Что такое распознавание лиц, как устроены эти системы и почему спрос на них возрастает с каждым годом: разбираемся на практических примерах.
Распознавание лиц: где и зачем?
На сегодняшний день в Москве установлено более 160 тысяч камер наружного городского видеонаблюдения. Они ведут съемки в местах массового скопления людей, около подъездов, во дворах, в образовательных учреждениях и торговых центрах, а также на стройках [1]. В 2017 году практически все видеокамеры подключили к системе распознавания лиц, разработанной отечественной компанией NTechLab [2]. Устройство видеозаписи в режиме онлайн сканирует лицо, определяя пол и возраст прохожего, и автоматически ищет его в различных базах данных, например, для выявления правонарушителей. Аналогичные системы видеонаблюдения используются российскими банками, в частности, «Почта Банк», «Тинькофф Банк» и «Открытие», для идентификации клиентов, поиска мошенников и автоматизации денежных переводов [3].
Крупные ритейлеры: «Дикси» и торговые сети X5 Retail Group («Пятерочка», «Перекресток», «Карусель») применяют видеоаналитику для снижения длины очередей на кассах и изучения клиентского поведения с целью оптимизации торгового пространства и стимулирования дополнительных покупок [3].
Наконец, распознавание лиц стало неотъемлемым элементом обеспечения безопасности на режимных объектах и в местах массового скопления людей, таких как аэро-, ж/д- и автовокзалы, стадионы и т.д. Например, когда в аэропорт Южно-Сахалинска заходят люди, которые находятся в розыске, система распознавания лиц, созданная компанией «Центр речевых технологий», уведомляет об этом полицию и локальную службу безопасности. Эта же разработка используется крупными стадионами для идентификации владельца спортивного абонемента и предотвращения входа на спортивный объект людям из черного списка фанатов [3].
На чем основано распознавание лиц и как оно работает?
Распознавание лиц – это типовая задача машинного обучения (Machine Learning), в которой искусственная нейронная сеть сначала идентифицирует лицо человека в кадре. Затем нейросеть кодирует его отличительные признаки, и далее сравнивает полученный набор чисел с эталоном, хранящимся в базе данных.
Таким образом, лицо конкретного человека преобразуется в цифровой массив уникальных чисел – фич, от английского feature, значения и сочетания которых характерны именно для этой личности. Фичами могут быть родинки на коже, цвет отдельного пятна на снимке, длина носа или просто яркость пикселя в конкретной точке. Считается, что достаточно ряда из 128 фич, чтобы нейросеть смогла узнать человека из миллиона других лиц.
Идентификация личности выполняется по принципу наименьшего расстояния Хэмминга – результата вычитания двух векторов: массива фич из базы данных и цифрового набора, который описывает человека из видеокадра. Чем меньше разница, тем больше вероятность совпадения. Как правило, на практике расстояние Хэмминга не равно нулю, но этого и не требуется, поскольку фичи – векторные величины [4].
Обучение нейросетевых алгоритмов выполняется на готовых наборах фотографий, которыми изобилуют социальные сети: ВКонтакте, FaceBook, Instagram. Затем натренированную сеть можно использовать на практике для задач идентификации личности в банковской или торговой сфере, а также для обеспечения безопасности режимных объектов.
Хотите внедрить распознавание лиц в свою прикладную область? Приходите к нам на практические курсы больших данных (Big Data) и машинного обучения (Machine Learning). На занятиях мы подробно расскажем вам, какую нейросеть выбрать и как разработать алгоритм для ее тренировки. Вы узнаете, как эффективно использовать все программно-аппаратные достижения современных информационных технологий: от параллельных вычислений до администрирования кластеров. Выбирайте свой курс и увидимся в классе!
Источники
