Распознавание по лицу

Содержание

SearchFace — новый сервис для поиска людей в VK по фото

Неизвестные разработчики запустили сервис SearchFace — аналог закрытого проекта FindFace. С его помощью можно находить людей в соцсети «ВКонтакте» по фотографии.
Как использовать SearchFace:

  • Откройте сайт searchface.ru и загрузите снимок с лицом человека.
  • Если будут обнаружены совпадения, сервис покажет ссылки на VK-профили найденных людей, среди которых может оказаться тот, которого вы ищете. Для каждого профиля указан коэффициент совпадения. Чем он выше, тем больше вероятность того, что найден тот, кто изображён на фотографии.

Загружать можно как те снимки, которые уже были добавлены в VK самим пользователем или его знакомыми, так и другие фотографии. SearchFace работает на основе самообучаемой нейронной сети, которая проанализировала более 500 миллионов фотографий людей из «ВКонтакте». Разработчики утверждают, что они создали алгоритм распознавания и поиска лиц самостоятельно без использования технологий N-Tech.Lab.

FindFace от компании N-Tech.Lab «выстрелил» в апреле 2016 года. Изначально этот сервис был бесплатным, затем стал монетизировать на снятии количественных ограничений поиска, но в итоге ушёл из открытого доступа, начав сотрудничество с государственными органами и бизнесом. Например, на базе его технологий работает распознавание лиц через камеры в общественных местах Москвы и Санкт-Петербурга, помогающее выявлять людей, которые совершили преступление или находятся в розыске.
Каким образом будет монетизироваться SearchFace, неизвестно. Не исключено, что этот сервис будет брать деньги с тех людей, которые хотят, чтобы их профиль исключили из базы поиска.

Сегодня есть специальные приложения для смартфонов и ПК, которые позволяют узнать о человеке основную информацию по фотографии. Некоторые из них перекочевали в онлайн-приложения, что даёт возможность производить быстрый поиск людей в сети, имеющих похожую внешность. Хотя точность в определённых случаях оставляет желать лучшего.

Работа сервисов по распознаванию лиц

Распознавание происходит при помощи встроенной нейросети, которая быстро ищет похожие фотографии по определённым признакам, изначально самым базовым, например, по весу изображения, его разрешению и т. д. Исходя из данной особенности, у вас в результатах поиска могут появиться ссылки на профили/сайты совершенно не того человека, который изображён на фото, но, к счастью, такое случается крайне редко. Обычно находятся люди со схожей внешностью или похожей обстановкой на фото (например, если плохо видно лица).

При работе с сервисами по поиску фотографий желательно не загружать фото, где находятся несколько человек в фокусе. В таком случае вы вряд ли получите адекватный результат.

Дополнительно нужно учесть, что если вы хотите по фотографии человека найти его профиль во Вконтакте, то стоит помнить, что в настройках приватности этой социальной сети пользователь может поставить галочки напротив определённых пунктов, из-за чего его страницу не смогут сканировать поисковые роботы и просматривать пользователи, не зарегистрированные в VK. Если у нужного вам человека выставлены таковые настройки приватности, то найти его страницу по фото будет очень сложно.

Способ 1: Яндекс Картинки

Использование поисковиков может показаться немного неудобным, так как на одно изображение может выйти несколько ссылок, где оно когда-либо использовалось. Однако если вам нужно найти как можно больше информации о человеке, используя только его фотографию, то лучше воспользоваться подобным методом. Яндекс – это российская поисковая система, которая неплохо производит поиск в русскоязычном сегменте интернета.

Инструкция по поиску через данный сервис выглядит так:

  1. На главной странице нажмите на иконку поиска по фотографии. Она выглядит как лупа на фоне фотоаппарата. Находится в верхнем меню, в правой части экрана.
  2. Поиск можно осуществить по URL-адресу картинки (ссылке в интернете) или используя кнопку загрузки изображения с компьютера. Инструкция будет рассмотрена на последнем примере.
  3. При нажатии на «Выберите файл» открывается окошко, где указывается путь к изображению на компьютере.
  4. Подождите некоторое время, пока картинка полностью не загрузится. В верхней части выдачи будет показана эта же картинка, но здесь вы сможете просмотреть её в других размерах. Данный блок нам не интересен.
  5. Ниже вы можете посмотреть теги, которые применимы к загруженному изображению. Используя их, можно найти похожие картинки, но это в поиске информации по конкретной личности вряд ли поможет.
  6. Далее находится блок с похожими фотографиями. Он может оказаться вам полезен, так как в нём по определённому алгоритму подбираются похожие фотографии. Рассмотрим поиск по этому блоку. Если в первых похожих картинках вы не увидели нужное фото, то нажмите «Ещё похожие».
  7. Откроется новая страница, где будут все схожие фото. Предположим, вы нашли ту фотографию, которая вам нужна. Кликните по ней, чтобы её увеличить и узнать подробную информацию.
  8. Здесь обратите внимание на правый блок слайдера. В нём можно найти ещё похожие фотографии, открыть эту в полном размере, а главное — перейти на сайт, где она размещена.
  9. Вместо блока с похожими фото (6-й шаг), можно пролистать страницу чуть ниже, и увидеть на каких сайтах размещено именно то изображение, которое вы загрузили. Данный блок называется «Сайты, где встречается картинка».
  10. Для перехода на интересующий сайт нажмите по ссылке или оглавлению. Не стоит переходить на сайты с сомнительными именами.

Если вы оказались недовольны результатом поиска, то можете воспользоваться следующими способами.

Способ 2: Google Images

По факту – это аналог Яндекс Картинок от международной корпорации Google. Алгоритмы, которые применяются здесь, чем-то похожи на те, что у конкурента. Однако у Гугл Картинок есть весомое преимущество – он лучше ищет похожие фотографии на иностранных сайтах, что Яндекс делает не совсем корректно. Это преимущество может стать и недостатком, если вам нужно найти человека в рунете, в этом случае рекомендуется использовать первый способ.

Инструкция выглядит следующим образом:

  1. Перейдя на сайт, в строке поиска нажмите на иконку фотоаппарата.
  2. Выберите вариант загрузки: либо укажите ссылку, либо закачайте изображение с компьютера. Для переключения между вариантами загрузки просто нажмите на одну из надписей в верхней части окошка. В данном случае будет рассмотрен поиск по изображению, которое загружено с компьютера.
  3. Откроется страница с результатами. Здесь, как и в Яндексе, в первом блоке вы можете просмотреть это же изображение, но в других размерах. Под этим блоком находится пара тегов, подходящих по смыслу, и пара сайтов, где есть такая же картинка.
  4. В данном случае рекомендуется рассмотреть подробнее блок «Похожие изображения». Нажмите на заголовок блока, чтобы увидеть больше похожих картинок.
  5. Найдите нужное изображение и кликните по нему. Откроется слайдер по аналогии с Яндекс Картинками. Здесь вы также можете посмотреть это изображение в разных размерах, найти ещё похожие, перейти на сайт, где оно размещено. Для перехода на сайт-источник нужно нажать на кнопку «Перейти» или кликнуть по заголовку в верхней правой части слайдера.
  6. Дополнительно вам может быть интересен блок «Страницы с подходящим изображением». Тут всё аналогично с Яндексом – просто набор сайтов, где встречается точно такое же изображение.

Такой вариант может сработать хуже, чем прошлый.

К сожалению, сейчас нет идеальных сервисов в свободном доступе по поиску человека по фотографии, которые могли бы найти всю информацию о человеке в сети.

Мы рады, что смогли помочь Вам в решении проблемы.
Отблагодарите автора, поделитесь статьей в социальных сетях.
Опишите, что у вас не получилось. Наши специалисты постараются ответить максимально быстро.

Возможности современной видеоаналитики

Видеонаблюдением сейчас никого не удивишь. Им оснащают объекты от крупных предприятий до частных коттеджей и небольших магазинчиков. Стандартный функционал прекрасно справляется со своими задачами. Казалось бы, что еще нужно? Смотри и записывай. Но производители ПО видеонаблюдения не стоят на месте.

Они предлагают дополнительные возможности, позволяющие сделать видеонаблюдение более эффективным, быстрее решать поставленные задачи и автоматизировать рутинные процессы. А также применять видеонаблюдение не только в охранных целях, но и в коммерческих, позволяя приносить прибыль. Мы, конечно же, говорим о применении видеоаналитики.

Сегодня о видеоаналитике можно найти много рекламной информации. Мы видим как производители программного обеспечения активно продвигают свои решения наделяя аналитику почти фантастическими способностями, позволяющими распознавать все вокруг, выявлять в толпе преступников, распознавать факты мошенничества и неприемлемого поведения. Тем самым формируют у заказчика ошибочное представление о работе аналитики. Инсталлятор не всегда четко понимает какие задачи та или иная технология видеоанализа способна решать, где ее выгодно применять, а где это будет не эффективно или необоснованно дорого.

В рамках этой статьи мы рассмотрим реальные возможности современной видеоаналитики. Разберемся с заблуждениями. А главное, определим какой реальный экономический эффект можно получить от внедрения таких систем.

Стандартный функционал. Сервисные детекторы

Базовые и сервисные детекторы известны достаточно давно и с успехом применяются на большинстве монтируемых сегодня систем.Это самые простые и отлично работающие детекторы движения, засветки, расфокусировки, закрытия камеры и другие. Они присутствуют практически в каждом программном обеспечении видеонаблюдения, либо могут быть встроены в функционал камеры.

Базовые детекторы:

  • детектор движения — предназначен для обнаружения наличия движущихся объектов в кадре. За счет записи по детекции движения мы можем существенно сократить объем этого архива и соответственно требуемое на это дисковое пространство. Это позволит сэкономить на оборудовании. В архиве мы фактически получим только важную для нас информацию, а те моменты, когда в кадре ничего не происходило, нам не понадобятся.
  • детектор оставленных/исчезнувших предметов — оповещает о появлении или исчезновении предмета из кадра. Позволяет обращать внимание оператора на тревожные ситуации на таких объектах как аэропорты, вокзалы, картинные галереи и т.п.
  • детектор лиц — детектирует появление в кадре лица человека, отличая его от любого другого объекта. Позволяет выделять лица в архиве и производить поиск нужного нам человека в большом объеме записанного архива

Сервисные детекторы:

  • детектор закрытия объектива
  • детектор засветки
  • детектор сдвига камеры
  • детектор изменения фона
  • детектор расфокусировки

Названия говорят сами за себя. Сервисные детекторы подают сигнал в случае сбоев в работе видеокамеры. Они позволяют не только идентифицировать попытки вывода камер из строя, но и детектируют различные помехи, мешающие качественной регистрации событий.

Видеоаналитика в помощь оператору

Появление и развитие видеоаналитики отчасти обусловлено тенденциями увеличения количества камер на объектах на единицу площади. Это усложняет задачу работы оператора, а порой она становится невыполнимой. С контролем сотен камер, к примеру, одному оператору не справиться, необходим целый штат напарников доблестно сканирующих мониторы. Помощь аналитики очевидна — освободить оператора от непрерывного контроля над видеорядом. Выявляя только нужные события и оповещая о них, тем самым позволяет сконцентрироваться на принятии решений. С такой задачей справится и один оператор. К тому же скорость реакции на тревожные события значительно увеличивается, а риск пропустить что-то важное — снижается. Выгода на лицо, не так ли?

Давайте рассмотрим аналитику для оператора, принципы работы которой основываются на интеллектуальном анализе «треков» – другими словами параметров всех движущихся в кадре объектов и характеристик их движения.

Стоит сказать, что в этом направлении сейчас активно ведутся исследования, усовершенствуются механизмы обработки. В последнее время качество и надежность работы данного функционала значительно повысились. Именно эта аналитика и находит наибольшее практическое применение.

Первое практическое применение — ситуационные видеодетекторы.

Ситуационные детекторы — это запрограммированные тревожные ситуации, которые могут возникнуть в кадре и по которым нужно сделать какое либо действие — выдать окно оператору, вывести камеру в полный экран, записать видеоролик, создать запись в протоколе событий.

При этом необходимо понимать, что видеоаналитика — это не охранная сигнализация. И она вам не заменит охранных датчиков на периметре. Это система, которая должна помогать оператору, но ни в коем случае его не заменяет.

Визуально, при работе с этой группой детекторов, пользователь может задавать линии, многоугольные зоны и временные интервалы прямо в зоне видимости камеры, а система детектирует соответствующие заданным критериям события.

Примеры наиболее востребованных ситуационных видеодетекторов:

  • детектор пересечения объектом линии в выбранном направлении
  • детектор движения в заданной зоне
  • детектор входа/выхода объекта из зоны
  • детектор появления/исчезновения объекта в зоне
  • детектор остановки или пребывания объекта в зоне

Любой из детекторов можно настроить на работу с определенным типом объектов — человек или автомобиль, с определенными свойствами и параметрами — цвет, размер, скорость перемещения. Этот функционал доступен у каждого серьезного производителя ПО видеонаблюдения.

Второе практическое применение анализа «треков» — поиск в архиве

Это те же самые видеодетекторы, только используются не в режиме реального времени, а при работе с записанным архивом.Когда полезен этот функционал? Представим себе ситуацию — на складе пропала коробка с продукцией. Мы не знаем, когда точно это произошло. Стандартный вариант развития событий, когда имеется система видеонаблюдения, просмотреть огромный кусок видеоданных, что бы найти этот момент. Даже в ускоренном режиме это займет много времени. Если подобные случаи на объекте часто повторяются, можно представить какое количество времени затрачивается на поиски. Для решения таких задач аналитика поиска в архиве просто необходима.

Основная цель применения — быстрое нахождение в видеоархиве интересующего пользователя события, если точное время события неизвестно. Это более качественный уровень анализа архива по заданным критериям.

Принцип основан на том, что синхронно с видеоархивом в отдельную базу данных записываются параметры всех движущихся в кадре объектов и характеристики их движения — метаданные. При поиске задаются параметры, которые нужно найти — например, пересечение линии или нахождения объекта в определенной зоне. Цвет объекта или размер. Благодаря этому мы можем за считанные секунды по заданным произвольным критериям получать выборку в архиве. Это позволит вашему клиенту значительно сократить время на поиск нужной информации.

Достаточно качественно это реализовано в ПО видеонаблюдения AxxonNext компании ITV. Мы проводили тестирование работы этого функционала, с результатами которого вы можете ознакомиться в нашем видеоролике на канале в YouTube: https://youtu.be/ZLuHrsp32BY

Технологии распознавания образов. Автоматизация и тотальный контроль!

Многое из того, что мы видим на экране из Голливудских блокбастеров становится реальностью. Распознавание образов по видеоизображению стало возможным с ростом возможностей аппаратных платформ по обработке значительных объемов информации и проведения сложнейших математических вычислений. Основные коммерчески применимые направления здесь два: распознавание номеров и лиц. Давайте рассмотрим — какие задачи можно решить и какие выгоды получить при внедрении распознавания.

Распознавание автомобильных номеров — автоматизация парковок

Система выискивает попавший номер автомобиля в поле зрения камеры, распознает его и сравнивает с заранее созданной базой номеров на предмет совпадения. Либо просто ведет реестр распознанных номеров с возможностью дальнейшего поиска по нему.

Можно с уверенностью сказать, что данная технология эффективно применяется на реальных объектах и давно известна на рынке. Вариантов реализации и алгоритмов работы систем с применением распознавания номеров множество. Оборудуют парковки, скоростные трассы, используют на въездах на территорию складов, дачных поселков и т.д. А также для контроля доступа на территорию или фиксации проезжающих автомобилей.

Какая экономическая выгода может быть от использования подобной системы?

Давайте представим такую ситуацию. Есть производственная территория, въезд на которую ограничен или платный. Когда контроль осуществляется оператором, всегда существует вероятность, что с ним можно будет договориться и за вознаграждение попасть на территорию. Человеческий фактор, несомненно, имеет место. Установка системы распознавания номеров и реализация автоматического контроля проезда позволяет исключить такие случаи. Тем самым заказчик будет уверен в контроле, а прибыль останется в его кармане.

При реализации подобных систем стоит отметить, что качество распознавания зависит от того, как установлена камера, какая это камера и какого разрешения. Нужно понимать, что обзорная камера эту задачу, скорее всего не решит. Понадобится дополнительная камера, специальным образом настроенная для этой задачи. При условии грамотной установки и настройки камеры можно добиться 95% распознавания. Но 100% вы никогда не достигнете. В некоторых случаях это критично, и для этого применяются специальные программные алгоритмы. Как достигнуть реализовать фиксацию 100% въезжающих автомобилей в нашем справочном пособии.

Существует также аналитика распознавания номеров ж/д вагонов, которая, по сути, является аналогом распознавания автомобильных номеров, с отличием в требованиях по установке и форматом номера.

Алгоритм похож на предыдущий, но значительно сложнее в программной реализации. Система определяет наличие лиц в кадре, распознает их и сравнивает с похожими в базе. Результат выводится в виде процента совпадения.

Много заблуждений существует в отношении этого функционала. Простая и понятная на первый взгляд технология, подкреплена фантастическими фильмами. Как это выглядит в представлении многих? Камера, установленная на улице, высоко на столбе сканирует проходящих мимо людей и находит в толпе преступника по занесенной в базу старой фотографии.

Работает это далеко не так! И здесь есть серьезные ограничения. Для корректного распознавания лиц необходимо соблюдение множества условий: ориентацию камеры относительно лица, направление взгляда человека, освещение лица, особые настройки камер и другие. Какие точно нужны условия для работы алгоритма и как настроить систему распознавание лиц в наших справочных пособиях.

Чем больше отступлений от этих условий, тем ниже процент распознавания и выше количество ложных срабатываний. Исходя из этих условий выходит, что описанная ранее ситуация фактически невыполнима. И лучше заранее отговорить заказчика от попыток реализации подобных систем.

Единственная сфера применения, где система может работать корректно — это контроль доступа, когда человек сам сделает все, для того чтобы его впустили.

Правильно встанет, посмотрит в камеру, снимет шляпу или очки. Только в этом случае система будет работать. Важно понимать, что даже в таких условиях система является дополнительной, позволяя упрощать идентификацию. Должны быть предусмотрены случаи, когда система не сработает, и решение должен будет принимать оператор.

На данный момент об экономической выгоде тут говорить сложно. Скорее это дополнительный механизм, позволяющий на более высоком уровне вести идентификацию посетителей на особо ответственных объектах.

Попытки коммерческого использования распознавания лиц все же осуществляются. Стоит вспомнить пример успешного коммерческого использования системы на объекте нашего партнера. Это ресторан, где заказчику нужно было выявлять желательных и нежелательных посетителей. Желательные (VIP) — постоянные клиенты, известные люди, представители местных органов власти. Нежелательные — злоумышленники, неплательщики и скандалисты, преступники. Идентификация позволила повысить качество обслуживания постоянных клиентов и предотвратить потери от нежелательных посетителей, тем самым повысить доходы ресторана.

Развитие ситуационных детекторов — детекторы нетривиального поведения

Существует такое направление видеоаналитики, задача которого идентифицировать конкретные ситуации или поведение людей. Это так называемые детекторы нетривиального поведения. Принцип действия построен на более сложном сопоставлении записанных треков с заранее заданными всевозможными шаблонами, имитирующими поведение.

Такие детекторы — мечта службы безопасности многих объектов. Но давайте разберемся на примере драки. Происходит она в торговом центре или вагоне метро. Объективно тревожное событие, на которое необходимо оперативно среагировать. Но давайте подумаем, насколько в действительности выявление такой ситуации может быть достоверным. Вероятность совпадения с шаблонами не высока, а также ситуация может быть неверно распознана. Например, объятие друзей тоже можно посчитать началом драки. Большое количество ложных срабатываний и вероятность пропуска реальной драки не позволяет считать подобные системы коммерчески применимыми. Хотя, возможно, в будущем ситуация изменится, и подобная аналитика станет более совершенной и эффективной. Уже сейчас неплохо работают алгоритмы определения нарушений направления движения (человек идущий поперек направления движения толпы, вход через выход), бегущего человека и т.п.

Нет дыма без огня. Обнаружение задымления и огня с использованием видеоаналитики

Любое здание обязательно оснащается системой пожарной сигнализации которая получает извещение о возгорании с использованием специальных сенсоров (датчиков различного типа). Развитие в этой области не прекращается и появляются все более совершенные устройства. В период развития видеоаналитики не заставили себя ждать и цифровые варианты для решения этой задачи.

Детектор дыма, на основании уникального алгоритма анализа изображения, позволяет в большинстве случаев фиксировать задымление раньше пожарных датчиков. А уникальная математика позволяет обнаруживать в поле зрения камеры открытый огонь.

Детектирование возгорания с использованием специальной видеоаналитики может быть востребовано там, где использование датчиков затруднительно или невозможно. Как правило — это открытые площадки, автостоянки, внутренняя территория предприятий, контроль противопожарной обстановки лесных массивов. Раннее обнаружение и локализация возгорания может сэкономить огромные средства на борьбу с бушующим пожаром и ущербом с ним связанным.

Видеонаблюдение, как способ увеличения прибыли торгового объекта

Давайте теперь перейдем к бизнес-аналитике. Она применяется во многих сферах, но наибольшее распространение на данный момент получила в ритейле. На самом деле, технология тут применяется та же самая, что и при обработке треков, только оптимизирована для решения узкоспециализированных задач.

До этого о видеоаналитике мы говорили, как о способе увеличения эффективности системы охранного видеонаблюдения или снижении стоимости владения. Бизнес аналитика предназначена для непосредственного увеличения прибыли.

Это удобные инструменты для оценки эффективности работы менеджмента магазина. Для маркетологов — это инструменты оценки эффективности рекламных компаний. Уже сейчас менеджеры магазинов активно используют системы видеонаблюдения для контроля работы персонала и могут осуществлять управление сетью магазинов без личного присутствия.

Рассмотрим подробнее, чем именно современные технологии видеоанализа могут помочь в ритэйле, и какими они бывают.

Детектор подсчета посетителей. Точные данные о конверсии

Он предназначен для подсчета входящих и выходящих людей на торговом объекте или в рамках выделенной наблюдаемой зоны. Это наиболее точный на сегодняшний день метод подсчета посетителей, основанный на видеоанализе. Существуют алгоритмы как встроенные в камеру, так и на базе программных продуктов видеонаблюдения для PC-based платформ. Камера, установленная над зоной контроля, способна различать отдельных людей и фиксировать направление прохода.

С помощью результатов работы этого детектора можно оценить эффективность работы розничного магазина. Оценкой может служить показатель конверсии. Это базовый показатель эффективности торговой точки, показывающий отношение количества посетителей торговой точки к числу транзакций. Иными словами — сколько посетителей стали покупателями. Сравнивая полученные точные данные между магазинами, можно определить, где менеджмент работает эффективно, а где требуется анализ и вмешательство.

Тепловые зоны. Эффективное планирование расположения товара

Тепловая карта, или карта активности покупателей, на основе треков движения посетителей позволяет определить наиболее эффективную планировку магазина и расположения товаров. Оценить популярность той или иной витрины. Понять, равномерно ли распределены потоки покупателей по площади магазина.

Конечно, можно провести исследования, проанализировав видеоархив с камер системы видеонаблюдения, но это займет слишком много времени и очень субъективно. Если у вас 20 магазинов в сети, то можно за 15 минут провести полный анализ и выявить проблемные зоны.

С помощью совместной работы пары этих модулей можно провести оценку эффективности и качества проведения рекламной акции. Системы видеоанализа могут помочь и предоставить объективную картину об изменении количества посетителей магазина с начала рекламной компании, и помочь оценить заинтересованность витриной с рекламируемым товаром.

Детектор определения длины очереди. Довольный покупатель — ваш друг!

Многие наверно видели объявления на кассах: «Если вы 4-ый в очереди, позвоните по указанному телефону!» Об эффективности такой системы полагаю, говорить не стоит. Ни разу не видел такого заботливого покупателя. Все молча, терпят нерасторопную продавщицу. Видеокамеры для подсчета длины очереди с автоматическим уведомлением о превышении нормы количества людей в очереди позволяют оперативно решить проблему и повысить лояльность покупателей.

Помимо уведомлений, данные с видеокамеры позволяют получить статистику о длине очереди по отдельным кассам, по часам, дням неделям, месяцам. Все это позволяет оптимизировать и спланировать работу касс.

Интеграция данных от счетчика посетителей и детектора длинны очереди позволит прогнозировать наплыв покупателей на кассы и заранее открывать дополнительные кассы.

Чего еще ждать?

В завершение несколько слов о перспективах развития видеоаналитики.

Активно ведутся работы в области распознавания лиц. В частности, развиваются алгоритмы на основе построения 3D моделей. Это позволит более качественно производить идентификацию и решать задачи, которые на данный момент кажутся фантастичными.

Распознавание половых и возрастных признаков. Это функционал необходимый для бизнес-аналитики в ритэйле. Он позволит распознавать лица покупателей в магазинах для оценки их возрастной категории и распределять по гендерному типу. С помощью такой статистики можно будет формировать стратегии продаж, ориентировать рекламные кампании на определенный круг потребителей и даже адаптировать отдельные магазины под конкретную группу потребителей.

Мы очень надеемся, что детекторы нетривиального поведения будут совершенствоваться. Это позволит повысить эффективность и оперативность работы операторов наблюдения. Наши партнеры ведут постоянную работу над увеличением достоверности получаемых с таких детекторов данных.

Чего в ближайшее время ждать не стоит?

К нам поступает большое количество задач от партнеров, которые им ставят заказчики. И порой возникают настоящие курьезные ситуации. Например: Владельцу сети магазинов требовалось оповещать охранников, когда посетитель берет с полки товар, и прячет его под одеждой. Человеку, видящему в камеру подобное, все сразу понятно – кража. А вот как понять это системе? Может он просто полез за бумажником. Не существует функционала, который мог бы разбираться в подобных происходящих ситуациях! Видеоаналитика не всемогущая, у нее есть множество ограничений и требований при использовании, которые нельзя не принимать во внимание.

Не стоит ожидать, что видеоналитика заменит оператора, будет способна функционировать в полностью автоматическом режиме, позволит детектировать и распознавать с вероятностью 100%. Вся работа программистов и математиков нацелена на повышение достоверности, но 100% не возможно достигнуть. Всегда останется доля процентов, которая будет означать неверно распознанный номер, пропуск злоумышленника, незаписанный важный фрагмент архива. Видеоаналитика позволяет помогать в работе оператора и автоматизации его работы, но ни в коем случае его не заменяет.

Российские программы для видеоаналитики

Сегодня очень многие говорят о видеоаналитике и ее возможностях, но не каждый представляет, как ее организовать на своем охраняемом объекте, будь то предприятие, магазин, офис и т.д.

На самом деле видеоаналитика — это не что иное, как аппаратно-программное обеспечение, в основе которого стоит использование методов компьютерного анализа видео, поступающего с камер наблюдения.

По существу, видеоаналитика использует алгоритмы обработки изображения и распознавания образов без участия в этом человека. Он лишь получает данные в результате работы программного обеспечения и на их основе делает определенные выводы, например, как улучшить бизнес, как защитить товары от воровства, как поднять дисциплину и улучшить производительность труда.

Результаты, полученные в ходе работы ПО видеоаналитики также могут быть переданы оператору системы видеонаблюдения либо же записаны в видеоархив для последующего анализа.

Основными поставщиками пргграммных продуктов для видеоаналитики сегодня являются Cisco Systems, Honeywell International Inc., IBM Corporation, Axis Communication, Video Intelligent, AllGoVision Technologies Pvt. , Avigilon Corporation, Aventura Technologies Inc., Genetec Inc., I2V System Private Ltd. , Intellivision Technologies , IntuVision, PureTech Systems Inc и Qognify.

Все они предлагают свои продукты. Причем, зезусловным лидером здесь являются США. Но мы рассмотрим отечественные программы видеоналитики, которые часто используют в нашей стране.

Видеоаналитика TRASSIR NeuroStation позволяет использовать все преимущества современных технологий нейронных сетей для анализа видеоизображения. В состав программного обеспечения входит охранный нейросетевой детектор TRASSIR Human Detector. Конфигурация интеллектуального модуля, устанавливаемого на сервер TRASSIR NeuroStation, позволяет анализировать изображение, получаемое от 40 камер одновременно, и практически безошибочно детектирует присутствие человека в кадре. Помимо этого, есть детектор подсчета длины очереди, который может оперативно с помощью отправки уведомлений проинформировать администраторов торговой точки при превышении заданного максимально допустимого количества людей в очереди.

Программное обеспечение «Линия» одноименной компании поддерживает видеоаналитику в архиве − фильтрация записи по детекции, размеру объекта и цвету.

SOVA — это еще одна отечественная система объектовой видеоаналитики для ЖД вокзалов в местах массового скопления людей — эффективное средство профилактики, предупреждения и выявления правонарушений и угроз. Она направлена на решение следующих задач: предотвращение диверсии и террористических актов, преступлений и фактов проникновения в служебные зоны, пресечение и снижение вероятности краж и вандализма, обзор и контроль пассажиропотоков, контроль соблюдения расписания поездов, предупреждение правонарушений в зале ожидания, контроль входов и выходов, автоматов и касс для продажи билетов, обеспечение безопасности пассажиров на перронах и ЖД путях.

Еще одна Компания «Синезис» занимается разработкой интеллектуальных систем видеонаблюдения и бизнес-аналитики на основе компьютерного зрения. Ее ПО CasRetail предназначено для экономического, маркетингового анализа и контроля и предоставляет точную статистическую информацию и визуализированные данные, помогает понять поведение покупателей и оценить работу персонала.

Компания Vocord разработала систему распознавания лиц Vocord FaceControl, предназначенную для применения в сфере торговли. Система фотографирует и сохраняют лица посетителей торговой точки и составляет «белые» и «черные» списки, информируя сотрудников магазина о их появлении в магазине. Также она в автоматическом режиме распознает пол и возраст людей, подсчитывает количество посетителей. Таким образом, владельцы и менеджеры магазинов смогут узнать, сколько человек посещают торговую точку, кто новые и постоянные клиенты, в какое время совершается больше и меньше всего визитов.

Компания «Мобильные видеорешения» создала сервис видеонаблюдения через интернет Ivideon. Он позволяет отслеживать соблюдение режима рабочего дня, контролировать качество обслуживания клиентов, обеспечивать сохранность имущества, а также быстро решать спорные ситуации.

Интеллектуальный видеосчетчик Ivideon Counter позволяет анализировать посещаемость охраняемого объекта. Он также интегрирован с облачным сервисом видеонаблюдения Ivideon, благодаря чему пользователи могут отслеживать статистику посещаемости и просматривать видео онлайн и из архива на любом устройстве, которое подключено к интернету.

Кроме того, Ivideon интегрировала видеонаблюдение с кассовыми системами iiko. Теперь пользователи в личном кабинете могут просматривать события с касс и их видеозаписи. Пока решение «Ivideon Кассы» предназначено в основном для ресторанного бизнеса.

Комплекс видеоаналитики «Кассиопея» имеет широкий набор модулей, если быть точным, то более 5 различных модулей, которые выдают более 10 типов отчетов об объектах, их поведении и т.д. Это многосерверное решение, работающее даже на медленных каналах связи. Комплекс разработан с учетом потребностей розничной торговли. Пользователь получает своего рода Google Analytics для офлайн-магазинов с богатым функционалом. Высокого уровня аналитика сочетается с проработанным пользовательским интерфейсом, что позволяет получать максимум полезной информации для анализа и принятия решений.

Компания Элвис-НеоТек представила технологию видеоаналитики, которая не использует компьютер или сервер, а производится в вычислительном боксе. Она осуществляет подсчет посетителей и позволяет разместить одну сигнальную линию под одной камерой. Однако данное решение имеет и минусы. Это трудоемкое обновление софта и алгоритмов видеоаналитики, отсутствие возможности централизовано собирать статистику.

Система видеоаналитики Macroscop и AxxonNext также пока только осуществляет подсчет людей.

Российская инновационная компания «Сателлит Инновация», также создала систему аналитики, но пока она еще не доведена до окончательной фазы разработки.

С помощью модулей распознавания номеров и видеоаналитики российская системаVOCORD Tahion способна отслеживать движение транспорта на погрузочно-разгрузочных площадках и автоматически контролировать процесс погрузки каждого конкретного грузовика. При этом, если при погрузке производится взвешивание, то с помощью специально разработанных алгоритмов система контролирует корректность процесса взвешивания.

Как видим, программное обеспечение для видеоаналитики в России уже есть и стремительно развивается. Мы перечислили далеко не всех создателей софта. Однако пока мы все же отстаем от США. Тем не менее все понимают, что за аналитикой в видеонаблюдении — будущее.

Вызвано это тем, что в сравнении с обычным видеонаблюдением, видеоаналитика позволяет уменьшить стоимость всей системы видеонаблюдения за счет уменьшения количество операторов, улучшить безопасность объектов, поднять параметры всех показателей бизнеса. К тому же нет пресловутого человеческого фактора, когда оператор что-то недоглядел, отвлекся, или специально закрыл глаза. Видеоаналитика беспристрастна и превышает возможности человека во много раз.

Мало того, большинство видео, снятое камерами абсолютно не представляет интереса для безопасности или улучшения бизнеса. Видеоаналитика выявляет только важное, благодаря чему снижает нагрузку на всю систему видеонаблюдения и на обслуживающий ее персонал.

В недавнем времени, программы распознавания лиц были исключительно на службе у государственных ведомств. Они помогают идентифицировать человека беря за основу черты лица. Сейчас применение подобного программного обеспечения чаще всего замечено в системах безопасности, в коммерческой деятельности, связанной с рекламой и продвижением различных услуг.

Также некоторое подобие таких онлайн сервисов и программ доступно и для простых пользователей, их можно найти в сети интернет. В качестве примера можно привести программу Lenovo Veriface. Это фирменная встроенная утилита, которая позволяет разблокировать устройство проводя анализ по лицу.

Далее подробно рассмотрим принцип работы ПО и сервисов, помогающих идентифицировать человека.

Программы распознавания лиц

Системы (программы) распознавания лиц по фото и видео используют более продвинутые алгоритмы. Подобных систем нет в открытом доступе, они используются в службах безопасности, для контроля и предотвращения чрезвычайных происшествий в крупных городах и в местах массового скопления людей.

Подобное ПО чаще всего использует алгоритм распознавания Виолы-Джонса. Программа, при помощи данного метода распознает лица даже при повороте на 30 градусов. Метод основывается на признаках Хаара, которые представляют собой набор черно-белых масок различной формы и размера. Происходит наложение масок на изображение и происходит расчет яркостей пикселей путем сложения, после чего рассчитывает разность значений.

Далее система сравнивает результаты с накопленными данными, и определив лицо на изображении продолжает его отслеживать для выбора оптимального ракурса. После этого запускается процесс считывания и ПО находит опорные точки на лице. Далее изображение анализируется с теми данными, которые находятся в базах. Если они совпадают, человек идентифицируется.

Что же такое распознавание лиц

Отделим мух от котлет. Пользователи чаще сталкиваются с распознаванием лиц в собственных смартфонах, где биометрическая идентификация применяется, чтобы разблокировать устройство и получить доступ к данным мог только его владелец. В процессе распознавания обязательно участвует 3D-камера, чтобы невозможно было обмануть гаджет фотографией.

Ещё существует идентификация лиц в реальном времени и реальных же условиях: в этом случае она неразрывно связана с системами видеонаблюдения, где лица буквально «выхватываются» из снимаемого камерами видеопотока.

Представим себе качественную современную камеру видеонаблюдения, размещённую чуть выше среднего человеческого роста в хорошо освещённом месте. Перед ней каждый день проходит примерно одинаковое количество примерно одних и тех же людей. Двигаются они не очень быстро.

Снятое видео может храниться в облачном архиве. К камере подключается аналитический модуль: сложное сочетание алгоритмов (искусственный интеллект, нейросети, вот это всё) плюс пользовательский интерфейс. Модуль «выхватывает» лица из видеопотока, определяет пол и возраст и заносит данные в базу.

Постепенно изображений становится больше. Система запоминает все распознанные лица автоматически и заносит их в архив, а пользователь с допуском указывает дополнительные данные: имя, должность, статус, прочие отметки («VIP-гость» или «вор»). Можно загрузить фото нужной персоны, а модуль найдёт в архиве все детекции этого лица.

Как только человек с отметкой вновь проходит перед камерой, система фиксирует это как важное событие и отправляет push-уведомление заинтересованным пользователям.

Детекция в контексте распознавания лиц — это ситуация, когда алгоритм в принципе понял, что перед ним лицо, а не яблоко или русалка с кружки Starbucks. Вычислительные мощности ему сначала требуются для этого, и только затем он может сопоставить лицо с базой или запомнить.

Иногда детекция может удивить

Если вы дочитали предыдущие несколько абзацев до конца, поздравляю, теперь вы знаете, как работает распознавание лиц в идеальной ситуации. Описание подходит к любой системе: от тех, которые используются в московском метро, до решений для малого бизнеса.

Главное, что нужно понимать: идеальную ситуацию в реальной жизни создать сложно, особенно если речь идёт о целом городе, а не офисе или магазине. Скажем, в метро людей много, все разные, ходят быстро. Камер нужно очень много, они стоят денег, размещать их должны грамотные специалисты.

Можно ли обмануть алгоритм распознавания лиц

Несмотря на случающиеся промахи, точность машинного распознавания уже нередко превосходит ту, с какой определяют лица люди. В Китае скоро появитсяChina to build giant facial recognition database to identify any citizen within seconds система, способная найти конкретного человека среди 1,3 миллиарда других жителей за 3 секунды с точностью 90%.

И всё же однозначно на этот вопрос ответить сложно, потому что единственного идеального алгоритма распознавания лиц не существует. Большие очки, наклеенная борода, кепка, высокая скорость перемещения, специальный макияж (например, нарисованная на лице решётка»Чёрный лебедь», котики, кружочки и палочки. Как спастись от систем распознавания лиц при помощи макияжа ) — всё это способно запутать алгоритм. Особенно в совокупности, потому что для распознавания бывает достаточноКак обмануть системы распознавания ли 70% открытого лица. А теперь представьте, что использовать вышеперечисленные ухищрения необходимо в условиях реального города. Звучит не так уж просто, верно?

Возможно ли распознавание лиц онлайн

Интернет — место парадоксальное: люди здесь одновременно могут беспокоиться о том, не определяет ли каждая вторая камера на улице их личность, и искренне хотеть «распознавать лица других людей по фотографии онлайн». Рассмотрим это направление face recognition отдельно.

Программа распознавания лиц — это либо описанный выше аналитический модуль (камера видеонаблюдения + софт + облачное хранилище), либо софт, аналогичный известному (слегка скандально) сервису FindFace. Сегодня скачать программу распознавания лиц «бесплатно и без регистрации» в подавляющем большинстве случаев, понятное дело, невозможно.

Веб-сервис FindFace.ru, помогающий найти людей в социальной сети «ВКонтакте» по их фотографии, был основан 18 февраля 2016 года. Помимо прочего, благодаря ему все желающие могли находить профили девушек, снимавшихся в порнофильмах. Очень скоро сервис стал использоваться для множества флешмобов по обнаружению лиц, которые имели полное право никогда и никем обнаруженными не быть. Разразился скандал, сработавший как вирусная реклама: технология, которая легла в основу сервиса, получила ряд престижных наград и вызвала интерес заказчиков со стороны государства и бизнеса. С 1 сентября 2018 года сервис более не оказываетСервис FindFace, с помощью которого распознавали участников протестных акций, объявил о закрытии услуги поиска людей по фотографии, так как он был преобразован компанией NtechLab в линейку решений для различных отраслей бизнеса.

Мечта пользователя, который вводит запрос, очевидно, выглядит так: заходишь на сайт, загружаешь фото человека, снятого украдкой в метро, программа распознаёт лицо и выдаёт ссылку на профиль в соцсети. Ага, попался! Или же так: загружаешь программу на компьютер, подключаешь к ней веб-камеру и распознаёшь мордочку своего кота. Успех — теперь тебе будет приходить уведомление каждый раз, когда кот ворует сосиски.

Реальность жестока. Первый же сайт, который предлагает вам подобное, отказывается работать, а второй — требует навыков программирования на Python. Более-менее похожее на мечту приложение называлось SearchFace, которое недавно перезапустилосьSearchface перезапустился с авторизацией через «ВКонтакте». Но соцсеть закрыла эту функцию под названием FindClone. Вы загружали фотографию, а алгоритм пытался распознать это же лицо в базе социальной сети «ВКонтакте». Ссылок на профиль приложение не выдавало, только сами снимки — причём неважно, кем они были загружены. Если пользователь давно активен в соцсети, выдача фото создавала жутковатый «биографический» эффект, если же нет, распознанные изображения могли рассмешить.

Иногда SearchFace работал вот так

Собственно, пример SearchFace наглядно отвечает на вопрос «Как социальные сети используют распознавание лиц?». Точнее было бы cформулировать его таким образом: «Как социальные сети используются для распознавания лиц?» Ответ прост: как база данных. Неисчислимое количество уникальных сочетаний цифр (а именно так для алгоритмов Facebook, «ВКонтакте» и остальных выглядят лица на фото) формирует базу для обучения нейросетей, которые ложатся в основу того или иного решения face recognition.

Решения все разные, и нейросети разные тоже, а детали и технические особенности заказчики и поставщики сервисов, как правило, не разглашают. В частности, пол и возраст модуль распознавания умеет определять благодаря тому, что может учиться на информации, содержащейся в «Одноклассниках», «ВКонтакте», Instagram и Facebook.

Как программируется распознавание лиц

Никогда не надо отвечать на вопросы разработчиков и для разработчиков, если ты не разработчик. Поэтому за помощью мы обратились к специалисту.

Дмитрий Сошников

Член Российской ассоциации искусственного интеллекта и старший эксперт по разработке систем ИИ и машинного обучения Microsoft.

Распознавание лиц (а также другие связанные операции) — это достаточно типовая задача. Поэтому многие компании предоставляют готовые сервисы в виде облачных API (программных посредников между приложениями) для качественного решения этих задач. Кроме IT-гигантов вроде Microsoft и Google, распознаванием лиц занимаются также специализированные компании, в том числе российские. Их продукты стремительно развиваются и предоставляют ещё более интересные функции, такие как идентификация лиц и силуэтов в толпе.

Самому с нуля натренировать нейронную сеть намного сложнее. Нужен большой и качественный набор исходных данных, то есть десятки и сотни тысяч (а лучше ещё больше!) фотографий людей. Кроме того, понадобятся существенные вычислительные ресурсы и знания в области ИИ и машинного обучения. Крупные компании располагают всеми этими средствами, поэтому решают задачу намного лучше.

Также существует промежуточное решение — использовать уже натренированную нейросеть, например OpenFace. Такой вариант, скорее всего, будет работать чуть хуже, чем готовый облачный сервис, однако позволит иметь полный контроль над системой. При этом потребуется определённый уровень понимания работы нейросетей и нейросетевых фреймворков и, по всей видимости, некоторое знание языка Python, который завоевал популярность как основной язык программирования среди специалистов Data Science.

Действительно, на нём удобно проводить различные эксперименты, визуализировать данные и производить эффективные матричные вычисления благодаря прекрасному пакету NumPy. Это не самый лучший язык для промышленной разработки, поскольку он не содержит эффективных средств для создания больших безопасных программных систем, однако альтернатив ему в области обучения глубоких нейросетей пока нет.

Как работает распознавание лиц в бизнесе

Востребованность face recognition в финтехе, ретейле и других видах бизнеса напрямую связана с повышением доступности технологии. Механика проста: на всех предприятиях и во всех организациях стоят камеры видеонаблюдения, которые используются как инструменты для сбора данных и последующей аналитики. В мире системы наблюдения снимают за месяц терабайты видео в формате Full HD, то есть информации для обработки накапливается действительно много.

Необходимое ПО для анализа данных может «прошиваться» на устройство производителем. Камеры с видеоаналитикой «на борту» стоят обычно довольно дорого.

Альтернативный вариант — аналитика в облаке, то есть удалённом дата-центре, которая подключается к любой недорогой камере. Это на порядок дешевле плюс даёт гибкость — можно адаптировать решения под конкретный бизнес.

Популярность технологии распознавания лиц в разных сферах деятельности возрастает. К примеру, Сбербанк — один из лидеров в части анонсирования различных громких проектов face recognition, и поспоритьОн узнает тебя из тысячи: банкомат определит клиента по глазам с ним в этом плане может разве что «Тинькофф». В 2017 году Сбербанк приобрёлСбербанк инвестировал в технологию распознавания лиц 25,07% компании VisionLabs, создающей софт для распознавания лиц. За 2018 год финансовое учреждение успело протестировать face recognition в московском метро и даже пойматьБлагодаря системе распознавания лиц Сбербанка пойманы 42 преступника 42 преступника, протестироватьОн узнает тебя из тысячи: банкомат определит клиента по глазам банкоматы с идентификацией лиц, чтобы злоумышленники не могли снимать деньги с чужих карт, а также объявить сбор биометрических данных (аудиозапись голоса, видеозапись лица) клиентов. В апреле этого года Сбербанк получил контроль над разработчиком систем распознавания голоса и лиц — «Центром речевых технологий» (ЦРТ).

Другое дело, что анонсировать, тестировать, пилотировать и покупать решения — не значит собственно внедрять. Что именно сейчас реально используется в Сбербанке (и используется ли), сказать с уверенностью на самом деле может только Герман Греф.

С розничной торговлей всё прозрачней. По сути, здесь есть три проблемы, которые распознавание лиц решает.

Во-первых, воровство. В магазинах орудуют мошенники, причём нередко одни и те же люди в одной и той же сети. Face recognition позволяет определять «дрейфующих воришек» и других людей, ранее нарушавших порядок. Как только однажды занесённый в базу нарушитель зайдёт в магазин, охрана получит уведомление в мессенджере или другим удобным способом.

Во-вторых, трудность работы с постоянными клиентами. Данных о покупках и днях рождения, чтобы персонализировать предложения для VIP-клиентов и фанатов бренда, попросту не хватает. Распознавание лиц можно интегрировать с CRM — то есть софтом, в который менеджеры заносят всю информацию по всем сделкам организации. В случаях с ворами и VIP распознавание лиц работает примерно одинаково: лицо заносится в чёрный или белый список, и при его повторном появлении система просигналит человеку с доступом. Пол и возраст определяются автоматически, а дополнительную информацию добавит ответственный сотрудник.

В-третьих, идентификация лиц в ретейле используется для таргетированной рекламы. К примеру, в некоторых магазинах X5 Retail Group установилиХ5 включит компьютерное зрение камеры для распознавания выражения лица и возраста покупателей. Анализируя эти данные, система выводит на экран монитора в торговом зале товары, которые могут понравиться человеку. Ещё живая иллюстрация — кейс Lolli & Pops, большого кондитерского магазина в США. Система face recognition определяетYour future in-store loyalty program will be fed by facial recognition постоянных покупателей и посылает на их смартфоны уведомления с товарами, которые могут им понравиться (с учётом индивидуальных предпочтений и даже аллергии на продукты).

Ещё один яркий пример использования технологии в ретейле — магазины без продавцов и касс. Например, Alibaba Tao CafeAmazon Go vs Alibaba Tao Cafe: Staffless Shop Showdown — это кафе и магазин самообслуживания, расположенный в Ханчжоу. Здесь продаются напитки, закуски, продукты, игрушки, рюкзаки и тому подобное. Tao Cafe открыт только для пользователей сайта Taobao.

Tao Cafe / syncedreview.com

При покупке напитков система камер с поддержкой распознавания лиц автоматически идентифицирует клиента, связывается с его аккаунтом в интернет-магазине и обрабатывает платёж. Покупатели выходят через помещение, оборудованное несколькими датчиками, которые идентифицируют как клиента, так и товары. Сканирование работает, даже если человек положил покупку в карман или сумку.

Как развивается технология распознавания лиц

Системы видеонаблюдения с идентификацией лиц действительно захватывают мир. В Москве количество камер в 2019 году достигнетВысокие технологии и безопасность: сколько камер видеонаблюдения появится в этом году 174 тысяч. Это вовсе не значит, что все эти устройства по умолчанию могут распознавать личность: чаще всего сообщаетсяСистема распознавания находящихся в розыске преступников через видеокамеры заработает в Москве в 2019 г. о 160 тысячах камер с этой функцией. Тем не менее в конце 2018-го московская мэрия заявляла о намеренииВласти Москвы в 2019 году собираются заменить видеокамеры и запустить систему распознавания лиц заменить все устройства видеонаблюдения и сформировать полностью инновационную систему в следующем году.

Парадокс в том, что 160 тысяч — это не так уж и много. Особенно если сравнивать с другим лидером запросов поисковиков по тематике распознавания лиц — Китаем. Там в конце 2017 года былоIn Your Face: China’s all-seeing state более 170 миллионов камер видеонаблюдения и за три ближайших года планировалосьChina’s ‘Big Brother’ surveillance technology isn’t nearly as all-seeing as the government wants you to think подключить к сети еще около 400 миллионов.

Грамотное и корректное использование face recognition работает в первую очередь на повышение безопасности и комфорта. Люди обычно быстро проникаются доверием к технологиям, которые избавляют их от очередей на футбольный матч (улыбнулся камере — прошёл), предотвращают воровство и хулиганство или помогают меньше тратить на покупки (программы лояльности). Всё это, понятное дело, требует определённого регулирования — именно для этого принимаются законы о защите персональных данных.

В будущем, вероятно, сфера распознавание лиц в системах видеонаблюдения будет регулироваться аналогично текущей практике работы с идентификацией лиц в интернете. Стремящиеся к конфиденциальности люди просто не загружают в Сеть лишнего — частичное фиаско сервиса SearchFace доказывает, что такая стратегия эффективна.

Конечно, нельзя бесконечно ограничивать себя в прогулках по улицам, где камеры установлены на каждом перекрестке, однако возможность сохранить анонимность сформируется, если будет соответствующий запрос от общества.

Технология

Методы автоматического распознавания лиц

Задача идентификации и распознавания лиц – это одна из первых практических задач, которая стимулировала становление и развитие теории распознавания и идентификации объектов. Существует девять категорий объектов, которые соответствуют гностическим областям и вызывают зрительные образы:

    Интерес к процедурам, лежащим в основе процесса узнавания и распознавания лиц, всегда был значительным, особенно в связи с возрастающими практическими потребностями: охранные системы, верификация, криминалистическая экспертиза, телеконференции и т.д. Несмотря на ясность того житейского факта, что человек хорошо идентифицирует лица людей, совсем не очевидно, как научить ЭВМ проводить эту процедуру, в том числе как декодировать и хранить цифровые изображения лиц. Еще менее ясными являются оценки схожести лиц, включая их комплексную обработку. Можно выделить несколько направлений исследований проблемы распознавания лиц:

    • нейропсихологические модели;
    • нейрофизиологические модели;
    • информационно – процессуальные модели;
    • компьютерные модели распознавания.

    Проблема распознавания лиц рассматривалась еще на ранних стадиях компьютерного зрения. Ряд компаний на протяжении более 40 лет активно разрабатывают автоматизированные, а сейчас и автоматические системы распознавания человеческих лиц: Smith & Wesson (система ASID – Automated Suspect Identification System); ImageWare (система FaceID); Imagis, Epic Solutions, Spillman, Miros (система Trueface); Vissage Technology (система Vissage Gallery); Visionics (система FaceIt).

    Технологии распознавания лиц позволяют производить автоматический поиск и распознавание лиц в графических файлах и видеопотоке.

    > См. также

    • Распознавание по радужке
    • Eigenface
    • FindFace