Разработка прототипа системы верификации лиц по фотографиям на основе аппарата сверточных нейронных сетей

Диплом (ВКР) по теме разработки прототипа системы верификации лиц: практическое руководство

Нужен разбор вашей темы? Получите бесплатную консультацию: напишите в Telegram или позвоните (контакты указаны на сайте). Мы поможем адаптировать архитектуру нейросети под требования вашего вуза.

Студенты, выбирающие тему, связанную со сверточными нейронными сетями (CNN), часто сталкиваются с одной и той же проблемой: комиссия требует не просто «работающий код», а доказанную методологию, корректные метрики точности и привязку к реальному бизнес-процессу. Эта статья покажет, как превратить сложную задачу распознавания лиц в структурированную, защищаемую выпускную квалификационную работу, соответствующую ГОСТ 34.602-2020.

Почему эта тема сложна для студента: взгляд практика

На основе анализа более 50 защит по специальностям «Информационные системы» и «Программная инженерия», мы выявили главную боль. Студент находит готовый репозиторий на GitHub, запускает его, получает точность 95% и считает дело сделанным. На защите научный руководитель задает вопрос: «А почему вы выбрали именно эту архитектуру, а не MobileNet? И как система поведет себя при плохом освещении на проходной завода?». Ответа нет. Работа отправляется на доработку.

Верификация лиц — это не только код. Это работа с несбалансированными данными, оценка ложных срабатываний (False Acceptance Rate) и строгое соответствие техническому заданию. Мы покажем, как закрыть эти вопросы заранее.

Методологическая база и стандарты

Любая разработка в ВКР должна опираться на нормативную базу. Игнорирование этих документов — прямой путь к снижению оценки.

• ГОСТ 34.602-2020 «Техническое задание на создание автоматизированной системы». Здесь вы описываете требования к точности распознавания, времени отклика и аппаратным ограничениям.
• ГОСТ Р ИСО/МЭК 19794-5-2014 «Информационные технологии. Биометрическая идентификация. Формат обмена биометрическими данными. Часть 5. Данные изображения лица». Обязателен для упоминания в аналитической главе.
• ГОСТ 7.0.100-2018 для оформления списка литературы. Все статьи по архитектурам CNN (например, работы Тааффе или Хуанга) должны быть оформлены строго по этому стандарту.

Архитектура и стек технологий

Не пытайтесь изобретать велосипед. Для ВКР уровня бакалавриата или магистратуры оптимально использование Transfer Learning (переноса обучения). Ниже приведен рекомендуемый стек, который легко обосновать в пункте 1.5 аналитической главы.

Пошаговая реализация прототипа

В проектной главе (раздел 2.2) необходимо привести ключевые фрагменты кода. Не вставляйте весь скрипт целиком. Покажите логику извлечения эмбеддингов (векторных представлений) лица.

import cv2
import numpy as np
from tensorflow.keras.models import load_model

# 1. Загрузка предобученной модели для детекции (например, MTCNN или каскад Хаара)
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')

# 2. Загрузка модели верификации (например, упрощенный FaceNet)
# В реальной ВКР здесь будет путь к вашему .h5 или .pth файлу
verification_model = load_model('facenet_model.h5')

def verify_face(image_path, reference_embedding):
    # Чтение и конвертация изображения
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # Детекция лица
    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)
    
    if len(faces) == 0:
        return "Лицо не обнаружено"
        
    for (x, y, w, h) in faces:
        # Выравнивание и ресайз лица под вход модели (обычно 160x160 для FaceNet)
        face_roi = cv2.resize(gray[y:y+h, x:x+w], (160, 160))
        face_roi = np.expand_dims(face_roi, axis=-1)
        face_roi = np.expand_dims(face_roi, axis=0)
        face_roi = face_roi.astype('float32') / 255.0
        
        # Получение эмбеддинга (вектора признаков)
        embedding = verification_model.predict(face_roi)
        
        # Расчет косинусного расстояния (мера схожести)
        similarity = np.dot(embedding.flatten(), reference_embedding.flatten())
        
        if similarity > 0.85: # Пороговое значение подбирается экспериментально
            return f"Верификация успешна. Схожесть: {similarity:.2f}"
        else:
            return "Отказ в доступе. Схожесть ниже порога."
            
    return "Ошибка обработки"

Типичные ошибки и как их избежать

Структура работы и пример введения

Рекомендуемая структура дипломной работы

Фрагмент примера введения (адаптируйте под свой вуз)

«Обеспечение физического контроля доступа на режимные объекты остается критически важной задачей для промышленных предприятий. Традиционные методы (пропускная система с картами) обладают существенным недостатком: возможностью передачи пропуска третьим лицам. Внедрение биометрической верификации по лицу позволяет исключить этот риск.

Целью данной выпускной квалификационной работы является разработка прототипа информационной системы верификации лиц на базе сверточных нейронных сетей для автоматизации процесса контроля доступа в ООО «ТехноПром».

Для достижения цели поставлены следующие задачи: провести сравнительный анализ существующих алгоритмов детекции и распознавания лиц; разработать техническое задание в соответствии с ГОСТ 34.602-2020; реализовать программный модуль извлечения признаков лица с использованием архитектуры FaceNet; оценить экономическую эффективность внедрения разработанного прототипа.»

Чек-лист перед защитой и FAQ

Проверьте свою тему ВКР

• □ Есть ли реальная или максимально реалистичная организация для анализа предметной области?
• □ Можете ли вы построить диаграмму процесса «КАК ЕСТЬ» и «КАК ДОЛЖНО БЫТЬ»?
• □ Понимаете ли вы, как объяснить комиссию принцип работы сверточного слоя простыми словами?

Ресурсная база (проверенные источники)

• Применение сверточных нейронных сетей для распознавания лиц (Научная статья, CyberLeninka, для аналитической главы).
• Labeled Faces in the Wild (LFW) Dataset (Официальная страница набора данных для обоснования выбора тестовой выборки).
• OpenCV: Face Detection using Haar Cascades (Официальная документация для раздела описания алгоритмов).