Распознавание объектов и, в частности лиц, для человека дело обыденное. Мы постоянно анализируем наше окружение и практически безошибочно определяем кто или что перед нами находится. Для машины процесс обучения происходит немного сложнее, нельзя просто так объяснить, чем отличается лицо обезьяны от человека. Развитие машинного зрения одна из первостепенных задач и вместе с тем часть комплексной системы распознавания образов. Сфера ее применения практически безгранична, начиная с систем контроля доступа и заканчивая сферой рекламы.
Распознавание объектов и, в частности лиц, для человека дело обыденное. Мы постоянно анализируем наше окружение и практически безошибочно определяем кто или что перед нами находится. Для машины процесс обучения происходит немного сложнее, нельзя просто так объяснить, чем отличается лицо обезьяны от человека. Развитие машинного зрения одна из первостепенных задач и вместе с тем часть комплексной системы распознавания образов. Сфера ее применения практически безгранична, начиная с систем контроля доступа и заканчивая сферой рекламы.
Развитие данного направления насчитывает десятилетия истории, и сотни компаний, которые так или иначе занимались этим вопросом в результате работы которых появились программные решения (система ASID, система FaceID, система Trueface и другие).
Методы решения задачи.
Рассмотрим их упрощенно надо понимать, что алгоритмы могут совершенствоваться, изменяться и комбинироваться, однако в целом подход к решениям задач имеет довольно четкие представления.
1.Гибкое сравнение на графах.
В основе эталонный граф с набором параметров остается неизменным, в то время как другие деформируются под него. Структура лица воспринимается с привязкой к основным точкам, иначе говоря, происходит подстраивание образа под взятую эталону модель. Чем больше вы берете точек, тем продолжительнее и сложнее вычисления, даже с ростом уровня мощности компьютеров эта задача остается достаточно ресурсоемкой.
2.Нейронные сети.
Обладают множеством различных алгоритмов, каждый из которых стремится к улучшению показателей. Нейронные сети отлично показывают себя в системах машинного обучения, и неплохо справляются с распознаванием образов. Для их обучения могут использоваться миллионы готовых образов, оцениваются десятки параметров и параллельно выполняется множество процессов. Развитие электроники позволяет выделять значительные вычислительные мощности для работы такой сети. На их основе строятся основы алгоритмов ИИ, которые позволяют определить пол, возраст, и другие параметры. Для рекламы – это возможность персонализировать через камеры видеонаблюдения баннеры под тех, кто на них смотрит. А в сочетании с аналитикой и технологиями больших данных, получается добиваться удивительных результатов.
3.Скрытые Марковские модели.
В целом довольно тяжелый и малоэффективный способ, который показывает не очень высокие результаты, но может найти своё применение.
Камеры наблюдения для распознавания лиц.
Качество картинки и её разрешение играет важную роль в возможностях системы.
Разрешение в 1 Мп позволяет обнаруживать и образы объектов, различать человека или собаку.
Уже 2 Мп позволяет провести небольшой анализ, может быть полезно если не нужна высокая точность системы.
Для полноценной идентификации необходимо хотя бы 5 Мп в камере, это позволит провести глубокий и детальный анализ по множеству параметров.
Важен также и угол обзора, если лицо снять в анфас, то обработать его проще. Кроме того, необходимо понимать что нужно не просто распознать образ, но сделать это с учетом возможных изменений. Например, появление бороды, изменение цвета волос или глаз.
Применение.
Ключевой сферой, конечно, будет безопасность. В Москве будет реализована система для поиска преступников экспериментальная стадия проекта уже прошла успешно.
Другие области:
• СКУД;
• Учет рабочего времени;
• Реклама (возраст, пол, подсчёт числа посетителей);
• Платёжные системы;
• Частные домашние системы и мобильные телефоны.
Власти в Китае в экспериментальном порядке даже контролируют мусорки с разделением отходов, и если вы не соблюдаете порядок, то можете получить штраф. Да и в целом городская среда однозначно будет только расширять сеть видеонаблюдения и использования ИИ, как для контроля преступлений, так и для получения десятков других метрик о потоке людей. Как и у любой системы тут есть две стороны медали, и на обратной находится наша приватность, а на лицевой — защита. С другой стороны, к контролю дорожного движения и автоматическим штрафам все уже привыкли, и это лучше чем терять по пол часа рядом с инспектором, а в некоторых случаях справедливее.
