ВИДЕОАНАЛИТИКА И РАСПОЗНАВАНИЕ ЛИЦ В КАМЕРАХ ВИДЕОНАБЛЮДЕНИЯ

АННОТАЦИЯ

В данной статье рассматривается видеоаналитика камер видеонаблюдения, а также стремительно развивающаяся технология распознавания лиц, где применяется данная технология и какую роль она играет для человечества в настоящее время.

Ключевые слова: видеоаналитика, нейросеть, распознавание.

Видеоаналитика камер видеонаблюдения

Видеоаналитика – технология, которая использует методы компьютерного зрения для автоматизированного получения данных и их анализа с камер видеонаблюдения в режиме реального времени или из записей цифрового носителя.

На 2021 год существует достаточно много видов видеоаналитики, используемых в системах видеонаблюдения. Рассмотрим подробнее видеоаналитику камер видеонаблюдения.

Стремительное развитие техники дает возможность интегрировать в системы видеонаблюдения мощные процессоры, темп производительности которых отстает от увеличения разрешения камер, поэтому данные типы процессоров устаревают достаточно быстро. Все это вызвано ограничениями в развитии оптики объективов, объемах дисковых массивов, а также светочувствительности.

В итоге потребности в обычной обработке изображений для получения качественной картинки ушли на второй план и ресурсы видеотехнологий стали использоваться для других целей, а также и для видеоаналитики.

На сегодняшний день видеоаналитика камер видеонаблюдения является лидирующей по сравнению с другими видами аналитики. Сейчас на современном рынке можно встретить видеокамеры, которые способны распознавать лица и номера автомобилей, определять возраст и пол человека, а также выполнять множество других функций.

Кроме того, видеоаналитика, встраиваемая в камеры видеонаблюдения, имеет большое количество преимуществ:

– видеоаналитика на сервере дороже, чем в камере;

– из-за конкуренции между производителями видекамер видеоаналитика практически всегда бесплатна;

– производитель разрабатывает программное обеспечение под конкретные модели камер, что улучшает производительность видеоаналитики;

– настройка требует минимального количества операций;

– простота обслуживания, так как производитель является также разработчиком, поэтому ответ на вопросы по программному обеспечению и по отдельным компонентам камеры можно найти в одном месте.

Однако видеоаналитика камер видеонаблюдения имеет и свои недостатки:

– невозможность подключить к видеоаналитике камеры старого образца;

– возможности видеоаналитики ограничены предложениями производителя камер;

– довольно часто низкое качество характеристик видеоаналитики, так как основным продуктом для заказчика является камера, а аналитика – это лишь бесплатное приложение, потому ее развитие уходит на задний план;

– программное обеспечение камер часто пользуется плохой репутацией у заказчиков.

Распознавание лиц

Распознавание лиц – это набирающий популярность метод автоматической бесконтактной локализации и, в случае необходимости, идентификации человека по лицу.

Самые первые системы распознавания лиц были реализованы в виде программ, которые устанавливались на компьютер. На сегодняшний день метод распознавания лиц набирает популярность в системах контроля доступа, видеонаблюдения, а также на разнообразных мобильных и компьютерных устройствах.

Принцип работы распознавания лиц

В принципе, система распознавания лиц может быть описана как процесс сопоставления лиц, попавших в объектив камеры, с базой данных ранее сохраненных и идентифицированных изображений лиц эталонов.

В основе технологии имеются две нейросети:

Первая сеть – «выравниватель». Данная сеть получает изображение, которое поступает с камеры видеонаблюдения, обнаруживает на нем все лица, делает их более восприимчивыми для дальнейшей работы, а именно: вырезает и выравнивает их. Поэтому нейросеть и получила такое название.

Разделим работу нейросети на 3 этапа:

Рисунок 1. Схема работы нейросети

1-й этап. Система обнаруживает лица и выравнивает их: детектирует на лице точки рта, носа и глаз. Однако лица, которые размазаны, не направлены в объектив или просто близко расположены друг с другом, могут не распознаваться программой.

Рисунок 2. Система обнаруживает лица

2-й этап. Система определяет и распознает основные точки на лице. Преобразует изображение таким образом, чтобы точки рта, носа и глаз находились в определенных секциях.

Рисунок 3. Система определяет и распознает основные точки на лице

3-й этап. Система приводит изображение к стандартному виду.

Вторая сеть – «распознаватель». Данная нейросеть получает на входе с первой сети изображение, на котором лица выравнены и преобразованы к стандартному виду, а на выходе выдает набор чисел фиксированной длины. Под вектором зачастую принимают некоторую степень двойки, например 1024.

Нейросеть «распознаватель» работает по принципу схожести лиц, т. e. на схожие лица сеть выдает векторы одинаковой длины и наоборот.

После всего сказанного возникает вопрос: каким образом нейросети удается отличить одного человека от другого? На самом деле ответ довольно таки прост: нейросеть обучают с помощью огромных баз данных с лицами людей. Изначально производители специально добиваются того, чтобы нейросеть заранее знала, кому принадлежит это лицо, а в процессе обучения делают так, чтобы сеть выдавала значительно точные результаты. Обучившись, нейросеть продолжает развиваться, распознавая новые лица, которых нет в базе.

Технология FACE ID в смартфонах основана на распознавании людей с помощью инфракрасных точек, которые проецируются камерой на лицо владельца. После создается 3D-модель и сравнивается с заранее внесенной в память телефона.

Кроме 3D-модели существуют и другие методы распознавания лиц. Рассмотрим их.

2D-распознавание лиц

Двумерная технология распознавания лиц основана на плоских двумерных изображениях. Системы распознавания лиц используют модели лиц или эластичные двумерные модели лиц, а также биометрические параметры лица.

Технология 2D-распознавания лиц на данный момент времени является самой востребованной на международном рынке продаж. Это обусловлено тем, что в базах данных, по которым развивается нейросеть «распознавания», хранятся именно двумерные лица. И поэтому технология 2D-распознавания лиц установлена практически во все камеры видеонаблюдения. По данным на 2021 год – около 400 млн. по всему миру. Следовательно, основная масса компаний делает заказы именно на системы двумерного распознавания лиц.

Рисунок 4. Результаты 2D-наложения лиц

Как известно, спрос зависит от предложения, поэтому производители с каждым днем стремятся улучшить 2D-технологии. Примером таких улучшений служит проект по 3D-восстановлению лиц на основе одного двумерного изображения. Первая нейросеть, на вход которой поступает большое количество объемных 3D-моделей людей и обычных 2D-портретов, реконструирует объемные лица на основе одного 2D-изображения.

3D-распознавание лиц

Технология 3D-распознавания лиц осуществляется по восстановленным 3D-образам. Трехмерное распознавание имеет достаточно качественные характеристики по сравнению с остальными технологиями распознавания лиц, хотя и данная система не является идеальной.

В системах 3D-сканирования имеется несколько технологий, таких как: сканеры со структурированной подсветкой поверхности объекта и обработкой изгибов полос, лазерные сканеры с оценкой дальности элементов поверхности объекта до самого сканера, а также сканеры, обрабатывающие синхронные стереопары изображений лиц методом фотограмметрии.

Рисунок 5. Результаты 3D-реконструкции лица

Одним из наиболее популярных 3D-сканеров среди покупателей является FACE ID от компании Apple. По факту это единственное приспособление с трехмерным распознаванием лиц, выпущенное на массовый рынок. Технология Apple является единственной в мире, которая использует вертикально излучающие лазеры (VCSHEL), на разработку компания потратила около 2 миллиардов долларов. Однако у данной разработки есть слабые места: FACE ID не справляется с идентификацией близнецов, хотя даже с близкими родственниками случаются ошибки.

Распознавание лица по текстуре кожи лица

Благодаря стремительному росту качества объективов появляется возможность воспроизводить изображения с высоким разрешением, в связи с этим начала развиваться технология анализа текстуры кожи лица.

Данный анализ позволяет захватить определенную область кожи лица в виде обычного изображения, а потом разбить ее на несколько маленьких блоков, преобразующихся в математические модели, которые, в свою очередь, записывают поры, прыщи, родимые пятна, линии и остальные особенности кожи.

Система способна распознавать близнецов, что на сегодняшний день еще нельзя реализовать с помощью программ для распознавания лиц. В скором будущем станет возможным объединение технологии распознавания лиц со сканированием и анализом поверхностной текстуры кожи, что позволит повысить точность идентификации.

Распознавание лиц с помощью температуры тела

Технология достаточно актуальна, так как позволяет устранить серьезные недостатки 2D-распознавания лиц:

1. Очки, головные уборы, различные прически и другие внешние помехи, которые могут помешать технологии сканировать человеческое лицо.
2. Позволяет находить различия между близнецами.
3. Распознавание лиц в условиях ограниченной видимости и с наступлением темноты.​

Рисунок 6. Результаты моделирования лица по температуре тела

Данная система находится на доработке и является на сегодняшний день прототипом. Однако можно выделить два направления, в которых ведется разработка:

1. Распознавание человека по изображениям камер видеонаблюдения, со встроенным тепловизором. В качестве эталонов используются лица из базы данных 2D-изображений.
2. Распознавание по результатам термограммы опознанных лиц. Проблема заключается в том, что базы данных эталонов не существует, а оборудование стоит достаточно дорого.

Где применяют распознавание лиц?

Технология распознавания лиц играет значительно важную роль в жизни человечества, так как на данный момент времени она используется практически во всех крупных предприятиях, выполняя своих задачи: начиная от безопасности, заканчивая медициной. Рассмотрим их поподробнее.

1. Медицина

Технология распознавания лиц в медицинских учреждениях и больницах помогает сотрудникам следить за состоянием пациентов: соблюдают ли они постельный режим или принимают ли лекарства в любой момент времени. В наше время модернизация технологий дошла до того, что нейросети даже способны определять по лицу различные генетические заболевания.

2. Безопасность

Камеры видеонаблюдения со встроенной технологией распознавания лиц применяют для безопасности на массовых мероприятиях, для прохождения контроля в портах, вокзалах и аэропортах. Правоохранительные органы, полиция и частные охранные предприятия пользуются автоматизированными системами бесконтактной идентификации человека по лицу для поиска злоумышленников, расследования преступлений, а также их предотвращения.

3. Торговля, кафе и банки

Системы распознавания лиц способны распознать покупателя и не дать мошенникам совершить кражу в магазинах. Благодаря биометрической идентификации можно совершать различные манипуляции в банкомате. В Китае данной технологией уже давно пользуются, а в России планируют ввести в скором времени.

Вывод:

Обнаружение объектов с помощью системы видеонаблюдения или любой системы автоматического видеонаблюдения является одним из ближайших планов, поскольку оно призвано сделать мир намного безопаснее. Обнаружение объекта с помощью камер видеонаблюдения может быть установлено и применено во многих местах, где требуется высокая безопасность. Шансы на улучшение и дальнейшее развитие в этой области огромны. С ростом уровня террора и преступности использование этого проекта поможет облегчить нагрузку на человека. Кроме того, это поможет нам остановить преступление или террористический акт по сравнению с использованием записей видеонаблюдения для анализа после событий.

Список литературы:

1. Видеоаналитика: Мифы и реальность (Торстен Анштедт, Иво Келлер, Харальд Лутц) 2019 г.
2. Библия видеонаблюдения – 3 (Дамьяновски Владо) 2019 г.
3. Методы обработки и распознавания изображений лиц в задачах биометрии (Кухарев, Каменская, Матвеев).
4. Распознавание лиц в маркетинге и ритейле (Маргарита Акулич) 2019 г.
5. Stepan, Mracek 3D Face Recognition: моногр. / Stepan Mracek. - М.: LAP Lambert Academic Publishing, 2011 г.
6. Divyarajsinh, ParmarYagnesh Parmar and Brijesh Mehta 3D Face Recognition System Based on 3D Eigenfaces / Divyarajsinh Parmar,Yagnesh Parmar and Brijesh Mehta. - М.: LAP Lambert Academic Publishing, 2013 г.