Как ищут людей по видеокамерам
Видеоаналитика: распознавание лиц, детектор очередей, поиск объектов на видео
Тайваньская компания 42Ark и американский производитель «умных» кормушек CatFi Box используют камеры видеонаблюдения для распознавания кошачьего лика
Немецкий электротехник Вальтер Брух в 1941 году установил CCTV-систему (Сlosed Circuit Television — система телевидения замкнутого контура) на полигоне, где испытывали ракеты «Фау-2». Это первый известный в истории случай использования видеонаблюдения на практике. Оператор должен был неотлучно сидеть перед монитором. Так продолжалось до 1951 года, пока не появились первые VTR (VideoTape Recorder) устройства, записывающие изображение на магнитную ленту.
Запись на носитель не избавила оператора от необходимости участвовать в процессе. Опознание лиц, определение местоположения объектов, даже детекция движения – все эти функции выполнял человек, сидящий перед монитором в режиме реального времени или изучающий постфактум архив видео.
Колесо прогресса катится дальше. Видеонаблюдение получило видеоаналитку, полностью изменившую процесс работы с системой. Помните историю про кота и нейросеть глубокого обучения? Да, это тоже часть видеоаналитики, но крохотная. Сегодня расскажем о технологиях, которые кардинально меняют мир CCTV-систем.
Детекция очередей и бета-тест 
Первая IP-камера в мире Neteye 200, созданная в 1996 году компанией Axis
Видеонаблюдение зарождалось как охранная замкнутая система, предназначенная только для решения вопросов безопасности. Ограничения аналогового видеонаблюдения не позволяли использовать оборудование как-то иначе. Интеграция видеонаблюдения с цифровыми системами открыла возможность автоматизировано получать различные данные, анализируя последовательность изображений.
Важность трудно переоценить: в обычном случае после 12 минут непрерывного наблюдения оператор начинает пропускать до 45% событий. И до 95% потенциально тревожных событий будет пропущено уже после 22 минут непрерывного наблюдения (по результатам исследования IMS Research, 2002).
Появились сложные алгоритмы анализа видео: подсчет посетителей, подсчет конверсии, статистика кассовых операций и многое другое. В этой системе исчезает оператор наблюдения – мы оставляем компьютеру возможность «смотреть» и делать выводы.
Самой простой пример умного видеонаблюдения – детекция движения. Не так важно есть ли встроенный детектор в самой камере – если вы установите на компьютер, к примеру, софт Ivideon Server, то детекор движения будет использоваться программный. Один детектор способен заменить сразу несколько операторов видеонаблюдения. А уже в 2000-е начали появляться первые системы видеоаналитики, способные распознавать объекты и события в кадре.
У Ivideon сейчас в разработке несколько модулей видеоаналитики – с тех пор, как мы выпустили OpenAPI, дело пошло быстрее за счет интеграции с партнерами. Часть проектов пока в закрытом тестировании, но кое-что уже готово. Это, во-первых, интеграция с кассами для контроля за кассовыми операциями (пока на базе iiko и Штрих-М). Во-вторых, разработан детекор очередей.
У нас был счетчик Ivideon Counter, определявший количество клиентов в зале. Аналитика позволила уйти от специального оборудования в сторону облачных вычислений. Теперь нам не нужна специфическая камера – подойдет любая камера видеонаблюдения с разрешением 1080p+. Сейчас мы хотим не просто считать людей, а определять очереди. Поэтому готовы любому магазину, ТЦ или офису, где ходят и стоят люди, образуя очереди, предоставить бесплатную камеру для теста детекции очереди. Напишите нам, чтобы принять участие в проекте.
Кроме того, Ivideon работает с технологиями распознавания лиц.
Кто и как распознает 
Технология DeepFace проходит проверку Facebook на примере распознавания эмоционального лица Сильвестра Сталлоне
Над решениями в этой области работают Apple, Facebook, Google, Intel, Microsoft и другие технологические гиганты. Комплексы видеонаблюдения с автоматическим распознаванием лиц пассажиров установлены в 22 аэропортах США. В Австралии занимаются разработкой биометрической системы распознавания лиц и отпечатков пальцев в рамках программы, призванной автоматизировать паспортный и таможенный контроль.
Крупнейшая китайская интернет-компания Baidu провела успешный эксперимент по отказу от билетов с помощью технологии распознавания лиц с точностью 99,77%, при длительности съемки и распознавания – 0,6 секунды. На входах в парк установлены стенды с планшетами и специальные рамки, которые ведут съемку. Когда турист приходит в парк впервые, система его фотографирует, чтобы в дальнейшем использовать функцию распознавания лиц по фото. Новые снимки сравниваются с фото из базы данных – так система определяет, есть ли у человека право на посещение.
В Китае с технологиями вообще все очень хорошо. В 2015 году Alipay, оператор платформы онлайн-платежей, входящий в состав холдинга Alibaba, ввел в действие систему верификации платежей на базе Face++, облачной платформы распознавания лиц, созданной китайским стартапом Megvii. Система получила название Smile to Pay — она дает возможность пользователям Alipay платить за онлайн-покупки путем съемки селфи (Alipay определяет владельца по улыбке). UBER в Китае стал применять систему распознавания лиц водителей на базе Face++, чтобы противостоять мошенничеству, краже персональных данных и обеспечить дополнительную безопасность пассажиров.
Но интереснее посмотреть не на зарубежные решения, а на сервисы, созданные в России. Эти технологии находятся гораздо ближе к конечному пользователю (если он из нашей страны), с ними можно познакомиться, в перспективе объединиться для использования в собственном продукте. Компаний, занимающихся распознаванием лиц, вокруг немало. Вспомним несколько, остающихся на слуху.
Компания «Вокорд», основанная еще в 1999 году, в программе FaceControl 3D работает с синхронными изображениями со стереокамер, строит 3D-модель лица в кадре и автоматически ищет совпадение полученной модели с моделями в имеющейся базе данных. В 2016 году «Вокорд» стал использовать собственный математический алгоритм распознавания лиц, в основе которого лежат сверточные нейронные сети, благодаря чему их алгоритмы теперь работают с любой камерой видеонаблюдения. В компании утверждают, что могут распознавать лица (в размере 128х128 пикселей) людей, следующих в потоке. В конце 2016 года алгоритм Vocord DeepVo1 показал лучшие результаты в мировом тестировании идентификации, правильно распознав 75,127% лиц.
Компания VisionLabs, основанная в 2012 году, победила в крупнейшем в России и Восточной Европе конкурсе технологических компаний GoTech, вошла в список финалистов европейской программы «Challenge UP!», призванной ускорить вывод на рынок решений и сервисов на базе концепции интернета вещей, привлекла многомиллионные инвестиции и уже внедряет свои продукты в коммерческий сектор. Недавно банк «Открытие» запустил систему распознавания лиц от VisionLabs с целью оптимизации обслуживания и времени ожидания клиентов в очереди. Ну и стоит прочитать замечательную историю, как специалисты из КРОК с помощью VisionLabs кота ловили.
VisionLabs, показавшая один из лучших результатов по распознаванию и уровню ошибок, также работает с нейронными сетями, выявляющими специфические черты каждого лица, такие как разрез глаз, форма носа, рельеф ушной раковины и т.д. Их система Luna позволяет найти все эти особенности лица по фото в архивах. Другое решение компании, Face Is, распознав лицо клиента в магазине, находит его профиль в CRM-системе, узнает из нее историю покупок и интересы покупателя, и отправляет на телефон уведомление с персональным предложением о скидке на его любимую категорию товаров.
Стартап Skillaz, занимающийся автоматизацией процесса найма сотрудников, и VisionLabs собираются в конце 2017 года представить систему компьютерного распознавания, которая будет оценивать поведение соискателей при найме. Проанализировав полученные данные, система будет делать выводы о профессиональных качествах человека и пригодности к должности. Полные характеристики системы «машинного найма» компании не раскрывают. Известно лишь, что будет оцениваться коммуникабельность кандидата, исходя из его ответов на определенный набор вопросов, задаваемых системой online-интервью. Нейросеть будет искать взаимосвязь поведения кандидата на картинке с камеры видеонаблюдения и степень выраженности у него той или иной компетенции.
Сетка, представляющая собой доктора Лайтмана и Шерлока Холмса в одном лице, будет учитывать мимику кандидата, его жестикуляции, а также физиогномику. Тут стоит заметить, что метод определения типа личности человека, его душевных качеств, исходя из анализа внешних черт лица и его выражения, в современной психологической науке считается классическим примером псевдонауки. Как с этим противоречием справятся в новом продукте пока неясно.
Слайд из презентации NTechLab, угнетающий Салмана Радаева
NTechLab начинали с приложения, которое определяло породу собак по фотографии. Позже они написали алгоритм FaceN, с которым осенью 2015 года приняли участие в международном конкурсе The MegaFace Benchmark. NTechLab одержала победу в двух номинациях из четырех, обойдя и команду Google (через год в этом же конкурсе победит «Вокорд», а NTechLab сместится на 4-ю позицию). Успех позволил им быстро реализовать сервис FindFace, ищущий людей по фотографиям во ВКонтакте. Но это не единственный способ применения технологии. На фестивале Alfa Future People, организованном «Альфа-Банком», с помощью FindFace посетители могли найти свои фотографии среди сотен других, отправив селфи чат-боту.
Кроме того, NTechLab показали систему, способную в режиме реального времени распознавать пол, возраст и эмоции, используя изображение с видеокамеры. Система способна оценить реакцию аудитории в режиме реального времени, благодаря чему можно определить эмоции, которые испытывают посетители во время презентаций или трансляций рекламных сообщений. Все проекты NTechLab строятся на самообучающихся нейронных сетях.
Путь Ivideon к видеоаналитике 
Распознавание лиц – одна из самых сложных задач в области видеоаналитики. С одной стороны, вроде все понятно и давно используется. С другой стороны, решения идентификации в толпе людей все еще стоят очень дорого и не дают абсолютной точности.
В 2012 году в Ivideon начали работу с алгоритмами видеоанализа. В тот год мы выпустили приложения для iOS и Android, вышли на зарубежные рынки, запустили децентрализованные сети CDN с серверами в США, Нидерландах, Германии, Кореи, России, Украине, Казахстане и стали единственным международным сервисом видеонаблюдения, работающим одинаково хорошо во всем мире. В общем, казалось, что сделать свою аналитику с блэк-джеком и распознаванием будет просто и быстро… мы были молоды, трава казалась зеленее, а воздух – сладким и томительным.
[На тот момент мы рассматривали классические алгоритмы. Для начала нужно детектировать и локализовать лица на изображении: используем каскады Хаара, поиск регионов с текстурой, похожей на кожу и т.п. Допустим, нам надо найти первое попавшееся лицо и сопровождать только его в видеопотоке. Тут можно воспользоваться алгоритмом Лукаса-Канаде. Находим алгоритмом лицо и далее определяем в нём характерные точки. Сопровождаем точки с помощью алгоритма Лукаса-Канаде; после их пропадания считаем, что лицо исчезло из поля зрения. Получив характерные признаки лица, мы сможем сравнить его с признаками, заложенными в базе данных.
Для сглаживания траектории движения объекта (лица), а также для предсказания его положения на следующем кадре используем фильтр Кальмана. Тут необходимо отметить, что фильтр Кальмана предназначен для линейных моделей движения. Для нелинейного же используется алгоритм Particle Filter (как вариант Particle Filter + алгоритм Mean Shift).
Можно также использовать алгоритмы вычитания фона: библиотека с примерами реализации алгоритмов по вычитанию фона + статья по реализации легкого алгоритма вычитания фона ViBe. Кроме того, не стоит забывать один из самых распространенных методов Виолы-Джонса, реализованный в библиотеке компьютерного зрения OpenCV.]
Простое распознавание лиц – хорошо, но недостаточно. Нужно еще обеспечить устойчивое слежение за несколькими объектами в кадре даже в случае их совместного пересечения или временного «пропадания» за препятствием. Считать любое количество объектов, пересекающих определенную зону и учитывать направления пересечения. Знать, когда появляется и исчезает предмет/объект в кадре – навести мышкой на грязную чашку на столе и найти момент в видеоархиве, когда она там появилась и кто её оставил. В процессе слежения объект может измениться достаточно сильно (с точки зрения преобразований). Но от кадра к кадру эти изменения будут такими, что можно будет идентифицировать объект.
Кроме того, мы хотели сделать универсальное облачное решение, доступное для всех – из самых требовательных пользователей. Решение должно было быть гибким и масштабируемым, поскольку мы сами не могли знать, за чем хочет следить и что хочет считать пользователь. Вполне возможно, что кто-нибудь предполагал бы сделать на базе Ivideon трансляцию тараканьих бегов с автоматическим определением победителя.
Только спустя пять лет мы приступил к тестированию отдельных компонентов видеоаналитики – подробнее об этих проектах расскажем в новых статьях.
МВД при помощи камер начнет искать преступников по татуировкам и походке
МВД России разрабатывает Федеральную информационную систему биометрических учетов (ФИСБУ) для поиска преступников и подозреваемых с помощью городских камер видеонаблюдения. По планам ведомства, искусственный интеллект будет узнавать человека по лицу, голосу, радужной оболочке глаза и татуировкам на открытых частях тела. Об этом РБК сообщил Данила Николаев, гендиректор Русского биометрического общества, участвующего в разработке проекта. Информацию о разработке системы подтвердил советник главы МВД Владимир Овчинский.
На данном этапе ведомство планирует провести опытно-конструкторскую работу для разработки системы, внедрить ее планируется до конца 2021 года.
Система будет разработана в рамках государственной программы «Безопасный город» в Москве, и технология получит финансирование из бюджета этого проекта, сообщил Овчинский, добавив, что ее тестирование станет одним из проектов «регуляторной песочницы» для развития искусственного интеллекта (ранее соответствующий законопроект внесли на рассмотрение Госдумы).
Интеграция с отпечатками пальцев и ДНК
Ведущий научный сотрудник научно-производственного объединения «Специальная техника и связь» МВД России Геннадий Пучков объявил о разработке ФИСБУ в октябре 2019 года в рамках выставки «Интерполитех-2019». Он говорил, что началась разработка и внедрение софта, позволяющего анализировать большой объем неструктурированных данных с помощью искусственного интеллекта. В перспективе, по его словам, «можно рассмотреть создание ПО, которое могло бы оперативно определять степень эмоционально-психического состояния проверяемых граждан».
Данила Николаев сообщил, что пока не видел утвержденного технического задания проекта или принятых «дорожных карт». Но из обсуждений следует, что ФИСБУ будет не только применяться при распознавании лиц через камеры, но и взаимодействовать с другими ведомственными системами. «Предположительно, система будет работать следующим образом: с места преступления собирают все следы, в том числе отпечатки пальцев, волосы или слюну подозреваемого. Далее эти следы сканируют в действующую систему. Она выдает перечень предполагаемых лиц, при необходимости эксперт-криминалист проводит дополнительную оценку. Если в системе есть необходимые данные, то на камеры с распознаванием лиц подгружается фотография, плюс имеющиеся данные рассылаются по ответственным сотрудникам», — описал он принцип работы. Откуда у МВД появится база данных с анализами ДНК подозреваемых, министерство пока не уточняет, сказал Данила Николаев.
Источник РБК, знакомый с планами ведомства, рассказал, что изначально на разработку проекта в ведомстве попросили несколько миллиардов рублей. По его словам, необходимость затрат объясняли тем, что интеллектуальные права на систему и используемые алгоритмы перейдут государству.
Узнать по походке
МВД также проявило интерес к распознаванию преступника по походке, но пока не включило это в список характеристик для ФИСБУ, знает Данила Николаев. Как уточнил источник РБК, близкий к МВД, локально ведомство уже тестирует разные формы распознавания, в частности, по походке.
Распознавание тела является перспективным направлением для дополнительной идентификации подозреваемого, отмечает один из основателей компании-разработчика 3DiVi Дмитрий Морозов. «Сейчас системы видеонаблюдения могут понимать рост и силуэт человека по умолчанию, как дополнительный фактор, работающий, когда не видно лица», — объяснил он. Но «распознавание человека — это не ДНК-тест, который даст точный результат», — предупреждает технический директор еще одного разработчика решений в сфере распознавания лиц «Вокорд» Алексей Кадейшвили. «Это то, что позволяет сузить круг подозреваемых и найти наиболее вероятные совпадения», — указывает он.
Московская система на 200 тыс. камер
В середине февраля начальник отдела городского видеонаблюдения департамента информационных технологий Москвы Дмитрий Головин заявил, что ведомство уже запустило в столице систему распознавания лиц на 105 тыс. камер. В городе планируют установить 200 тыс. камер, создав систему распознавания, сопоставимую по масштабам с китайской, а к сентябрю 2020 года система распознавания лиц полностью заработает в метрополитене, говорил ранее мэр Сергей Собянин.
В январе городская целевая программа «Электронная Москва» (принадлежит столичным властям) объявила тендер на поставку оборудования для обработки видеоданных на транспорте. Речь идет о заказе более 450 серверов и системы хранения данных емкостью почти 1,5 петабайта на общую сумму 1,9 млрд руб. В единое видеопространство войдет 175 тыс. камер.
Часть москвичей оказалась недовольна внедрением системы. В октябре 2019 года жительница Москвы Алена Попова подала иск в Савеловский районный суд с требованием признать незаконным применение технологии распознавания лиц в работе камер наблюдения. По ее словам, подобная система является вмешательством в личную жизнь граждан и нарушает закон «О персональных данных». Однако суд отклонил иск, сославшись на то, что в информационной системе «Единый центр хранения данных» не хранятся персональные биометрические данные каждого гражданина, личность человека устанавливается сотрудниками правоохранительных органов.
В январе 2020 года Попова обратилась с повторным иском в Тверской суд, предложив запретить распознавание лиц на митингах и общественных акциях. Следующее слушание по этому делу назначено на 3 марта.
Опыт КНР
Китай считается мировым лидером по количеству установленных камер видеонаблюдения, только в Пекине их число превышает 470 тыс. Система распознавания лиц используется не только для поиска преступников и подозреваемых, она также внедрена в банкоматах, ресторанах и на таможне. Осенью прошлого года в метрополитене города Чжэнчжоу, административном центре провинции Хэнань, запустили систему оплаты проезда при помощи распознавания лиц. Она позволит пассажирам быстрее проходить через турникеты: чтобы оплатить проезд с помощью лица, нужно зарегистрироваться в специальном мобильном приложении, а потом установленные на входах и выходах из станций устройства сканируют лицо пассажира и с его счета списывается необходимая сумма.
Впрочем, из-за вспышки коронавируса китайским властям придется модернизировать свои системы распознавания с помощью камер, обратил внимание Овчинский. Жители страны стали массово ходить в медицинских масках, в связи с чем точность распознавания лиц значительно снизилась.
Распознавание лиц в системах видеонаблюдения
Процедура распознавания лиц с использованием системы видеонаблюдения позволяет определить и идентифицировать человека по его лицу без необходимости обращаться к дополнительным источникам и проводить какие-либо действия для определения личности человека – тема, которая интересует очень многих. В их числе маркетологи, социологи, статистики и все те профессионалы, которые в своей деятельности работают с людьми и заинтересованы в выяснении их личности, а также работают с представленными статистическими обезличенными данными и информацией.
Первоначально желательно ознакомиться с имеющимся практическим опытом по сделанным тестам по для распознавания человеческих лиц. Важно уяснить, какие задачи можно решить при помощи использования техники распознавания лиц, а когда в этом нет никакой практической необходимости и пользы. Далее нужно разобраться с надежностью работы системы по распознаванию лиц, а также принять во внимание полезные рекомендации тем, кто проектирует и создает системы такого типа.
Стандартные задачи, решаемые при распознавании лиц
На основании практического опыта можно сделать вывод, что все объекты различны, чем и обусловлены выполняемые в процессе распознавания задачи.
Однако можно выделить типичные черты:
Рассмотрение каждой задачи
Осуществление контроля доступа с использованием распознавания лиц
Процесс проникновения через проходную с использованием распознавания лиц – самая востребованная технология. Человек смотрит в камеру, снимает очки, лишние аксессуары и система его пропускает после узнавания.
При эмпирических исследованиях узнавание является стопроцентным. Поэтому технология практична и полезна.
Стоит отметить, что на больших предприятиях, с численностью в сотни и тысячи сотрудников, возможно возникновение ошибки. Поэтому ежедневно её вероятность возникновения следует рассчитывать.
Поскольку используется система распознавания 2D, то её можно обмануть при помощи фотографии. Поэтому желательно совмещать её с другими способами идентификации личности. К ним можно отнести, например, верификацию с помощью прикладывания карты.
Обнаружение личности в “чистой зоне”
Такой зоной считается территория, где человек пребывает в единственном числе и имеются хорошие условия для его распознавания. Важно место размещения камеры и надлежащее освещение. Это может быть место турникета, проходной, шлюза и т.д.
В этом случае в базу загружают фотографии лиц, которые будут распознаваться. Фото должно быть надлежащего качества. Лучший результат будет в том случае, если проходящий человек посмотрит в камеру. Однако систему легко обмануть, например, надев парик или используя грим. Таким образом, система работает и подходит в том случае, если человек не планирует прятаться умышленно.
Обнаружение личности в группе людей
Услуга является очень востребованной у заказчика. Насколько же это реально?
Для того, чтобы система выдала вполне адекватный результат, важно не только расположение самой камеры, но и картинка лица человека в ней. В толпе человек осуществляет жестикуляцию и много двигается. Поэтому нужный ракурс в этом случае для попадания в камеру минимален. В той ситуации, когда имеется узкий созданный проход или коридор в месте нахождение камеры, вероятность распознавания увеличивается. Однако это место уже будет являться территорией “чистой зоны”.
Чтобы система идеально сработала, требуется правильное освещение. Но его трудно организовать в яркий солнечный день или при свете фонарей вечером. Препятствием станет также маскировка самого человека и качество фотографии, размещенной в базе системы. Таким образом, поиск личности в толпе способом 2D пока что не реален.
Обнаружение незнакомых лиц
Задача заключается в поиске тех людей, чьи фото отсутствуют в базе данных системы. То есть цель – предупредить проникновения посторонних лиц на объект. В дополнение задачи система должна быть способной опознать тех, кто есть в базе данных. Таким образом, будет много ложной некорректной информации. Теоретически, перепроверять придётся каждого 10 входящего.
Маркетинговое изучение
Результаты распознавания довольно часто используется в сфере маркетинга. Важны данные о числе посетителей, тепловых картах и т.д Изучаются места большого скопления людей, такие как магазины, кинотеатры. В исследованиях нуждаются крупные компании для определения собственной маркетинговой политики и восполнения потребностей посетителей, увеличение объемов продаж. В этом случае, задача именно маркетинговая, направленная на получение прибыли, не связанная с безопасностью.
На основании проведенных исследований можно сделать вывод о том, что данные получаются адекватные, хотя их точность имеет определенную погрешность.
Насколько надежная система распознавания людей
Распознавание лиц относится к биометрической системе, в основе которой лежит математическая статистика и вероятности.
Варианты ошибок (FAR и FRR)
Информация о возможных ошибках предоставляется разработчиками программного продукта. Но проводить сравнительный анализ между алгоритмами в этом ракурсе некорректно. Суть в том, что каждый разработчик для определения ошибок имеет собственную эталонную базу с изображениями.
Результатом деятельности системы станет информация о процентном соответствии распознаваемых лиц по отношению к изображению, находящемуся в базе. Пользователь сам устанавливает порог идентификации и положительного или отрицательного результата распознавания.
Первый вид ошибки – FAR (False Acceptance Rate)
Это касается возможности пропуска злоумышленника, которого система распознала как своего и впустила.
Второй вид ошибки – FRR (False Rejection Rate).
Это вероятность того, что будет запрещаем доступ своему сотруднику. Еще одно нарушение – свой человек не сможет пройти систему и будет представлен как злоумышленник. Потребуется дополнительная проверка.
Вся информация предоставляется каждым производителем продукта в форме таблиц или графиков.
Возможность ошибки при пропуске лиц через проходную
Для примера можно взять объект, на котором проходит внутрь помещения 300 сотрудников в день и столько же выходит. Дополнительно, могут пропускаться и другие лица. Таким образом, общее число распознаний будет около 600 ежедневно. При этом важно не допустить, чтобы проникло постороннее лицо. Расчёты показывают, что вероятность проникновения злоумышленника – один случай на 10000 вхождений.
Такой показатель считается позитивным. Возможность остановки своего сотрудника равняется 7 процентам. При шестистах распознаваниях необходимость подтвердить свою личность возникнуть у 43-х людей. Принимать окончательное решение об установке системы должен заказчик, имея оценочную информацию.
Возможность найти человека в толпе
Для примера можно взять вокзал, с проходной способностью 100000 человек ежедневно. При этом имеется база, в которой 100 разыскиваемых людей, возможно, преступников. Вероятность ошибки равна 3%, так что каждый 33-й человек не будет обнаружен системой, особенно в случае использования им маскировки (парик).
Возможность срабатывания ложной тревоги составляет 0,1%. Так как в базу внесено 100 лиц, то вероятность ошибки увеличивается на 10%. Таким образом, система отреагирует на каждого 10 человека, что составит в нашем случае 10000 невиновных людей для проверки документов дополнительно.
Таким образом, вряд ли рационально устанавливать систему на вокзале.
Требования к установке камеры и ее характеристикам
Характеристики объектов и преследуемые цели могут быть абсолютно различные у каждого заказчика системы. Поэтому пару возможных потенциальных ошибок, рассмотренных выше, нужно подбирать индивидуально, с учётом преследуемых целей. Принимать окончательное решение должен заказчик на основании представленных приблизительных данных.
Проект монтажа системы
Прежде всего, необходимо поместить в базу фотографию человека хорошего качества. Важно также, чтобы картинка, сделанная видеокамерой, была высокого качества, но не обязательно с высоким расширением. При установке камеры необходимо соблюдать условия по отклонению для каждой точки распознаваемого пространства. Камера должна иметь надлежащую светочувствительность.
Важно также, чтобы задний фон отличался нейтральностью и был однородным.
Подведение итогов
Таким образом, использование системы распознавания лиц может быть достаточно результативным только в случаях создания идеальных условий. Однако даже в таком варианте необходимо учитывать погрешности и перспективы возникновения ошибок. Установка системы принесет положительные адекватные результаты только в некоторых определенных случаях для решения поставленных задач. Заказчик должен изначально учитывать статистику отказов вследствие ошибок системы.
Важный момент
Пользователь может получить бесплатные услуги при проведении консалтинговых работ по проектированию, включая систему распознавания человеческих лиц. Также предоставляется аудит спецификации проекта, который исключит риски совершения ошибок.