Камеры с распознаванием лиц


Видеоаналитика: распознавание лиц, детектор очередей, поиск объектов на видео

Тайваньская компания 42Ark и американский производитель «умных» кормушек CatFi Box используют камеры видеонаблюдения для распознавания кошачьего лика Немецкий электротехник Вальтер Брух в 1941 году установил CCTV-систему (Сlosed Circuit Television — система телевидения замкнутого контура) на полигоне, где испытывали ракеты «Фау-2». Это первый известный в истории случай использования видеонаблюдения на практике. Оператор должен был неотлучно сидеть перед монитором. Так продолжалось до 1951 года, пока не появились первые VTR (VideoTape Recorder) устройства, записывающие изображение на магнитную ленту. Запись на носитель не избавила оператора от необходимости участвовать в процессе. Опознание лиц, определение местоположения объектов, даже детекция движения – все эти функции выполнял человек, сидящий перед монитором в режиме реального времени или изучающий постфактум архив видео.

Колесо прогресса катится дальше. Видеонаблюдение получило видеоаналитку, полностью изменившую процесс работы с системой. Помните историю про кота и нейросеть глубокого обучения? Да, это тоже часть видеоаналитики, но крохотная. Сегодня расскажем о технологиях, которые кардинально меняют мир CCTV-систем.

Детекция очередей и бета-тест Первая IP-камера в мире Neteye 200, созданная в 1996 году компанией Axis Видеонаблюдение зарождалось как охранная замкнутая система, предназначенная только для решения вопросов безопасности. Ограничения аналогового видеонаблюдения не позволяли использовать оборудование как-то иначе. Интеграция видеонаблюдения с цифровыми системами открыла возможность автоматизировано получать различные данные, анализируя последовательность изображений. Важность трудно переоценить: в обычном случае после 12 минут непрерывного наблюдения оператор начинает пропускать до 45% событий. И до 95% потенциально тревожных событий будет пропущено уже после 22 минут непрерывного наблюдения (по результатам исследования IMS Research, 2002). Появились сложные алгоритмы анализа видео: подсчет посетителей, подсчет конверсии, статистика кассовых операций и многое другое. В этой системе исчезает оператор наблюдения – мы оставляем компьютеру возможность «смотреть» и делать выводы.

Самой простой пример умного видеонаблюдения – детекция движения. Не так важно есть ли встроенный детектор в самой камере – если вы установите на компьютер, к примеру, софт Ivideon Server, то детекор движения будет использоваться программный. Один детектор способен заменить сразу несколько операторов видеонаблюдения. А уже в 2000-е начали появляться первые системы видеоаналитики, способные распознавать объекты и события в кадре.

У Ivideon сейчас в разработке несколько модулей видеоаналитики – с тех пор, как мы выпустили OpenAPI, дело пошло быстрее за счет интеграции с партнерами. Часть проектов пока в закрытом тестировании, но кое-что уже готово. Это, во-первых, интеграция с кассами для контроля за кассовыми операциями (пока на базе iiko и Штрих-М). Во-вторых, разработан детекор очередей.

У нас был счетчик Ivideon Counter, определявший количество клиентов в зале. Аналитика позволила уйти от специального оборудования в сторону облачных вычислений. Теперь нам не нужна специфическая камера – подойдет любая камера видеонаблюдения с разрешением 1080p+. Сейчас мы хотим не просто считать людей, а определять очереди. Поэтому готовы любому магазину, ТЦ или офису, где ходят и стоят люди, образуя очереди, предоставить бесплатную камеру для теста детекции очереди. Напишите нам, чтобы принять участие в проекте.

Кроме того, Ivideon работает с технологиями распознавания лиц.

Кто и как распознает

Технология DeepFace проходит проверку Facebook на примере распознавания эмоционального лица Сильвестра Сталлоне Над решениями в этой области работают Apple, Facebook, Google, Intel, Microsoft и другие технологические гиганты. Комплексы видеонаблюдения с автоматическим распознаванием лиц пассажиров установлены в 22 аэропортах США. В Австралии занимаются разработкой биометрической системы распознавания лиц и отпечатков пальцев в рамках программы, призванной автоматизировать паспортный и таможенный контроль.

Крупнейшая китайская интернет-компания Baidu провела успешный эксперимент по отказу от билетов с помощью технологии распознавания лиц с точностью 99,77%, при длительности съемки и распознавания – 0,6 секунды. На входах в парк установлены стенды с планшетами и специальные рамки, которые ведут съемку. Когда турист приходит в парк впервые, система его фотографирует, чтобы в дальнейшем использовать функцию распознавания лиц по фото. Новые снимки сравниваются с фото из базы данных – так система определяет, есть ли у человека право на посещение.

В Китае с технологиями вообще все очень хорошо. В 2015 году Alipay, оператор платформы онлайн-платежей, входящий в состав холдинга Alibaba, ввел в действие систему верификации платежей на базе Face++, облачной платформы распознавания лиц, созданной китайским стартапом Megvii. Система получила название Smile to Pay — она дает возможность пользователям Alipay платить за онлайн-покупки путем съемки селфи (Alipay определяет владельца по улыбке). UBER в Китае стал применять систему распознавания лиц водителей на базе Face++, чтобы противостоять мошенничеству, краже персональных данных и обеспечить дополнительную безопасность пассажиров.

Но интереснее посмотреть не на зарубежные решения, а на сервисы, созданные в России. Эти технологии находятся гораздо ближе к конечному пользователю (если он из нашей страны), с ними можно познакомиться, в перспективе объединиться для использования в собственном продукте. Компаний, занимающихся распознаванием лиц, вокруг немало. Вспомним несколько, остающихся на слуху.

Компания «Вокорд», основанная еще в 1999 году, в программе FaceControl 3D работает с синхронными изображениями со стереокамер, строит 3D-модель лица в кадре и автоматически ищет совпадение полученной модели с моделями в имеющейся базе данных. В 2016 году «Вокорд» стал использовать собственный математический алгоритм распознавания лиц, в основе которого лежат сверточные нейронные сети, благодаря чему их алгоритмы теперь работают с любой камерой видеонаблюдения. В компании утверждают, что могут распознавать лица (в размере 128х128 пикселей) людей, следующих в потоке. В конце 2016 года алгоритм Vocord DeepVo1 показал лучшие результаты в мировом тестировании идентификации, правильно распознав 75,127% лиц.

Компания VisionLabs, основанная в 2012 году, победила в крупнейшем в России и Восточной Европе конкурсе технологических компаний GoTech, вошла в список финалистов европейской программы «Challenge UP!», призванной ускорить вывод на рынок решений и сервисов на базе концепции интернета вещей, привлекла многомиллионные инвестиции и уже внедряет свои продукты в коммерческий сектор. Недавно банк «Открытие» запустил систему распознавания лиц от VisionLabs с целью оптимизации обслуживания и времени ожидания клиентов в очереди. Ну и стоит прочитать замечательную историю, как специалисты из КРОК с помощью VisionLabs кота ловили.

VisionLabs, показавшая один из лучших результатов по распознаванию и уровню ошибок, также работает с нейронными сетями, выявляющими специфические черты каждого лица, такие как разрез глаз, форма носа, рельеф ушной раковины и т.д. Их система Luna позволяет найти все эти особенности лица по фото в архивах. Другое решение компании, Face Is, распознав лицо клиента в магазине, находит его профиль в CRM-системе, узнает из нее историю покупок и интересы покупателя, и отправляет на телефон уведомление с персональным предложением о скидке на его любимую категорию товаров.

Стартап Skillaz, занимающийся автоматизацией процесса найма сотрудников, и VisionLabs собираются в конце 2017 года представить систему компьютерного распознавания, которая будет оценивать поведение соискателей при найме. Проанализировав полученные данные, система будет делать выводы о профессиональных качествах человека и пригодности к должности. Полные характеристики системы «машинного найма» компании не раскрывают. Известно лишь, что будет оцениваться коммуникабельность кандидата, исходя из его ответов на определенный набор вопросов, задаваемых системой online-интервью. Нейросеть будет искать взаимосвязь поведения кандидата на картинке с камеры видеонаблюдения и степень выраженности у него той или иной компетенции.

Сетка, представляющая собой доктора Лайтмана и Шерлока Холмса в одном лице, будет учитывать мимику кандидата, его жестикуляции, а также физиогномику. Тут стоит заметить, что метод определения типа личности человека, его душевных качеств, исходя из анализа внешних черт лица и его выражения, в современной психологической науке считается классическим примером псевдонауки. Как с этим противоречием справятся в новом продукте пока неясно.

Слайд из презентации NTechLab, угнетающий Салмана Радаева

NTechLab начинали с приложения, которое определяло породу собак по фотографии. Позже они написали алгоритм FaceN, с которым осенью 2015 года приняли участие в международном конкурсе The MegaFace Benchmark. NTechLab одержала победу в двух номинациях из четырех, обойдя и команду Google (через год в этом же конкурсе победит «Вокорд», а NTechLab сместится на 4-ю позицию). Успех позволил им быстро реализовать сервис FindFace, ищущий людей по фотографиям во ВКонтакте. Но это не единственный способ применения технологии. На фестивале Alfa Future People, организованном «Альфа-Банком», с помощью FindFace посетители могли найти свои фотографии среди сотен других, отправив селфи чат-боту.

Кроме того, NTechLab показали систему, способную в режиме реального времени распознавать пол, возраст и эмоции, используя изображение с видеокамеры. Система способна оценить реакцию аудитории в режиме реального времени, благодаря чему можно определить эмоции, которые испытывают посетители во время презентаций или трансляций рекламных сообщений. Все проекты NTechLab строятся на самообучающихся нейронных сетях.

Путь Ivideon к видеоаналитике

Распознавание лиц – одна из самых сложных задач в области видеоаналитики. С одной стороны, вроде все понятно и давно используется. С другой стороны, решения идентификации в толпе людей все еще стоят очень дорого и не дают абсолютной точности. В 2012 году в Ivideon начали работу с алгоритмами видеоанализа. В тот год мы выпустили приложения для iOS и Android, вышли на зарубежные рынки, запустили децентрализованные сети CDN с серверами в США, Нидерландах, Германии, Кореи, России, Украине, Казахстане и стали единственным международным сервисом видеонаблюдения, работающим одинаково хорошо во всем мире. В общем, казалось, что сделать свою аналитику с блэк-джеком и распознаванием будет просто и быстро… мы были молоды, трава казалась зеленее, а воздух – сладким и томительным.

[На тот момент мы рассматривали классические алгоритмы. Для начала нужно детектировать и локализовать лица на изображении: используем каскады Хаара, поиск регионов с текстурой, похожей на кожу и т.п. Допустим, нам надо найти первое попавшееся лицо и сопровождать только его в видеопотоке. Тут можно воспользоваться алгоритмом Лукаса-Канаде. Находим алгоритмом лицо и далее определяем в нём характерные точки. Сопровождаем точки с помощью алгоритма Лукаса-Канаде; после их пропадания считаем, что лицо исчезло из поля зрения. Получив характерные признаки лица, мы сможем сравнить его с признаками, заложенными в базе данных.

Для сглаживания траектории движения объекта (лица), а также для предсказания его положения на следующем кадре используем фильтр Кальмана. Тут необходимо отметить, что фильтр Кальмана предназначен для линейных моделей движения. Для нелинейного же используется алгоритм Particle Filter (как вариант Particle Filter + алгоритм Mean Shift).

Можно также использовать алгоритмы вычитания фона: библиотека с примерами реализации алгоритмов по вычитанию фона + статья по реализации легкого алгоритма вычитания фона ViBe. Кроме того, не стоит забывать один из самых распространенных методов Виолы-Джонса, реализованный в библиотеке компьютерного зрения OpenCV.

]

Простое распознавание лиц – хорошо, но недостаточно. Нужно еще обеспечить устойчивое слежение за несколькими объектами в кадре даже в случае их совместного пересечения или временного «пропадания» за препятствием. Считать любое количество объектов, пересекающих определенную зону и учитывать направления пересечения. Знать, когда появляется и исчезает предмет/объект в кадре – навести мышкой на грязную чашку на столе и найти момент в видеоархиве, когда она там появилась и кто её оставил. В процессе слежения объект может измениться достаточно сильно (с точки зрения преобразований). Но от кадра к кадру эти изменения будут такими, что можно будет идентифицировать объект. Кроме того, мы хотели сделать универсальное облачное решение, доступное для всех – из самых требовательных пользователей. Решение должно было быть гибким и масштабируемым, поскольку мы сами не могли знать, за чем хочет следить и что хочет считать пользователь. Вполне возможно, что кто-нибудь предполагал бы сделать на базе Ivideon трансляцию тараканьих бегов с автоматическим определением победителя. Только спустя пять лет мы приступил к тестированию отдельных компонентов видеоаналитики – подробнее об этих проектах расскажем в новых статьях.

P.S. Итак, мы ищем добровольцев для тестов детектора очередей. А также пользователей системы ШТРИХ-М для теста новой системы контроля кассовых операций. Пишите на почту или в комментариях.

habr.com

ОБЗОР ЛУЧШИХ КАМЕР С ФУНКЦИЕЙ РАСПОЗНАВАНИЯ ЛИЦА

Эта функция становится все более популярной в наших устройствах, а не только в домашних камерах безопасности , а также в наших сотовых телефонах и в качестве инструментов эффективности, помогающих автоматизировать регистрацию в аэропорту .

Давайте взглянем на камеры распознавания лиц, которые мы тестировали недавно, чтобы увидеть, какие модели являются лучшими и помочь вам определить, будет ли работать в вашем доме.

Во-первых, давайте поговорим о тестировании. Алгоритмы распознавания лиц несколько отличаются у разных разработчиков , но суть всегда одна и та же.

Вы создаете профили отдельных людей, снимая их изображение в реальном времени и добавляя его или используя имеющуюся у них фотографию.Оттуда камера должна  быть способна отличать человеческие лица от любого другого вида движения и выделять те, которые она распознает из вашей базы данных знакомых лиц. Когда он работает оптимально, вы получите предупреждение о том, что камера увидела «Крис», «Молли» или тот, кто находится в вашей базе данных.

Существует много вариантов использования этого типа функций, но некоторые из них включают получение предупреждения, когда ваши дети возвращаются домой из школы или приходит репетитор. Это создает спокойствие, когда вы ожидаете, что кто-то появится, и вы хотите получить автоматическое оповещение (особенно, когда вы не дома, чтобы приветствовать их).

Но это также помогает в  безопасности, если ваша камера отправит вам предупреждение о том, что она увидела кого-то на вашем крыльце или в вашем доме, но вы не узнаете их, вы можете быстрее отправить информацию правоохранительным органам.

Лучший способ проверить эти камеры - создать базу данных и позволить камерам делать все остальное. Лучше всего магазинам давать эти камеры по крайней мере на несколько дней, потому что функциональность камеры значительно улучшается, даже в течение короткого периода времени, если она видит лица под разными углами.

Лучшее распознавание лица

Имея это в виду, давайте взглянем на некоторые другие домашние камеры безопасности и выделим области, в которых они преуспевают. Вот список камер распознавания лиц, которые мы недавно тестировали:

  • Безопасность дома Honeywell Smart

  • Гнездо Cam IQ Indoor

  • Гнездо Cam IQ Outdoor

  • Гнездо Hellow

  • Tend Secure Lynx

  • Tend Secure Lynx Pro

  • Wisenet SmartCam N1

ЛУЧШАЯ ЦЕНА

Tend Secure Lynx стоит всего 60 долларов. Учитывая это, я скептически отнесся к этой камере, но это так. Камера не только хорошо работает и предлагает некоторые приятные функции, такие как бесплатное семидневное хранилище видеоклипов на основе событий , но также имеет распознавание лиц.

Создайте свою базу данных знакомых лиц, а Lynx возьмет верх. Существует немного кривая обучения, так как она знакома с каждым лицом, но это очень хороший вариант, если вы хотите недорогую внутреннюю камеру безопасности дома с достойным распознаванием лица.

Лучшая наружная камера: Гнездо Hello

The Nest Hello не является традиционной домашней камерой безопасности.На самом деле это видео-дверной звонок, который вам сложно и поменять там, где установлен существующий проводной дверной звонок.

В $ 229, Hello не дешево, но он поставляется с невероятным списком функций и очень хорошим распознаванием лиц. Недостатком является то, что вам приходится платить за распознавание лиц, поэтому вы должны подписаться на службу подписки на облачную службу Nest Aware. Узнайте больше о Nest Aware .

Опять же, это не бюджетный вариант, но если вы хотите получить предупреждение, в котором говорится, кто у вас на входе, это простой выбор.

Лучшая интеллектуальная поддержка дома: Nest Cam IQ Indoor

$ 299 Nest Cam IQ Indoor очень похож на дверь гнезда Hello Hello. Он имеет распознавание лица (если вы подписываетесь на подписку на Nest Aware) и дает вам знать, кто с вами постоянно сталкивается с полем камеры.

Но он также имеет некоторые дополнительные преимущества. Поскольку это крытая камера, Nest предоставил ей встроенный динамик Google Assistant .Это означает, что камера по существу удваивается как   динамик Google Home и может отвечать на основные вопросы, такие как текущая погода или трафик в вашем регионе, и управлять различными смарт-домашними устройствами с поддержкой Google-Assistant. Он также работает с AmazonAlexa.

Лучшие функции: Tend Secure Lynx Pro

С точки зрения особенностей, Lynx Pro от Tend Secure действительно обеспечивает. За 150 долларов вы получаете бесплатное семидневное хранилище видеозаписей на основе событий, защищающее от погодных явлений внешнее устройство, которое может работать внутри или снаружи и подзаряжать аккумулятор. Он также имеет внутреннее местное хранилище и поддержку для Amazon Alexa и Google Assistant.

Это здорово, но Lynx Pro не был лучшим исполнителем с точки зрения распознавания лиц. Он регулярно боролся, чтобы увидеть лица, и когда это произошло, он часто пытался правильно их идентифицировать.

Лучшее в целом: Nest Hello

Если мы говорим о широких возможностях распознавания лиц, то Nest Hello, гнездо Cam IQ Indoor и гнездо Cam IQ Outdoor (все из которых по сути являются одной и той же камерой), побеждают далеко. Из этих моделей, Nest Hello - мой лучший выбор, потому что он наименее дорогой из трех и имеет наибольшую возможность предоставить вам важную информацию о том, кто у вас на входе.

Это кажется более уместным с точки зрения распознавания лиц, чем отслеживание того, кто уже находится в вашем доме, как камера IQ Indoor, и его расположение в виде дверного звонка на уровне глаз имеет наилучший шанс увидеть самых посетителей (хотя, я полагаю, вы можете установить $ 349 IQ Outdoor cam на уровне глаз тоже, если хотите).

Тем не менее, если вы просто ищете твердую бюджетную камеру с достойным распознаванием лица, то 60 $ Tend Secure Lynx обладает множеством возможностей. Мы продолжим отслеживать тенденцию распознавания лиц как функцию в домашних камерах безопасности и предоставлять обновления на этом пути. Учитывая, что рынок все больше добавляет доступные камеры до $ 100 в микс, вскоре может стать компетентным конкурентом для тестирования Tend Secure Lynx.

a-tp.ru

Распознавание лиц

Камера с ПО для распознавания лиц — это эффективное решение в случаях, когда вам требуется распознавать, идентифицировать или подтверждать личность людей. Данная технология поможет вам улучшить обслуживание клиентов и защитить имущество, определяя важных клиентов или потенциальных нарушителей.

Функция распознавания лиц является отличным дополнением для вашей системы охранного видеонаблюдения. Она способствует не только повышению безопасности, но и улучшению качества видеонаблюдения в режиме реального времени.

Программное обеспечение для распознавания лиц сопоставляет лица из живого видео с базой данных или ранее сохраненными фотографиями. Вы распределяете лица в базе данных по категориям в соответствие с конкретными требованиями, такими как контроль доступа, обнаружение VIP-персон или разыскиваемых/нежелательных людей.

Когда лицо снимается камерой, в режиме реального времени проводится сопоставление — и соответствие либо несоответствие базе данных приводит к предоставлению или запрету доступа, либо к активации тревоги с уведомлением выбранного персонала соответствующих служб о необходимости принятия мер.

Вместе с нашими партнерами мы предлагаем решения для распознавания человеческих лиц, которые можно применять в самых разных ситуациях:

  • Идентификация лиц из категории V.I.P. в казино, гостиницах или дорогих магазинах.
  • Обнаружение разыскиваемых лиц в аэропортах.
  • Интеграция с системами контроля доступа в корпоративных и коммерческих зданиях.
  • Наблюдение или занесение в черный список на стадионах, в магазинах или казино.

Технология распознавания лиц помогает повысить безопасность мадридского казино. 

Подробнее

Бразильский аэропорт повышает уровень безопасности благодаря распознаванию лиц.

Подробнее

www.axis.com

В Москве заработала одна из крупнейших в мире систем видеонаблюдения с функцией распознавания лиц

Московскую систему видеонаблюдения научили распознавать лица. Благодаря алгоритму, основанному на использовании нейросетей, видеозаписи с городских камер проходят анализ в режиме реального времени. Лица на записях сканируются, чтобы их при необходимости можно было сравнить с информацией в различных базах данных — например, в фотобазах правоохранительных органов, когда речь идет о поиске правонарушителя. Кроме того, такая аналитическая система может помочь правоохранительным органам при поимке преступника выстроить маршрут его передвижения по городу. Система сама подберет нужные видеозаписи с разных камер наблюдения, идентифицировав подозреваемого на видео. Столичная сеть состоит из 160 тысяч видеокамер и охватывает 95 процентов подъездов жилых домов. До конца года горожане смогут самостоятельно устанавливать на своих домах камеры и подключать их к единой системе видеонаблюдения.

«Внедрение видеоаналитики является мощным драйвером повышения эффективности как частных, так и городских систем видеонаблюдения. У жителей города появился дополнительный уровень защиты, — рассказал руководитель Департамента информационных технологий Москвы Артем Ермолаев. — Разумеется, все эти возможности должны внедряться очень ответственно. Наш приоритет — баланс между конфиденциальностью и безопасностью, и мы придерживаемся строгой внутренней политики контроля, гарантирующей соблюдение прав граждан».

В Департаменте добавили, что сегодня это одна из крупнейших в мире систем безопасности, где идентификация личности применяется в таком масштабе.

Сейчас к системе городского наблюдения подключены порядка 16 тысяч пользователей — это сотрудники правоохранительных органов, государственных и муниципальных организаций. Для каждого установлен свой уровень доступа, что позволяет соблюдать конфиденциальность информации. Правоохранители могут получить необходимые данные по запросу в рамках действующего законодательства, а сотрудники госучреждений получают доступ к видеокамерам только с тех территорий и маршрутов, за которые они несут ответственность. Каждое обращение к системе слежения фиксируется.

Функция распознавания лиц работает в режиме онлайн, процесс идентификации личности занимает несколько секунд. В случае если алгоритм обнаружит человека, чье лицо загружено в базу данных, он отправит оповещение в правоохранительные органы.

В Департаменте также отметили, что внедрение функции распознавания лиц уже повысило эффективность расследования правонарушений и поиска преступников. Во время пилотных испытаний с ее помощью было обнаружено и задержано более 50 процентов нарушителей закона, которых разыскивали с использованием аналитических алгоритмов. До этого некоторых из них не могли найти в течение многих лет.

Москвичи смогут подключать свои камеры наблюдения к общей городской сети. Эту опцию реализуют до конца года. Видео с таких камер будет передаваться в единый центр хранения и обработки данных (ЕЦХД), а записи с них могут быть использованы в качестве юридически значимого доказательства в суде.

В этом году к единому центру хранения и обработки данных дополнительно подключили более 3,5 тысячи камер. К единой системе подключены подъездные видеокамеры, камеры, установленные на территории и в зданиях школ и детских садов, на станциях МЦК, стадионах, остановках общественного транспорта и автовокзалах, а также в парках. Кроме того, до июня 2018 года в 25 подземных пешеходных переходах столицы появятся камеры видеонаблюдения. Записывающие устройства установят в подземных переходах, не связанных со станциями метрополитена и находящихся в ведении ГБУ «Гормост».

www.mos.ru


Смотрите также