Как работает программа распознавания лиц

У вас в телефоне наверняка уже есть технология распознавания лиц. Ещё она есть в городских камерах наблюдения, на заводах и военных объектах, в лабораториях и даже в автомобилях. Посмотрим, как они устроены.

Из чего состоит распознавание лиц

Чтобы машина узнала лицо с помощью камеры, нужны такие компоненты:

1. Оптическая камера или лидар, чтобы получить изображение или объёмную карту лица.
2. База данных с заранее проанализированными лицами.
3. Алгоритм, который находит в кадре лицо.
4. Алгоритм приведения лица к какому-то набору векторов.
5. Алгоритм сравнения векторов с эталонами.

Теперь посмотрим детали.

Получаем изображение с камеры

Это самая простая часть, которая может даже не зависеть от алгоритма распознавания лиц. Задача компьютера — взять видеопоток с камеры, в реальном времени нарезать его на несколько кадров и эти кадры отправить в алгоритм.

Некоторые алгоритмы используют плоское изображение с камеры. Другие используют лидары — это когда лазерная пушка быстро-быстро стреляет лазером во все стороны и измеряет скорость возвращения лучей. Получается не слишком точная, но в некоторой степени объёмная картинка. Часто её совмещают с изображением основной камеры, чтобы убедиться, что перед нами действительно человек, а не его фотография.

Как работает РАСПОЗНАВАНИЕ ЛИЦ? | РАЗБОР

Иногда алгоритм настроен так, чтобы получать только подвижные изображения с меняющейся мимикой — чтобы не сканировали спящих людей или маски.

Некоторые алгоритмы вычисляют трёхмерную модель на основании поворота головы. Прямо говорят: посмотрите налево, посмотрите направо, приблизьтесь, отдалитесь. Так они пытаются построить более точную объёмную модель лица. Всё это — для безопасности.

Находим лицо в кадре

Перед тем как алгоритм приступит к распознаванию, ему нужно найти лицо на картинке. Для этого он использует метод Виолы — Джонса и специальные чёрно-белые прямоугольники (примитивы Хаара), которые выглядят примерно так:

С помощью этих прямоугольников алгоритм пытается найти на картинке похожие переходы между светлыми и тёмными областями. Если в одном месте программа находит много таких совпадений, то, скорее всего, это лицо человека. Например, вот как с помощью этих примитивов алгоритм находит нос и глаза:

Все примитивы специально подобраны так, чтобы с их помощью можно было найти границы лица и отсечь всё остальное. Поэтому, как только алгоритм находит место скопления таких совпадений, он для проверки сравнивает там остальные прямоугольники:

Знай! / Как работают системы распознавания лиц?

Если их набирается достаточное количество — это точно лицо. Обычно алгоритмы поиска лиц для контроля обводят рамкой найденную область — она помогает разработчикам понять, всё ли в порядке с логикой программы:

Строим модель по ключевым точкам

После того как алгоритм нашёл лицо, он строит его цифровую модель. Для этого он:

• Расставляет точки в ключевых местах: нос, рот, глаза, брови и так далее.
• Считает расстояние между точками.
• По этим расстояниям строит цифровую карту или вектор. Про векторы поговорим ниже.

От того, как будут расставлены эти точки, зависит точность распознавания, поэтому каждая коммерческая компания держит свой метод в секрете. Чем больше точек — тем выше точность, но минимально нужно проставить 68 точек. Если точек будет меньше, алгоритм может не сработать.

Считаем вектор и сравниваем с базой

Когда все точки найдены, алгоритм считает вектор — математический результат обработки свойств этих точек. Например, он находит расстояние между глазами, форму носа, толщину губ, форму бровей, расстояния между ними и ещё массу других параметров. В результате получается набор чисел, который называется вектором.

Если алгоритм работает в режиме «выучить новое лицо», то он записывает полученный вектор в базу данных с каким-то именем или идентификатором. Условно говоря, в базе это выглядит так:

«Вот здоровенный вектор из 900 чисел — я назову его Мишей»

Другой режим работы алгоритма — сопоставление с эталоном. В базе данных уже есть один или несколько векторов, а задача алгоритма — сравнить их с новым вектором, который посчитали только что по картинке с камеры. Тогда алгоритм считает, насколько новый вектор отличается от тех, которые уже лежат в базе данных. Если этот вектор отличается достаточно мало, считаем, что мы распознали лицо.

На картинке видно, что синий неизвестный вектор, который мы хотим распознать, ближе всех находится к Мише. Если расстояние между векторами будет достаточно маленьким, алгоритм скажет, что человек в кадре — это Миша.

У каждого алгоритма свои коэффициенты совпадения: где-то допустимо совпадение только на 98% и выше — тогда алгоритм не будет вас узнавать, если вы в маске или вокруг плохое освещение. Есть алгоритмы, где совпадение может быть меньше — тогда это менее безопасно, но лучше работает. Есть алгоритмы, которые в одном месте требуют точного совпадения, а в других — менее точного (например, глаза должны совпасть точно, а рот может двигаться). Это уже нюансы настройки и подкрутки конкретного алгоритма.

Уточнение векторов и самообучение

Есть алгоритмы, которые уточняются и узнают вас всё лучше со временем. При каждом распознавании лица они видят, что в вас изменилось с прошлого раза, и уточняют свою модель. Например, вы занесли себя в базу данных с бодуна, а на следующий день пришли огурцом. Алгоритм запомнил вас в обоих состояниях.

Что дальше

Теперь, когда мы знаем, как работает эта технология, попробуем повторить это сами — сделаем систему распознавания лиц на Python.

Апскиллинг, как говорится

Апскиллинг — это, например, переход с уровня junior на уровень middle, а потом — senior. У «Яндекс Практикума» есть курсы ровно для этого: от алгоритмов и типов данных до модных фреймворков.

Получите ИТ-профессию

В «Яндекс Практикуме» можно стать разработчиком, тестировщиком, аналитиком и менеджером цифровых продуктов. Первая часть обучения всегда бесплатная, чтобы попробовать и найти то, что вам по душе. Дальше — программы трудоустройства.

Источник: thecode.media

Как работает распознавание лиц? Разбор

Среднестатистический человек может идентифицировать знакомое лицо в толпе с точностью 97,53%. Вы скажете, это немало и будете правы. Но это ничто по сравнению с современными алгоритмами, которые добились точности 99,8% еще в 2014 году. А в последние несколько лет они достигли практически совершенства! Современный алгоритм, использующийся в камерах видеонаблюдения в Москве способен обрабатывать 1 миллиард изображений менее чем за полсекунды с точностью близкой к 100%.

Этот алгоритм насколько крут, что уже в этом году в Московском Метро планируют ввести систему прохода по лицу — FacePay. При этом нам обещают, что система будет работать даже если человек в медицинской маске.

Как вы понимаете, жизнь уже не будет прежней. Поэтому давайте разберемся:

• Как работают алгоритмы распознавания лиц?
• Страшны ли эти алгоритмы на самом деле и где их применяют во благо?
• А также поговорим какого будущего нам ждать.

Причины

1. Появились действительно мощные компьютеры, способные справиться с задачей. За это спасибо закону Мура.
2. Появились базы данных с нашими с вами фотографиями. За что спасибо социальным сетям.
3. Ну и конечно, произошел прорыв в области нейросетей.

Этап 1. Обнаружение

В первую очередь, для того, чтобы лицо распознать, надо его сначала обнаружить. Задача на самом деле не тривиальная. Для этого мы бы могли использовать натренированные нейросети, но это слишком долго, дорого и ресурсоемко. Поэтому для обнаружения лица используется очень простой метод Виолы — Джонса, разработанный еще в 2001 году.

Как эта штука работает?

Этот алгоритм просто сканирует изображение при помощи вот таких прямоугольников, они называются примитивами Хаара:

И еще вот таких прямоугольников:

Задача этих объектов — находить более светлые и темные области на изображении, характерных конкретно для человеческих лиц.

Например, если усреднить значения яркости область глаз будет темнее щек или лба, а переносица будет светлее бровей.

В общем таких характерных признаков много и естественно не только у человеческих лиц могут быть подобные паттерны. Поэтому алгоритм работает в несколько этапов:

Сначала находится первый признак, система понимает: «В этой области может быть лицо». Тогда она начинает там же искать второй признак, а потом третий. И если в одной области найдено 3 признака, уже можно уверенно сказать — да, это лицо! После чего система получает область изображения, в котором есть только лицо.

Этап 2. Антропометрические точки

Получив область для анализа, дальше в дело вступает главный секрет каждой системы распознавания — биометрический алгоритм.

Он расставляет на лице антропометрические точки, по которым впоследствии и будут вычисляться индивидуальные характеристики человека: разрез глаз, форма носа, подбородка, расстояние между ними и прочее. Таких признаков может быть много, вплоть до нескольких тысяч. Но в целом, таких точек должно быть как минимум 68.

Этап 3. Исправление искажений

А дальше начинается настоящая магия. В идеале нам нужно лицо, которое смотрит анфас, то есть прямо в камеру. Но такая удача бывает редко, особенно если речь идет о распознавании человека в толпе.

Поэтому система производит дополнительное преобразование изображения: устранятся поворот и наклон головы. А также проводится 3D-реконструкция лица из 2D-изображения. Таким образом, даже если человек на изображении смотрел вбок, мы всё равно можем получить четкий фронтальный снимок, что существенно повышает качество распознавания.

Этап 4. Вектор лица

Ну а дальше происходит самое главное. В бой вступает нейросеть, которая присваивает каждому лицу вектор признаков. Что это такое?

По сути, это просто какое-то число, которое складывается из суммы характеристик лица: расстояний между опорными точками, текстуры определенных областей на лице и прочее. Таких характеристик может быть множество. Основное правило: они должны описывать лицо независимо от посторонних факторов: макияжа, прически, возрастных изменений.

Этап 5. Идентификация

Ну а дальше остаётся сравнить полученный вектор с базой других векторов. И готово. Система вас идентифицировала.

Где и как используется?

Помимо очевидных кейсов применения, помимо обнаружения правонарушителей в общественных пространствах и оплаты билетов в метро. Где и как могут применяться эти технологии?

Во-первых, системы могут быть настроены не на идентификацию а на анализ поведения или настроения. В такси можно можно быстро вычислять неадекватных водителей или пассажиров. В магазинах, можно находить грустных покупателей и повышать уровень сервиса.

Ритейлеры одежды или продуктовые магазины используют камеры для анализа поведения покупателя, чтобы проанализировать настроение покупателя на кассе. Или например в школах, можно искать скучающих детей и корректировать программу обучения. Так, кстати уже делают в Китае. Вот такой мир будущего, и мы уже в нём живём не зная этого.

Что будет в будущем?

Чего же нам ждать в будущем? Распознавание лиц для разблокировки iPhone, входа в Windows или во время конференций — это прекрасная, удобная технология, упрощающая жизнь и мы уже ей пользуемся. Но вот повсеместные камеры наблюдения в городах рисуют в воображении самые мрачные картины в духе Джорджа Оруэлла.

Отсюда возникает вопрос — можно ли защитить себя от систем видеонаблюдения? Конечно, с развитием технологий развиваются и средства обхода этих технологий.

Люди придумывают макияж и украшения, которые сбивают с толку алгоритм обнаружения лиц, тот самый из 2001 года, создают инфракрасные очки, засвечивающие сенсоры камер, а также делают всякую криповую одежду и маски.

Но по большому счету такой лук скорее больше привлечет внимания, а алгоритмы подстроятся под обманки. Поэтому единственный способ защиты — это закон. Бизнес активно не внедряет системы распознавания лиц только потому, что это несет большие юридические издержки. В ЕС активно разрабатывается новый закон, который уже прозвали GDPR 2: он будет строго регулировать системы распознавания лиц и прочие системы искусственного интеллекта, вызывающие законные опасения.

В России с этим пока что не так хорошо. Тем не менее отечественные компании, которые присутствуют на международном рынке также будут вынуждены соблюдать новые правила игры, как произошло с первым GDPR.

То есть, как вы поняли, есть светлая сторона технологии, которая упрощает нам жизнь и темная, что приближает нас к миру большого брата.

• Блог компании Droider.Ru
• Поисковые технологии
• Алгоритмы
• Софт
• Фототехника

Источник: habr.com

Распознавание лиц системой видеонаблюдения — необходимость, а не роскошь

Функции современных систем видеонаблюдения уже давно не исчерпываются только контролем доступа на объект и отслеживанием перемещений посетителей. По мере расширения технических возможностей системы слежения получили возможность распознавать и идентифицировать лица даже в плотном потоке людей, при затрудненных условиях съемки.

Функции современных систем видеонаблюдения уже давно не исчерпываются только контролем доступа на объект и отслеживанием перемещений посетителей. По мере расширения технических возможностей системы слежения получили возможность распознавать и идентифицировать лица даже в плотном потоке людей, при затрудненных условиях съемки. Такая аналитика требуется в следующих системах:

• система контроля управления доступом — видеонаблюдение считается частью системы безопасности и управляет турникетами на проходной. Главная ее функция — снижение количества аварий и происшествий благодаря исключению человеческого фактора и улучшению трудовой дисциплины,
• системы безопасности и противодействия краж в супермаркетах и других торговых помещениях — кражи в магазинах не всегда спонтанны. Часто их совершают систематически одни и те же люди, и отслеживание их появления еще на входе помогает предотвратить очередное хищение,
• фейс-контроль в развлекательных заведениях — информация от входа может передаваться прямо на мобильное устройство владельца, что поможет установить дополнительный контроль за действиями охранников.

Задачи распознавания лиц

Перед современной системой распознавания лиц стоит несколько задач:

• организовать систему управления доступом,
• найти на территории незнакомцев, которых нет в базе,
• сканирование пешеходного потока в поисках нужного лица, занесенного в базу,
• поиск человека в так называемой чистой зоне, например проходной — когда человек сам хочет, чтобы система опознала его и впустила.

Как работает система распознавания лиц

Принцип работы распознавания лиц прост, независимо от выбранного алгоритма: система получает отсканированное изображение лица гостя и сравнивает его с эталонными картинками, которые уже хранятся в базе. Учитываются косметические изменения во внешности: макияж, борода, очки, стрижка. Важна и скорость реакции системы: на сканирование лица, поиск аналогий и получение отклика от базы данных должен пройти период времени, примерно равный времени, за который человек пройдет от двери к пропускной системе.

Специалисты используют три популярные схемы для подключения системы распознавания:

• самая популярная — IP-камера снимает поток людей на видео и передает картинку на сервер, где происходит обработка информации, сравнение отсканированных лиц с имеющимися в базе и формирование аналитического отчета для оператора. Недостаток такой системы — ограниченность сервера, число камер, подключенных к нему, не безгранично. Больших затрат потребует покупка серверного оборудования и поддержание его в рабочем состоянии.
• IP-камера сама анализирует поток, а на сервер передаются уже обработанные данные. К серверу предъявляются гораздо меньшие требования, чем в предыдущем варианте, зато возрастает список технических параметров, которым должна соответствовать камера. Цена таких камер значительно выше, чем у моделей более низкого класса.
• обычная видеокамера встраивается в устройство контроля доступом, которое сканирует видеопоток, распознает лица и кроме этого, управляет доступом на объект — открывает и закрывает дверь или турникет. Такие устройства эффективно работают только в помещениях, но зато имеют сравнительно невысокую стоимость.

Три главных параметра, от которых зависит эффективность функционирования системы распознавания лиц: быстрый отклик система, точность алгоритма распознавания, широта базы данных с эталонами.

Алгоритмы распознавания

Системы безопасности используют разные методы распознавания человеческой внешности, причем идеального пока не найдено — у каждого есть свои плюсы и минусы.

Нейронные сети — популярный метод, позволяющий получить качественное распознавание в течение короткого времени. Сканирование лица имеет много слоев, благодаря этому система быстро находит соответствие в своей базе данных. Есть и недостатки:

• новый эталон добавить в базу очень сложно, это потребует переобучения всей сети,
• внесение изменений параметров может длиться до нескольких дней,
• функции распознания нуждаются в выстраивании, так как параметры алгоритма распознавания до конца не формализованы.

Скрытые Марковские модели. В их основе лежит статистическое сравнение полученных изображений с эталонами. У этого метода есть несколько существенных недостатков, что снижает его популярность:

• имеет большое время отклика — вызвано тем, что система подбирает дополнительную модель для сравнения,
• система легко может спутать похожих людей, так как имеет низкую способность к различению,
• долгий и несовершенный алгоритм обучения,
• время на перебор моделей в базе данных нельзя сократить.

Гибкое сравнение на графах. Этот метод использует в качестве вспомогательного способа 2D-моделирование. Система составляет графы — двухмерные модели лиц, которые выглядят как сетка с индивидуальным расположением ребер и вершин. Эталонный граф, который демонстрирует главный параметр распознавания, остается неизменным, а другие меняются в структуре лица.

При этом учитываются основные антропометрические точки, которые в течение жизни не меняются: расстояние между ушами и глазами, ширина носа или губ. Подробные модели с большим количеством точек позволяют распознать лицо как можно точнее, но в этом случае увеличится и время отклика системы.

Сложность процесса распознавания привела к необходимости для работы такой системы мощных компьютеров. Как и при других алгоритмах, внедрение новых эталонов в базу требует сил и времени, а чем обширнее база эталонов, тем дольше обрабатывает их система.

Основа системы распознавания лиц — умные камеры

IP-камеры отвечают за сканирование лица нового посетителя, обработку полученной модели и отклика от системы. Специфические характеристики камер делят их на несколько видов в зависимости от функции, которую они выполняют в системе:

• обнаружение объекта — выступают своего рода “сторожами” подконтрольной территории. Они не распознают лица, а лишь наводят на объект умные видеокамеры с более совершенными техническими характеристиками, которые и сканируют биометрические параметры гостя. Их устанавливают при входе на территорию для фиксации посетителей, используют для общей видеосъемки. Технические их характеристики далеки от совершенства: фокусное расстояние до 1 мм, разрешение от 1 Мрх, но этого для обнаружения проникновения на объект вполне достаточно.
• опознание — берут за основу 3-4 основных биометрических параметра, по которому и осуществляется сканирование. Фокусное расстояние доходит до 6 мм, разрешение стартует от 2 Мрх.
• Идентификация — такие камеры делают детальное сканирование лица по нескольким параметрам, чтобы полученное изображение высокого качества могло использоваться в более совершенной системе распознавания лиц. Фокусное расстояние колеблется от 8 до 12 мм, а разрешение – от 5 Мрх.

Кроме фокусного расстояния и разрешения, на качество распознавания влияют количество источников света, адаптация камеры к плохому освещению, место ее установки, угол обзора и средства защиты от негативных проявлений окружающей среды.

Обычно камеры размещаются на проходной или в дверях производственного или коммерческого помещения. Оптимальное место — на уровне лица посетителя или под небольшим углом. Так можно обеспечить лучший угол обзора и качество распознавания.

Распространенные программы для систем распознавания

Разработкой систем распознавания лиц занимаются многие компании — эта сфера стала востребованной не только в связи с возможностью предотвращения коммерческих убытков, злоупотреблений персонала и банальных краж, но и в свете участившихся преступлений в общественных местах. С помощью программ распознавания можно вычислить потенциального преступника еще на подходе к зданию с большим количеством людей.

Компания Синезис, Face Director

В линейке этой компании множество разных систем видеонаблюдения и программ бизнес-аналитики на их основе. Эта программа “ловит” и идентифицирует лицо, изображение которого совпало с эталоном в ее базе данных, и сопровождает его на протяжении всего пути объекта. Ее преимущества обусловили широкую распространенность программы:

• подача тревожного сигнала, если объект пытается прикрыть лицо,
• высокое качество идентификации — до 99%,
• широкий выбор углов обзора позволяет сканировать и идентифицировать лицо с любой точки.

Компания House Control, Face Интеллект

Специализируется на промышленных системах безопасности и идентификации лиц. Использует популярный алгоритм с открытым кодом, написанный еще несколько лет назад. Программа универсальна и адаптируется к большинству моделей аналоговых и цифровых видеокамер.

Для качественного распознавания потребуется статичность объекта хотя бы на несколько секунд, поэтому важно правильно установить видеокамеру. Оптимальное место — позади турникета. Здесь программа показывает наиболее качественное распознавание.

Компания VOCORD, VOCORD FaceControl

Компания работает уже 20 лет, специализируясь на программах и системах безопасности с нестандартными параметрами. Эта программа — уникальна, так как является собственной разработкой фирмы. От других программ со схожими задачами она отличается широкими возможностями, которые предлагает оператору:

• камера выхватывает лица, имеющиеся в базе, из пешеходного потока высокой плотности,
• идентифицирует пол и возраст объекта,
• выводит оператору предупреждения на экран, причем делит их на разные категории в зависимости от типа объекта, которого ему присвоила система,
• процесс распознавания идет в режиме реального времени,
• предлагает оператору составить аналитический отчет по проделанной работе,
• осуществляет поиск по базе лиц и в архиве.

Нужна помощь специалиста?

Свяжитесь с нами! Эксперты TERATEK всегда готовы ответить на интересующие
вас вопросы и предоставить развернутую консультацию!

• Системы видеонаблюдения

• Камеры видеонаблюдения
• Комплекты видеонаблюдения
• Объективы
• Видеорегистраторы
• Мониторы
• Пульты управления
• Софт для видеонаблюдения
• Устройства для передачи и обработки аудио/видео
• Аксессуары для видеонаблюдения

• Сетевое оборудование
• Накопители
• Цифровые системы записи на базе ПК
• Аксессуары для сетевого оборудования

• Системы контроля доступа

• Принтеры для карт и расходники
• Досмотровое оборудование
• Парковочные системы
• Считыватели
• Домофонная система
• Шлагбаумы и автоматика для ворот
• Контроллеры для СКУД
• Турникеты
• Карточки и другие идентификаторы
• Исполнительные устройства
• Аксессуары для контроля доступа
• Софт для СКУД

• Комплекты ОПС и оповещения
• Умные реле и пульты
• Извещатели
• Оповещатели
• Приемно-контрольные приборы
• Другие устройства для ОПС и оповещения
• Программное обеспечение для ОПС
• Аксессуары для ОПС и оповещения

• Кабель, СКС, ИБП, и комплектующие

• Альтернативные источники энергий
• Блоки питания и аксессуары
• Кабели
• Шкафы и комплектующие
• Инструменты
• Монтажные изделия

• Контрольно-измерительные устройства
• Индивидуальные средства защиты
• Системы регенерации
• Средства связи
• Другие гаджеты
• Специализированные камеры
• Информационная безопасность

Источник: securtv.ru