CC BY
80
УДК 004 9Э Г. А. ФОФАНОВ
А. В. ЕРЕМЕНКО М. А. СТАРКОВ А. Е. САМОТУГА
Омский государственный технический университет, г. Омск
Омский государственный университет путей сообщения, г. Омск
ПРОБЛЕМА
ИДЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЯ КОМПЬЮТЕРНОЙ СИСТЕМЫ ПО ТРЕХМЕРНЫМ ИЗОБРАЖЕНИЯМ ЛИЦА_
В данной ра боте рассматривается актуальная проблема защиты информационных ресурсов посредством проведения скрытой идентификации личности субъекта, выполняющего должностные обязанности н а ра бочем месте, по трехмерному изображению лица. Приводится краткое описание существующих и разрабатываемых технологий ЭР-съемки, реализованных в камерах, входящих в стандартное оснащение компьютеров и ноутбуков. Обозначены достигнутые результаты в данной области, описан ряд используемых идентификационных признаков лица.
Ключевые слова: анализ, безопасность, биометрия, идентификация, особенности лиц, распознавание.
Работа выполнена при финансовой поддержке РФФИ {грант №16-07-01204).
Введение. Согласно аналитическим отчетам консалтинговых компаний за последние годы неизменным остается следующий вывод: более половины всех финансовых потерь от преступлений в компьютерной сфере связаны с деятельностью собственных сотрудников компаний. В 2016 году количество инцидентов по вине инсайдеров перешагнуло рубеж в 1300. Показательными являются следующие цифры: в 36 % случаев виновниками утечек информации были сотрудники компаний [1]. Объем ущерба, наносимого мировой экономике, только от этих преступлений в последние годы колеблется в районе 10 млрд $ [2].
Анализ ситуации показывает, что причины большинства инцидентов кроются в превышении должностных полномочий авторизованными лицами, ошибками в работе и неправомерном использовании идентификаторов сотрудников организации. Проблема идентификации пользователей для разграничения доступа к информационным ресурсам решается уже на протяжении десятилетий. Однако существующие подходы к идентификации не учитывают того факта, что авторизованный пользователь сам может являться злоумышленником либо от его имени может действовать другое лицо.
Авторам работы видится перспективным использование технологий получения 3Б-моделей лица для непрерывной идентификации личности в скрытом режиме при условии решения ряда проблем: миниатюризации камер, ослабления ограничений по
условиям съемки субъектов доступа, снижение стоимости оборудования для 3Б-съемки.
Целью данной работы является определение достигнутых результатов в области распознавания человека по 3Б-изображениям лица при помощи малогабаритных камер.
Оборудование, позволяющее получить трехмерное изображение лица. Существует множество методов распознавания по геометрии лица и головы. Все они основаны на том, что черты лица и форма черепа каждого человека индивидуальны. Для построения высокоточных трехмерных моделей головы и черепа требуется осуществлять съемку из нескольких точек и сформировать модель, учитывая непроизвольные движения, ракурс, поворот головы субъекта относительно камер. Такие условия на практике выполнимы, если для идентификации личности использовать миниатюрную 3Б-видеокамеру, располагающуюся в корпусе мобильного устройства или персонального компьютера, и проводить идентификацию оператора во время работы с устройством. До недавнего времени не существовало подходящих типов устройств, позволяющих реализовать эту идею.
Большинство существующих систем идентификации по 3Б-изображению лица используют лазерное сканирование [3], стереокамеры [4] или определение структуры объекта по отображению движения [5] для получения 3Б моделей лица. Стоимость сканеров для получения трехмерных изображений
Таблица 1
Достигнутая надежность распознавания субъектов по трехмерному изображению лица
Метод FRR, % при FAR= 0,1%
Kakadiaris et al. [12] (2007) 3
Faltemier et al. [13] (2008) 2,8
Alyüz et al. [14] (2009) 2,5
Queirolo et al. [15] (2010) 1,6
Spreeuwers [16] (2011) 1
лиц достаточно высока (более 500 тыс. руб.). К наиболее доступным в настоящее время по стоимости типам сенсоров-дальномеров относятся следующие камеры [6]:
1) стереокамеры. Позволяют получить карту глубины, используя две обычные камеры. Преимущества: низкая стоимость, широко распространены. Недостатки: требуются дополнительные вычислительные ресурсы для восстановления карты глубины по изображениям, полученным с помощью камер; высокая зависимость от освещения;
2) стереокамера со структурированной инфракрасной подсветкой. Преимущества: высокая точность, низкая стоимость, нетребовательна к освещенности. Недостатки: сложно найти в продаже, низкая точность на расстояниях более 2 метров;
3) TOF (Time of Flight — времяпролетная) камера, в литературе также встречается название RGB-D камера. Название RGB-D говорит о том, что камера позволяет получать помимо двумерного изображения еще и данные о глубине изображения. Преимущества: высокая точность, широко распространены, несущественная зависимость от освещенности, высокая дальность действия относительно других типов сенсоров-дальномеров. Недостатки: сравнительно высокая стоимость.
Одна из технологий получения информации о трехмерных объектах, реализованных в недорогих TOF камерах (DepthSense, Kinect, Basler) основана на использовании длинноволнового инфракрасного излучения, проецирующего свет в пространство. Затем отдельный CMOS-датчик изображения считывает ИК-свет и фиксирует его вместе с серией синхронизированных изображений. Инфракрасные паттерны, придающие глубину, декодируются чипом, разработанным компанией, чтобы создать виртуальный образ сцены или объекта.
В начале 2014 года в Лас-Вегасе, на выставке CES (Consumer Electronics Show), компанией Intel была представлена камера RealSense, позиционируемая как встраиваемое решение, которым теперь оснащаются некоторые портативные и стационарные устройства: ультрабуки, планшеты и т.д. Таким образом, 3D-камеры становятся стандартным оборудованием компьютеров.
Достигнутые результаты в области распознавания субъектов по трехмерным изображениям лица. Интерес к использованию более дешевого оборудования (TOF камер) для идентификации личности подчеркивается появлением множества научно-исследовательских работ на данную тематику. С использованием времяпролетных камер проведено немалое количество исследований в области разработки человеко-машинных интерфейсов [7] и моделирования 3D-объектов [8]. В частности, работа [9], посвященная распознаванию людей по трехмерному
изображению лица, которая финансировалась по программе HPLabsInnovationResearchProgram (CW 218094) и была поддержана высшей инженерной школой и исследовательским центром коммуникационных систем EURECOM в сотрудничестве с промышленными предприятиями: ORANGE, BMW-Group, Swisscom, Cisco, SFR, STEricsson, Symantec, SAP and Monaco Telecom. Для принятия идентификационных решений в работе использовали метод расчета евклидового расстояния от эталонного облака точек в пространстве классификационных признаков до облака, полученного из предъявленного изображения. Для получения значений признаков оценивались карты глубины 3D-изображения размером 640x480 точек.
Об успехах в области идентификации личности с помощью данного вида оборудования можно судить по следующим результатам. Работа [10] посвящена разработке технологии распознавания пользователя и его поведения с помощью персептрона, надежность составила 99 % верных классификационных решений в выборке из 30 человек. Исследование финансировалось через программу ITR&D (организатор программы MKE&KEIT).
В работе [11] получены следующие результаты для 20-ти участников эксперимента: EER = 2,1 % в случае использования пяти снимков при формировании трехмерной модели лица. База снимков составила 1054 экземпляра. Известно множество других достигнутых результатов по распознаванию человека по трехмерным моделям, наилучшие из которых представлены в табл. 1.
В основе методов распознавания человека по лицу лежат различные подходы. Среди них можно выделить точное сопоставление двух и более изображений, для этого обычно используется итеративный алгоритм поиска ближайших точек (англ. Iterative Closest Point — ICP) — алгоритм, предназначенный для сведения к минимуму разницы между двумя совокупностями точек в пространстве при восстановлении двухмерных или трёхмерных поверхностей из разных изображений. В работе [12] был опробован алгоритм EM-ICP (модификация ICP), реализованный для вычисления на GPU процессорах, что позволило обрабатывать облака точек в реальном режиме времени.
Другим эффективным подходом является применение широких искусственных нейронных сетей [13, 14], с использованием которых удалось достигнуть сравнительно высоких результатов, обрабатывая двумерные изображения лиц: FRR = 0,0033, FAR = 0,0061 [13], FRR = 0,0014, FAR = 0,002 [14].
Признаки, выделяемые из трехмерных изображений лица. Первым этапом создания системы скрытой идентификации по трехмерной модели лица является выявление устойчивых признаков. Приведем
Рис. 1. Вспомогательные точки, используемые для выделения участков лица
краткую справку относительно идентификационных характеристик, встречающихся в научной литературе.
В работе [15] изображение лица разбивается на следующие области: нос, глаза, щеки и остальная часть. В [11] для указанных областей экспериментально были определены следующие веса в зависимости от их влияния на результат идентификации: 3; 2; 1; 0,5.
В качестве признаков 3Б-изображения лица также используется информация о глубине изображения. В частности, в работе [16] информацию о глубине изображения (размером 384x384) лица анализируют на шести участках (по 128x128 точек), центрированных относительно ключевых (вспомогательных) точек (рис. 1). Каждый из шести участков представляют в виде векторов до и после их обработки по алгоритму БТ-СШТ (Биа1-1;геесотр1ех-%етуе1е1;1;гап81:огт). Для двух векторов вычисляют матрицу перехода от одного базиса к другому.
На двумерных изображениях обычно выделение региона лица основано на использовании гистограмм цветовых диапазонов [17], зона кожи человека может быть представлена узкой полосой. Алгоритмы выде-
ления кожи и некоторых элементов лица приводятся в [18, 19]. Для выделения границ ключевых особенностей лица часто используются фильтры на основе оператора Собеля, методы Марр — Хилдрета [20], первые и вторые гауссовы производные, детектор границ Канни, оператор симметричности [21], метод Виолы — Джонса [22]. Большинство распространенных методик можно адаптировать для анализа трехмерных моделей лиц.
При идентификации лица биометрическая система автоматически выделяет и обрабатывает сведения, характеризующие отдельные (наиболее «показательные») участки и особенности: контуры носа, губ, бровей, расстояние между ними и т.п. На основе этих сведений в соответствии с общими принципами биометрических технологий формируются цифровые модели идентификаторов, которые затем сравниваются между собой. Имеется ряд факторов, негативно влияющих на точность определения особенностей лица:
— размер и ориентация лица в пространстве (возникает необходимость в нормализации изображения относительно наклона и поворота головы);
— низкое качество изображения, недостаточная яркость или контрастность;
— макияж и маскировка, эффективных способов борьбы с данными мешающими воздействиями не существует.
Предложенные для 3Б-идентификации камеры позволяют получать как двумерную информацию (в виде плоского изображения лица), так и данные о глубине изображения. При анализе трехмерных изображений видится возможным использовать аналогичные признаки, детектируемые на двумерном изображении, дополненные данными о глубине:
— площади областей лба, глаз, ноздрей, губ, зрачков, бровей (рис. 2, 3), нормированных по площади области лица (нормирование используется для учета расстояния лица субъекта до камеры);
— максимальная длина и/или ширина областей губ, глаз, бровей, ушей, подбородка или челюсти (рис. 2, 3), нормированных по ширине и длине области лица, соответственно (нормирование используется для учета расстояния лица субъекта до камеры);
Рис. 2. Выделение признаков в кадре видеозаписи
Рис. 3. Области глаз
— кратчайшие расстояния между областями ноздрей, губ, зрачков, бровей и кончика подбородка (рис. 2), нормированных по диагонали области лица (нормирование используется для учета расстояния лица субъекта до камеры);
— изменение коэффициента корреляции между участками лба, глаз, носа, губ, ушей (рис. 2) на различных кадрах видеозаписи (данная категория признаков характеризует мимику субъекта);
— коэффициент корреляции между левой и правой частями участков лица, лба, носа, губ (рис. 2), а также левым и правым участками ушей (рис. 2) и областями глаз (рис. 3) на одном кадре видеозаписи (данная категория признаков характеризует асимметрию лица субъекта);
— амплитуды гармоник с частотами от 1 до 10 Гц функций перемещения центров областей глаз, зрачков, ноздрей, бровей (рис. 2, 3) на различных кадрах видеозаписи (данная категория признаков характеризует тремор головы и отдельных частей лица субъекта, данный класс признаков не чувствителен к маскировке).
Для определения участков лица можно использовать метод Виолы — Джонса, основанный на использовании признаков Хаара. Данный метод является одним из лучших по соотношению показателей эффективность распознавания и скорость работы [23, 24]. После обработки двумерного изображения можно использовать дополнительные данные о глубине. Сегментация участков лица и их взвешивание необходимы для исключения нестабильных признаков (например, волос и ступенчатости граничных участков). Алгоритм принятия идентификационных решений может быть основан на сетях Пирсона — Хемминга, хи-модуль, а также Байеса — Хемминга, которые показывают достаточно высокие результаты в ряде задач биометрической аутентификации [13, 14].
Методы и подходы к формированию решений при распознавании образов лица. В настоящее время существует множество различных методов распознавания параметров лица. Ниже приведены основные, наиболее часто используемые методы:
1. Гибкое сравнение на графах.
Суть данного метода сводится к эластичному сопоставлению графов, описывающих изображения лиц. Лица представлены в виде графов со взвешенными ребрами и вершинами. На этапе распознавания эталонный граф остается неизменным, в то время как другой преобразуется с целью наилучшей подгонки к первому. В подобных системах распознавания графы могут представлять собой как прямоугольную решетку, так и структуру, образованную характерными точками лица [25].
2. Нейронные сети.
В настоящее время существует около десятка разновидностей нейронных сетей. Одним из самых широко используемых вариантов является сеть, по-
строенная на многослойном перцептроне, которая позволяет классифицировать поданное на вход изображение/сигнал в соответствии с предварительной настройкой/обучением сети. Эта технология позволяет распознавать изображения с высокой точностью.
Хорошие результаты в области распознавания лиц показала сверточная нейронная сеть (Convolu-tional Neural Network), которая является логическим развитием идей таких архитектур, как когнитрон и неокогнитрон. Если исходное изображение имеет размерность 100 х 100 пикселей по трём каналам (30000 входных нейронов), а свёрточный слой использует фильтры c ядром 3х3 пикселя с выходом на 6 каналов, то тогда в процессе обучения определяется только 9 весов ядра; в таком случае данный слой требует нахождения только 162 параметров, что существенно меньше количества искомых параметров полносвязной нейронной сети [26].
3. Скрытые Марковские модели.
Одним из статистических методов распознавания лиц являются скрытые Марковские модели (СММ) с дискретным временем. СММ используют статистические свойства сигналов и учитывают их пространственные характеристики. Элементами модели являются следующие параметры: множество скрытых состояний, множество наблюдаемых состояний, матрица переходных вероятностей и начальная вероятность состояний. При распознавании объекта проверяются сгенерированные для заданной базы объектов Марковские модели и ищется максимальная из наблюдаемых вероятность того, что последовательность наблюдений для данного объекта сгенерирована соответствующей моделью [27].
4. Метод главных компонент.
Главной целью данного метода является значительное уменьшение размерности пространства признаков таким образом, чтобы оно как можно лучше описывало «типичные» образы, принадлежащие большинству лиц. Используя этот метод, можно выявить различные закономерности изменчивости в обучающей выборке изображений лиц и описать эту закономерность в базисе нескольких ортогональных векторов, которые называются собственными.
Полученный один раз на обучающей выборке изображений лиц набор собственных векторов используется для кодирования всех остальных изображений лиц, которые представляются взвешенной комбинацией собственных векторов. Используя ограниченное количество собственных векторов, можно получить сжатое приближение входного изображения лица, которое затем можно хранить в базе данных в виде вектора коэффициентов, служащего ключом поиска [28].
Заключение. В работе исследована проблема защиты информационных ресурсов от деятельности инсайдеров посредством проведения скрытой непрерывной идентификации субъекта, выполняющего должностные обязанности за рабочим столом, по трехмерному изображению лица. На сегодняшний день 3Б-камеры получили широкую распространённость и фактически входят в стандартное оснащение современных компьютеров (ноутбуков, планшетов). Анализ литературы показал, что достигнутый уровень среднего количества ошибок распознавания по 3Б-изображениям стандартных камер, имеющихся в массовой продаже, находится в пределах 0,85— 1 %. Также данные исследований говорят о том, что пространство признаков 3Б-моделей лица в существующих работах в основном строится на использо-
вании информации о глубине. Данные двумерных изображений лиц могут быть комплексированы с данными о глубине изображения для снижения вероятностей ошибок, совершенных при распознавании по двумерным моделям лица. В частности, количество ошибок, допущенных в работе [13] при аутентификации субъекта по одному 2Э-изобра-жению (РЯЯ = 0,0033, РЛИ = 0,0061) и в работе [14] при аутентификации пользователя в течение 30 секунд работы на компьютере по 2Э-видеозаписи лица (РЯЯ = 0,0014, РЛИ = 0,002), позволят повысить надежность этих решений. Использование данных о глубине также дает возможность реализовать защиту от предъявления фотографии лица.
Библиографический список
1. Глобальное исследование утечек конфиденциальной информации в 2016 году. Аналитический центр InfoWatch. 2016 г. URL: https://www.infowatch.ru/analytics/reports/17479 (дата обращения: 09.08.2017).
2. Cyber attacks are costing companies millions of dollars. Business Insider. 2016. URL: http://www.businessinsider.com/cyber-attacks-are-costing-companies-millions-of-dollars-heres-how-they-can-mitigate-those-costs-2016-2 (дата обращения: 09.08.2017).
3. Phillips P. J., Flynn P. J., Scruggs T. [et al.]. Overview of the face recognition grand challenge // IEEE Intl. Conf. on Computer Vision and Pattern Recognition (CVPR), 20 — 25 June
2005. Vol. 1. P. 947-954.
4. Medioni G., Waupotitsch R. Face modeling and recognition in 3-D // Proceedings of the IEEE International Workshop on Analysis and Modeling of Faces and Gestures (AMFG'03), 17 Oct. 2003. P. 232-233.
5. Medioni G., Choi J., Kuo C. H. [et al.]. Identifying noncooperative subjects at a distance using face images and inferred three-dimensional face models // IEEE Transactions on Systems, Man, and Cybernetics. Part A. Systems and Humans. Jan. 2009. Vol. 39, no. 1. P. 12-24.
6. Котюжанский Л. А. Интерфейс бесконтактного человеко-машинного взаимодействия на основе данных сенсора-дальномера: дис. ... канд. техн. наук. Екатеринбург, 2014. 146 с.
7. Shotton J., Fitzgibbon A., Cook M. [et al.]. Real-time human pose recognition in parts from single depth images // IEEE Intl. Conf. on Computer Vision and Pattern Recognition (CVPR), 20-25 June 2011. P. 1297-1304.
8. Henry P., Krainin M., Herbst E., Ren X., Fox D. RGB-D Mapping: Using Depth Cameras for Dense 3D Modeling of Indoor Environments // In Proc. of International Symposium on Experimental Robotics (ISER). 2010. URL: http://citeseerx. ist.psu.edu/ viewdoc/download;jsessionid = 07876D76952D 9C4566E15E7F25A9 E36F?doi = 1 0.1.1.226.91&rep = rep1&type = pdf (дата обращения: 12.08.2017).
9. Shotton J., Fitzgibbon A., Cook M. [et al.]. Real-time human pose recognition in parts from single depth images // IEEE Intl. Conf. on Computer Vision and Pattern Recognition (CVPR), 20-25 June 2011. 2013. P. 1297-1304. ISBN 978-1-45770394-2. DOI: 10.1109/CVPR.2011.5995316.
10. Choi J., Sharma A., Medioni G. Comparing Strategies for 3D Face Recognition from a 3D Sensor. 2013. 6 p. URL: http:// iris.usc.edu/outlines/papers/2013/cho-shar-med-roman13.pdf (дата обращения: 13.08.2017).
11. Kakadiaris I. A., Passalis G., Toderici G. [et al.]. Three-dimensional face recognition in the presence of facial expressions: an annotated deformable model approach // IEEE Transactions on pattern analysis and machine intelligence. 2007. Vol. 29, Issue 4. P. 640-649. DOI: 10.1109/TPAMI.2007.1017.
12. Yonghuai Liu. Automatic registration of overlapping 3D point clouds using closest points // Image and Vision Computing.
2006. Vol. 24, no. 7. P. 762-781.
13. Сулавко A. E., Еременко А. В., Толкачева E. В., Борисов P. В. Комплексирование независимых биометрических признаков при распознавании субъектов на основе сетей квадратичных форм, персептронов и меры ХИ-модуль // Информационно-управляющие системы. 2017. № 1 (86). С. 50 — 62. DOI: 10.15217/issn1684-8853.2017.1.50.
14. Ложников П. С., Сулавко А. Е., Бурая Е. В., Писарен-ко В. Ю. Непрерывная биометрическая аутентификация пользователей в процессе работы на компьютере // Вопросы кибербезопасности. 2017. № 3. С. 24 — 34.
15. Min Rui, Choi Jongmoo, Medioni Grn"ard [et al.]. RealTime 3D Face Identification from a Depth Camera // Pattern Recognition (ICPR), 21st International Conference, 11 — 15 Nov 2012. P. 1739-1742.
16. Wang Xueqiao, Ruan Qiuqi, Jin Yi and An Gaoyun. Three-dimensional face recognition under expression variation // EURASIP. Journal on Image and Video Processing. 2014. URL: http://jivp.eurasipjournals.com/content/2014/1/51 (дата обращения: 15.08.2017).
17. Кузнецов Л. А., Бугаков Д. А. Разработка меры оценки информационного расстояния между графическими объектами // Информационно-управляющие системы. 2013. № 1 (62). С. 74-79.
18. Hsu R. L., Abdel-Mottaleb M., Jain A. Face Detection In Color Images // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. Vol. 24. P. 696-706. DOI: 10.1109/34.1000242.
19. Martinkauppi В., Soriano M., Pietik'ainen M. Detection of Skin Color under Changing Illumination: A Comparative Study // Proceedings of the 12th International Conference on Image Analysis and Processing. 2003. P. 652-657.
20. Гермогенов А. П. Биометрические технологии идентификации личности и вопросы информационной безопасности их применения в государственных системах // Бизнес и безопасность в России. 2007. № 46. С. 45-49.
21. Zhao W., Chellappa R., Phillips P. [et al.]. Face recognition: a literature survey // ACM Computing Surveys. 2003. Vol. 35, Issue 4. P. 399-458.
22. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features // Computer Vision and Pattern Recognition, 2001 (CVPR 2001). Proceedings of the 2001 IEEE. URL: https://www.cs.utexas.edu/~grauman/courses/spring2007/ 395T/papers/viola_cvpr2001.pdf (дата обращения: 12.08.2017).
23. Cho H., Hwang SY. J. High-performance on-road vehicle detection with non-biased cascade classifier by weight-balanced training // EURASIP Journal on Image and Video Processing. 2015. Vol. 16. DOI: 10.1186/s13640-015-0074-5.
24. Srinivasa K. G., Gosukonda S. Continuous multimodal user authentication: coupling hard and soft biometrics with support vector machines to attenuate noise // CSI Transactions on ICT, June 2014. Vol. 2, Issue 2. P. 129-140. D0I:10.1007/s40012-014-0054-4.
25. Kosilek R. P., Schopohl1 J., Grunke1 M. [et al.]. Automatic face classification of Cushing's syndrome in women - A novel screening approach // Experimental and Clinical Endocrinology and Diabetes. 2013. 121: P. 561-564. DOI:10.1055/s-0033-1349124.
26. Lawrence S., Giles C. L., Tsoi A. C. [et al.]. Face recognition: a convolutional neural-network approach // IEEE Transactions on neural networks. 1997. Vol. 8, № 1. P. 98-113.
27. Rуbert Sipos I. Parallel stratified MCMC sampling of AR-HMMs for stochastic time series prediction / Ed. C. H. Skiadas // Proceedings, 4th Stochastic Modeling Techniques and Data Analysis International Conference with Demographics Workshop (SMTDA 2016). Valletta, 2016. P. 361-364.
28. Gorban A. N., Sumner N. R., Zinovyev A. Y. Beyond the concept of manifolds: principal trees, metro maps, and elastic cubic complexes // Eds. Gorban A. N. [et al.]., Berlin, Heidelberg, Springer. LNCSE, 2007. Vol. 58. ISBN 978-3-540-73749-0. DOI: 10.1007/978-3-540-73750-6_9.
ФОФАНОВ Григорий Алексеевич, аспирант кафедры «Комплексная защита информации» радиотехни-
ческого факультета Омского государственного тех- Адрес для переписки: [email protected]
нического университета (ОмГТУ). САМОТУГА Александр Евгеньевич, научный сотруд-
Адрес для переписки: [email protected] ник кафедры «Комплексная защита информации»
ЕРЕМЕНКО Александр Валериевич, кандидат техниче- радиотехнического факультета ОмГТУ.
ских наук, доцент кафедры «Инфокоммуникацион- Адрес для переписки: [email protected] ные системы и информационная безопасность» Омского государственного университета путей сообщения. Адрес для переписки: [email protected]
СТАРКОВ Максим Андреевич, студент гр. ИВТ-141 Статья поступила в редакцию 19.09.2017 г.
факультета «Информатика и вычислительная тех- © Г. А. Фофанов, А. В. Еременко, М. А. Старков, ника» ОмГТУ. А. Е. Самотуга
Книжная полка
Никулин, Е. А. Компьютерная графика. Модели и алгоритмы r учеб. пособие / Е. А. Никулин. -СПб. r Лань, 2017. - 708 с. - ISBN 978-5-8114-2505-1.
Рекомендовано Ученым советом Нижегородского государственного технического университета им. Р. Е. Алексеева в качестве учебного пособия для студентов направления подготовки «Информатика и вычислительная техника». В книге детально излагаются математические и алгоритмические основы современной компьютерной графики: модели графических объектов на плоскости и в пространстве (точки, векторы, линии и поверхности, включая составные, полиэдры, сплошные и воксельные объекты); геометрические задачи визуализации — комплекс алгоритмов 2d- и 3d-отсечения и удаления; алгоритмы аффинных и проективных преобразований; методы изображения поверхностей, включая текстурирование. Материал сопровождается большим числом иллюстраций, блок-схем алгоритмов и примеров их реализации. Настоящее пособие предназначено для студентов направления подготовки «Информатика и вычислительная техника». Также может быть полезно аспирантам, преподавателям вузов и всем специалистам, как постигающим основы компьютерной графики, так и разрабатывающим новые алгоритмы и прикладные графические программы.
Фомичёв, В. М. Криптографические методы защиты информации. В 2 ч. Ч. 2. Системные и прикладные аспекты r учеб. / В. М. Фомичёв, Д. А. Мельников. - M. r Юрайт, 2017. - 246 с. -ISBN 978-5-534-01794-6, 978-5-534-01741-0.
В учебнике систематически изложены разделы дискретной математики, используемые для изложения основ криптологии. Описаны способы построения современных криптографических систем, предназначенных для обеспечения информационной безопасности информационно-технологических систем, в том числе для защиты текстовых, речевых и факсимильных сообщений. Для закрепления знаний даны задачи, упражнения и контрольные вопросы. Издание состоит из двух частей. Первая часть посвящена математическим аспектам криптологии, вторая — системным и прикладным аспектам. Соответствует актуальным требованиям Федерального государственного образовательного стандарта высшего образования. Kнига предназначена для студентов, аспирантов и преподавателей в области криптографических методов защиты информационного обмена в информационно-технических системах и сетях, а также для разработчиков и аналитиков систем криптографической защиты информации.
Лаврищева, Е. М. Технология программирования и программная инженерия r учеб. / Е. М. Лав-рищева. - M. r Юрайт, 2017. - 434 с. - ISBN 978-5-9916-8275-6.
Серия «Университеты России» позволит высшим учебным заведениям нашей страны использовать в образовательном процессе учебники и учебные пособия по различным дисциплинам, подготовленные преподавателями лучших университетов России и впервые опубликованные в издательствах университетов. Все представленные в этой серии учебники прошли экспертную оценку учебно-методического отдела издательства и публикуются в оригинальной редакции. Описаны основные положения технологии программирования и инженерии программных продуктов и систем. Изложены отечественные и зарубежные методы разработки сложных программных систем из готовых компонентов повторного использования ^ПИ). Рассмотрены подходы к инженерии программных продуктов из KИИ и их вариантов в SPLE (Software Product Line/Product Family), GDM (Generative Programming), Grid и др. Изложен метод сборки профамминных систем из KПИ с учетом модели характеристик (Feature Model), изменяющей структуру программных продуктов и систем. Описан объектно-компонентный метод моделирования вариантов программных систем и семейств программных систем из KПИ. Излагаются онтология представления доменов, методы извлечения знаний о готовых системах, спецификациях KПИ и доказательстве систем из них. Рассмотрены методы экспертизы, верификации, тестирования и оценки качества систем. Описаны дисциплины SE и методы создания веб-систем в среде Semantic Web и требования стандарта SEMAT к применению теории и методов SE в разработке систем. Для разработчиков и специалистов, которые интересуются современными технологиями изготовления отдельных программ и KИИ в разных языках программирования, их сборкой для получения вариантов программных систем и продуктов с обеспечением качества, а также студентов, магистров и специалистов по направлению подготовки «Теория и технология программирования».
