МЕТОДЫ УСТОЙЧИВОГО АНАЛИЗА ЛИЦ В НЕКООПЕРАТИВНЫХ УСЛОВИЯХ: ПРИМЕНЕНИЕ В КОНТРРАЗВЕДКЕ

Современные системы распознавания лиц сталкиваются с критическими ограничениями в контрразведывательных задачах из-за неконтактных субъектов и ухудшенных условий захвата изображений. Это исследование решает фундаментальную научную проблему количественной оценки и преодоления деградации производительности, которая возникает, когда системы распознавания лиц сталкиваются с преднамеренными методами избегания, совмещёнными с неблагоприятными факторами окружающей среды. Мы разработали новую архитектуру, состоящую из трёх компонентов: условного извлечения признаков (CFE), модуля обнаружения избегания (EDM) и адаптивного обучения с учётом контекста (CATL). Эксперименты проводились с использованием нашего набора данных SecureFace (12 900 изображений) с оценкой производительности по 17 методикам избегания и 9 вариантам изменений окружающей среды, измеряемыми по стандартным и оперативно-значимым метрикам. Наш подход достиг точности 89,4% на данных, собранных в полевых условиях, по сравнению с 51,7-72,3% для методов современного уровня, демонстрируя улучшение на 42,7% в отношении методов избегания. Система сохраняла работу в режиме реального времени (21,3 кадра в секунду), достигая точности 75,8% на средних дистанциях (8 м), по сравнению с 58,7% для лучшего базового метода. Исследование вносит новые теоретические и практические вклады: (1) формализация распознавания лиц в условиях враждебного воздействия, (2) механизмы адаптации с учётом контекста, доказавшие свою эффективность в реальных сценариях, и (3) методы реализации, пригодные для внедрения в оперативных условиях. Улучшение производительности было наиболее значительным в сценариях со средней дистанцией (3-8 м) и при использовании физических методов избегания, что позволяет устранить критические пробелы в текущих системах.

Current facial recognition systems face critical limitations in counter-intelligence applications due to non-cooperative subjects and degraded acquisition conditions. This research addresses the fundamental scientific problem of quantifying and overcoming the performance degradation that occurs when facial recognition systems encounter deliberate evasion techniques combined with challenging environmental factors. We developed a novel three-component architecture combining Conditional Feature Extraction (CFE), Evasion Detection Module (EDM), and Context-Aware Transfer Learning (CATL). Experimentation utilized our SecureFace dataset (12,900 images) with performance evaluation across 17 evasion techniques and 9 environmental variations, measured using standard and operationally relevant metrics. Our approach achieved 89.4% accuracy on field-collected data compared to 51.7-72.3% for state-of-the-art methods, demonstrating 42.7% improvement against evasion techniques. The system maintained real-time performance (21.3 FPS) while achieving 75.8% accuracy at medium range (8m), compared to 58.7% for the best baseline method. The research provides novel theoretical and practical contributions: (1) a formalization of facial recognition under adversarial conditions, (2) context-aware adaptation mechanisms proven effective in real-world scenarios, and (3) implementation techniques suitable for deployment in operational settings. Performance improvements were most significant in medium-range scenarios (3-8m) and against physical evasion techniques, addressing critical gaps in current systems.