1. Типові завдання з розпізнаванням облич
2. Організація контролю доступу за допомогою розпізнавання осіб
3. рекомендація:
4. Пошук людини в «чистій зоні»
5. Увага
6. Пошук людини в натовпі
7. виявлення незнайомців
8. Маркетингові дослідження
9. Надійність роботи системи розпізнавання осіб
10. 1. Вірогідність помилок для розпізнавання осіб на прохідній
11. 2. Імовірність успішного пошуку зловмисника в натовпі
12. Практичні рекомендації для проектувальника
13. Вимога до зображення в базі даних
14. Вимоги до установки камери та її характеристикам
15. Висновок
16. звернути Рамус
17. резюме

Нарешті ми дісталися до технології розпізнавання осіб. Можливість автоматично ідентифікувати людину по його обличчю, без будь-яких додаткових операцій по з'ясуванню особистості є вельми цікавою темою не тільки для служб безпеки, але і для маркетологів, соціологів, статистиків і взагалі всіх, чия робота пов'язана з людьми і передбачає як з'ясування особистості, так і роботу з знеособленими статистичними даними.

У першій частині цієї статті ми б хотіли поділитися нашим досвідом з тестування ПО розпізнавання осіб, визначити для себе і читача, вирішення яких завдань за допомогою розпізнавання осіб можливо, а в яких випадках застосування буде недоцільним або марним. У другій частині торкнемося надійність роботи системи розпізнавання осіб, і дамо корисні рекомендації проектувальникам і інсталяторам таких систем.

З результатами, які ми отримали під час тестування модуля розпізнавання осіб, ви можете ознайомитися з засланні , А також вони стали основою нашого чергового відеоролика «Руйнівники міфів відеоспостереження» на каналі YouTube:

Відразу скажемо, що це не наукове дослідження. Ці дані отримані емпіричним шляхом, в рамках близьких до ідеальних умов. Результати вийшли цілком переконливі. В рамках статті ми періодично будемо апелювати до цих даних. Ще одне застереження: ми говоримо про 2D розпізнаванні. 3D розпізнавання можна вважати спеціальною системою і для широкого кола клієнтів інтересу не представляє.

А тепер давайте зосередимося на розв'язуваних задачах.

Типові завдання з розпізнаванням облич

Як показує практика, не буває однакових об'єктів, і завдання виникають зовсім різні, але все ж спробуємо виділити типові:

• Організація контролю доступу за допомогою розпізнавання осіб
• Пошук людини в «чистій зоні»
• Пошук людини в натовпі
• Пошук людини в натовпі, якого немає в базі даних
• Маркетингові дослідження

Давайте розберемо кожну задачу, щодо отриманих в нашому дослідженні даних, і визначимо, здійсненна вона чи ні.

Організація контролю доступу за допомогою розпізнавання осіб

Організувати прохід на територію за допомогою розпізнавання осіб, це напевно найлояльніша завдання для подібної технології. Людина сама зацікавлений, щоб система його впізнала і впустила. Відповідно, він буде дивитися в камеру і зніме з себе окуляри, головний убір і т.п.

Наші дослідження показали, що ймовірність розпізнавання в ідеальних умовах близька до 100%. Розпізнавання облич як доповнення до системи контролю та управління доступом можна вважати цілком прийнятним.

Однак, варто мати на увазі, що для прохідної великого підприємства з декількома сотнями співробітників і декількома тисячами транзакцій (распознаваний) в день потрібно обов'язково вважати ймовірність помилки системи. Приклад такого розрахунку в кінці статті.

Але все ж вказувати ідентифікацію по обличчю, як єдина ознака для прийняття рішення, впускати чи ні, ми не рекомендуємо. Як показали тести, можна обдурити систему за допомогою роздрукованої фотографії! У нас же двомірне розпізнавання.

Зрозуміло, оператор системи може побачити, і належним чином відреагувати на подібні випадки. Але сенс побудови системи якраз і полягає в скороченні числа операторів. Тому розпізнавання особи повинно супроводжуватися додатковими заходами по контролю доступу.

рекомендація:

Однією з додаткових заходів може бути система верифікації, де після прикладання карти доступу система буде порівнювати відвідувача з особою власника карти. В цьому випадку звірення буде 1: 1, що значно знижує ймовірність помилки.

Помилки розпізнавання розглянуті в другій частині статті.

Пошук людини в «чистій зоні»

Наступне завдання - розпізнавання особи в «чистій зоні». Під чистою зоною мається на увазі місце, де одноразово людина в кадрі знаходиться один, де можна створити хороші умови для роботи алгоритму розпізнавання. Правильно розташувати камеру, забезпечити хороше освітлення. Наприклад, це може бути шлюз, турнікет, прохідна і т.п.

Так як всі основні вимоги для коректної роботи розпізнавання тут можливо дотримати, залишається тільки завантажити в базу даних якісну фотографію людини, якого ми шукаємо. Про вимоги до якості фотографії буде сказано пізніше.

Якщо нам вдасться отримати гарне зображення розшукуваного, система стає цілком собі життєздатною. Посилити ефект ми можемо, якщо оператор буде просити проходить подивитися в камеру.

Увага

Одне АЛЕ! Як ми з'ясували при тестуванні, розпізнавання осіб має невисоку стійкість до фальсифікації. Тобто систему легко можна обдурити, наклавши грим, надівши перуку і т.д. Розмальованого фаната система взагалі за людину не вважала за. Загалом, система робоча, якщо сама людина не захоче від неї сховатися.

Пошук людини в натовпі

Тепер давайте дослідимо «пошук людини в натовпі». Це напевно найчастіше, чого хотів би замовник. Щоб як в кіно, на вулиці, з оглядової камери, наблизити обличчя і знайти збіг.

Як би не так!

Для коректної роботи алгоритму розпізнавання осіб необхідно дотримати ряд жорстких вимог по установці камери і розташуванню особи в кадрі. Про ці вимоги ми в кінці статті розповімо. Людина ж, не завжди пересувається прямо, крутить головою, жестикулює і інше. Імовірність того, що в потрібний момент часу, в потрібному місці, особа людини потрапить в кадр в правильному ракурсі, зводиться до мінімуму. Якщо організувати якийсь коридор або прохід в місці установки камери, де людина буде змушений проходити в потрібному для камери ракурсі, це поліпшить ситуацію. Але тоді вже мова йде про «чистій зоні», а не про натовпі.

Для коректної роботи алгоритму, також необхідно, щоб обличчя було рівномірно освітлене, але організувати правильне світло на вулиці в сонячну погоду, в світлі ліхтарів, або на відкритому просторі торгового цента з панорамним склінням, скажімо, не представляється реальним.

Це ми ще опускаємо тему маскування і фото в базі даних, оскільки і без цього достатньо параметрів, які заважають коректній роботі системи.

Отже, на сьогоднішній день, завдання пошуку людини в натовпі з прийнятною вірогідністю виявлення і при цьому з низьким рівнем помилкових спрацьовувань швидше нездійсненна! Розрахунки ймовірностей запропоновані далі в статті.

виявлення незнайомців

Далі завдання зі зворотним логікою. Коли, наприклад, на вході в зону обмеженого доступу, камера в потоці людей повинна виявити того, хто відсутній в базі даних, і видати тривогу. Іншими словами, проводити пошук чужих.

Таким чином, система, як мінімум, повинна правильно розпізнати всіх інших проходять і знайти відповідність в базі. А це, як ми щойно обговорили, нерозв'язна задача. Буде багато помилкових спрацьовувань. Наприклад, чи готовий замовник до того, що доведеться кожного 10-го свого співробітника зупиняти для перевірки?

Маркетингові дослідження

Все частіше для вирішення завдань в області маркетингу застосовують дані, отримані за допомогою систем розпізнавання осіб. Підрахунок відвідувачів, теплові карти і т.п. Розпізнавання облич теж знайшло своє застосування.

Одна з популярних бізнес-завдань, а точніше маркетингових, це отримання даних про відвідувачів. Мета отримання даних може змінюватися, в залежності від типу об'єкта. Найчастіше цю роботу проводять в об'єктах з великою прохідністю. Наприклад, магазини, ресторани, нічні клуби, кінотеатри і т.д. І безумовними головними замовниками є мережеві компанії, де в управлінні може бути не одна сотня об'єктів і дані по статево складом відвідувачів дозволяють коригувати маркетингову політику, наповнення магазину відповідними товарами для виявленої фокус групи, і інші все їх продажні справи. Тут ми говоримо не про безпеку, а про маркетинг, а це завжди історія про збільшення ефективності, і в кінцевому підсумку прибутковості бізнесу. І на це замовники грошей не шкодують.

Наші тести показали, що цей функціонал працює, і працює непогано. Точність цієї аналітики не велика, але це і не так важливо, тому що ми говоримо не про безпеку, а про маркетинг, де важлива загальна статистика. Вирішення цього завдання цілком має право на життя.

Надійність роботи системи розпізнавання осіб

А тепер давайте поговоримо про те, про що рідко згадують виробники, просуваючи свій продукт. Розпізнавання осіб, це біометрична система, і як будь-яка інша аналогічна система, заснована на математичній статистиці, на ймовірності.

Помилки першого і другого роду (FAR і FRR)

Дані про стійкість свого алгоритму до помилок надає кожен розробник розпізнавання осіб. Однак порівняти алгоритми різних розробників за цим параметром неможливо. Кожен виробник визначає FAR і FRR по своїй якоїсь еталонної бази зображень.

Система розпізнавання облич ніколи не видасть вам інформацію у вигляді - "він" або "не він". Система видасть% схожості особи в кадрі з зображенням в базі даних. І далі ви в налаштуваннях встановлюєте поріг, при якому приймається рішення по співвідношенню з "швидше він" або "все-таки не він". Якщо ми говоримо про% схожості, і про якийсь порозі, то логічно припустити, що, змінюючи поріг, ми змінюємо ймовірності помилки щодо пропуску зловмисника, або по тому, що ми відмовляємо тому, людині, доступ до якого дозволений. Величина цих ймовірностей є визначальною для прийняття рішення про впровадження системи. Такі помилки називають - помилки першого і другого роду. Розглянемо це питання детальніше.

Помилка першого роду - FAR (False Acceptance Rate). Це ймовірність того, що ми дозволяємо доступ зловмиснику. Ще одна назва «помилкова тривога», або іншими словами - знайшли в базі свого, а це насправді зловмисник.

Помилка другого роду - FRR (False Rejection Rate). Це ймовірність того, що ми забороняємо доступ своєму. Ще одна назва «пропуск цілі», або іншими словами - метою був свій, а система його не знайшла в базі.

Це дуже важливі параметри системи розпізнавання осіб. До того ж вони залежать один від одного. Чим більше одна ймовірність, тим менше інша. Типові значення ймовірностей помилок першого і другого роду і їх взаємозв'язок виглядає наступним чином:

FAR FRR 0.1% 3% 0.01% 7% 0.001% 10%

Ці дані у вигляді таблиць або графіків можна отримати у виробника алгоритму розпізнавання. Але цікаво, що порівняти системи двох різних виробників за цими параметрами неможливо, так як кожен розраховує їх на основі своїх баз еталонних зображень. В результаті у кожного виходять свої FAR і FRR.

А як же користуватися цими даними? Про що вони нам кажуть? Тут краще розповісти на прикладі.

Наведемо два найбільш характерних варіанти роботи з базою осіб. Перший, коли в базі у нас співробітники, і ми не хочемо пропустити на об'єкт зловмисника. Другий, коли в базі у нас зловмисники, і ми шукаємо їх серед людей, які ходять.

1. Вірогідність помилок для розпізнавання осіб на прохідній

У нас режимний об'єкт, вхід на який здійснюється з розпізнавання осіб. На об'єкті працює 300 чоловік. Тобто в день мінімум 300 распознаваний, а якщо особа потрібно і для виходу, то 600. Хоча напевно распознаваний буде більше.

Тут завдання розпізнавання осіб - не пропустити на територію зловмисника. Беремо до уваги ймовірність пропуску зловмисника (FAR) - 0,01%.

100% / 0,01% = 10 000

Таким чином, отримуємо, що ймовірність пропуску зловмисника у нас одна на 10 000 спроб. Це хороший показник для режимного об'єкту. Навряд чи об'єкт буде в адекватному часовому періоді стільки раз атакований.

При цьому ймовірність того, що ми забороняємо доступ своєму (FRR) - 7%.

100% / 7% = 14

Отримуємо, що система відмовить кожному 14-му співробітнику. А як ми говорили, у нас 600 распознаваний в день.

600/14 = 43

Таким чином, 43-м співробітникам в день потрібно доводити, що вони є працівниками підприємства, і їх повинні пропустити на об'єкт. Пред'являти документи або якось інакше підтверджувати свою особистість.

Чи припустимо це? - Вирішувати замовнику. Але тепер у нього є інформація про оцінку цих ймовірностей і кількості помилкових спрацьовувань, і він може врахувати це в регламенті роботи прохідний.

2. Імовірність успішного пошуку зловмисника в натовпі

У нас ЖД вокзал з прохідністю 100 000 чоловік в день. У нас є база злочинців, яких нам потрібно виявити. Припустимо їх всього лише 100 чоловік.

Беремо маленьку ймовірність по пропуску цілі (FRR) - 3%.

100% / 3% = 33

Тобто кожен 33 злочинець залишиться непоміченим, а якщо він намагається приховати обличчя, замаскуватися, відвернутися і т.п., показник може погіршуватися до нескінченності.

А що у нас з помилковими тривогами?

Імовірність помилкової тривоги (FAR) при порівнянні однієї особи з одним зловмисником (згідно схеми FRR = 3%) - 0,1%.

У базі у нас 100 чоловік, тому ймовірність помилки збільшується в 100 разів, що становить 10%.

100% / 10% = 10

Отримуємо, що система видасть тривогу за кожним 10-му особі, що потрапила в кадр. А як ми говорили, у нас прохідність 100 000 чоловік в день.

100 000/10 = 10 000

Таким чином, кожен день охорони доведеться зупиняти кожного 10-го або 10 000 невинних людей для перевірки документів. А обробляти кожну хибну тривогу потрібно обов'язково, інакше ймовірність пропуску цілі зросте. Здається, що перевіряти таку кількість людей на залізничному вокзалі з досить високою ймовірністю пропуску реального зловмисника недоцільно.

Об'єкти, що охороняються і завдання можуть бути різними, пошук терориста або дрібного шахрая, режимні об'єкти або комерційні. Тому, відповідну пару FAR і FRR для оцінки потрібно вибирати виходячи завдання розпізнавання осіб на об'єкті. Головне, що за допомогою цих показників ми можемо надати замовнику орієнтовні цифри про роботу алгоритму на його об'єкті. А далі нехай він сам приймає рішення, чи згоден він з передбачуваним відсотком пропусків, і чи впорається його служба охорони з обробкою такої кількості неминучих додаткових перевірок.

Нагадаємо, що параметри FAR і FRR виробник визначає за своїми вибірками, за умови, що розпізнавання проводилося в ідеальних умовах. При дотриманні всіх вимог до якості зображення, установці камери, якістю фотографії в базі і т.д. Відступаючи від цих вимог, відсоток помилок буде зростати! І який він буде реальний зрозуміти практично неможливо.

Якщо після оцінки якості роботи системи і рівня помилкових спрацьовувань на основі FAR і FRR, замовник порахував ці рівні прийнятними, нам необхідно забезпечити умови максимально близькі до ідеальних. Давайте визначимо умови, при яких ми максимально наблизимося до коректній роботі системи розпізнавання осіб.

Практичні рекомендації для проектувальника

Застава коректної роботи розпізнавання осіб - правильна фотографія в базі даних і якісна картинка з камери.

Вимоги та рекомендації, які ми зараз опишемо, свідомо можуть виключити можливість впровадження технології на деяких об'єктах, так як дотримання їх там буде неможливим. Більш детально ми розібрали цю частину статті в нашому вебінарі .

Вимога до зображення в базі даних

Щоб з кимось порівнювати потрапили в кадр особи, нам потрібно ці особи занести в БД. Для цього необхідно ідеальне зображення. Говорячи ідеальне, ми зовсім не маємо на увазі високий дозвіл. Достатньо всього 320х240. Більша роздільна здатність ніяк на якість розпізнавання не впливає. Це ми перевіряли!

Важливим є рівномірне освітлення особи, нейтральний задній фон і розташування особи на фотографії відповідно до певними розмірами. Вимоги до зображення викладені в стандарті ISO / IEC 19794-5: 2013 або на ДСТУ ISO / IEC 19794-5-2013.

Далі переходимо до отримання правильної картинки з камери.

Вимоги до установки камери та її характеристикам

Камера повинна бути встановлена ​​з відхиленням центральної осі спостереження не більше 15 градусів до площини особи, як в горизонтальній, так і у вертикальній площині. Умови по відхиленню повинні виконуватися в кожній точці області розпізнавання, про що ми говорили в майстер-класі на конференції PROIPvideo2017.

Для розпізнавання осіб потрібно щільність пікселів не менше 500 pix / м у всій передбачуваній зоні розпізнавання. Ця вимога в кінцевому підсумку визначає дозвіл і кут огляду камери. Про вибір дозволу камер на основі критерію щільності пікселів ми розповідали в одному з наших відео .

Глибина різкості повинна покривати всю зону контролю. Як ми знаємо, глибина різкості безпосередньо залежить від фокусної об'єктива і значення діафрагми. Тобто рекомендується заздалегідь прораховувати глибину різкості (особливо актуально для довгофокусних об'єктивів) вибирати камеру з можливістю управління діафрагмою. В ідеалі камера повинна дозволяти ставити межі відкриття і закриття діафрагми об'єктива.

Для чіткості отримуваного кадру, рекомендація по значенню часу накопичення заряду (витримки, shutter) - не менше 1/100 секунди

Камеру рекомендуємо вибрати з високою світлочутливістю (матриця від 1/3 "і більше), використовувати яскравий об'єктив (від F1,4 і краще)

У зоне контролю та патенти Забезпечити гарне и рівне освітлення (150 и более люкс). Це, напевно, Одне з найбільш складно здійсненніх вимог. Тут потрібен індивідуальний підхід до кожного об'єкта. Наприклад, контроль вхідної групи може бути утруднений засвіченням камери світлом з вулиці.

Так само як для фотографії в БД, для камери потрібно забезпечити картинку з однорідним нейтральним заднім фоном. Ось тут зовсім складно, особливо при пошуку осіб в натовпі. Фоном один для одного стають інші особи, що зовсім не можна назвати однорідним!

Технічні вимоги до організації системи розпізнавання осіб можна звести в таблицю:

Параметр Вимога Щільність пікселів Не менш 500 пікс / м Кути відхилення Не більше 150 по вертикалі і горизонталі Діафрагма об'єктиву Регульована; з можливістю ручного управління Світлосила об'єктива Не менш 1: 1.4
тобто, наприклад, об'єктив 1: 1.2 має більшу светосилу, ніж 1.4 Розмір матриці Не менш 1/3 "Витримка Не більше 1/100 с
тобто з витримкою, наприклад, 1/25 з можлива поява змазування рухомих об'єктів Освітленість Не менш 150 лк; освітлення особи повинно бути рівномірним Вимоги до фото Розмір - не менше 320x240; однотонний задній фон; відстань між зіницями не менше 60 pix

Виконання вимог дозволить наблизитися до значень FAR і FRR, які наведені в документації модуля розпізнавання осіб.

Висновок

І так, система може працювати ефективно, але тільки в ідеальних умовах. Але навіть тоді ми повинні враховувати ті ймовірності помилок, про які раніше говорили.

Що в підсумку: працює система розпізнавання чи ні? Однозначно відповісти не можна. Розпізнавання облич досить ефективно для деяких описаних в статті завдань, але тільки в ідеальних умовах. Але і навіть створивши правильні умови для роботи алгоритму розпізнавання ми повинні враховувати ймовірності помилок і на основі цих даних оцінити статистику відмов. Найгірше, якщо для замовника це стане сюрпризом, який ставить під сумнів можливість експлуатації системи.

Багато що визначає вартість помилки. Якщо через те, що система помилиться нічого страшного не станеться, то сміливо впроваджуйте з припущеннями, про які ми говорили на самому початку. Якщо помилка коштує дорого (проникнення зловмисника, терориста), а ймовірність її виникнення висока, то важливо дотримати рекомендації, і досконально обговорити з замовником всі можливі нюанси і проблеми. У такій справі допомагає тестування прямо на об'єкті.

звернути Рамус

Наша компанія безкоштовно здійснює послуги консалтингу з проектування, в тому числі і по системі розпізнавання осіб, а також проводить аудит специфікацій проекту, який позбавить вас від ризиків зробити помилку, при виборі проектного рішення. Надіслаті запит можна на email: [email protected] , Або зв'язати з нами за безкоштовно телефоном 8 800 302-55-46.

на з використанням відеореєстратора (NVR, DVR) можна сформулювати в одному реченні. Коли вам необхідно оснастити невеликий об'єкт, де потрібно дивитися і писати, де немає сильної IT-служби, де не планується в найближчій або навіть віддаленій перспективі ніякого розвитку, - сміливо ставте відеореєстратор. Застосування ПО відеоспостереження і серверів буде в цьому випадку невиправдано і дорого.

У той же час, майте на увазі, що у більшості клієнтів вже є IT-інфраструктура, є корпоративні сервери, і логічним буде використання існуючих серверних потужностей для роботи ПО відеоспостереження.

Може скластися враження, що для DVR і NVR відведено вкрай вузьке коло завдань. Так чому ж їх продається десятки тисяч щомісяця? Справа в тому, що невеликих об'єктів з типовими завданнями переважна більшість. Це квартири, дачі, невеликі магазини, аптеки, автомайстерні, офіси та інші об'єкти, яких на порядок більше, ніж великих торгових центрів, заводів, офісних будівель, готелів, бізнес центрів і т.п.

резюме

Ми сподіваємося, що рекомендації, наведені в цій статті, дозволять вам зробити правильний вибір станційного обладнання згідно з вимогами, які висуває замовник до системи відеоспостереження. Використовуйте список застосувань як чек-лист. Если ж вінікають сумніві, то ви всегда можете звернути до фахівців компании Відеомакс за порадою. Ми зацікавлені в тому, щоб ваші проекти відеоспостереження були оптимальні і найкращим чином відповідали поставленим завданням. Там, де сервер буде зайвим, ми перші, хто скаже вам про це :)

Відео про вибір відеореєстратора або відеосервера:

Отримати консультацію фахівця Ви можете по безкоштовній лінії 8 800 302-55-46, або надіславши запит на email: [email protected] . Для проектувальників діє послуга безкоштовного аудиту проектів.