Журнал "Системы Безопасности" № 3‘2020

С И С Т Е М Ы К О Н Т Р О Л Я И У П Р А В Л Е Н И Я Д О С Т У П О М 78 июнь – июль 2020 www.secuteck.ru СПеЦПрОеКТ рАСПОзНАВАНИе лИЦ Андрей Хрулев, Группа компаний ЦРТ Как уже говорилось, бесконтактные техноло- гии все более набирают популярность в связи с изменениями, происходящими в мире. Воз- можно, нам придется надолго забыть о ноше- нии масок, но удаленный режим работы и неинвазивные меры предосторожности сохранятся. Мир изменился и уже не будет прежним. Бесконтактные технологии будут особенно популярны в местах большого скопления людей, например на объектах транспортной инфраструктуры, на спортив- ных объектах. Проход по лицу без необходи- мости прикладывания билета уже не воспри- нимается как что-то экстраординарное. В Китае технология распознавания лиц уже заменила билеты на первой линии метропо- литена города Цзинань, решение пилотиру- ется в ряде других городов. Сдерживающим фактором по-прежнему остается низкая осведомленность потенци- альных заказчиков о технологии и опреде- ленное недоверие как к чему-то новому и неизвестному. В этом случае нам помогает многолетний опыт внедрений, демонстри- рующий, что наша технология не является экспериментальной, а уже долгое время слу- жит задачам безопасности и комфорта на десятках объектов. Игорь Ядрихинский, PERCo Для достижения высокой точности распознава- ния нейронная сеть предобучается на большом массиве изображений. В базу знаний програм- мы заносятся фотографии, нейронная сеть определяет на них лица и создает модели, которые сохраняет в базе данных. Далее, когда человек подходит к камере, его лицо опреде- ляется, после чего при помощи двух объекти- вов получается параллакс-эффект и создается 3D-модель лица. Это позволяет распознать и предотвратить попытку доступа по фото вместо лица. Таким образом, нейросетевой метод обеспечивает высокое качество и точность рас- познавания. Технологии искусственного интеллекта позво- ляют оперативно анализировать необходимую информацию. В городах они используются пра- воохранительными органами для эффективного распределения ресурсов с помощью прогнози- рования наиболее криминогенных локаций. В коммерческом секторе технологии распозна- вания лиц позволяют собирать и анализировать информацию о целевой аудитории, формиро- вать индивидуальные предложения для посто- янных клиентов на основе их предпочтений и предотвращать доступ покупателей, занесенных в черные списки. Такое решение реализовано в магазине "Бау- центр" в Калининграде. Камеры снимают и хра- нят в архиве лица посетителей, фото сравни- ваются с эталонной базой данных. При обнару- жении человека, занесенного в черный список, сигнал тревоги оперативно передается сотруд- нику службы безопасности. Этот метод исполь- зования распознавания по лицу называется верификацией. Алексей Гинце, "ААМ Системз" В некоторых считывателях идентификации по лицу используются технологии нейронных сетей. Это позволяет повысить их основные характеристики и ускорить обработку получен- ного изображения. Применение методов машинного обучения и нейроалгоритмов выглядит весьма перспективным в контексте считывателей сканирования лица для СКУД. Андрей Христофоров, ITV Group Нужно сказать, что сейчас для распознавания лиц практически на 100% используются алго- ритмы, основанные на глубоких нейронных сетях. Старые классические методы ушли в силу своей неэффективности: они дороже, медлен- нее, их качество по нынешним временам неудовлетворительно. Нейронные сети используются повсеместно. В качестве одного из примеров можно при- вести то, как в период распространения COVID-19 несколько компаний подсуетились и обучили нейросеть распознавать лица, несмотря на то что они наполовину закрыты медицинскими масками. С классическими методами сделать это так быстро и эффек- тивно не получилось бы. Перспективы развития огромные. Мы обычно рассматриваем СКУД с точки зрения безопас- ности, но ведь на самом деле у этой системы гораздо более широкие возможности приме- нения. Представьте холодильник, который распознает членов семьи и выставляет перед вами продук- ты, которые любите именно вы. Это тоже своего рода СКУД. Или дверной замок, который узнает того, кто пришел домой, и в зависимости от этого в квартире меняется температура воздуха или освещение. Машина, которая автоматиче- ски меняет под вас положение руля и сидения, ставит вашу любимую радиостанцию… Когда технология распознавания лиц по-настоя- щему коммодитизируется, таких сценариев появится безумное количество. Владислав Мараховский, ZKTeco Алгоритмы глубокого самообучения (Deep Lear- ning) позволяют собирать метаданные распозна- ваемых объектов и более точно определять объ- ект, исходя из собранных характеристик. Напри- мер, алгоритм распознавания по лицу ZKTeco построен с использованием глубокого само- обучения, что и позволяет постоянно увеличи- вать скорость распознавания объекта, отделяя от "якорного" изображения все негативные (спу- финг, ошибочные и т.д.) фотографии и прибли- жая к нему все позитивные (правильные). Вячеслав Тесаков, "Равелин Лтд" Наша компания занимается разработкой и про- изводством средств СКУД. Мы не занимаемся разработкой биометрических считывателей. Мы используем биометрические считыватели дру- гих производителей. Поэтому мы, скорее всего, являемся квалифицированными пользователя- ми данной технологии. Но могу уверенно ска- зать, что с появлением нейронных сетей данная технология скакнула вперед на несколько порядков и именно поэтому на сегодня является наиболее перспективной. Денис Силин, Sigur На данный момент большинство механизмов распознавания лиц базируется на нейросетях. Собирается большая база шаблонов и на ней проводится обучение нейросети. Как результат – у нас есть некий "черный ящик", при помеще- нии в который фотографии (в случае 2D-рас- познавания) мы получаем построенный био- метрический шаблон и затем идентифициро- ванного человека. Однако стоит признать, что сам алгоритм, который получился при обуче- нии нейронной сети, неизвестен и не абсолют- но точен. Известна также практика дообучения нейросе- тей непосредственно на объектах заказчика. Такой механизм тоже имеет право на жизнь, так как в некоторых случаях работа алгоритма улуч- шается для конкретных людей. Но со временем могут возникать определенные проблемы с качеством распознавания при ротации состава сотрудников. Семен Пивоваров, Parsec В наше время именно методы машинного обучения сверточных нейронных сетей дали большой толчок для решения задач детекции и идентификации, в частности человека по лицу. Эмпирические методы, используемые ранее, не показывали такую точность. Современные модели нейронных сетей распо- знают более 99% лиц на статическом изобра- жении при ошибке ложноположительного рас- познавания в 0,1%. Технология стала массовой и дошла до такого уровня, что коммерческие алгоритмы превосходят открытые модели Open Source всего на десятые доли процентов. Доступность хороших методов распознавания создает очень большую конкуренцию на рынке систем идентификации лиц. При этом компании зачастую ведут достаточно агрессивную марке- тинговую политику, и неподготовленному чело- веку сложно разобраться во всем многообразии предложений и выбрать действительно стоящие решения. Со временем рынок "устаканится" и решения со слабым качеством будут вытеснены конкурентами. Прослеживается тенденция к появлению Stand Alone или распределенных решений, когда часть или даже вся работа по видеоаналитике переносится с мощного сервера на устройства (умные камеры, терминалы). Такой подход при- влекает и потребителей, и производителей, но поскольку для идентификации высокой точно- сти необходимо большое количество операций, Как используются для идентификации по лицу методы машинного обучения и нейронных сетей?