Система идентификации лиц поток. Биометрическая идентификация в интегрированных системах безопасности. Организация контроля доступа с помощью распознавания лиц

Современных интегрированных систем безопасности способны решать задачи любой сложности на всевозможных объектах промышленного, социального и бытового назначения. Очень важными инструментами охранных комплексов являются системы видеонаблюдения, и требования, предъявляемые к функциональным возможностям сегмента, неуклонно растут.

Комплексные системы безопасности

Единая платформа включает в себя модули охранно-пожарного оборудования, контроля и управления доступом, видеонаблюдения или охранного телевидения (СОТ). Функции последнего до недавнего времени ограничивались видеомониторингом и регистрацией ситуации на объекте и прилегающей территории, архивацией и хранением данных. Классические видеосистемы обладают целым рядом существенных недостатков:

• Человеческий фактор. Неэффективная работа оператора при трансляции большого объема информации.
• Невозможность оперативного вмешательства, несвоевременный анализ.
• Значительные временные затраты для поиска и идентификации события.

Развитие цифровых технологий привели к созданию "умных" автоматизированных систем.

Сила в интеллекте

Базовым принципом интеллектуальной является видеоаналитика - технология, базирующаяся на методах и алгоритмах распознавания образов и автоматизированного сбора данных в результате анализа видеопотока. Такое оборудование без участия человека способно обнаружить и отследить в реальном времени заданные цели (автомобиль, группа людей), потенциально опасные ситуации (задымление, возгорание, несанкционированное вмешательство в работу видеокамер), запрограммированные события и своевременно выдать тревожный сигнал. За счет фильтрации не представляющих интереса видеоданных значительно снижается нагрузка на коммуникационные каналы и архивную базу.

Наиболее востребованное средство видеоаналитики - система распознавания лиц. В зависимости от выполняемых функций и поставленных задач к оборудованию предъявляются определенные требования.

Программно-аппаратные средства

Для эффективной работы системы используют несколько типов IP-видеокамер с различными эксплуатационными характеристиками. Обнаружение объекта на подконтрольной территории фиксируют камеры панорамного обзора с разрешением от 1 Мп и фокусным расстоянием от 1 мм и наводят на него сканирующие устройства. Это более совершенные камеры (от 2Мп, от 2 мм), производящие распознавание по простым методикам (3-4 параметра). Для идентификации объекта используют камеры с хорошим качеством изображения, достаточным для применения сложных алгоритмов (от 5 Мп, 8-12 мм).

Наиболее популярные программные продукты для распознавания лиц "Face Интеллект" (разработчик - компания House Control), Face director (компания "Синезис) и VOCORD FaceControl (VOCORD) демонстрируют:

• Высокую вероятность идентификации объекта (до 99 %).
• Поддержку широкого диапазона углов поворота видеокамер.
• Возможность выделения лиц даже в плотной пешеходной массе.
• Вариативность составления аналитических отчетов.

Основы распознавания образов

Любые биометрические системы распознавания базируются на выявлении соответствия считываемых физиологических характеристик личности определенному заданному шаблону.

Сканирование происходит в режиме реального времени. IP-камера транслирует видеопоток на терминал, и система распознавания лиц определяет соответствие изображения хранящимся в базе данных фотографиям. Существует два основных метода. Первый основан на статических принципах: по результатам обработки биометрических параметров создается электронный образец в форме уникального числа, соответствующего конкретной личности. Второй метод моделирует "человеческий" подход и характеризуется самообучаемостью и робастностью. Идентификация личности по видеоизображению происходит с учетом возрастных изменений и других факторов (наличие головного убора, бороды или усов, очков). Такая технология позволяет работать даже со старыми фотографиями и, в случае необходимости, с рентгеновскими снимками.

Алгоритм поиска лиц

Самая распространенная методика детектирования лиц - с использованием каскадов Хаара (наборов масок).

Маска представляет собой прямоугольное окно с различной комбинацией белых и черных сегментов.

Механизм работы программы следующий: видеокадр покрывается набором масок, и по результатам свертки (подсчет пикселей, попавших в белые и черные секторы) подсчитывается разность, сравниваемая с некой пороговой величиной.

Для улучшения работы классификатора создаются положительные (кадры, где присутствуют лица людей) и отрицательные (без таковых) обучающие выборки. В первом случае результат свертки выше порогового значения, во втором - ниже. Детектор лиц с допустимой погрешностью определяет сумму сверток всех каскадов и при превышении порога сигнализирует о присутствии лиц в кадре.

Технологии распознавания

После детектирования и локализации на предварительном этапе происходит яркостное и геометрическое выравнивание изображения. Дальнейшие действия - вычисление признаков и идентификация - могут осуществляться различными методами.

При сканировании лица анфас в помещении с отличной освещенностью хорошие результаты демонстрируют алгоритмы, работающие с двухмерными изображениями. Анализируя уникальные точки и расстояния между ними, система распознавания лиц определяет факт идентификации по коэффициентам различия между "живым" снимком и зарегистрированным шаблоном.

Трехмерные технологии устойчивы к изменению светового потока, допустимое отклонение от фронтального ракурса - до 45 градусов. Здесь анализу подвергаются не только точки и линии, но и свойства поверхностей (кривизна, профиль), метрика расстояний между ними. Для работы таких алгоритмов необходимо максимальное качество видеозаписи с частотой до 200 кадров/с. Основу системы составляют стереовидеокамеры с матрицей от 5 мегапикселей, высоким оптическим разрешением и сведенной до минимума погрешностью синхронизации. Дополнительно они соединяются специальным тактирующим кабелем для передачи синхроимпульсов.

Состояние современного рынка систем

Первые ввиду их высокой стоимости, разрабатывались только для государственных военных объектов и лишь в середине 90-х годов стали доступны коммерческим организациям. Стремительное развитие технологий и позволило увеличить точность систем и расширить сферу их применения. На рынке нашей страны ведущие позиции принадлежат американским и западноевропейским производителям охранных систем. Лидером продаж является оборудование корпораций ZN Vision Technologies и Visionics. Наиболее перспективными среди отечественных разработчиков выглядят исследования и продукты компаний "Вокорд", NTechLab, "Солинг", ООО "ВижнЛабс" и группы "ЦРТ", которые, кроме прочего, занимаются еще и адаптацией зарубежных комплексов к российским условиям.

Компьютерный фейсконтроль

Самая обширная область применения бесконтактной идентификации - борьба с терроризмом и криминалом. Изображение лица преступника хранится в базе данных. В местах массового скопления народа (аэропорты, вокзалы, ТРЦ, спортивные учреждения) ведется съемка людского потока в режиме реального времени на предмет выявления лиц, находящихся в розыске.

Следующая сфера - системы контроля управления доступом: образец фотоизображения на электронном пропуске сравнивается с моделью, полученной в результате обработки данных с видеокамер. Процедура происходит мгновенно, не требуя от проходящих каких-либо дополнительных действий (в отличие от сканирования сетчатки глаза или дактилоскопии).

Еще одна стремительно развивающаяся отрасль - маркетинг. Интерактивный рекламный щит, просканировав лицо человека, определяет его пол и возраст, визуализирует только ту рекламу, которая будет потенциально интересна клиенту.

Тенденции и перспективы развития

Очень востребованы системы распознавания лиц в банковском секторе.

По итогам прошлого года, руководству "Почта Банка", после установки в своих офисах 50000 интеллектуальных видеокамер, удалось сэкономить миллионы рублей за счет профилактики мошенничества в сегментах кредитования и платежей. Специалисты утверждают, что к 2021 году будет создана необходимая инфраструктурная сеть и любые операции в банкоматах станут возможными только после биометрической идентификации лица клиента.

В ближайшее десятилетие высокие технологии позволят открыть сеть магазинов полного самообслуживания: покупатель проходит перед витринами, выбирает понравившийся товар и уходит. Система распознавания лиц и образов определит личность покупателя, покупки и спишет с его счета необходимую сумму.

Ведутся работы по созданию систем распознаванию психоэмоционального состояния. Анализ человеческих эмоций будет востребован в мультимедийных сферах: анимации, кинематографе, индустрии создания компьютерных игр.

1

Повсеместное внедрение систем видеонаблюдения вызвало появление спроса на системы распознавания и идентификации по видеофиксации. Такие системы основаны на технологии, использующие методы компьютерного зрения для автоматизированного получения различной информации на основании анализа последовательности изображений, поступающих с видеокамер в режиме реального времени. Другими словами, такая технология основана на методах и алгоритмах распознавания образов и обработки изображения в результате анализа видеопотока. Современные системы распознавания и идентификации по видеофиксации способны без участия человека способно обнаружить и отследить в реальном времени заданные цели (например, автомобиль, группа людей) или потенциально опасные ситуации (например, задымление, возгорание, несанкционированный доступ), после чего своевременно выдать тревожный сигнал. Еще одним преимуществом применения таких систем является значительное снижение нагрузки на коммуникационные каналы и архивную базу за счет фильтрации видеопотока в режиме реального времени. Любые системы распознавания и идентификации по видеофиксации базируются на определенном алгоритме выявления соответствия считываемых характеристик заранее заданному шаблону. Видео камера транслирует видеопоток на сервер в режиме реального времени, система распознавания и идентификации определяет соответствие хранящейся в базе данных информации, а идентификация происходит с учетом заранее определенных в системе факторов (например, усов или головных уборов).

система распознавания

идентификация по видеофиксации.

1. Брилюк Д.В., Старовойтов В.В. Распознавание человека по изображению лица нейросетевыми методами. – Минск, 2002. – 54 с. (Препринт / Ин-т техн. кибернетики НАН Беларуси; № 2).

2. Кулябичев Ю.П., Пивторацкая С.В. Обзор методов идентификации людей на основе изображений лиц с учетом особенностей визуального распознавания

3. Рогозин О.В., Кладов С.А. Сравнительный анализ алгоритмов распознавания лиц в задаче визуальной идентификации МГТУ им. Н.Э. Баумана, Москва, 105005, Россия

4. Шерстобитов А.И., Федосов В.П., Приходченко В.А., Тимофеев Д.В. Распознавание лиц на групповых фотографиях с использованием алгоритмов сегментации

5. Face Recognition by Elastic Bunch Graph Matching Laurenz Wiskott , Jean-Marc Fellous , Norbert Kruger , and Christoph von der Malsburg,

Введение

На сегодняшний день в современных системах видеонаблюдения реализован функционал не только по записи видеопотока и вывода изображение на экран, но и по обеспечению различных аналитических функций. Как правило, такие функции заключаются в автоматизации анализа видеоинформации. Одной из наиболее востребованных функций является распознавание и идентификация лиц в зоне контроля. В таких системах в качестве физических параметров используются ключевые особенности человеческого лица, по которым его можно отличать от множества других.

Основная часть

Определим перечень задач, решаемых системами распознавания и идентификации лиц по видеофиксации в реальном времени:

1. Верификация. Система распознавания и идентификации лиц по видеофиксации в реальном времени может подтверждать личность человека путем сравнения предъявляемого образца с эталонным образцом, записанным в систему ранее. Фактически, выполняется сравнение по схеме «один к одному».

2. Идентификация на закрытом множестве. Система распознавания и идентификации лиц по видеофиксации в реальном времени сопоставляет полученное из видеопотока изображение с множеством записанных ранее шаблонов различных людей с целью установления личности, которой принадлежит этот образец. Данная задача может быть решена с учетом того, что персона, которой принадлежит образец, присутствует в базе. В этой задаче выполняется сравнение образцов по схеме «один ко многим».

Определим область применения подобных систем в следующем перечне:

1. Распознавание лиц нарушителей и злоумышленников в общественных местах или на крупных мероприятиях. Системы распознавания и идентификации лиц по видеофиксации получают в режиме реального времени данные из систем видеонаблюдения различных хозяйствующих субъектов и камер, установленных в городе. На основании полученной информации проводится поиск нарушителей или преступников с целью последующей передачи данных правоохранительным органам.

Сегодня в России существуют крупные проекты, направленные на распознавание и идентификацию объектов по видеофиксации в режиме реального времени. С сентября 2017 года часть из 170 000 камер видеонаблюдения в Москве подключили к системе распознавания лиц. Существующая сеть объединяет подъездные видеокамеры, камеры на территории и в зданиях школ и детских садов, стадионах, остановках общественного транспорта и автовокзалах, в парках, подземных переходах и других общественных мест. Благодаря такому подходу появился дополнительный инструмент поиска преступников и нарушителей.

Распознавание лиц людей по всему городу предоставляет уникальные возможности сотрудникам правоохранительных органов. Доступ к системе городского наблюдения получили около 16 тыс. сотрудников правоохранительных органов, государственных и муниципальных организаций. Система располагает разграничением уровня доступа для различных групп пользователей, что позволяет сохранить конфиденциальность действий жителей города.

2. Обеспечение контроля управления доступа. В этом случае видеонаблюдения интегрировано в систему безопасности и управляет контроллерами на турникетах.

Такая система может быть применена как в качестве основной (принимающей решение о пропуске субъекта на закрытую территорию), так и дублирующей. Неопознанные посетители не получат доступа на закрытую территорию, а их фото будет сохранено в базе с целью последующей обработки данного инцидента службой безопасности.

Обычно такие системы устанавливаются на больших предприятиях, где от уровня безопасности зависит эффективность работы компании (например, разработка передовых технологий). Система автоматически распознает всех сотрудников и сравнивает с базой данных. В случае несоответствия или отсутствия человека в системе, система активизирует протоколы безопасности и оповестит сотрудников службы безопасности.

Преимуществом такого применения является минимизация человеческого участия в процессе, повышение трудовой дисциплины сотрудников и снижение издержек хозяйствующих субъектов на оплату труда.

3. Противодействие кражам в гипермаркетах и торговых центрах. Проблема систематических хищений стоит перед каждым крупным магазином с большими торговыми площадями. Дело в том, что существующие системы видеонаблюдения не эффективны в части предотвращения кражи и обычно используется только для получения доказательств уже совершенной кражи, когда ущерб уже нанесен. Системы распознавания и идентификации лиц по видеофиксации способны выявлять повторные потенциальные кражи в случаях, когда в базу данных будут введены данные по нарушителям и средства видеоаналитики выявят потенциального злоумышленника еще на входе в магазин.

4. Организация фейс-контроля в общественных заведениях. Использование системы распознавания лиц с выведением тревожной информации на удаленное устройство сотрудника службы безопасности поможет снизить или полностью пресечь нахождение в общественном заведении нежелательных лиц.

5. Организация продаж и целевой рекламы. На основе распознавания и идентификации лица человека, можно определить его пол, возраст и показать рекламу, которая будет потенциально интересна клиенту. Вместе с тем, на основе полученной информации можно списать денежные средства со счета клиента в случае его согласия на ту или иную покупку без участия человека.

Независимо от алгоритма обработки видеопотока программная функция распознавания и идентификации лиц работает по принципу сравнения отсканированного изображения с эталонами, имеющимися в базе. При этом сканирование происходит на ходу, посетителю достаточно повернуть лицо к сканеру во время движения.

По сути, системы распознавания являются компьютерными программами, которые анализируют изображения лиц людей в целях их идентификации. Программа берет изображение лица и измеряет такие его характеристики, как расстояние между глазами, длина носа, угол челюсти, на основе чего создается уникальный файл, который называется "шаблон". Используя шаблоны, программа сравнивает данное изображение с другими изображениями в базе, а затем оценивает, насколько изображения являются похожими друг на друга. Обычными источниками изображений для использования при идентификации по лицу являются сигналы от видеокамер или ранее полученные фотографии, наподобие тех, что хранятся в базе данных водительских удостоверений.

Такой подход обуславливает наличие определенных требований к изображению, полученному из видеопотока. Хорошим показателем эффективности и быстродействия считается, если система способна идентифицировать человеческое лицо с расстояния не менее 10 метров от видеокамеры. При этом, распознавание должно успешно реализовываться даже при изменении определенных физических параметров: изменение прически, появление бороды, и т.д. Промежуток времени, в течение которого должно происходить распознавание и идентификация не должен превышать определенного значения, например подхода объекта видеоконтроля от входной двери турникетам. Еще одним требованием являются характеристики оборудования по видеонаблюдению. В зависимости от решаемых задач используется несколько типов ip камер, обладающих требуемыми характеристиками.

В связи с тем, что вышеописанные требования довольно серьезно влияют на процесс инедтификации и распознавания, процент ложного распознавания и идентификации довольно высок. Проблема такого высокого значения показателя ложного распознавания связан также с тем, что в отличие от отпечатков пальцев или радужной оболочки, наши лица меняются с течением времени. Системы распознавания легко ошибаются из-за изменения прически, растительности на лице или веса тела, из-за применения человеком каких-то простейших средств изменения внешности, а также из-за проявления последствий старения.

В качестве примера приведём исследование, проведенное Национальным институтом стандартов и технологий (NIST), по результатам которого было установило, что уровень ложной идентификации субъектов, чьи фотографии были сделаны всего 18 месяцев назад, равен 43%. При этом фотографии, использованные в исследовании, были отсняты в идеальных условиях, что весьма важно, так как программы распознавания по лицу очень плохо справляются с оценкой изменения освещенности или угла наклона камеры.

Изображение лица, записанное в шаблоне, подвержено воздействию ряда факторов, которые определяют ограничения и возможности систем инедтификации и распознавания лиц. В первую очередь, это условия освещения и различные окклюзии, например очки или маска,а также углы поворота, наклона и отклонения. На рисунке 1 представлены угловые положения головы, которые необходимо учитывать в процессе распознавания и идентификации лица.

Рисунок 1 - Угловые положения головы

Функционирование системы распознавания и идентификации лиц по видеофиксации в реальном времени начинается с разработки шаблонов людей. Как правило, шаблоны представляют собой двумерные изображения или кадры, распакованные из видеопотока. На рисунке 2 схематично представлен процесс регистрации нового шаблона в системе распознавания и идентификации лиц.

Рисунок 2 - Схематичное представление процесса регистрации нового шаблона в системе распознавания и идентификации лиц

В последнее время все чаще применяются трёхмерные модели, использующие триангуляцию при обработке двумерных изображений или трехмерные образцы, когда к RGB-массиву добавляется матрица глубины D, получаемая с помощью инфракрасного сенсора. Трёхмерные модели могут быть получены также за счет метода триангуляции, применяемого к фотоснимкам, полученным специальной техникой.

Способ построения шаблона зависит от методов, применяемых в системе распознавания и идентификации лиц, формата исходных данных, или задач, решаемых системой. Наиболее общие этапы, которые описывают формирование шаблона для системы распознавания и идентификации лиц представлены на рисунке 3

Рисунок 3 - Процесс формирования шаблона на примере системы распознавания и идентификации лиц.

1. На этапе предобработки осуществляется детектирование лиц и трансформация выделенных областей к определенному виду: вращение (выравнивание), масштабирование, преобразование каналов и т.п.

2. Второй этап может включать в себя как поиск ключевых точек, так и представление пиксельной матрицы лица в пространстве признаков. Под признаками в данном случае понимаются произвольные дескрипторы изображения, полученные в результате обработки исходных данных.

3. На последнем этапе происходит кодирование и запись шаблона в базу моделей. Сформированная база шаблонов впоследствии используется как набор эталонов.

Представим схематичное изображение принципа идентификации и распознавания лиц на рисунке 4, в котором отражены следующие обозначения:

1. Передача системе изображения из видеопотока.

2. Идентификация образца среди имеющихся в базе шаблонов.

3.
Верификация наиболее близкого образца из списка и предъявляемого на вход системы.

Рисунок 4 - Схематичное изображение принципа идентификации и распознавания лиц

Если процесс идентификации проходит успешно, система возвращает положительный результат, заключающийся в соответствии человека на изображении из видеопотока идентифицированному субъекту.

Таким образом, системы распознавания и идентификации лиц по видеофиксации в реальном времени имеют широкую область применения и функционируют в условии ряда ограничений, накладываемых на получаемые изображение. В рамках дальнейшего исследования проведем анализ существующих решений в области распознавания и идентификации лиц по видеофиксации в режиме реального времени.

Сегодня область применения систем распознавания и идентификации по видеофиксации затрагивает практически каждую сферу деятельности человека. Одним из ключевых направлений применения является охранная деятельность, а основными объектами распознавания являются лица людей и номерные знаки транспортных средств. Однако на сегодняшний день существуют тенденции роста востребованности более сложных функций — детектирование движения и оставленных предметов, отслеживание траекторий движения, многокамерный трекинг, классификация и идентификация объектов, распознавание ситуаций, анализ поведения людей и т. д.

В качестве критически важной области применения систем распознавания и идентификации по видеофиксации можно определить борьбу с терроризмом и криминалом. В случаях, когда изображения лиц преступников хранятся в базе данных, а в местах массового скопления людей (например, аэропорты, вокзалы, ТРЦ, спортивные учреждения) ведется съемка в режиме реального времени, использование подобных систем является эффективным методом выявления лиц, находящихся в розыске.

Таким образом, проблематика данного исследования заключается в существовании ряда нерешенных проблем в отношении устойчивости алгоритмов распознавания к воздействию внешних условий и вычислительных требований, наряду со стремительным развитием области применения систем распознавания и идентификации по видеофиксации в режиме реального времени. Необходимо разработать современный проект эффективной системы видеофиксации в части распознавания и идентификации лиц в режиме реального времени, способный оказывать качественную поддержку для успешного применения исследуемой технологии.

Исходя из актуальности и выявленной проблематики, можно сделать вывод о целесообразности разработки проекта эффективной системы видеофиксации в части распознавания и идентификации лиц в режиме реального времени.

Библиографическая ссылка

Юрко И.В., Алдобаева В.Н. ОБЛАСТИ ПРИМЕНЕНИЯ И ПРИНЦИПЫ РАБОТЫ СИСТЕМ РАСПОЗНАВАНИЯ И ИДЕНТИФИКАЦИИ ЛИЦ ПО ВИДЕОФИКСАЦИИ В РЕАЛЬНОМ ВРЕМЕНИ // Международный студенческий научный вестник. – 2018. – № 2.;
URL: http://eduherald.ru/ru/article/view?id=18416 (дата обращения: 01.01.2020). Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»

Сегодня на рынке представлены сразу несколько типов подобных систем и выполняют они разные по уровню сложности задачи: от дистанционного распознавания в толпе до учета рабочего времени в офисе. Решения для распознавания лиц доступны заказчикам на разных платформах – это серверная архитектура, мобильные и встраиваемые решения и облачные сервисы.

Современные системы работают на нейросетевых алгоритмах глубокого обучения, поэтому точность распознавания максимальная даже для изображений низкого качества, они устойчивы к поворотам головы и обладают другими преимуществами.

Пример 1. Общественная безопасность

Обеспечение безопасности – это своего рода отправная точка, с которой началось внедрение систем биометрической идентификации. Системы дистанционного распознавания лиц применяются для обеспечения безопасности объектов массового нахождения людей.

Самая сложная задача – идентификация человека в толпе.

Так называемое некооперативное распознавание, когда человек не взаимодействует с системой, не смотрит в объектив камеры, отворачивается или пытается скрыть лицо. Например, на транспортно-пересадочных узлах, метро, крупных международных мероприятиях.

Кейсы

Одним из самых значимых проектов 2017 для нашей компании стала крупнейшая международная выставка EXPO-2017, проходившая в Казахстане этим летом. В системе дистанционного биометрического распознавания лиц применялись специализированные камеры.

Выделение лиц в кадре происходит в самой камере и на сервер передается только изображение лица, это разгружает канал и существенно снижает затраты на сетевую инфраструктуру. Камеры контролировали четыре входные группы, в разных частях комплекса. Архитектура системы была разработана таким образом, что входные группы работали по отдельности или все вместе, при этом корректная работа системы обеспечивалась всего 4 серверами и 48 камерами.

С помощью видеоаналитики в режиме онлайн на крупных территориально-распределенных объектах ищут подозреваемых, пропавших людей, расследуют происшествия и инциденты, ведут анализ пассажиропотоков.

В некоторых аэропортах до конца 2017 года биометрия начнет применяться и для регистрации пассажиров на рейс. По данным портала Tadviser , системы «умных гейтов» в аэропортах планируют также внедрить 12 европейских стран (Испания, Франция, Нидерланды, Германия, Финляндия, Швеция, Эстония, Венгрия, Греция, Италия, Румыния).

А следующим шагом должно стать внедрение систем распознавания лиц для прохождения пограничного и миграционного контроля. При государственной поддержке внедрение идентификации по лицу может стать такой же обыденностью, как рамки металлодетекторов в перспективе ближайших трех-пяти лет.

Пример 2. Знать своего покупателя в лицо

Бизнес тоже делает ставку на биометрическую идентификацию по лицу. В первую очередь, это розничная торговля.

Системы распознают пол и возраст покупателей, частоту и время посещения торговых точек, аккумулируют статистику по каждому отдельному магазину сети.

После этого для отдела в автоматическом режиме выводятся подробные отчеты как в целом по сети, так и с разбивкой по торговым точкам. На основе этих отчетов удобно составлять «портрет клиента», планировать эффективные маркетинговые кампании.

К сожалению, мы не можем разглашать заказчиков. В их числе крупнейшие ритейлеры и DIY (Do It Youself) сети, в ассортименте которых присутствует дорогой инструмент и комплектующие.

Как это работает

Многие опасаются утечек конфиденциальной информации, но мы особо подчеркиваем, что никакие личные данные распознанных людей не хранятся в архивах. Более того, хранится даже не изображение, а его биометрический шаблон, по которому изображение не восстановить.

При повторных визитах «подтягивается» биометрический шаблон лица, поэтому система точно знает, кто и сколько раз был в магазине. За сохранность личных данных можно быть спокойным.

Для небольших магазинов, автосалонов, аптек механизм сбора маркетинговой аналитики реализован в облачном сервисе распознавания. Для предприятий малого и среднего бизнеса такой вариант является более предпочтительным, поскольку не требует затрат на серверное оборудование, найм дополнительного персонала, обновление софта и так далее Это, во-первых, удобный инструмент для оценки эффективности торговых точек, а во-вторых, отличный помощник для выявления воров. То есть одна система выполняет сразу несколько функций.

Пример 3. Системы контроля и управления доступом

Помимо вышеперечисленных функций, систему распознавания лиц удобно применять как альтернативу Proximity-картам в системах контроля и управления доступом (СКУД).

Они имеют ряд преимуществ: обеспечивают высокую достоверность распознавания, их невозможно обмануть, скопировать или украсть идентификатор, их легко интегрировать с существующим охранным оборудованием. Можно даже использовать уже имеющиеся камеры наблюдения. Системы биометрической идентификации лиц работают дистанционно и очень быстро с фиксированием событий в архиве.

На базе биометрической СКУД удобно вести учет рабочего времени сотрудников, особенно в крупных офисных центрах.

Кейс

Мы внедрили такую систему на крупном индийском предприятии, которое специализируется в сфере логистики в прошлом году. Число постоянных сотрудников – более 600 человек. При этом компания работает в круглосуточном режиме и практикует «плавающий» трудовой график. С помощью нашей системы дистанционной биометрической идентификации заказчик получил полный и достоверный учет рабочего времени сотрудников, инструмент превентивной безопасности объекта и СКУД.

Пример 4. Пропуск болельщика на стадион

В момент покупки билета в кассах лицо каждого покупателя автоматически фотографируется и подгружается в систему. Так формируется база посетителей матча. Если покупка была через интернет или мобильное приложение, то авторизация возможна удаленно с помощью «селфи». В дальнейшем, когда человек придет на стадион, система его распознает без всяких паспортов.

Идентификация посетителей спортивных соревнований стала обязательной согласно Федеральному закону № 284-ФЗ «О внесении изменений в статью 20 Федерального закона «О физической культуре и спорте в Российской Федерации» и статьи 32.14 Кодекса Российской Федерации об административных правонарушениях.

На стадион пройдет именно тот, кто купил билет, передать билет другому лицу или пройти по поддельному билету невозможно. Дистанционное распознавание лиц на стадионах работает по такому же принципу, как на крупных территориально-распределенных транспортных объектах: если человек внесен в списки лиц, которым доступ на стадион запрещен, система его не пропустит.

Кейс

В марте 2016 года в рамках совместного проекта Вокорда и Ханты-Мансийского филиала ПАО «Ростелеком» система дистанционного распознавания лиц применялась для обеспечения безопасности Кубка мира по биатлону, проходившего в Ханты-Мансийске. С 2015 года такая же система успешно работает в многофункциональном спортивном комплексе «Арена Омск». Он входит в шестерку самых больших спортивных сооружений России, является крупнейшим спортивно-развлекательным объектом Сибири и базой хоккейного клуба «Авангард».

Пример 5. Интернет-банкинг и банкоматы

Еще одной нишей, в которой обосновалось распознавание лиц, является банковская сфера. Здесь внедрение новых технологий проходит интенсивно, поскольку финансовый сектор больше других заинтересован в достоверности и сохранности персонифицированной информации.

Сегодня биометрия постепенно начинает, если не вытеснять привычные и устоявшиеся «бумажные» документы, то идти с ними вровень. При этом существенно повышается степень защиты при проведении платежей: для подтверждения транзакции достаточно посмотреть в камеру своего смартфона. При этом сами биометрические данные никуда не передаются, соответственно, перехватить их невозможно.

Внедрение технологий биометрической идентификации напрямую связано с массовым использованием электронных сервисов и устройств, развитием интернет-торговли и распространением пластиковых карт взамен наличных денег.

С появлением высокопроизводительных графических процессоров (GPU) и сверхкомпактных аппаратных платформ на их базе – таким как NVIDIA Jetson – распознавание лиц начало внедряться в банкоматы. Теперь снять наличные или провести операции по счету может только владелец карты, например, через банкоматы Тинькофф-банка . А PIN-код скоро может уйти на пенсию.

В последние годы биометрия все более активно проникает в нашу жизнь. Ведущие страны мира уже ввели в оборот или в ближайшее время планируют ввести электронные паспорта, содержащие сведения о биометрических характеристиках своего владельца; многие офисные центры внедрили биометрические сенсоры в корпоративные системы контроля доступа; ноутбуки уже давно оснащаются средствами биометрической аутентификации пользователя; на вооружении служб безопасности появляются современные средства выявления любого разыскиваемого преступника в толпе людей

Андрей Хрулев
Начальник отдела биометрических
и комплексных систем безопасности
Группы компаний "Техносерв", к.т.н.

Примеров использования биометрических систем становится все больше. Успех биометрии легко объяснить. Традиционные средства идентификации личности, основанные на принципах "Я – то, что я имею" (идентификационные карты, токены, удостоверяющие документы) и "Я – то, что я знаю" (пароли, пин-коды) – не совершенны. Карту легко потерять, пароль можно забыть, к тому же ими может воспользоваться любой злоумышленник, и ни одна система не сможет отличить вас от подставного лица.

Кроме того, традиционные средства идентификации абсолютно бесполезны, если речь идет о задачах скрытой идентификации личности, а таких задач становится все больше:

• распознать преступника в толпе;
• проверить, действительно ли паспорт предъявляет его владелец;
• узнать, не находится ли человек в розыске;
• выяснить, не был ли человек ранее замешан в финансовых махинациях с кредитами;
• выявить потенциально опасных болельщиков при входе на стадион и т.д.

Все эти задачи могут быть решены только с использованием средств биометрической идентификации личности, основанных на принципе "Я – то, что я есть". Такой принцип позволяет информационной системе идентифицировать непосредственно человека, а не предметы, которые он предъявляет, или информацию, которую сообщает.

Уникальность биометрии лица

Среди всего многообразия биометрических характеристик человека, используемых для идентификации личности, особо стоит отметить изображение лица. Биометрия лица уникальна тем, что не требует создания специализированных сенсоров для получения изображения – изображение лица можно получить с обычной камеры системы видеонаблюдения. Более того, фотография лица присутствует практически на любом документе, удостоверяющем личность, а значит внедрение этой технологии на практике не сопряжено с разнообразными нормативными проблемами и сложностями социального восприятия технологии.

Стоит также отметить, что изображение лица может быть получено неявно для самого человека, а значит, биометрия лица оптимально подходит для построения систем мониторинга и скрытой идентификации.

Любая система распознавания лица – это типичная система распознавания образов, задача которой сводится к формированию некоторого набора признаков, так называемого биометрического шаблона, согласно заложенной в систему математической модели. Именно эта модель и составляет ключевое ноу-хау любой биометрической системы, а эффективность распознавания лица напрямую зависит от таких факторов, как устойчивость биометрического шаблона к различного рода помехам, искажениям в исходном фото- или видеоизображении.

Эффективность распознавания лица напрямую зависит от таких факторов, как устойчивость биометрического шаблона к различного рода помехам, искажениям в исходном фото- или видеоизображении

Несмотря на огромное многообразие систем распознавания лица, представленных как на российском рынке, так и в мире, во многих из них используются одни и те же биометрические движки – собственно программные реализации методов построения и сравнения математических моделей лица. В России наибольшее распространение получили такие биометрические движки, как Cognitec (разработка компании Cognitec Systems GmbH, Германия), "Каскад-Поток" (разработка компании "Техносерв", Россия), FRS SDK (разработка компании Asia Software, Казахстан), FaceIt (разработка компании L1 Identity Solutions, США).

Как правило, распознавание лица в любом биометрическом движке выполняется в несколько этапов: обнаружение лица, оценка качества, построение шаблона, сопоставление и принятие решения.

Этап 1: обнаружение лица

На этом этапе система автоматически выделяет (детектирует) в потоке видеокадров или на фотографии лица людей, причем диапазон ракурсов и масштабов лиц может значительно варьироваться, что крайне важно для построения систем безопасности. Совершенно необязательно, что все выделенные лица будут распознаны (как правило, это и невозможно), но обнаружить максимальное количество лиц в потоке и, при необходимости, разместить их в архиве крайне полезно (рис. 1).

Обнаружение лица является одним из ключевых этапов распознавания, так как пропуск лица детектором автоматически означает невозможность дальнейшей идентификации. Качество работы детектора принято характеризовать вероятностью обнаружения лица P0. Для современных биометрических систем, работающих в условиях потока людей, значение вероятности обнаружения лица составляет от 95 до 99% и зависит от условий регистрации видео (освещенность, разрешение камер и т.д.).

Одной из наиболее перспективных тенденций развития рынка биометрии является появление интеллектуальных цифровых видеокамер, реализующих функцию обнаружения лица на основе встроенной логики (рис. 2). Интеллектуальные видеокамеры позволяют получать не только качественный видеопоток, но и связанные с ним метаданные, содержащие сведения о найденных лицах.

Такой подход позволяет значительно снизить нагрузку на аппаратные мощности системы распознавания, что, в свою очередь, уменьшает конечную стоимость биометрических комплексов, делая их более доступными для конечного потребителя. Кроме того, уменьшаются требования к каналам передачи данных, поскольку при таком подходе нам не требуются гигабитные линии связи для передачи высококачественного видео, а достаточно наличия стандартных сетей для передачи сжатого видео и незначительного потока детектированных изображений лиц.

Этап 2: оценка качества

Это очень важный этап распознавания, на котором биометрический движок осуществляет выбор из всего массива детектированных лиц только тех изображений, которые удовлетворяют заданным критериям качества.

Часто разработчики биометрических систем лукавят, утверждая, что их система обеспечивает высокий уровень распознавания при соответствии изображений лица в видеопотоке требованиям качества, определенным в ГОСТ Р ИСО/МЭК 19794-5. Однако этот ГОСТ накладывает очень жесткие (практически идеальные) условия на качество фотографий лица (фронтальный ракурс лица с отклонением не более чем на 5 град.; равномерная освещенность; нейтральная мимика и т.п.), которые не могут быть выполнены в реальных условиях систем видеонаблюдения. Такие требования ГОСТа вполне оправданы тем, что, по сути, данный стандарт предназначен для унификации формата хранения электронной фотографии в паспортно-визовых документах нового поколения – так называемых биометрических паспортах. На практике системы биометрической идентификации вынуждены иметь дело с гораздо менее благоприятными условиями работы:

• отклонение лица от фронтального положения на углы, превышающие 20 град.;
• сильная засветка;
• перекрытие части лица;
• наличие теней на лице;
• малый размер изображения и т.п.

Именно стабильность работы биометрического движка в таких сложных условиях и определяет его качество. В современных биометрических движках на этапе оценки качества, как правило, оцениваются:

• ракурс лица (не должен превышать 20– 30 град.);
• размер лица, (оценивается по расстоянию между зрачками глаз и должен быть больше 50–80 пкс);
• частичное закрытие лица (закрытие лица не должно быть больше 10–25% от общей площади лица).

Существует общее заблуждение, что если на изображении лица глаза закрыты (морганием или очками), то якобы система не сможет распознать человека. Действительно ранние алгоритмы распознавания лица использовали центры зрачков глаз в качестве базы для дальнейшей обработки изображения, в частности для стандартного масштабирования лица. Однако в настоящий момент многие современные биометрические движки (например, Cognitec или "Каскад-Поток") используют более сложные схемы кодирования лица и не привязаны к положению центров зрачков.

Этап 3: построение шаблона

Это один из самых сложных и уникальных этапов распознавания лица, составляющий ключевое ноу-хау технологии биометрического движка. Суть данного этапа состоит в нетривиальном математическом преобразовании изображения лица в набор признаков, объединенных в биометрический шаблон.

Каждому лицу соответствует свой уникальный биометрический шаблон. Принципы построения биометрических шаблонов чрезвычайно многообразны: шаблон может быть основан на текстурных свойствах лица, на геометрических особенностях, на характерных точках, на комбинации различных разнородных признаков.

Важнейшей характеристикой биометрического шаблона является его размер. Чем больше размер шаблона, тем больше информативных признаков он включает в себя, но тем ниже скорость и эффективность поиска этого шаблона. Типичное значение размера шаблона лица в биометрических системах составляет от 1 до 20 кбайт.

Этап 4: сопоставление и принятие решения

Это объединенный этап работы системы распознавания, на котором производится сравнение биометрического шаблона лица, построенного по детектированному лицу, с массивом шаблонов, хранящихся в базе данных. В простейшем случае сопоставление осуществляется простым перебором всех шаблонов и оценкой меры их схожести. На основании полученных оценок и их сопоставления с заданными порогами принимается решение о наличии или отсутствии идентичной личности в базе данных.

В современных системах сопоставление реализуется по сложным оптимальным схемам сравнения, обеспечивающим скорость сопо ставления от 10 000 до 200 000 сравнений в секунду и более. Причем стоит понимать, что процесс сопоставления может быть запараллелен, что позволяет работать системам идентификации практически в режиме реального времени даже по большим массивам изображений, например в 100 000 персон.

Качество работы систем распознавания лиц принято характеризовать вероятностями идентификации. Очевидно, что при биометрической идентификации возможно появление двух типов ошибок.

1. Первая ошибка связана с возможностью пропустить и не распознать человека, на самом деле находящегося в базе данных, – ее часто называют ошибкой первого рода. Причем часто указывают не само значение ошибки первого рода, а единицу минус вероятность ошибки первого рода. Такое значение называют вероятностью правильного распознавания PПР.
2. Вторая ошибка отражает случаи, когда система распознает человека, на самом деле не находящегося в базе данных или путает его с другим человеком, – ее принято называть ошибкой второго рода. Для современных систем распознавания лица типичное значение вероятности правильного распознавания, как правило, находится в диапазоне от 80 до 97%, при ошибке второго рода не превышающей 1%.

Условия успешной идентификации

Стоит понимать, что распознавание лица – не абсолютная технология. Часто можно слышать критику в адрес биометрических систем, что на реальных объектах не удается достичь столь же высоких показателей, как и в "лабораторных" условиях. Это утверждение верно лишь отчасти. Действительно, эффективно распознавать лицо можно только в определенных условиях, именно поэтому крайне важно при внедрении биометрии лица понимать, в каких условиях будет эксплуатироваться система. Однако для большинства современных систем распознавания эти условия вполне достижимы на реальных объектах. Так, для повышения эффективности распознавания лица в идентификационных зонах следует организовывать направленный поток людей (дверные проемы, рамки металлодетекторов, турникеты и т.п.) для обеспечения возможности кратковременной (не более 1–2 с) фиксации лица каждого посетителя. При этом камеры видеофиксации должны быть установлены с таким условием, чтобы угол отклонения зафиксированных лиц от фронтального положения не превышал 20–30 град. (например, установка камер на удалении от зоны прохода в 8–10 м при высоте подвеса на 2–3 м).

Соблюдение этих условий при внедрении систем распознавания позволяет эффективно решать задачу идентификации личности и поиска людей, представляющих определенный интерес, с вероятностями, максимально приближенными к декларируемым разработчиками значениям показателей успешной идентификации.