так называемых чистых зонах — местах, где человек в кадре находится один или в местах большого скопления людей (в условиях толпы). Поскольку человек часто жестикулирует, делает повороты головы, не всегда держит осанку прямо и пр., его лицо не всегда попадет в кадр в правильном ракурсе. В таком случае нейросеть переходит к следующему этапу, на котором оцениваются положение, ориентация и размер головы.

• 2.    Стандартизация. Исходное изображение последовательно

• 3.    Представление. После формирования лицевой подписи система преобразовывает ее в сложный математический код индивидуальной идентичности, который облегчает вычислительное сравнение вновь полученной информации с сохраненными базами ранее записанных данных.

• 4.    Сопоставление. Логическим этапом завершения цепочки алгоритма идентификации личности по видеоизображению является сравнение полученных данных лица с сохраненными ранее. В случае совпадения с одним из изображений программное обеспечение уведомляет об этом конечного пользо-вателя 1 .

масштабируется (получается пирамида, состоящая из пяти изображений, которые сравниваются между собой путем наложения друг на друга для дальнейшей группировки в кластеры) и поворачивается таким образом, чтобы его можно было конвертировать в формат, требуемый для последующей регистрации. Таким образом, нейронная сеть извлекает характеристики изображения, выделяя ключевые факторы, такие как: расстояние между глазами, подбородком и лбом, толщину губ и носа и т. д. Результатом обработки данных характеристик является создание лицевой подписи.

Существуют две основные задачи, которые призваны решать программные продукты по лицевой биометрии:

— верификация (хорошим примером является разблокировка смартфонов по идентификации лица);

— распознавание (часто используется в системах безопасности и наблюдения, в том числе сотрудниками правоохранительных органов).

Ведущей страной в области биометрических технологий является Китай, где соблюдение законов на всей территории страны почти полностью контролирует искусственный интеллект. В 2015 году министерство общественной безопасности этой страны начало свою работу по созданию самой обширной в мире базы данных распознавания лиц, а уже сегодня частота ошибок нейросетей составляет лишь 0,008 %, т. е. только 8 из 100 тыс. сканирований могут быть идентифицированы неверно. Более того, китайские полицейские в своей повседневной служебной деятельности используют «портативные ситуационные видеорегистраторы, которые по размеру чуть меньше рации. Устройство располагается поверх одежды сотрудника и анализирует видеопоток, выделяя из него лица людей, данные о которых через информационно-телекоммуникационную сеть Интернет (в устройство можно вставить сим-карту) отправляются на сервер» [1, с. 435].

В России в рассматриваемой области пока нет столь масштабных экспериментов национального уровня. Вместе с тем с начала 2020 г. в г. Москве развернута сеть мощных серверов, которая анализирует данные более чем 189 тыс. городских видеокамер, установленных в автобусах, метро, на светофорах, во дворах и на подъездах многоквартирных домов. С помощью системы видеофиксации, названной «АПК «Безопасный город», только за 10 дней новогодних праздников удалось задержать в столице 34 злоумышленников, находившихся в федеральном розыске1.

За 6 месяцев 2020 года в г. Москве с помощью данной системы видеонаблюдения раскрыто более 2400 тяжких и особо тяжких преступлений 2 . Система показала свою эффективность при контроле за соблюдением карантинного режима. С момента его объявления в г. Москве было выявлено более 200 случаев нарушения режима изоляции (самоизоляции).

Существуют ведомственные (МВД России, ФСБ России) фото-или видеобазы данных субъектов оперативной заинтересованности, которые направлены: на установление (подтверждение) личности задержанных, доставленных в ДЧ; идентификацию лиц, подозреваемых в причастности к совершению преступлений и правонарушений; идентификацию трупов. В МВД России основной способ использования таких фото- или видеоматериалов — визуальный просмотр, т. е. сотрудники ОВД или эксперты просматривают фотомассив или видеофрагмент, пытаясь получить из него оперативно значимую информацию. Данные вопросы обсуждаются и в литературе [3, 4, 5, 6]

Вместе с тем появилась и активно внедряется так называемая интеллектуальная аналитика на основе распознавания лиц, которая путем обработки оперативных фото- и видеоматериалов, изъятых с мест преступлений (происшествий), дает возможность: а) автоматически распознавать лиц субъектов, подозреваемых в причастности к совершению преступления с сохранением всех данных во временные каталоги («открытые дела»); б) биометрически сопоставлять лиц в расследуемом деле с постоянным фотобанком фигурантов по другим делам, для установления личности, объединять различные эпизоды в общее производство; в) устанавливать причастность задержанных, доставленных в дежурную часть лиц к совершению преступлений по зарегистрированным открытым делам [7, с. 87].

Интеграция ведомственных баз данных в концепцию «умных городов», позволяет:

• 1.    Устанавливать местонахождение (постоянное пребывание, привычные маршруты) субъекта оперативной заинтересованности.

• 2.    Проводить биометрический мониторинг — мгновенное реагирование на появление субъекта в поле зрения камер.

• 3.    Накапливать статистику (время и место обнаружения субъекта) без ограничений по глубине хранения данных.

• 4.    Выявлять новые оперативно-значимые сведения, устанавливать социальные связи, контакты ближнего круга, потенциальных сообщников и др.

• 5.    Обеспечивать охрану общественного порядка на культурно-массовых мероприятиях при помощи передвижных биометрических комплексов (ПБК).

• 6.    Проводить биометрическую идентификацию на маршрутах патрулирования при помощи мобильных устройств с приложением интеллектуальной системы аналитики.

• 7.    Выявлять оперативно значимые сведения с использованием OSINT (изображения в открытых источниках).

Примером положительного опыта использования вышеописанного информационно-аналитического симбиоза является прошедший не так давно в нашей стране чемпионат мира по футболу FIFA-2018. Команда экспертов в области искусственных нейронных сетей и машинного обучения NtechLab, чьи алгоритмы использовались на спортивных объектах (спортивная арена «Лужники» — 224 камеры на входных КПП, фан-зона на Воробьевых горах — 58 камер на входных КПП и 12 камер на выходных КПП, стадион «Открытие Арена» — 74 камеры на входных КПП) совместно с ГУ МВД России по г. Москве, при поддержке департамента информационных технологий столицы, продемонстрировали слаженную работу в части обеспечения общественного порядка и общественной безопасности.

ГУ МВД России по г. Москве предоставила специалистам из NtechLab базу данных для мониторинга более 50 тыс. лиц по следующим шаблонам: федеральный розыск, поднадзорный, экстремист, карманник, «запрет-чик» и др. Системе интеллектуальной видеоаналитики требовалось менее 2 секунд для идентификации подозрительного лица и уведомления об этом службы безопасности.

По результатам совместной работы за июнь-июль 2018 г. на указанных объектах было задержано более 100 человек, из которых на фестивале болельщиков: 19 находившихся в федеральном розыске; 9 так называемых «запретчи-ков»; 7 поднадзорных лиц; 49 футбольных фанатов в том числе 1 иностранный; 1 экстремист; 8 карманников. На спортивной арене «Лужники» было задержано 11 футбольных фанатов, других категорий не выявлено, поскольку вход осуществлялся по паспорту болельщика (FAN ID) — персонифицированной карте зрителя, которая явля- лась частью системы идентификации футбольных болельщиков, в то время как в фан-зоне такого документа не требовалось1.

Помимо стационарной интеллектуальной видеоаналитики, как было сказано выше, существуют передвижные биометрические комплексы (ПБК), позволяющие контролировать проход лиц в зону проведения массового мероприятия на открытых участках местности, которые включают в себя:

• 1)    сервер видеоаналитики — размещается на шасси транспортного средства (микроавтобус, автобус) в изолированном контуре без подключения к публичным сетям передачи данных. В зависимости от конфигурации, к одному серверу может быть подключено от 8 до 24 камер наблюдения;

• 2)    камеры наблюдения — монтируются на рамки-металлодетекторы, чтобы снимать лица граждан, проходящих в зону проведения массового мероприятия. Видеопотоки с камер транслируются на сервер видеоаналитики по закрытой беспроводной сети (если это допустимо режимным мероприятием) или бронированному кабелю.

В дальнейшем лицо каждого проходящего через рамку гражданина распознается в видеопотоке и сопоставляется с загруженной на сервер видеоаналитики базой лиц, т.е. идентифицируется. При обнаружении совпадения дежурному в автобусе выдается уведомление, после чего он принимает оперативные меры. Важность использования таких методов обсуждается и в исследованиях авторов [8, 9, 10].

Передвижной биометрический комплекс, в качестве пилотного проекта, успешно зарекомендовал себя на службе в УМВД по Рязанской области и использовался для идентификации лиц, подозреваемых в нарушении миграционного законодательства и режима пребывания в Российской Федерации. Так, во время празднования Ураза-байрама в июле 2018 г. в регионе выявлено свыше 50 таких нарушителей, 17 из которых подготовлены к принудительной депортации за пределы Российской Фе-дерации 1 .

Выводы и заключение

Несмотря на очевидные преимущества лицевой биометрии, во время процесса распознавания на изображениях или видео неизбежно возникают различные проблемы, которые нелегко преодолеть, а именно: а) освещение — в зависимости от освещения, система может не сработать должным образом; б) поза — иногда из-за позы, которую человек принимает во время захвата изображения, лицо не попадает в кадр; в) возраст — некоторые части лица продолжают расти на протяжении всей жизни, поэтому лицо одного и того же человека в разном возрасте, возможно, будет отличаться на фотографиях, имеющихся в базе; г) окклюзия — из-за маски, солнцезащитных очков, прически, бороды, косметики и т. д. могут быть частично скрыты некоторые черты лица; д) качество изображений — если изображения взяты из различных источников и стандартизированы, то, вполне вероятно, придется изменить разрешение для некоторых из них, что негативно скажется на их качестве. Чтобы справиться со всеми этими проблемами, конкретный способ распознавания лиц чаще всего использует несколько алгоритмов и методов для стандартизации данных и улучшения возможностей распознавания [11, с. 132] .

Есть основания надеяться на то, что многие вышеописанные проблемы будут преодолены, интеллектуальная видеоаналитика будет и дальше решать важные вопросы биометрической идентификации личности, помогая правоохранительным органам в раскрытии преступлений и правонарушений, а объединение данных о биометрических параметрах в единую систему позволит перейти на качественно новый уровень обеспечения общественной безопасности в России.