Журнал "Системы Безопасности" № 2‘2020

объекта на основе обучающих выборок. Дру- гими словами, ей показывают набор фотогра- фий лиц людей и говорят, какому человеку принадлежит эта фотография. В ходе обуче- ния система подстраивает свою базовую структуру, чтобы видеть взаимосвязи между фотографиями одного человека. Благодаря этому машина учится находить соответствие лиц на новых фотографиях, уже не имеющих обучающих меток. И если алгоритм на прове- рочной базе лиц работает с достаточной точ- ностью, его начинают применять в реальных устройствах. На рис. 3 изображен общий вид многоуровне- вой нейронной сети. На вход нейронной сети, обученной для распознавания лиц, станут поступать кадры с видеосенсора и лица из базы данных. Внутри системы неким образом будет происходить сравнение и анализ данных. А на выходе системы появится информация о про- центе соответствия лица человека перед каме- рой лицам в базе. Причем чем больше лиц увидела за свое обуче- ние машина, тем более точно она научилась их различать и тем больше отличается ее реальная структура от базовой. Поэтому у глубоких ней- ронных сетей есть интересная особенность. Раз- работчик в силе найти удачную базовую струк- туру и выборку с необходимым набором дан- ных. Но вот что именно делает обученная ней- ронная сеть, чтобы определять соответствие лица прохожего и лица в базе, никому не известно. В итоге упущение какой-то детали при формировании обучающей базы может отра- зиться на работе устройства на объекте, и понять, в чем проблема, будет очень сложно. Поэтому окончательное качество работы нейро- нной сети очень сильно зависит от группы раз- работчиков, ведь именно они принимали реше- ние о корректности распознавания человека. Кроме высокой точности, нейронные сети обла- дают еще одним важным преимуществом перед явно заданным алгоритмом. Система, основан- ная на нейронной сети, может принципиально обнаруживать любой интересующий объект. Главное – найти подходящую структуру и каче- ственно обучить машину. Распознавание номе- ров, распознавание лиц, обнаружение пропав- ших предметов и отсутствующих касок реали- зуются таким образом. В скором времени можно ожидать распространения разных алго- ритмов детекции, может, и тех, которые сейчас даже невозможно спрогнозировать. Применение распознавания лиц Системы распознавания лиц могут применяться в абсолютно разных сценариях. Устройства с распознаванием лиц позволяют обеспечивать более простой доступ на объект, осуществлять дополнительный контроль на входе в охраняе- мую зону, обнаруживать людей, которым запре- щен доступ на территорию. Такие системы могут вести поиск нарушителей и контроль за пере- мещениями человека. Первые алгоритмы выдавали довольно боль- шое количество ошибок. Но производители уверяют, что современные системы лишены этих "детских болезней". Заявляется, что нейронная сеть сама умеет отличать живого человека от его фото- и видеоизображения. 3D-системы по умолчанию игнорируют плоские объекты и умеют видеть геометрию лица, даже если какая-то часть головы закрыта. Высокоточные и быстродействующие алгорит- мы распознавания лиц работают на высоко- производительных вычислительных серверах. Масштабные системы распознавания лиц, функционирующие в рамках целого города, прибегают к мощностям серверных центров. Такие компьютеры могут потреблять заметную долю электроэнергии (даже в масштабах горо- да) и требовать огромного объема ресурсов. Но взамен они проделывают работу с колос- сальными базами лиц и недостижимой точ- ностью распознавания. Обычно они решают и иные прикладные задачи, связанные с дей- ствиями "хозяина" распознанного лица в пре- делах города. Встроенные системы распознавания лиц При частной эксплуатации такой объем дан- ных обычно не нужен. В ритейле, сфере ЖКХ, организации работы предприятия с пропускной системой достаточно хранить только лица жильцов или сотрудников. И такое ПО, разворачиваемое даже на обыч- ном ПК, достаточно распространено. Суще- ствуют готовые профессиональные решения и даже бесплатные программные библиоте- ки распознавания лиц. В типовом случае ПО получает весь видеопоток с устройств и про- изводит его обработку. Естественно, могут использоваться видеокамеры практически любого производителя. Но появляются высо- кие требования к детализации лица в кадре для распознавания и к вычислительной мощ- ности системы. апрель – май 2020 www.secuteck.ru Рис. 3. Структура достаточно простой глубокой нейронной сети www.freepng.ru Рис. 4. Работа системы распознавания лиц в Японии www.martikus.ru ОБЗОР 58 В Ц Е Н Т Р Е В Н И М А Н И Я