Визначення впливу адверсаріальних кібератак на ефективність комплексного методу біометричної ідентифікації на основі локально-текстурних дескрипторів

Автор(и)

  • Єлизавета Олегівна Жабська Київський національний університет імені Тараса Шевченка, Україна https://orcid.org/0000-0002-9917-3723
  • Катерина Володимирівна Меркулова Київський національний університет імені Тараса Шевченка, Україна https://orcid.org/0000-0001-6347-5191
  • Олексій Сергійович Бичков Київський національний університет імені Тараса Шевченка, Україна https://orcid.org/0000-0002-9378-9535

DOI:

https://doi.org/10.15587/1729-4061.2026.363911

Ключові слова:

біометрична ідентифікація, розпізнавання обличчя, обробка зображень, програмне забезпечення, кіберзагрози, адверсаріальні атаки, локально-текстурні дескриптори, HOG, 1DLBP, оклюзивні збурення

Анотація

Об’єктом дослідження є комплексний метод біометричної ідентифікації на основі локально-текстурних дескрипторів HOG і 1DLBP. Вирішувалась проблема, пов’язана з визначенням впливу адверсаріальних кібератак на точність біометричної ідентифікації за зображенням обличчя.

Оцінювання результатів в заданих умовах дослідження здійснювалось за аспектами ефективності, стійкості та стабільності роботи комплексного методу. Експерименти проводились на шести датасетах, що охоплюють контрольовані та неконтрольовані умови зйомки, з використанням уніфікованого набору метрик. Визначення впливу здійснювалось за сценаріями повної видимості рис обличчя та за наявності локальних оклюзивних збурень, характерних для адверсаріальних атак. Коефіцієнт збереження ефективності комплексного методу при використанні в контрольованих умовах зйомки становить 86.84–92.86% при індексі чутливості 7.14–13.16%, а зниження точності є статистично незначущим для переважної більшості наборів зображень. Порівняно з DNN, деградація точності яких під впливом адверсаріальних атак сягає 26.45–76%, точність ідентифікації комплексного методу знижується на 1.5%. Такі результати зумовлені особливостями алгоритмічного формування векторів ознак дескрипторами і відсутністю чутливості комплексного методу до збурень, розрахованих на властивості DNN-методів. Дескриптори HOG і 1DLBP обчислюють градієнтні та текстурні характеристики локальних областей зображення на основі детермінованих алгоритмів без використання навчальних параметрів і механізму зворотного поширення похибки. Внаслідок цього адверсаріальні збурення, оптимізовані для ієрархічних нелінійних представлень DNN, мають обмежений вплив на простір ознак, сформований дескрипторами. За рахунок проведення дослідження на зображеннях облич, отриманих у варіативних умовах, визначено межі застосовності рішення. Встановлено придатність комплексного методу до практичного застосування у комплексах забезпечення кібербезпеки, зокрема у системах відеоспостереження, контролю доступу і контрольно-пропускних пунктів

Біографії авторів

Єлизавета Олегівна Жабська, Київський національний університет імені Тараса Шевченка

Доктор філософії (PhD)

Кафедра програмних систем і технологій

Катерина Володимирівна Меркулова, Київський національний університет імені Тараса Шевченка

Кандидат технічних наук, доцент

Кафедра програмних систем і технологій

Олексій Сергійович Бичков, Київський національний університет імені Тараса Шевченка

Доктор технічних наук, професор

Кафедра програмних систем і технологій

Посилання

  1. Martsenyuk, V., Bychkov, O., Merkulova, K., Zhabska, Y. (2023). Exploring Image Unified Space for Improving Information Technology for Person Identification. IEEE Access, 11, 76347–76358. https://doi.org/10.1109/access.2023.3297488
  2. Facial Recognition Market Overview and Future Outlook (No. FBI101061) (2026). Fortune Business Insights. Available at: https://www.fortunebusinessinsights.com/industry-reports/facial-recognition-market-101061
  3. Leyva, R., Gregory, E., Maple, C. (2025). Attack Vectors for Face Recognition Systems: A Comprehensive Review. ACM Computing Surveys, 58 (1), 1–37. https://doi.org/10.1145/3736753
  4. Wang, M., Zhou, J., Li, T., Meng, G., Chen, K. (2026). A survey on physical adversarial attacks against face recognition systems. Neurocomputing, 669, 132485. https://doi.org/10.1016/j.neucom.2025.132485
  5. Zolfi, A., Avidan, S., Elovici, Y., Shabtai, A. (2023). Adversarial Mask: Real-World Universal Adversarial Attack on Face Recognition Models. Machine Learning and Knowledge Discovery in Databases, 304–320. https://doi.org/10.1007/978-3-031-26409-2_19
  6. Liu, X., Shen, F., Zhao, J., Nie, C. (2024). EAP: An effective black-box impersonation adversarial patch attack method on face recognition in the physical world. Neurocomputing, 580, 127517. https://doi.org/10.1016/j.neucom.2024.127517
  7. Ma, T. (2025). Research on The Security of Face Recognition Systems Based on Digital and Physical Counterattacks. ITM Web of Conferences, 78, 2003. https://doi.org/10.1051/itmconf/20257802003
  8. Hwang, R.-H., Lin, J.-Y., Hsieh, S.-Y., Lin, H.-Y., Lin, C.-L. (2023). Adversarial Patch Attacks on Deep-Learning-Based Face Recognition Systems Using Generative Adversarial Networks. Sensors, 23 (2), 853. https://doi.org/10.3390/s23020853
  9. Guesmi, A., Hanif, M. A., Ouni, B., Shafique, M. (2023). Physical Adversarial Attacks for Camera-Based Smart Systems: Current Trends, Categorization, Applications, Research Challenges, and Future Outlook. IEEE Access, 11, 109617–109668. https://doi.org/10.1109/access.2023.3321118
  10. Zheng, X., Fan, Y., Wu, B., Zhang, Y., Wang, J., Pan, S. (2023). Robust Physical-World Attacks on Face Recognition. Pattern Recognition, 133, 109009. https://doi.org/10.1016/j.patcog.2022.109009
  11. Birgisdóttir, E. L., Kunkel, M. I., Pleva, L., Papaioannou, M., Choudhary, G., Dragoni, N. (2025). Exploring the Security of Mobile Face Recognition: Attacks, Defenses, and Future Directions. Applied Sciences, 15 (24), 13232. https://doi.org/10.3390/app152413232
  12. Abidi, S. M. H., Hassan, S. A., Raza, S. M., Beliatis, M. J. (2026). Advances in Face Recognition: A Comprehensive Review of Feature Extraction and Dataset Evaluation. Electronics, 15 (2), 338. https://doi.org/10.3390/electronics15020338
  13. Bychkov, O., Merkulova, K., Zhabska, Y. (2020). Information Technology of Person’s Identification by Photo Portrait. 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), 786–790. https://doi.org/10.1109/tcset49122.2020.235542
  14. Perona, P., Malik, J. (1990). Scale-space and edge detection using anisotropic diffusion. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12 (7), 629–639. https://doi.org/10.1109/34.56205
  15. Obaida, T. H., Jamil, A. S., Hassan, N. F. (2022). Real-time face detection in digital video-based on Viola-Jones supported by convolutional neural networks. International Journal of Electrical and Computer Engineering (IJECE), 12 (3), 3083. https://doi.org/10.11591/ijece.v12i3.pp3083-3091
  16. Xia, R., Cheng, Y., Tang, Y., Liu, X., Liu, X., Wang, L., Jiang, P. (2025). S-Diff: An Anisotropic Diffusion Model for Collaborative Filtering in Spectral Domain. Proceedings of the Eighteenth ACM International Conference on Web Search and Data Mining, 70–78. https://doi.org/10.1145/3701551.3703490
  17. Merkulova, K., Zhabska, Y. (2023). Input Data Requirements for Person Identification Information Technology. Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023), 3468, 24–37. Available at: https://ceur-ws.org/Vol-3468/paper3.pdf
  18. Wang, H., Jing, J., Li, N., Zhang, W. (2023). Multiscale and Multidirectional Gabor Filters for Image Corner Detection. 2023 9th International Conference on Mechanical and Electronics Engineering (ICMEE), 396–405. https://doi.org/10.1109/icmee59781.2023.10525496
  19. Dalal, N., Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR′05), 1, 886–893. https://doi.org/10.1109/cvpr.2005.177
  20. Legarda, D., Pérez, K., Muñoz, D. M. (2025). A comparative hardware implementation of histogram of oriented gradients as a descriptor in embedded tracking of swarm robots. Journal of Parallel and Distributed Computing, 198, 105026. https://doi.org/10.1016/j.jpdc.2024.105026
  21. Benzaoui, A., Boukrouche, A., Doghmane, H., Bourouba, H. (2015). Face recognition using 1DLBP, DWT and SVM. 2015 3rd International Conference on Control, Engineering & Information Technology (CEIT), 1–6. https://doi.org/10.1109/ceit.2015.7233002
  22. The Database of Faces. Available at: https://cam-orl.co.uk/facedatabase.html
  23. Face Recognition Technology (FERET). Available at: https://www.nist.gov/programs-projects/face-recognition-technology-feret
  24. Grgic, M., Delac, K., Grgic, S. (2009). SCface – surveillance cameras face database. Multimedia Tools and Applications, 51 (3), 863–879. https://doi.org/10.1007/s11042-009-0417-2
  25. Moschoglou, S., Papaioannou, A., Sagonas, C., Deng, J., Kotsia, I., Zafeiriou, S. (2017). AgeDB: The First Manually Collected, In-the-Wild Age Database. 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 1997–2005. https://doi.org/10.1109/cvprw.2017.250
  26. Sengupta, S., Chen, J.-C., Castillo, C., Patel, V. M., Chellappa, R., Jacobs, D. W. (2016). Frontal to profile face verification in the wild. 2016 IEEE Winter Conference on Applications of Computer Vision (WACV), 1–9. https://doi.org/10.1109/wacv.2016.7477558
  27. Huang, G. B., Ramesh, M., Berg, T., Learned-Mille, E. (2007). Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments. University of Massachusetts. Available at: https://people.cs.umass.edu/~elm/papers/lfw.pdf
  28. Chethana, H. T., Nagavi, T. C., Mahesha, P., Ravi, V., Al Mazroa, A. (2025). Face Recognition in Unconstrained Images Using Deep Learning Model for Forensics. Security and Privacy, 8 (2). https://doi.org/10.1002/spy2.70012
  29. Vu, H. N., Nguyen, M. H., Pham, C. (2021). Masked face recognition with convolutional neural networks and local binary patterns. Applied Intelligence, 52 (5), 5497–5512. https://doi.org/10.1007/s10489-021-02728-1
Визначення впливу адверсаріальних кібератак на ефективність комплексного методу біометричної ідентифікації на основі локально-текстурних дескрипторів

##submission.downloads##

Опубліковано

2026-06-30

Як цитувати

Жабська, Є. О., Меркулова, К. В., & Бичков, О. С. (2026). Визначення впливу адверсаріальних кібератак на ефективність комплексного методу біометричної ідентифікації на основі локально-текстурних дескрипторів. Eastern-European Journal of Enterprise Technologies, 3(9 (141), 26–37. https://doi.org/10.15587/1729-4061.2026.363911

Номер

Том 3 № 9 (141) (2026): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2026 Yelyzaveta Zhabska, Kateryna Merkulova, Oleksii Bychkov

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.