Взгляд расскажет всё: российская нейросеть научилась распознавать человека даже при закрытых глазах

На границе между математикой и биологией происходит тихая революция: теперь распознать человека можно по глазам — даже если ресницы частично закрывают радужку. Исследователи факультета вычислительной математики и кибернетики МГУ создали нейросетевой метод, способный определять личность по радужной оболочке глаза при помехах, которые раньше мешали системам распознавания.

От идеи к алгоритму

Работа выполнена на кафедре математической физики МГУ в рамках спецсеминара "Обработка изображений и компьютерное моделирование". Исследователи представили результаты на "Ломоносовских чтениях" весной 2025 года и на международной конференции PSBB25 в июне того же года. Новый подход основан на построении и сравнении ключевых точек — опорных элементов структуры радужки, которые сохраняются при любых условиях освещения и положении века.

Традиционные алгоритмы биометрии часто "теряются" при малейших отклонениях от идеального кадра. Здесь же используется глубокая нейронная сеть, обученная распознавать стабильные признаки даже в зашумлённых изображениях. По данным пресс-службы вуза, решение демонстрирует высокую точность выделения ключевых точек и корректно сопоставляет их даже при частичном перекрытии ресницами.

Почему ресницы — проблема для систем идентификации? Потому что они создают динамические тени и артефакты, искажающие рисунок радужки. Новый метод интерпретирует такие зоны как нейтральные области, исключая их из анализа без потери точности.

Биометрия под микроскопом

Идентификация по радужке считается одним из самых надёжных способов биометрической аутентификации: структура глаз уникальна, не изменяется со временем и устойчива к внешним воздействиям. Однако большинство промышленных решений до сих пор требуют прямого взгляда в камеру и хорошего освещения.

Исследование МГУ делает шаг к устранению этих ограничений. По данным пресс-службы университета, алгоритм проверяли на открытой базе изображений радужек, где специально моделировались помехи — ресницы, частично прикрытые веки, слабое освещение. Точность распознавания осталась высокой, что открывает путь к использованию технологии в реальных условиях.

"Технология должна работать так же надёжно в коридоре, как и в лаборатории", — сказал представитель пресс-службы МГУ.

В отличие от коммерческих систем, ориентированных на скорость, академическая разработка сосредоточена на устойчивости модели. Этот баланс между скоростью и точностью важен для перехода от экспериментальной фазы к внедрению.

Как устроен нейросетевой подход

Модель обучалась на множестве пар изображений, где одна и та же радужка была заснята под разными углами и при разных помехах. Алгоритм вычленяет точки сопоставления — не пиксель в пиксель, а структурные закономерности: направления волокон, текстурные узоры, контрастные зоны.

Чтобы достичь стабильности, исследователи внедрили несколько этапов:

1. Предобработка снимка — коррекция освещённости и устранение бликов.
2. Выделение области радужки — сегментация изображения с фильтрацией ресниц.
3. Извлечение ключевых точек — построение дескрипторов с помощью сверточных нейронных сетей.
4. Сопоставление признаков — проверка совпадений по устойчивым паттернам.

Подобная схема уже используется в системах распознавания лиц и отпечатков, но в данном случае особенности глаза требуют значительно большей точности при работе с микроконтрастами и текстурой.

Ошибки и последствия

Типичная ошибка старых алгоритмов — чрезмерная зависимость от яркости и контраста. При низком освещении они выдавали ложные совпадения. Последствия очевидны: сбои в системах контроля доступа, неверная идентификация, невозможность авторизации. Новый метод устраняет эти риски, так как анализирует геометрию, а не визуальные оттенки.

Что произойдёт, если человек моргнёт во время сканирования? Нейросеть игнорирует кадры с перекрытой радужкой и ждёт следующего, что исключает ложное срабатывание. Это свойство делает систему пригодной для камер наблюдения, где пользователь не взаимодействует с устройством напрямую.

Если перенести эту технологию в мобильные устройства, можно ожидать более надёжную замену Face ID и Touch ID. Но в отличие от них, метод МГУ работает и при слабом освещении, и без точного позиционирования камеры.

Сравнение с мировыми практиками

Аналогичные исследования ведутся в Массачусетском технологическом институте и в Национальном университете Сингапура, однако большинство моделей остаются чувствительными к шумам. Российский проект выделяется именно способностью работать с неполными данными.

Сравнение показывает: зарубежные системы требуют детальной нормализации изображения, в то время как подход МГУ допускает естественные вариации. Это делает его более гибким для практических задач — например, для мониторинга безопасности в аэропортах или систем "умного города".

Можно ли полностью доверять машине при распознавании личности? Нет, биометрия не исключает необходимости проверки контекста. Но комбинация методов — радужка, лицо, походка — значительно снижает вероятность ошибки.

Применение и риски

Биометрические технологии традиционно балансируют между безопасностью и приватностью. Применение метода МГУ может затронуть обе стороны. С одной стороны, он минимизирует риск подделки данных, поскольку рисунок радужки невозможно воспроизвести даже с высококачественной фотографией. С другой — расширяет возможности слежения, если попадёт в руки структур без прозрачного регулирования.

А что если алгоритм использовать в банковской сфере? Он способен заменить традиционные методы авторизации, исключая зависимость от паролей и карт. Но потребуется чёткое регулирование хранения биометрических данных и их защиты.

Практические выгоды очевидны:

• сокращение времени идентификации без потери точности;
• снижение числа ложных срабатываний при помехах;
• совместимость с уже существующими базами изображений.

Риск остаётся в обработке персональных данных: утечка биометрии необратима, в отличие от пароля, который можно сменить.

Взгляд в будущее

В ближайшие годы подобные технологии станут стандартом в сфере безопасности. Государственные и коммерческие структуры активно внедряют системы с элементами нейросетевого анализа. Но успех будет зависеть не столько от математических моделей, сколько от инфраструктуры хранения и юридической защиты данных.

Для университетской науки проект МГУ стал примером синтеза математической физики и прикладного ИИ. Этот опыт показывает, как академическая среда может опережать рынок, формируя основу для будущих стандартов биометрии.

Можно ли считать человека уникальным, если машина видит его лучше, чем он сам? На уровне данных — да, но смысл уникальности смещается в сторону алгоритма, который умеет различать миллионы глаз и при этом не ошибается в тени ресниц.