Введение
Глава 1. Теоретические и методологические основы биометрических технологий и средств идентификации личности
1.1. Понятие биометрии и эволюционные этапы развития биометрических технологий
1.2. Технологии метода биометрической идентификации: сравнительный анализ и сферы их практического применения
1.3. Анализ существующих продуктов на рынке биометрических технологий РФ и за рубежом
Глава 2. Анализ возможностей биометрических технологий в криминалистической идентификации и оценка эффективности их отдельных видов
2.1. Характеристика, правовые основы и возможности применения отдельных биометрических технологий при раскрытии и расследовании преступлений
2.3. Проблемы применения биометрических технологий для идентификации личности в процессе расследования преступления и возможные предложения по их решению
Заключение
Список использованных источников и литературы
Приложение
Введение
Актуальность темы курсовой работы обусловлена тем фактом, то рас-следование преступлений — это сложный и длительный процесс, который тре-бует, как детального регулирования в законодательстве, так в технике про-ведения.
Такое положение вещей связано, прежде всего, с особой важностью этих отношений, поскольку благодаря расследованию преступлений защи-щаются права и законные интересы граждан, а также в некоторой степени минимизируются последствия преступления. В качестве превентивных мер принимаются меры по предотвращению повторения совершения одних и тех же преступных действий. При этом важно отметить, что в ряде случаев при раскрытии и расследовании преступлений необходимо проводить идентифи-кацию личности. Необходимо отметить, что для осуществления идентифика-ции личности в криминалистике разработано достаточно большое количе-ство методов. При этом в криминалистической науке рассматриваются как традиционные методы идентификации личности, так и нетрадиционные.
Кроме того также немаловажным является то, что общественные отно-шения все время развиваются, изменяется окружающая обстановка, в связи с чем связано систематическое изменение и совершенствование методов иден-тификации личности в криминалистике.
Целью работы является исследование проблем, использования биомет-рических технологий в криминалистической идентификации, а также приори-тетных направлений их решения.
Поставленная цель может быть достигнута , благодаря решения следу-ющих задач:
– раскрыть понятие биометрии и проследить эволюционные этапы раз-вития биометрических технологий;
– выполнить сравнительный анализ технологий метода биометриче-ской идентификации и обозначить сферы их практического применения;
– изучить существующие продукты биометрических технологий на рынке РФ и за рубежом;
– представить характеристику, правовые основы и возможности при-менения отдельных биометрических технологий при раскрытии и расследо-вании преступлений;
– выявить проблемы применения биометрических технологий для идентификации личности в процессе расследования преступления и наметить возможные предложения по их решению.
Объектом исследования выступила совокупность методов биометриче-ских технологий идентификации личности.
Предметом данной курсовой работы являются научные работы ученых в данной области, существующие взгляды, идеи и представления об исследу-емых проблемах, в которых отражены положения о биометрических техно-логий идентификации личности в криминалистике.
Теоретическую основу исследования составили труды отечественных и зарубежных ученых, посвящённые проблемам идентификации личности в криминалистической практике, обеспечения правовых основ и реализации применения биометрических технологий при раскрытии и расследовании преступлений, среди которых можно назвать: Е.Н. Барашко, Л. Сирович, М. Кирби, К.В.Ярмак, И.Е. Филиппов, А. Абдирашидов, А.Р. Акзигитов, Н.М.Акрамова и др. Нормативно-правовая основа работы представлена дей-ствующей Конституцией Российской Федерации, федеральными законами, постановлениями, гостами, патентами, относящимисяк теме исследования.
В настоящей работе используются методы анализа, системный метод изучения, функциональный подход, сравнительно-правовой метод, а также метод материалистической диалектики.
Структура курсовой работы представлена введением двумя главами, содержащими параграфы, заключением, списком использованных источни-ков.
Глава 1. Теоретические и методологические основы биометрических
технологий и средств идентификации личности
1.1. Понятие биометрии и эволюционные этапы развития
биометрических технологий
Термин «биометрия» имеет греческое происхождение и в своем соста-ве объединяет такие слова, как: «ζωή» (жизнь) и «μέτρηση» (измерение), а основы биометрических технологий имеют длительную эволюционную ис-торию.
С развитием цивилизации люди применяли описание лиц для «узнава-ния» знакомых и незнакомых людей. С ростом населения и развитием пу-тешествия и торговли «человекоописания» стали обобщаться, формализо-ваться.
Кроме внешних (статических) описаний стали применяться описания поведенческие (динамические) – голос и походка, которыми люди пользо-вались «бессознательно» ежедневно. Известна как памятник ЮНЕСКО «Пещера рук» за настенные рисунки и негативные изображения человече-ских рук, самые старые из которых датируются IX в. до н. э . Наскальные рисунки отражают преимущественно левые руки мальчиков-подростков, что позволяет сделать предположение о том, что нанесение оттиска руки входило в обряд инициации и перехода ребенка в статус взрослого мужчи-ны (приложение 1). Однако известно, что еще более 30000 лет тому назад в известняковых пещерах Франции (около Авиньона) наряду с изображения-ми животных исследователь Жан Шавэ обнаружил непонятные геометриче-ские фигуры около изображений подобия человеческих фигур в виде линий, точек, зигзагов, клиньев треугольной формы и отпечатков рук. Являлись ли эти изображения оттисками руки «автора» изображений животных или че-го-то другого – не установлено, но их стали признавать одним из первых идентификационных признаков человека .
Френсис Гальтон, впервые предложивший к использованию в биологии человека и психологии методы и формы анализа статистических закономер-носстей и заложивший основные положения антропометрии (исследование человека путем измерения его внешних анатомических признаков), по праву считается основателем биометрии, как науки. Кроме того, исследование Ф.Гальтоном кожных пальцевых узоров легло в основу дактилоскопии .
В 1858 г. Уильям Гершель описал принятое государственной службой Индии первое систематическое закрепление изображений руки для целей определения сотрудников, работающих на государственной службе.
На обратной стороне контракта каждого работника был зафиксирован отпечаток руки с тем, чтобы отличать сотрудников для исключения лишних выплат зарплаты. Это считается первой зарегистрированной систематиче-ской фиксацией отпечатка рук и пальцев в целях идентификации.
На идеях, которые изначально существовали сотни и тысячи лет назад опираются многие решения по автоматизации методов. В 1960 г. Вуди Вильсоном Бледшу по контракту с Правительством США была разработа-на первая полуавтоматическая система распознавания лиц. Она требовала администратора для поиска и ввода в компьютер таких важных элементов, как глаза, уши, нос и рот на фотографии. Разработанная система зависела от качества математического определения расположения точек элемента по сравнению с базовыми данными .
В 1970 г. А. Я. Гольдштейн, Л. Д. Хармон, А. В. Леек в целях даль-нейшего развития автоматизированного распознавания лиц вводят для при-менения 21 формализованный субъективный маркер, в том числе цвет волос и толщину губ. Проблема состояла в том, что измерения и положение этих элементов вычислялись вручную .
В 1988 г. Департамент шерифа г. Лейквуд округа Лос-Анджелес при-ступил к использованию композитных изображений (или составных портре-тов) подозреваемых для проведения поиска по базе данных оцифрованных сигналетических фотоснимков . В этом же году М. Кирби и Л. Сирович при-менили технику стандартной линейной алгебры для прикладного анализа главных составляющих в методике распознавания лиц. Они впервые устано-вили, что требуется менее сотни значений для соответствующего нормирова-ния и выравнивания соотношений при анализе изображения лица .
В 1991 г. М. А. Турк и А. П. Пентленд установили, что, применяя фундаментальные статистические характеристики математического ожидания (средние величины), ковариационные матрицы, метод главных компонент, оказалось возможным использовать «остаточную ошибку» для анализа лица на фотоснимках. Результатом этого открытия оказалась возможность надеж-ного распознавания лица в режиме реального времени.
В 1992 г. Правительством США было поручено Агентству националь-ной безопасности создать Биометрический Консорциум. В него вошли как государственные учреждения, так и представители частного сектора и науч-ных учреждений .
Позже, в 2002 г., создается в Международной организации по стандар-тизации ISO / IEC подкомитет по биометрии 37 (JTC1/SC37) для работы по стандартизации общих биометрических технологий.
В 2003 г (28 мая) Международной организацией гражданской авиации (ИКАО) были приняты общие согласованные решения, направленные разра-ботки базовых положений, направленных на обеспечение включения био-метрической идентификационной информации в паспорт и другие машино-читаемые проездные документы .
В 2004 г. в США вводится в эксплуатацию программа ВИЗИТ для кон-троля туристов и иммигрантов. Программа контролирует меры безопасно-сти с момента обращения за визой, продолжается по прибытии и до отъезда из США. Использование биометрических данных, таких как цифровой отпе-чаток пальца и фотографии личности визитера, обеспечивает идентификацию въезда-выезда человека . В 2004 г. Министерство обороны США реализует автоматизированные системы биометрической идентификации (АБИС). Еди-ная система собирает информацию о военнослужащих и иных лицах, фор-мирует их десятипальцевые дактилокарты, фиксирует особенность ведения ими стрельбы, записывает образцы речи (голоса), фиксирует в базе изобра-жение радужки глаза и образец ДНК .
Физиологические особенности, заложенные в генетическом коде, например: узоры папиллярных линий и геометрия ладони и ступни, геомет-рия лица, температурная топография кожи лица, рисунок радужной оболоч-ки и кровеносной сети сетчатки глаза, геометрия венозной сети кистей рук, форма уха, колебания голосовых связок, являются постоянными и неизмен-ными физиологическими признаками человека, что является с учетом все-общности, измеряемость и приемлемости непременным условием для при-знания их биометрическим параметром .
Итак, обобщая представленные материалы, можно сказать, что био-метрия как отрасль науки занимается количественным анализом качествен-ных параметров в медико-биологических экспериментах с привлечением ме-тодов математической статистики. Благодаря развитию математических ме-тодов анализа с использованием средств вычислительной техники она нашла свое применение в развитии технологий безопасности. В основе этих техно-логий лежит возможность использовать количественные характеристики ка-чественных свойств генетического кода человека для создания компьютер-ных систем распознавания личности.
1.2. Технологии метода биометрической идентификации: сравнительный анализ и сферы их практического применения
Обращаясь к сравнительный анализу и сфер практического примене-ния технологий биометрической идентификации следует отметь несколько развивающихся областей в области биометрической идентификации, каждая из которых имеет свои преимущества и недостатки. Исследования в этой об-ласти активно проводятся университетами, коммерческими фирмами и госу-дарственными организациями. В настоящее время развивается рынок средств биометрической идентификации, а также услуг по тестированию, поддержке и адаптации для этих продуктов, формируя предложения в раках следующих группы: .
Рисунок 2. Группы систем биометрической идентификации
На основании рисунка 2, можно сказать, что средства для биометриче-ской идентификации имеют деление по признаку анализа образа и субъекта идентификации.
Системы биометрической идентификации обычно работают в рамках последовательной реализации следующих четырех этапов (рис. 3) [1] :
Рисунок 3. Этапы биометрической идентификации
В настоящее время системы биометрической идентификации активно используются во многих областях, где необходимо обеспечить ограниченный доступ к информации и материальным объектам и приоритетность выбор можно оценить при помощи рисунка 4 .
Рисунок 4. Сравнительная диаграмма популярности отдельных
технологий метода биометрической идентификации
Опираясь на данные сравнительной диаграммы популярности отдель-ных технологий метода биометрической идентификации, следует отметить безусловный приоритет такой технологии, как отпечаток пальца, но следует отметить, что биометрические системы и в частности и данная технология имеют вероятностный характер и поскольку они не могут гарантировать полное отсутствие ошибок, существуют следующие ключевые вероятностные показатели (рис. 4):
Рисунок 4. ключевые вероятностные показатели биометрической
идентификации
По итогу анализа методов и программно-аппаратных средств для идентификации личности представим обобщающее сравнение технологий биометрической идентификации, основанных на статических [3] и динамиче-ских признаках в виде сводной таблицы (приложение 2).
Биометрические системы идентификации, основанные на динамических образах ( на пример — ЭКГ), на данный момент являются более перспектив-ным направлением для исследований, чем статистические методы, поскольку позволяют обеспечить более эффективный процесс реализации контроля доступа к данным или важным объектам.
Самые распространенные методы биометрической идентификации: по отпечатку пальца, геометрии руки и лица уязвимы к муляжам пальцев или руки, а также к хорошо выполненным маскам или фотографиям (двумерное изображение лица). Также статические образы не являются секретными и мо-гут быть похищены.
Подход, основанный на динамических признаках, даёт более высокую точность. Также динамические признаки достаточно сложно подделать или украсть (кроме голосового пароля).
1.3. Анализ существующих продуктов на рынке биометрических
технологий РФ и за рубежом
В проблеме распознавания лица на сегодняшний день существует два основных подхода – геометрический (основан на математических функциях) и фотометрический (основан на анализе изображения).
Учитывая, что исследования в сфере распознавания лиц представляют большой интерес при решении вопросов идентификации неопознанных лиц и трупов, поиска пропавших, пограничного и миграционного контроля и кон-троля доступа в системах безопасности, продолжается разработка различ-ных алгоритмов автоматизированной обработки. Наиболее известными ал-горитмами и программами, достаточно хорошо разработанными и признан-ными, являются:
– анализ главной компоненты, преобразование Карунена-Лева (Karhunen-Lo- eve transform), анализ основных компонентов (Principal Components Analysis — РСА);
– линейный дискриминантный анализ, аппроксимация Ритца (Ritz ap-proximation), представление на базе образцов (Linear Discriminant Analysis – LDA);
– графы эластичного согласования Банча, представление с редкой фильтрацией (sparse-filter representation), струйные и волновые преобразова-ния Габора (Elastic Bunch Graph Matching – EBGM).
Рассмотрим обозначенные продукты более подробно.
Анализ главной компоненты (РСА) впервые был предложен в 1988 г. Л. Сировичем и М. Кирби. Основным требованием к их алгоритму является формирование модельного изображения и галереи интерпретации этой мо-дели. Причем и модель, и галерея изображений должны быть одинакового размера. Нормирование производится на линии глаз и рта. Затем данные сжимаются и используются для выявления наиболее эффективных малораз-мерных элементов пространственной структуры лица. Это позволяет вы-явить общую и частную информацию. Затем общая информация исключается из анализа.
Частная (особенностная) информация преобразуется в функцию прямо-угольных векторов, и формируется «собственное лицо» (EigenFace), размер-ность которых хранится в одномерном информационном массиве. Каждое изображение лица представляет взвешенную сумму (функции векторов) .
Представление принципа частных особенностей лица в векторную форму представлено на рисунке 5 приложения 3. Исследуемое изображение сравнивается с массивом галереи изображений (базой) путем измерения рас-стояний между соответствующими векторами признаков. Для проведения та-кого анализа требуется изображение лица анфас, которое затем будет анали-зироваться при каждом сравнении (рис. 6 приложения 3) .
Основным преимуществом этого метода является возможность суще-ственного уменьшения представляемого объема данных, необходимых для идентификации личности (1/1000) .
Для применения СВТ в компьютерной обработке информации, в част-ности изображений, необходимо сначала обучить машину. Для этого ис-пользуется обучающая выборка, представляющая собой набор изображения лиц, которые мы хотим распознать. После обучения компьютера, подавая на его вход какое-либо изображение, получим ответ: с максимальной ли вероятностью или нет соответствует введенное изображение модельному из обучающей выборки.
Для составления обучающей выборки формируется батарея из 10 фо-тографий 40 различных людей (рис. 7 приложения 4).
Далее компьютер переводит изображения в векторные величины, фор-мирует матрицу, из которой убираются все общие элементы. Остается только «усредненная», но уникальная по содержанию информация об изображении. Если теперь компьютер проведет обратные вычисления, то из «усредненно-го» вектора получится «усредненное» изображение лица (рис.8 приложения 4).
Затем машина вычитает векторы усредненного изображения из каждо-го изображения и восстанавливает усредненную выборку (рис. 9 приложения 4).
Далее вычисляется собственный вектор каждого изображения и его ве-личина (вес) для каждого изображения в обучающей выборке. То есть полу-чаем новые изображения из векторов. Создаем матрицу из вариантов изоб-ражений батареи фотоснимков обучаемой матрицы. Определяем, какому изображению он точнее соотносится, и получаем искомое лицо, если оно находится в базе фотоснимков.
Линейный дискриминантный анализ (LDA) представляет собой приме-не¬ние статистического подхода к классификации образцов в неизвестных классах и образцов в известных классах . Этот метод направлен на выявле-ние максимальной межклассовой дисперсии (разброса) между представите-лями различных классов. В то же время метод направлен на минимизацию внутриклассовой дисперсии между представителями одного класса.
Линейный дискриминантный анализ получил название «лицо Фишера» Fisherfaces . Методика, заложенная в алгоритм, преодолевает ограничения метода Eigen-Faces применением линейного дискриминантного критерия Фишера. Изображение проецируется из двухмерного пространства в много-мерное.
Например, рассмотрим два набора точек в двухмерном пространстве, которые проецируются на одну линию (рис. 10 приложения 5).
В зависимости от положения линии точки могут быть смешаны вместе (рис. а) или разделены (рис. b). Анализ линии раздела, позволяющий устано-вить лучшее разделение точек в пространстве, и называется «критерием Фи-шера» (рис. 11 приложения 5).
Для анализа вводимых изображений они сопоставляются с «базовыми» изображениями путем перемещения в общее подпространство. Далее опре-деляется мера сходства. Но, в отличие от анализа главной компоненты, этот метод основан не на качественном анализе сходства в изображении лица, а на определении величины различий между представленными изображениями лиц (рис. 12 приложения 5).
Для решения задач линейного дискриминантного анализа применяют-ся:
– псевдометод обратной задачи;
– метод подпространства или нулевой метод пространства.
Единственное лицо, имеющее минимальное несоответствие с изображе-нием ис-следуемого лица, определяется как личность искомого.
3. Графы эластичного согласования Банча (EBGM).
В реальных условиях выявлена разница характеристик изображения лица при естественном освещении, освещении лампами накаливания, источ-ником инфракрасного и ультрафиолетового излучения. Поза и мимика суще-ственно влияют на восприятие лица и его характеристики. Данные вариации обусловливают сложность математической обработки изображений.
Алгоритм графов эластичного согласования Банча основывается на том, что реальное изображение лица человека представляется в виде ком-плекса нелинейных характеристик, которые обрабатываются методами ли-нейного анализа, рассмотренными выше.
На изображение лица накладывается виртуальная «эластичная сетка». Точки пересечения «струн» сетки (узлы пересечения) получили название «вейвлеты (всплески) Габора». Проекция упругих «струн» и «узлов» на лицо в результате Вейвлет-преобразования Габора формирует динамическую мо-дель архитектуры лица. В результате трехмерное изображение лица преоб-разуется в математическую модель, в которой линейные размеры «струн», угловые величины между ними и положение «узлов» приобретают одномер-ную величину (рис. 13 приложения 6) .
Комплекс координат и размерностей «струн» и «узлов» формирует «свернутое» изображение лица, в котором содержится информация о его трехмерном изображении.
Соответствующие «струны» и «узлы» базового изображения лица со-поставляются с аналогичными «струнами» и «узлами» исследуемого лица, в результате чего генерируется новый граф (рисунок) сетки.
Сходство сформированного графа с имеющимися графами базового изображения и изображения исследуемого лица в результате обратного пре-образования Вейвлет-преобразования Габора будет свидетельствовать о тождестве лиц на изображении. Но при этом следует соблюдать единый мас-штаб изображений и сетки графов и провести выравнивание гистограммы освещенности без потери качества изображения.
Особенностью данного метода является и то, что кроме выбора изоб-ражений графов можно выявлять сходство путем выбора и сравнения «гроз-ди» «узел- струна».
Сравнение результативности алгоритмов методов распознавания пред-ставлено в таблице 2 приложения 6, из данных которой видно, что комбина-ция методов позволяет обеспечить как более высокую скорость, так точность распознавания.
Кроме перечисленных алгоритмов разработан и предлагается к реали-зации программный комплекс голосовой биометрии: верификации, иденти-фикации, диаризации и антиспуфинга. В основе программы лежит нейронная сетьархитектуры x-vector, представляющая характеристики голоса в виде векторафиксированной длины. При этом, если два вектора близки – это за-писи голоса одного человека, а если вектора различны – это записи голосов разных людей. Диаризация – разделение моно записи нескольких дикторов в отдельные моно записи, содержащие голос только одного диктора.
Антиспуфинг – определение, записан ли живой голос или диктофонная запись. Нейронная сеть реализована в фреймворке Caffe2 и занимает 15 Мб, что делает возможным её встраивание в мобильные и маломощные устрой-ства. Ошибка верификации в канале 16 кГц EER=0.3% . Основное примене-ние предлагаемого продукта биометрических технологий может быть реали-зовано в колл-центрах, СКУД и голосовых помощниках.
Так же для контактных центрах (КЦ) по обслуживанию клиентов для оценки подлинности обращения при звонке весьма востребована программа Tinkoff Voice Biometry, которая оценивает степень соответствия двух голо-сов, записанных в виде аудиофайлов . При первом звонке клиента в КЦ со-здается эталонный образец его голоса. При последующих звонках клиента в КЦ образец его голоса с текущего звонка сравнивается с эталонным. При их несоответствии оценка подлинности понижается. Чем ниже оценка подлинно-сти обращения, тем больше дополнительных проверок будет проведено опе-ратором КЦ перед предоставлением разрешения на проведение операции. Программа повышает точность оценки подлинности обращения клиента, позволяет снизить стоимость обслуживания и риски некорректной идентифи-кации при обращении в КЦ.
Д.А. Благороднов предлагает к применению программную платформу для построения масштабируемых систем видеонаблюдения, интеллектуаль-ной видеоаналитики и биометрии, которая содержит в себе несколько микро сервисов: frontend системы написан с использованием языков РНР и JS (VUE); backend программы разработана на Lua, которая используется для сегментирования, объеденения архивных данных и отдачи его пользовате-лям. Для взаимодействия frontend с backend автором программного продук-та разработан собственный протокол обмена. Часть, реализованная на python, отвечает за управление устройствами, находящимися в удаленных сетях, и имеет возможность конфигурирования оборудования, управлением им, удаленным съемом телеметрических данных .
Модуль аналитики разработан на языке Python: используется для рас-познавания лиц, детектирования скопления людей, оставленных предметов, распознавания государственных регистрационных знаков.
Для поддержки изображения с модулей аналитики и видео детекторов системы в состоянии реального времени на операционных системах Unix/Linux/FreeBSD, Windows используется протокол webrtc с помощью собственной реализации взаимодействия с исходной библиотекой.
Обратимся к анализу существующих тенденций на мировом и отече-ственных рынках биометрических технологий. Опираясь на данные между-народной консалтинговой компании «J’son & Partners Consulting» можно отметить положительную динамику рынка и ориентироваться на его про-гнозные объемы к 2022 году более 40 миллиардов долларов США (рис. 14) .
Рисунок 14. Объем мирового рынка биометрических технологий
Основными сегментами мирового рынка биометрических технологий выступает государственный сегмент, включающий в себя электронные доку-менты (паспорта граждан, водительские удостоверения и пр.), национальные системы безопасности, туристический (миграционный), финансовый, корпо-ративный сегменты. Однако, J’son & Partners Consulting отмечает активное развитие коммерческого сегмента. По оценкам компании объем государ-ственных проектов на мировом рынке биометрии будет снижаться, а финан-совый сектор, наоборот, увеличит свою долю на рынке до 27,5 % к 2022 го-ду (рис. 15) .
Рисунок 15. Структура мирового рынка биометрических технологий
Аналогичное положение ожидается и на российском рынке, в настоя-щее время одним из ярких проектов в данной сфере выступает внедрение единой биометрической системы (ЕБС) в работу банковского сектора. ЕБС, провигаемая Центральным банком Российской Федерации проект, совместно с Министерством цифрового развития, связи и массовых коммуникаций Рос-сийской Федерации, и ПАО «Ростлеком», ориентирована на сбор биометри-ческих данных личности (лицо и голос), с целью организации новых воз-можностей по оказанию различных банковских услуг .
Реализация банками данной функции стала возможной в связи с про-изошедшими в 2018 изменениями в законодательстве, в том числе была вве-дена статья 14.1. «Применение информационных технологий в целях иден-тификации граждан Российской Федерации» в Федеральный закон № 149-ФЗ «Об информации, информационных технологиях и защите информации» .
Обобщая материалы первой главы исследования можно казать, что биометрия с опорой на определенные методы математического анализа обеспечивает возможность анализа и оценки существующих связей и зави-симостей между биологическими явлениями, объектами и процессами. Применение биометрических инструментов, позволяет получить точную количественную характеристику исследуемых параметров, определить сте-пень и характер их различий, отделить случайное от регулярного и дока-зать существование изменчивости.
Грамотное использование биометрических методов повышает инфор-мативность при проведении тех или иных экспетиз.
Статистическая обработка результатов исследований позволяет выяв-лять скрытые закономерности и правильно их интерпретировать.
Таким образом, на основании изложенных материалов можно сказать, что существует биометрическая система, представленная единой программ-ной базой для дистанционной биометрической идентификации.
Глава 2. Анализ возможностей биометрических технологий в
криминалистической идентификации и оценка эффективности их
отдельных видов
2.1. Характеристика, правовые основы и возможности применения
отдельных биометрических технологий при раскрытии и расследовании преступлений
Потребность в определении личности человека местах массового скоп-ления людей или при контроле пропусков, проверке документов стала оче-видной необходимостью. Прежде всего, проблема связана с обеспечением безопасности транспортных систем — аэропортов, вокзалов, морских портов, метрополитена, а также государственных и межгосударственных систем — паспортно-визовых, таможенных, миграционных и эксплуатационных служб. Использование биометрических технологий позволяет аутентифицировать человека среди огромного количества людей, проходящих через контроль-ную точку.
Вопросы применения биометрических технологий во многом зависят от единого подхода к алгоритмизации собственно технологий обработки сигна-ла или модели, их направленности и сферы реализации, соблюдения конфи-денциальности и режима секретности, сохранения баз, соблюдения действу-ющего законодательства и т. д.
Активно развивается международная нормативная техническая и пра-вовая база. Практически сразу после 11 сентября 2001 г. при Международ-ной организации по стандартам (ISO) создан подкомитет JSC37 по биомет-рии, призванный оперативно разработать и утвердить единые международ-ные стандарты использования, обмена и хранения биометрических данных.
Аналогичный подкомитет ПК-7 создан в Федеральном агентстве по техническому регулированию и метрологии России.
Одним из ключевых решений в обеспечении единства реализации тех-нологий является принятие в 2006 г. национального стандарта «Автоматиче-ская идентификация. Идентификация биометрическая. Форматы обмена био-метрическими данными. Часть 5. Данные изображения лица. ГОСТ-P ИСО/МЭК 19794-5-2006» , который введен в действие с 1 января 2007 г.
Стандартом устанавливаются требования к формату записи данных для хранения, регистрации и передачи информации об одном или более изобра-жениях лица в структуре данных «Единой системы форматов обмена био-метрическими данными» (ЕСФОБД), а также к условиям получения изобра-жения лица, его фотографированию и параметрам цифрового изображения лица . Необходимо учитывать при этом, что данный стандарт регулирует, прежде всего, обмен биометрическими данными в сфере удостоверения лич-ности держателя соответствующего документа или полномочий.
Принципиальные задачи биометрических систем криминалистики, ОРД и безопасности заключаются в том, чтобы доказать, что:
– «вы – это вы»;
– постороннее лицо не может выдать себя за вас;
– система не принимает вас за другого человека.
Уникальные человеческие качества трудно подделать. Бумажные носи-тели идентификационных признаков (паспорт, водительские права, удосто-верение личности) могут быть утрачены, подделаны или похищены. Пароль или персональный идентификационный номер (ПИН) можно забыть. Био-метрические характеристики человека всегда «при нем» и не могут быть за-быты или потеряны.
«Единственность» и неповторимость внешних признаков проявления генетического кода лежит в основе идентификации личности по статическим и динамическим признакам внешности. Имитация голоса, походки или реали-зация возможностей пластического (объемного) гримирования может ввести в заблуждение наблюдателя. Однако изменить биометрические характери-стики конкретного лица невозможно.
Биометрические системы в криминалистике функционально содержат следующие элементы:
– база (архив) фотопортретов, фотоснимков черепов, карты дакти-лоскопического учета, видеофайлы от камер наружного наблюдения;
– системы ввода внешних данных – фотоаппаратура, видеокамеры, сканеры;
– аппаратные средства и программные продукты биометрической обработки;
– базы (архивы) результатов портретных экспертиз, материалов ОРД, протоколов систем безопасности.
Информационное формирование элементов зависит от решаемых за-дач, поставленных целей и возможности применяемых аппаратных средств и программных продуктов.
Существует два основных алгоритма сравнения полученного иденти-фикационного биометрического кода с имеющимся в базе шаблоном:
1. По характерным точкам. Кремниевые пластины, так называемые твердотельные устройства, содержат микроконденсаторы, чувствительные к топографии папиллярного узора. Бугорки и впадины, образуемые гребнями папиллярных линий, меняют величину емкости микроконденсаторов в зави-симости от расстояния (D1, D2, D3) между кожей и некоторым заданным уровнем. Устройство преобразует распределение заряда в распределение этих расстояний, компьютерная программа создает аналоговое изображение отпечатка и позволяет получить дактилоскопический рисунок.
Сканер формирует изображение отпечатка с разрешением 500 точек на дюйм, а компьютерная программа выделяет 10-40 «реперных» точек (крас-ные квадраты), рассчитывает расстояния и углы между ними и создает шаб-лон (синие линии) (рис. 16 приложения 7). Графическая характеристика шаблона запоминается в базе, сам отпечаток стирается. Когда в компьютер вводится изображение из дактилокарты, дактилопленки с копией следа с ме-ста происшествия или со сканера, вновь создается шаблон, который сравни-вается с шаблоном, хранящимся в памяти системы (рис. 17 приложения 7).
2. По рельефу всей поверхности пальца. Оптические сканеры, со-зданные на приборах с зарядовой связью, преобразуют дактилоскопический узор в цифровую форму. Реализуется принцип, заложенный в цифровых фо-тоаппаратах. Сканер формирует цифровое (бинарное) изображение отпечат-ка с разрешением 500 точек на дюйм, а компьютерная программа запомина-ет его в базе (рис. 18 приложения 8).
Первый алгоритм реализуется согласно «реперных» точек, при запо-минании их расположение относительно друг друга. В основе второго алго-ритма лежит запоминание идентификационного биометрического кода в це-лом.
Наряду с идентификацией по отпечатку пальца определенное распро-странение получила идентификация по геометрии кисти руки . С помощью специального устройства (хэндкея), позволяющего получать трехмерный об-раз кисти руки, получаются измерения, необходимые для уникальной циф-ровой модели, идентифицирующей кисть руки человека.
Рука внутри «хэндкея» фотографируется в ультрафиолетовом излуче-нии в трех проекциях. Полученный электронный образ обрабатывается встроенным процессором, информация направляется в базу, сверяются ха-рактеристики руки с ранее определенными данными. При каждой проверке сохраняемая информация автоматически обновляется, так что все изменения на руке проверяемого постоянно регистрируются (рис. 19 приложения 8).
Идентификация личности по глазам также относится к предмету био-метрии. Особенность рисунка радужной оболочки глаза и кровеносных со-судов сетчатки относятся к биометрическим параметрам, позволяющим про-водить идентификацию личности, однако оборудование для такого сканиро-вания весьма дорогостоящее и поэтому данный способ биометрии широким распространением не отличатся.
Сканирование и идентификация по радужной оболочке более востре-бована, но она позволяет идентифицировать только живого человека. Иден-тификацию по фотоснимку глаза с фотографии лица человека реализовать пока не удается. Идентификация в рамках функционирования систем без-опасности производится сканирование в тепловой и видимой зонах (рис. 20 приложения 9).
Первоначально определяется центр зрачка и два радиуса: радиус зрач-ка и радиус внешнего края радужки. Границы зрачка и радужки не являются при этом круглыми. Они становятся таковыми после дополнительной обра-ботки. После чего выполняется увеличение четкости образа (рис. 21 прило-жения 9).
Другой способ (более точный) заключается в том, что после увеличения
четкости формируются координаты полярной системы , в результате полу-чается прямоугольная развертка, где по оси X отложены углы полярной си-стемы координат, а по оси Y – значения радиуса (радиус внешней окружно-сти радужки минус радиус внутренней) (рис. 22 приложения 9).
Одним из перспективных направлений в криминалистической биомет-рии является идентификация человека по чертам лица. Это связано с тем, что методы биометрии близки к «технологии узнавания» людьми друг друга. Развитие и внедрение в сферу борьбы с преступностью мультимедийных тех-нологий обеспечивает криминалистов аппаратно-программным инструмен-тарием, направленным на аутентификацию — поиск соответствия «один из многих» или на идентификацию — установление подлинности «один в один» личности.
Развитие систем криминалистической идентификации с применением биометрии шло от «двухмерного» распознавания к «трехмерному (3D)». В основе технологии трехмерного распознавания лежит принцип уникальности лица каждого человека, обусловленный особенностями строения черепа. В системах автоматически оценивается качество изображения лица и улучшает-ся до требуемого качества (рис. 21 приложения 10). Далее система генериру-ет цифровой код или внутренний шаблон, уникальный для каждого индиви-дуума (рис. 22 приложения 10).
Ключевым принципом механизма распознавания является не сравни-тельное положение точек черепа и тканей лица, а кривизна поверхностей и зон в связи с чем вероятность ошибки :
– первого рода – система не узнала «своего» – 10-2 (один из сотни). В этом случае необходимо заново встать перед сканером;
– второго рода – система приняла «чужого» за «своего» составляет ме-нее чем 10-6 (один из миллиона).
Эффективность трехмерной технологии распознавания лица основана на следующих константах:
1. Точность идентификации. Технология имеет существенное преиму-щество перед распознаванием по обычной (двухмерной) фотографии и сравнима с распознаванием по радужной оболочке глаза.
2. Постоянное наличие объекта идентификации. Нет непригодных лиц, болезни не оказывают существенного влияния на результат.
3. Невозможность незаметной подмены лица его муляжом (объемным пластическим гримом). Так как возможности трехмерной технологии распо-знавания лица позволяют уловить в режиме реального времени естественные мимические микродвижения лица, которое муляж передать не может.
4. Сканирование бесконтактное. Соблюдаются привила гигиены и от-сутствует психологическая напряженность у пользователей.
5. Изображение не может быть похищено или использовано для фаль-си¬фикации доказательств. Отпечатки пальцев могут быть «сдублированы» на си¬ликоновый муляж.
6. Нет сложности при опознании лиц другой этнической группы.
Итак, комплексное применение достижений биометрии и информаци-онных технологий легло в основу формирования биометрических систем распознавания личности по внешнему проявлению генокода человека и при-менения этих возможностей в криминалистической идентификации.
Идентификация по любой биометрической системе включает четыре этапа:
– запись – занесение физического или динамического образа в базу и запоминание его системой;
– выделение – из генетического кода извлекается уникальная ин-формация, на основании которой формируется биометрический образец;
– сравнение – сохраненный образец сравнивается с представлен-ным;
– аутентификация/идентификация – выявление совпадений «один к многим» и «один к одному» на основе биометрических образцов.
В базе данных системы хранится цифровой код длиной до 1000 бит, который «описывает» конкретного человека. Сканер или видеокамера, ис-пользуемые в системе, считывают определенный габитоскопический пара-метр человека. Он обрабатывается системой и преобразуется в цифровой код. Эти коды сравниваются, и система выдает информацию о личности. Ес-ли такое сравнение происходит непрерывно и согласованно с поступающими внешними видеоданными, то действует биометрическая система «видеопо-ток».
2.3. Проблемы применения биометрических технологий для
идентификации личности в процессе расследования преступления и
возможные предложения по их решению
Обращаясь к анализу проблематики применения биометрических тех-нологий для идентификации личности в процессе расследования преступле-ния следует обозначить наличие три типа таких трудностей – это техниче-ские, методологические и организационно-правовые сложности. Первый вид проблем включают в себя общие, присущие всем биометрическим техноло-гиям, и специальные сложности, которые проявляются по отношению к от-дельным технологиям. Преодоление проблем общетехнического характера связано со снижением стоимости биометрических исследований и специаль-ного оборудования необходимого для их реализации, а так же поиска спосо-бов направленных на обеспечение получения стабильно-точных результатов и технологий позволивших гарантировать высокий уровень защиты биомет-рической информации от несанкционированного доступа третьих лиц.
Представляется возможным решить особые технические проблемы, со-здав интегрированную систему оценки биометрических параметров челове-ка. Данная система позволит проводить процесс определения личности одно-временно используя несколько критериев оценки, тем самым сокращая ско-рость процесса и сводя к минимуму невозможность идентификации из-за де-фектов отдельных параметров.
Основу применения биометрии при идентификации личности составля-ет Федеральный закон «О персональных данных» , в п. 1 ст. 11 которого указывается на принадлежность биометрических показателей человека к пер-сональным данным, на возможность их использования для осуществления оперативно-розыскной деятельности и правосудия без согласия носителя па-раметров. Вопросам применения материальных носителей для фиксации и хранения биометрических параметров за пределами информационных си-стем посвящено соответствующее Постановление Правительства РФ от 6 июля 2008 г. № 512 .
В связи с чем, правовые проблемы внедрения биометрических техноло-гий обусловлены отсутствием полной правовой базы, регламентирующей порядок их введения в криминалистическую практику, стандарты и методики проведения биометрических исследований, а поскольку использование био-метрических параметров личности для ее идентификации во многом связано со вмешательством в частную жизнь личности, ее неприкосновенность и кон-фиденциальность информации о ней. Поэтому, правовые нормы должны обеспечить баланс между соблюдением конституционных прав и необходи-мостью вмешательства правоохранительных органов с целью расследования и раскрытия преступлений.
Тем не менее, наличие большого массива информации различного уровня достоверности и целенаправленности свидетельствует о перспектив-ности применения биометрических технологий в криминалистической иден-тификации и учета живых лиц, который также базируется на алгоритмах биометрии. Учитываются арестованные и осужденные за совершенные пре-ступления, неизвестные преступники, без вести пропавшие, подозреваемые в подделке медицинских рецептов на получение в аптеках наркотических средств, владельцы и водители транспортных средств, неизвестные больные. Рассмотрим эти учеты и возможности их использования в расследовании.
Для формирования банка данных используются такие учетные доку-менты как: алфавитная карточка Ф-1 на осужденного (арестованного); дакти-лоскопическая карта; розыскная карточка.
В алфавитной карточке Ф-1 на осужденного (арестованного) помимо учетной информации проставляется оттиск указательного пальца правой ру-ки регистрируемого и дактилоскопическая формула. По одному экземпляру алфавитной карточки и дактилоскопической карты направляют в информа-ционный центр регионального МВД, УВД, а вторые – в ГИЦ МВД РФ.
Государственная дактилоскопическая регистрация позволяет:
– вести розыск пропавших без вести граждан Российской Федера-ции, иностранных граждан и лиц без гражданства, а также содействовать подтверждению их личности;
– установить по неопознанному трупу личность погибшего;
– установить личности граждан РФ, иностранных граждан и лиц без гражданства, неспособных по состоянию здоровья или возрасту сооб-щить о себе данные.
Реализуя возможности биометрии, в ГИЦ МВД РФ ведут учет подозре-ваемых, обвиняемых и осужденных из наиболее криминогенной группы пра-вонарушителей при помощи подсистемы «Досье», которая связана с центра-лизованной фототекой и ведет учет квалифицированных и особо опасных преступнов :
Возможности реализации методик биометрии так же широко приме-няются при при учете лиц, пропавших без вести, неопознанных трупов, неиз-вестных больных и детей. Для формирования картотек используется форма-лизованная опознавательная карта единого образца, в которой указывают фамилию, имя, отчество, дату рождения (для без вести пропавших), возраст, рост, расовый тип, давность смерти (для неопознанного трупа), приметы, та-туировки, физические недостатки, размер обуви, окружность головы и раз-мер головного убора, состояние зубного аппарата, описание внешности, одежды и другие сведения.
Таким образом, задачи, поставленные перед экспертами-криминалистами и судебными медиками, имеют широкий спектр действий, а единый алгоритмический подход направлен на формирование экспертно-оперативного массива криминалистического учета.
Перспективным решением в данной области является автоматизиро-ванная информационно-поисковая система (АИПС) «Портрет-Поиск», кото-рая обладает возможностью создания баз данных различной структуры и обеспечивает модификацию структуры хранимой в них информации. Она позволяет в ходе эксплуатации дорабатывать структуру базы, добавлять но-вые характеристики хранимой информации, создавать новые формы пользо-вательского интерфейса, изменять старые. К любой из формируемых баз может быть подключен модуль графического поиска по изображению лица человека.
В базах данных можно хранить неограниченное число графической информации и файлы любого формата, а также создавать текстовые и графи-ческие справочники.
Создание информационно-поисковой системы имеет пошаговый алго-ритм. Первый этап включает дифференциацию объектов предметной области и связей между ними.
Во втором этапе создается структура данных в системе «Портрет», со-здаются пользовательские формы доступа к данным. Для этого в системе «Портрет» имеется специальное приложение, позволяющее задать выбран-ную объектную структуру, определить типы хранимой информации (строки, числа, фотографии), задать справочники.
Формы пользовательского интерфейса создаются с помощью програм-мы графического конструктора (рис. 24 приложения 11).
Сразу же после создания структуры базы можно приступать к работе.
Четвертый этап позволяет провести дополнительные настройки — учет-ные записи пользователей для доступа к созданной базе, разграничение прав пользователей на чтение, запись, редактирование, удаление данных и на воз-можность доступа к определенным формам пользовательского интерфейса.
Также система позволяет настроить систему аудита действий пользова-телей. Результатом работы программы является сортированный массив изображений по степени «похожести» к предъявляемому лицу .
Объектами сравнения являются фотографические изображения лица человека анфас. Сравнительный анализ изображений может быть проведен как на основании биометрических измерений, так и прямого графического сравнения изображений.
Алгоритм биометрического сравнения использует 18 точек, определя-ющих форму лица человека и демонстрирует свою эффективность даже, если на предъявляемой фотографии отсутствует часть изображения (например, на лице темные очки, волосы закрывают часть лица, повреждения на лице) или качество графики низкого качества.
В программе применяются два алгоритма графического сравнения, позволяющих обрабатывать изображения различного качества.
Первый алгоритм — частотный — использует при сравнении фактуру ко-жи и ориентирован на фотографии хорошего качества. Математической ба-зой данного алгоритма могут быть «Вейвлеты Габора».
Второй — контурный — использует при сравнении контрастные переходы теней и ориентирован на сравнение изображений низкого качества. Матема-тической базой может быть «Метод главных компонент» или «Линейный дискриминант Фишера». Возможно совместное применение названных алго-ритмов.
При решении задач сравнения изображений в качестве базовых ис-пользуются две биометрические точки, определяющие местоположение глаз, независимо от того, закрыты или открыты глаза на изображениях (рис. 26 приложения 11).
В качестве интегрированной подсистемы разработана система «Каскад-Фоторобот», которая предназначена для идентификации личности в режиме реального времени по видеоданным, полученным с различных источников, в том числе с аналоговых или цифровых камер наблюдения, мультимедийных файлов и видеосерверов, а также для сопоставления изображений лица с ба-зами данных оперативных учетов и формирования сигналов реагирования по результатам идентификации.
Среди биометрических систем распознавания лиц в трехмерном изме-рении интерес представляет программа «VOCORD FaceControl 3D». Данная система базируется на алгоритме идентификации 3D-модели лиц с помощью технологий трехмерных реконструкций объектов реального мира по сериям синхронных снимков. Для получения исходных изображений используются специализированные мегапиксельные цифровые камеры VOCORD NetCam, работающие в синхронном режиме. Высокая частота кадров камер дает воз-можность в условиях «некооперативного» поведения человека получать не-прерывную последовательность синхронных снимков лица в различных ра-курсах, что позволяет повысить точность 3D -реконструкции.
Термин «некооперативность поведения человека» означает, что в мо-мент получения снимка он может не смотреть в камеру и даже не знать о ее существовании. Система не использует структурированную подсветку и ра-ботает в широком диапазоне освещенностей и на разных расстояниях до объекта съемки.
Процедура реконструкции 3D -модели лица по серии синхронных снимков выполняется на графических процессорах (GPU) nVidia с использо-ванием технологии CUDA, благодаря чему достигнута производительность 10 моделей в секунду на одном GPU :
Данная программа при ее дальнейшем совершенствовании найдет при-менение в системах «Видеопоток» — системах «биометрического видеонаблю-дения» для решения задач общественной безопасности в метро, на других транспортных узлах и в местах массового пребывания людей.
Исходя из изложенного, можно сделать вывод о том, что значение криминалистической идентификации личности сложно переоценить. Кроме того, важно отметить, что осуществление идентификации личности занимает важнейшее место в деятельности сотрудников правоохранительных органов.
Также важно сказать о том, что сотрудники правоохранительных орга-нов должны установить тождество свойств искомой личности и свойств, о ко-торых имеется информация у сотрудника правоохранительных органов при помощи определенной совокупности методов.
В связи с этим мы может говорить о наличии в системе методов доста-точно большого количества биометрических технологий идентификации личности, которые являются эффективными в процессе расследования пре-ступлений. Также необходимо отметить важность формирования новых ме-тодов идентификации личности и развития и совершенствования существу-ющих методов идентификации личности, что приводит к повышению эффек-тивности расследования преступлений. В этой связи может быть эффектив-ным осуществление информирования о новых методах в форме сборников, брошюр, а также иных печатных изданиях, представленность которых в настоящий момент не достаточна.
Подводя итоги проведенного анализа, хотелось бы сказать о том, что в настоящее время в нашей стране уже сложилась единая биометрическая си-стема, которая потенциально представляет собой цифровую платформу для дистанционной биометрической идентификации на основе генетического кода человека. Физиологические особенности, заложенные в генетическом коде, например: узоры папиллярных линий и геометрия ладони и ступни, геомет-рия лица, температурная топография кожи лица, рисунок радужной оболоч-ки и кровеносной сети сетчатки глаза, геометрия венозной сети кистей рук, форма уха, колебания голосовых связок, являются постоянными и неизмен-ными характеристиками человека.
Благодаря развитию математических методов анализа с использовани-ем средств вычислительной техники она нашла свое применение в развитии технологий безопасности. В основе этих технологий лежит возможность ис-пользовать количественные характеристики качественных свойств генетиче-ского кода человека для создания компьютерных систем распознавания лич-ности.
Биометрия как отрасль науки как отрасль науки занимается количе-ственным анализом качественных параметров в медико-биологических экс-периментах с привлечением методов математической статистики. Благодаря развитию математических методов анализа с использованием средств вычис-лительной техники она нашла свое применение в развитии технологий без-опасности. В основе этих технологий лежит возможность использовать коли-чественные характеристики качественных свойств генетического кода челове-ка для создания компьютерных систем распознавания личности. Значение криминалистической идентификации личности сложно переоценить, так как сотрудники правоохранительных органов должны установить тождество свойств искомой личности и свойств, о которых имеется информация у со-трудника правоохранительных органов при помощи определенной совокуп-ности методов. В связи с этим можно говорить о наличии в системе методов достаточно большого количества биометрических технологий идентифика-ции личности, которые являются эффективными в процессе расследования преступлений.
Заключение
В рамках проведенного исследования с помощью сравнительно-правового метода, методов анализа и системного изучения, функционально-го подхода, а также метода материалистической диалектики были реализо-ваны следующие задачи:
– раскрыто понятие биометрии и охарактеризованы эволюционные этапы развития биометрических технологий;
– выполнен сравнительный анализ технологий метода биометрической идентификации и обозначены сферы их практического применения;
– изучены существующие продукты биометрических технологий на рынке РФ и за рубежом;
– представлена характеристика, правовые основы и возможности при-менения отдельных биометрических технологий при раскрытии и расследо-вании преступлений;
– выявлены проблемы применения биометрических технологий для идентификации личности в процессе расследования преступления и обозна-чены возможные направления их решению.
Решение обозначенных задач позволило достичь поставленной цели работы и в полной мерее провести исследование проблем, использования биометрических технологий в криминалистической идентификации, а также наметить приоритетные направлений их решения.
Полученные материалы в рамках проведенного исследования позво-ляют в полной мерее подтвердить актуальность и значимость исследования использования биометрических технологий в криминалистической идентифи-кации обусловлена постоянно развивающимися социальными отношениями в рамках меняющейся среды и окружающей обстановки, что требует наличия широкого спектра как традиционных, так и нетрадиционных методов иден-тификации личности в криминалистике, а также их систематической коррек-тировки и совершенствования.
Список использованных источников и литературы
нормативные источники:
1. Конституция Российской Федерации от 12 декабря 1993 г. // Консуль-тант Плюс [Электрон. ресурс]: информ. правовая поисковая система. – Режим доступа: [http:// www.consultant.ru 09.04.2020].
2. Федеральный закон от 27.07.2006 № 149-ФЗ «Об информации, инфор-мационных технологиях и о защите информации» [Электрон. ресурс]: информ. правовая поисковая система. – Режим доступа: [http:// www.consultant.ru 09.04.2020].
3. Федеральный закон от 27.07.2006 N 152-ФЗ (ред. от 31.12.2017) «О персональных данных»// Российская газета, N 165, 29.07.2006.
4. Постановление Правительства РФ от 06.07.2008 N 512 «Об утвержде-нии требований к материальным носителям биометрических персональ-ных данных и технологиям хранения таких данных вне информацион-ных систем персональных данных» (ред. от 27.12.2012)// Российская га-зета, N 148, 11.07.2008
5. ГОСТ Р ИСО/МЭК 19785-1-2008 Автоматическая идентификация. Идентификация биометрическая. Единая структура форматов обмена биометрическими данными. Часть 1. Спецификация элементов данных [Электрон. ресурс]: информ. правовая поисковая система. – Режим до-ступа: [http:// www.consultant.ru 09.04.2020].
6. ГОСТ-P ИСО/МЭК 19794-5-2006. Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Часть 5. Данные изображения лица [Электрон. ресурс]: ин-форм. правовая поисковая система. – Режим доступа: [http:// www.consultant.ru 09.04.2020].
7. ООО «Биноминал» Программный комплекс голосовой биометрии: ве-рификации, идентификации, диаризации и антиспуфинга // Патент на изобретение RU 2019614177, 01.04.2019. Заявка 2019612961 25.03.2019
8. ООО «Тинькофф Центр Разработки» Тинькофф голосовая биомет-рия/tinkoff voice biometry // Патент на изобретение RU 2019619720, 24.07.2019. Заявка 2019618633 15.07.2019
9. Благороднов Д.А. Программная платформа для построения масштаби-руемых систем видеонаблюдения, интеллектуальной видеоаналитики и биометрии «I-VIZ.RU» // Патент на изобретение RU 2019660418, 06.08.2019. Заявка № 2019616767 от 07.06.2019.
научная литература:
10. Барашко Е.Н. Голосовая биометрия. анализ идентификационных систем / Барашко Е.Н., Гамаюнов Д.В., Верескля В.И. // Общество. 2019. № 2 (13). С. 19-21.
11. Барашко Е.Н. Методы биометрической идентификации // Аллея науки. – 2019. – № 33. – С. 18-24
12. Барковская Е.Г. Организационно-методические проблемы реализации биометрических технологий в сфере раскрытия и расследования пре-ступлений // Юристъ-Правоведъ. – 2011. – № 5 (48). – С. 20-23.
13. Гэльдштейн А. Я. Идентификация человеческих лиц / А. Я. Гэльдштейн, Л. Д. Хармон, А. В. Леска // Труды IEEE. – 2017. – № 5. – С. 748-760.
14. Гэльфанд И. М. Метод координат / И. М. Гзльфанд, Е. Г. Глаголева, А. А. Кириллов. — М.: Наука, 2016. – 311 с.
15. Еремин А.А. Биометрия как современный способ идентификации лич-ности / Международная научно-практическая конференция «Уральская горная школа – регионам» Уральская горнопромышленная декада: ма-териалы конференции. Уральский государственный горный универси-тет, 2019. – С. 930-931.
16. Кухарев Г.А. Биометрические системы: Методы и средства идентифика-ции личности человека. – СПб.: Политехника, 2017. – 544 с.
17. Митрохин В. К. Криминалистическая габитоскопия (установление лич-ности по признакам внешности): учебное пособие. – Ч. 2.– Южно-Сахалинск: СахГУ, 2017. – 116 с.
18. Нигрей А.А. Системы биометрической идентификации личности: мето-ды и программно-аппаратные средства / Информационные технологии и автоматизация управления: Материалы X Всероссийской научно-практической конференции студентов, аспирантов, работников образо-вания и промышленности. Ответственный редактор А.В. Никонов, 2019. – С. 212-216
19. Петрюк П. Т. Слово об известном психологе Фрэнсисе Гальтоне: био-графические и научные аспекты (к 190-летию со дня рождения) / П. Т Петрюк., А. П.Петрюк // Психічне здоров’я. – 2014. – № 3. – С. 76–82.
20. Рассолов И.М. Биометрия в контексте персональных данных и генетиче-ской информации: правовые проблемы / Рассолов И.М., Чубукова С.Г., Микурова И.В. // Lex russica (Русский закон). – 2019. – № 1 (146). – С. 108-118.
21. Сирович Л. Малоразмерные процедуры в характеристике человеческих лиц / Л. Сирович, М. Кирби // Американский оптический журнал. — 2017. – № 3. – С. 519-524.
22. Турк М. А. Распознавание лица Eigenfaces / М. А. Турк, А. П. Пентленд. — Сборник IEEE, 2016. — С. 586-591.
23. Филиппов И.Е. Сквозные цифровые технологии и перспективы развития биометрии в рамках программы «Цифровая экономика Российской Фе-дерации» / И.Е. Филиппов, А. Абдирашидов, А.Р. Акзигитов, Н.М.Акрамова и др. / Инновационное развитие науки и образования: монография. – Пенза, 2019. – С. 81-89.
24. Сумачакова Ч.А. Биометрические технологии защиты информации / Сумачакова Ч. А., Усикова И. В. / Неделя науки СПбПУ: Материалы научного форума с международным участием, 2015. – С. 276-279.
25. Ярмак К.В. О перспективах криминалистической биометрии / Теория и практика судебной экспертизы: международный опыт, проблемы, пер-спективы: Сб. научных трудов II Международного форума, приурочен-ного к 100-летию создания экспертно-криминалистической службы МВД России, 2019. – С. 401-405.
26. D. Bolme R. Beveridge, М. Teixeira, and В. Draper, The CSU Face Identifi-cation Evaluation System: Its Purpose, Features and Structure // Interna-tional Conference on Vision Systems, Graz, Austria, April 1-3, 2016. – Р. 304-311.