Распознавание и поиск похожих лиц

Архитектура решения

Так как вся внутренняя инфраструктура ОК построена на Java, то и все компоненты мы завернем в Java. Inference на detector и recognizer работает под управлением TensorFlow через Java API. Detector работает на CPU так как удовлетворяет нашим требованиям и работает на уже имеющемся оборудовании. Для Recognizer-а мы установили 72 GPU карты, так как запуск Inception-ResNet не целесообразен на CPU с точки зрения ресурсов.

В качестве базы данных для хранения векторов пользователя используем Cassandra.
Так как суммарный объем векторов всех пользователей портала ~300Gb, то для быстрого доступа к векторам добавляем кэш. Кэш реализован в off-heap, детали можно прочитать в статье Андрея Паньгина: «Использование разделяемой памяти в Java и off-heap кеширование».

Построенная архитектура выдерживает нагрузку до 1 млрд фото в сутки при итерации по пользовательским профилям, при этом параллельно продолжается обработка новых заливаемых фотографий ~20 млн фото в сутки.

Рисунок 6. Архитектура решения

FindFace — программа от российского разработчика

Своим выходом в свет сервис FindFace обязан российским разработчикам. Принцип его действия заключен в сравнении имеющегося у пользователя фото с профилями и поиске похожих людей. Фотография человека загружается в специальную форму и сервис ищет совпадения. FindFace вызвал шумиху сразу после появления, так как при помощи него некоторые “продвинутые” юзеры нашли девушек, которые снимаются в видео для взрослых, и начали писать их близким и знакомым в целях разоблачения. Ввиду широкому скандалу сервис стал очень популярным.

Главная страница очень простая – ничего лишнего, лишь форма, в которой уже стоит галочка в окошке, означающая согласие юзера с пользовательским соглашением (ссылка на него кликабельна и можно сразу же с ним ознакомиться). Без этого согласия пользоваться поиском FindFace не получится. Приложение доступно как в веб-версии, так и на устройствах с ОС Андроид. Возможен и выбор языка – русский либо английский. Нажимаем “Найди одинаковых!” и разрешаем сайту получить доступ к нашему профилю ВКонтакте (который и будет аккаунтом на FindFace).

Последний представлен в трех вариантах:

Статус Особенности
Бесплатный 30 бесплатных запросов
Premium 75 запросов в месяц
VIP 300 запросов в месяц

Имеется возможность получить Premium аккаунт бесплатно на месяц – для этого надо пригласить воспользоваться сервисом 10 друзей, поделившись ссылкой ВКонтакте или отправив ее на электронную почту выбранным получателям.

Дальнейший порядок действий:

  • Загружаем или перетаскиваем фотку в специальное поле (весом не больше 5 Мб и в форматах JPG или PNG).
  • Поиск осуществлен, и мы видим, что ВКонтакте найден 51 человек, у которых на фото изображен человек, чьё фото мы загрузили.
  • С данной страницы можно просмотреть профиль пользователя (5 раз на бесплатном аккаунте FindFace, неограниченное количество раз – на Premium и VIP), задать параметры либо начать новый поиск.

Виды распознавания лиц

Предлагаем вам немного углубиться в техническую сторону вопроса. Какие на сегодняшний день существуют виды распознавания:

  • 2д-распознавание. В основе анализа биометрических данных лежат двумерные изображения – эта база данных в настоящий момент самая крупная. Однако, трехмерная идентификация ее уверенно догоняет.
  • 3д-распознавание. Этот подход предполагает конструирование для каждого образа трехмерной маски. Процесс более трудоемкий, но он превосходит предыдущий в точности анализа. Правда, на близняшках может споткнуться и выдать ошибку;

  • Метод анализа текстуры кожи. Способ предполагает использование снимков очень высокого разрешения, на которых отчетливо видна текстура человеческой кожи, вплоть до каждой линии или поры. Эта технология позволяет различать даже близнецов, но стоит она очень дорого;
  • В перспективе планируется запуск анализирования на основе тепловизионного очерка. Ожидается, что технология позволит распознавать лица в темноте, с сильным макияжем, накладными элементами.

Основные сложности для технологий распознавания

На производительность Face ID-систем за пределами контролируемой среды могут влиять многие факторы. Продвинутые программы для анализа лиц могут в некоторой степени справляться с подобными изменениями, но при плохих условиях они могут выдавать ошибочные результаты идентификации или совсем не справляться с распознаванием.

Освещение и поза. Программы анализа лиц лучше всего работают с изображениями, на которых человек смотрит прямо в камеру. Условия освещения должны быть достаточно яркими, чтобы запечатлеть все черты лица, но не засвечивать их. Положение лица также меняется при повороте головы и зависит от угла обзора наблюдателя.

Выражения лица. Нейтральное выражение идеально подходит для точного распознавания. Однако наши эмоции и настроение постоянно меняются, как и мимика. Эти различия меняют внешний вид лица, и для систем распознавания становится трудным его идентифицировать.

Старение. Естественные возрастные изменения внешности человека также влияют на способность систем распознавания лиц аутентифицировать людей.

Косметологические вмешательства, смена стиля. Изменения во внешности благодаря пластическим операциям, макияжу, смене прически могут негативно отразиться на точности срабатывания алгоритмов распознавания.

Аксессуары. Наличие на лице различных объектов (очки, борода и т.д.) или ношение других аксессуаров, таких как головные уборы, шарфы, может серьезно повлиять на работу системы распознавания. Но современные алгоритмы отрабатывают способность видеть сквозь эти препятствия.

Специальная маскировка для обмана систем распознавания. Есть аксессуары — сочетание моды и технологии — способные перехитрить алгоритмы распознавания лиц: линзообразные маски (их кривизна блокирует распознавание лиц со всех углов), проекторы, накладывающие изображение другого лица на лицо владельца, очки с инфракрасными светодиодами, специальный макияж и другие.

FindFace — программа распознавания лиц в Интернете

FindFace – сервис, с помощью которого можно найти профиль ВКонтакте по фотографии. Существуют мобильные приложения для Android и iOS, а также веб-версия.

https://youtube.com/watch?v=VZnWnbFUJqQ

Приложение позволяет сделать 30 бесплатных поисков, а после этого услуга – платная.

В веб-версии функций чуть больше, и вы можете сразу увидеть профиль человека.

Лучше всего программа распознает фотографии, сделанные при дневном свете на средний смартфон, но в 2-3 раза менее точна, если вы фотографируете незнакомцев издалека. Но с помощью увеличения картинки эффективность вновь возрастает.

Развитие технологий приводит к тому, что все меньше информации остается скрытой, и наступает конец анонимности.

https://youtube.com/watch?v=zt1tiMGfLUw

Советы:

· Специалисты советуют одевать что-то на лицо, например, капюшон, маску или очки, чтобы обмануть камеру, либо смириться с тем, что в нашем обществе все меньше места личному пространству.

удалить все старые фотографии из своего аккаунта и оставить фотографию, по которой вас будет сложно распознать.

Реализация

Переходим к практике.

В реализации мы будем использовать Keras и Tensorflow. Кроме того, мы используем два файла утилиты из репозитория deeplayning.ai, чтобы абстрагироваться от взаимодействий с сетью FaceNet.

  • fr_utils.py содержит функции для подачи изображений в сеть и получения кодирования изображений;
  • inception_blocks_v2.py содержит функции для подготовки и компиляции сети FaceNet.

Компиляция сети FaceNet

Первое, что нам нужно сделать, это собрать сеть FaceNet для нашей системы распознавания лиц.

import os
import glob
import numpy as np
import cv2
import tensorflow as tf
from fr_utils import *
from inception_blocks_v2 import *
from keras import backend as K
K.set_image_data_format('channels_first')
FRmodel = (input_shape=(3, 96, 96))
def triplet_loss(y_true, y_pred, alpha = 0.3):
    anchor, positive, negative = y_pred, y_pred, y_pred

    pos_dist = tf.reduce_sum(tf.square(tf.subtract(anchor,
               positive)), axis=-1)
    neg_dist = tf.reduce_sum(tf.square(tf.subtract(anchor, 
               negative)), axis=-1)
    basic_loss = tf.add(tf.subtract(pos_dist, neg_dist), alpha)
    loss = tf.reduce_sum(tf.maximum(basic_loss, 0.0))
   
    return loss
FRmodel.compile(optimizer = 'adam', loss = triplet_loss, metrics = )
load_weights_from_FaceNet(FRmodel)

Мы начнем инициализпцию нашей сети со входа размерности (3, 96, 96). Это означает, что картинка передается в виде трех каналов RGB и размерности 96×96 пикселей.

Теперь давайте определим Triplet Loss функцию. Функция в сниппете кода выше удовлетворяет уравнению Triplet Loss, которое мы определили в предыдущей секции.

Если вы не знакомы с фреймворком TensorFlow, ознакомьтесь с документацией.

Сразу после того, как мы определили функцию потерь, мы можем скомпилировать нашу систему распознавания лиц с помощью Keras. Мы будем использовать для минимизации потерь, подсчитанных с помощью функции Triplet Loss.

Подготовка базы данных

Теперь когда мы скомпилировали FaceNet, нужно подготовить базу данных личностей, которых сеть будет распознавать. Мы будем использовать все изображения, которые лежат в директории images.

Замечание: мы будем использовать по одному изображения на человека в нашей реализации.  FaceNet достаточно мощна, чтобы распознать человека по одной фотографии.

def prepare_database():
    database = {}
    for file in glob.glob("images/*"):
        identity = os.path.splitext(os.path.basename(file))
        database = (file, FRmodel)
    return database

Для каждого изображения мы преобразуем данные изображения в 128 float чисел. Этим занимается функция img_path_to_encoding. Функция принимает на вход путь до изображения и «скармливает» изображение нашей распознающей сети, после чего возвращают результаты работы сети.

Как только мы получили закодированное изображения в базе данных, сеть наконец готова приступить к распознаванию!

Распознавание лиц

Как уже обсуждалось ранее, FaceNet пытается минимизировать расстояние между схожими изображениями и максимизировать между разными. Наша реализация использует данную информацию для того, чтобы определить, кем является человек на новой картинке.

def who_is_it(image, database, model):
    encoding = (image, model)
    
    min_dist = 100
    identity = None
    
    # Loop over the database dictionary's names and encodings.
    for (name, db_enc) in database.items():
        dist = np.linalg.norm(db_enc - encoding)
        print('distance for %s is %s' %(name, dist))
        if dist < min_dist:
            min_dist = dist
            identity = name
    
    if min_dist > 0.52:
        return None
    else:
        return identity

Загружаем новое изображение в функцию img_to_encoding. Функция обрабатывает изображения, используя FaceNet и возвращает закодированное изображение. Теперь мы можем сделать предположение о наиболее вероятной личности этого человека.

Для этого подсчитываем расстояние между полученным новым изображением и каждым человеком в нашей базе данных. Наименьшая дистанция укажет на наиболее вероятную личность человека.

Наконец, мы должны определить действительно ли совпадают личности на картинке и в базе. Следующий кусок кода как раз для этого:

 if min_dist > 0.52: 
     return None 
 else:
     return identity

Магическое число 0.52 получено методом проб и ошибок. Для вас это число может отличатся, в зависимости от реализации и данных. Попробуйте настроить самостоятельно.

На GitHub есть демо работы полученной сети, с входом от простой вебкамеры.

Распознавание лиц в Москве

Генеральный директор NtechLab Алексей Минин признался в интервью Forbes, что FindFace – самый масштабный проект в мире по распознаванию лиц в реальном времени. Инструменты, применяемые в приложении, позволяют мгновенно обнаружить искомого человека в толпе, сверить его с полицейскими базами данных и при необходимости оповестить правоохранительные органы об этом, параллельно продолжая вести слежку. Похожую систему пытались использовать лондонские власти, задействовав сервис японской студии NEC, но скорость его срабатывания оказалась не в пример меньше, чем у FindFace.

Даже если оставить в стороне этичность использования технологии распознавания лиц в городской среде, NtechLab является отличным примером того, как компания, которая получила доступ к большим объёмам данных, может распорядиться ими. Ведь алгоритмы, применяемые в FindFace, работали на базе нейронных сетей и самообучались в процессе использования. Получается, что сами пользователи натаскали сервис на распознавание, помогая ему исправлять ошибки и подтверждая правильные результаты поиска. Вот и получается, что те, кто в своё время говорил, что FindFace – это средство для шпионажа, которое если ещё не попало в руки правительства, то обязательно попадёт, были правы.

Поиск человека по фото с телефона

Возможности

Главная задача биометрических систем — обеспечить комфортную и безопасную городскую среду. Сейчас, в разгар пандемии, они стали одним из важных инструментов защиты здоровья. Биометрия применяется практически в каждой отрасли: в банках, ретейле, на транспортных и промышленных предприятиях.

Использование биометрии активно набирает обороты в финансовом сегменте. В частности, технология распознает загримированных мошенников или переклеенные фотографии в документах.

В государственном сегменте биометрические системы наиболее широко используются в рамках решений «умного» города. В июле 2019 года были подведены итоги тестового внедрения систем распознавания в метро и на улицах Москвы. Системы сопоставляли лица из видеопотока с базой находящихся в розыске и в случае совпадения уведомляли сотрудников полиции, дежуривших поблизости. В итоге с помощью тысячи камер снаружи подъездов жилых домов были задержаны 90 человек. В метро системы видеоаналитики использовались на нескольких станциях. В ходе теста ежемесячно удавалось задержать от пяти до десяти преступников.

Частные компании также внедряют биометрию у себя в офисах. Использование распознавания лиц в системах контроля и управления доступом позволяет избежать фальсификаций с пропусками — биометрический идентификатор нельзя потерять или передать третьему лицу.

Есть и другие примеры использования биометрии коммерческим сектором. Например, автопроизводители прибегают к ней для повышения безопасности транспортных средств — делают так, чтобы в машине можно было перехватить управление в тот момент, когда водитель отвлекся. Одновременно биометрия позволяет автомобилю вспомнить настройки каждого водителя, что особенно актуально для постоянных пользователей каршеринга. Водитель тратит первые десять минут на подгонку кресел и зеркал под себя. Если же в автомобиле внедрена бортовая камера с распознаванием лиц, то машина может автоматически переключиться на настройки, заданные конкретным человеком.

Системы распознавания лиц применяют во благо горожан, но, как и при использовании любой другой технологии, есть определенные риски 

(Фото: Shutterstock)

Наиболее актуальный сейчас вариант использования биометрии — эпидемиологический контроль. В этом году команда VisionLabs совместно с ГК «Элемент» представила комплексное решение — систему контроля и управления доступом на базе биометрической идентификации и измерения температуры тела человека. В решении используется продукт VisionLabs VL Thermo для бесконтактной автоматической термометрии. В России его уже внедрили, в частности, «Макдональдс», Сбербанк и ГК «Росатом», тестирование проходит в «Газпроме», на Октябрьской железной дороге и в других компаниях.

Пример распознавания лица

Высококачественные камеры в мобильных устройствах сделали функцию распознавания лиц жизнеспособной опцией для аутентификации и идентификации. Например, Apple iPhone X и Xs, включая технологию Face ID, позволяют пользователям разблокировать телефон с помощью отпечатка лица, отображаемого камерой телефона.

Программное обеспечение телефона, разработанное с помощью 3D-рендеринга для защиты от подделки фотографий или маски, будет фиксировать и сравнивать более 30 000 переменных. Face ID можно использовать для аутентификации покупок в Apple Pay, а также в iTunes Store, App Store и iBooks Store. Apple шифрует и хранит данные отпечатков пальцев в облаке, но аутентификация происходит непосредственно на устройстве.

Интеллектуальная реклама в аэропортах теперь может определять пол, этническую принадлежность и приблизительный возраст прохожих, а затем ориентировать рекламу на эту аудиторию.

Facebook использует программное обеспечение для распознавания лиц, чтобы отмечать людей на фотографиях. Каждый раз, когда человек отмечен на фотографии, программное обеспечение хранит картографическую информацию о чертах лица этого человека. После сбора достаточного количества данных программное обеспечение может использовать эту информацию для идентификации лица конкретного человека, когда этот человек появляется на новой фотографии.

Другие примеры распознавания лиц используют Amazon, MasterCard и Alibaba, которые внедрили методы оплаты по распознаванию лиц, широко известные как Selfie Pay.

Разработчики могут использовать Amazon Rekognition, сервис анализа изображений, чтобы добавить в приложение функции распознавания и анализа лиц. Google предоставляет аналогичные возможности с API Google Cloud Vision.

Технология, которая использует машинное обучение для обнаружения, сопоставления и распознавания лиц, используется различными способами, включая развлечения и маркетинг. Например, игровая система движения Kinect использует распознавание лиц, чтобы различать игроков.

Распознавание лиц может использоваться для бесчисленных приложений, от обеспечения безопасности до рекламы. Вот некоторые из них:

  • Производители мобильных телефонов, такие как Apple.
  • Социальные сети, такие как Facebook, помечают людей на фотографиях.
  • Безопасный бизнес, может использовать распознавание лиц для входа в здания.
  • Маркетинг. Маркетологи могут использовать распознавание лиц, чтобы определить возраст, пол и этническую принадлежность для целевой аудитории.

Интересные примеры использования программ для распознавания и сравнения лиц

Распознавание лиц — это сложная технология, которая может успешно применяться во многих областях бизнеса и государственном секторе. Обычные пользователи могут получить к ней доступ в виде различных популярных веб-сервисов и приложений.

Аутентификация личности. Face ID может быть использован для предотвращения мошенничества в банковской сфере, для разблокировки онлайн-транзакций, для идентификации пола и возраста в розничной торговле (или для выявления магазинных воров), в медицине — в качестве средства диагностики, и многих других

Чтобы узнать больше о сферах применения технологии Face ID, рекомендуем вам обратить внимание на нашу следующую статью.

Поиск двойников. Такие веб-сервисы, как Twin Strangers, FamilySearch или FindClone используют алгоритмы распознавания лиц на основе искусственного интеллекта, что позволяет искать двойников, “клонов” или людей, очень похожих на вас внешне

Система будет сравнивать фото пользователя с миллионами других профилей до тех пор, пока не найдет совпадение. Иногда люди даже находят близких родственников, о существовании которых они и не подозревали, несмотря на то, что эти сервисы в основном предназначены для развлечения.

  • Поиск “звёздных” двойников. Программы сравнения лиц со знаменитостями, например, StarByFace или PicTriev, используют технологии распознавания по фото, чтобы сравнить схожесть лиц пользователей с известными людьми.
  • Определение национальности по фото. Технология распознавания лиц может быть использована для исследования этнокультурного многообразия. Например, сервис Ancestry.ai позволяет провести тест на этническую принадлежность на основе анализа лица после загрузки фотографии в систему.
  • Распознавание эмоций. Компьютеры постепенно учатся понимать человеческие эмоции, читая тонкие подсказки в языке нашего тела и речи. В недавно опубликованной статье мы писали о концепции эмоционального искусственного интеллекта, который позволяет машинам становиться все ближе к человеку.
  • Найти человека по фото в соцсетях также возможно благодаря технологиям Face ID. Например, Facebook уже давно использует встроенные алгоритмы распознавания лиц. Так что как пользователи социальных сетей, будьте внимательны: Google с легкостью вас найдет, если вы забыли запретить распознавание ваших фото.
  • Программы для определения возраста. Работают так же, как и другие сервисы распознавания лиц. Даже в камеры наших смартфонов могут быть встроены алгоритмы распознавания по возрасту.

Биометрические системы распознавания лиц и программы сравнения лиц постепенно стали частью нашей повседневной жизни, благодаря их высокой точности при обнаружении и проверке личности человека — в целях обеспечения безопасности, в коммерции и других сферах.

У команды Evergreen есть опыт в разработке решений по распознаванию лиц и их успешной реализации в проектах клиентов. Программное обеспечение для сравнения лиц нашей собственной разработки доступно для вас в виде коробочного продукта, или же мы можем предложить индивидуальное решение, которое будет максимально соответствовать потребностям вашего бизнеса.

Если у вас возникли вопросы, хотите узнать больше о нашем продукте и других бизнес-кейсах, обращайтесь к нам прямо сейчас!

09.07.2020
Используемые в статье картинки взяты из открытых источников и используются как иллюстрации.

Блог о биометрии

16 декабря 2020

Перспективы биометрии в России

11 декабря 2020

Цифровая трансформация состоялась. RecFaces на ALL-OVER-IP 2020

23 ноября 2020

VxFaces теперь в Google Play

18 ноября 2020

Биометрия по-русски

18 ноября 2020

RecFaces приняла участие в крупнейшем форуме Европы — Smart City Live

30 октября 2020

Тепловизоры ОКБ «АСТРОН» теперь оснащены лицевой биометрией

7 октября 2020

Идём на восток. RecFaces приняла участие в онлайн выставке CommunicAsia

29 сентября 2020

Обновлениям быть. Развитие Id-Guard в условиях повышенной заболеваемости

22 сентября 2020

Как на бизнес повлияла Цифровая экономика

11 сентября 2020

Биометрия для нефтегазовых лидеров России, СНГ, Европы и Азии

Система распознавания пользователей в соц сети

Распознавание лиц на загруженном фото

Пользователь загружает фото с любого клиента (с браузера или мобильных приложений iOS, Android), оно попадает на детектор, задача которого найти лица и выровнять их.

После детектора нарезанные и предобработанные лица попадают на нейросетевой распознаватель, который строит характеристический профиль лица пользователя. После этого происходит поиск наиболее похожего профиля в базе. Если степень похожести профилей больше граничного значения, то пользователь автоматически детектируется, и мы отсылаем ему уведомление, что он есть на фото.

Рисунок 1. Распознавание пользователей на фото

Перед тем, как запустить автоматические распознавание, нужно создать профиль каждого пользователя и заполнить базу.

Построение пользовательских профилей

Для работы алгоритмов распознавания лиц, достаточно всего одной фотографии, например аватарки. Но будет ли эта аватарка содержать фото профиля? Пользователи ставят на аватарки фотографии звёзд, а профили изобилуют мемасиками или содержат только групповые фотографии.

Рисунок 2. Трудный профиль

Рассмотрим профиль пользователя, состоящий только из групповых фотографий.
Определить владельца аккаунта (рис. 2) можно если учитывать его пол и возраст, а также друзей, профили которых были построены ранее.

Рисунок 3. Построение пользовательских профилей

Мы строили профиль пользователя следующим образом (Рис. 3):

1) Выбирали наиболее качественные фотографии пользователя

Если фотографий было слишком много, мы использовали не более ста лучших.
Качество фотографий определяли на основе:

  • наличия отметок пользователей на фото (фотопинов) ручным способом;
  • метаинформации фотографии (фото загружено с мобильного телефона, снято на фронтальную камеру, в отпуске, …);
  • фото было на аватарке

2) Искали на этих фотографиях лица

3) Вычисляли характеристический вектор лица

4) Производили кластеризацию векторов

Задача этой кластеризации – определить, какой именно набор векторов принадлежит владельцу аккаунта. Основная проблема – это наличие друзей и родственников на фотографиях. Для кластеризации мы используем алгоритм DBScan.

5) Определяли лидирующий кластер

Для каждого кластера мы считали вес на основании:

  • размера кластера;
  • качества фотографий, по которым построены эмбеддинги в кластере;
  • наличия фотопинов, привязанных к лицам из кластера;
  • соответствия пола и возраста лиц в кластере с информаций из профиля;
  • близость центроида кластера к профилям друзей, вычисленным ранее.

Коэффициенты параметров, участвующих в вычислении веса кластера обучим линейной регрессией. Честный пол и возраст профиля – отдельная сложная задача, об этом расскажем далее.

Чтобы кластер считался лидером, нужно чтобы его вес был больше ближайшего конкурента на константу, рассчитанную на обучающей выборке. Если лидер не найден, мы еще раз переходим к пункту 2, но используем большее число фотографий. Для некоторых пользователей мы сохраняли два кластера. Такое бывает для совместных профилей — некоторые семьи имеют общий профиль.

6) Получали эмбеддинги пользователя по его кластерам

Эмбеддинг пользователя – это центроид отобранного для него (лидирующего) кластера.
Строить центроиды можно множеством разных способов. После многочисленных экспериментов мы вернулись к самому простому из них: усреднение входящих в кластер векторов.

Как и кластеров, эмбеддингов у пользователя может быть несколько.

За время итерации мы обработали восемь миллиардов фото, проитерировали 330 млн профилей и построили эмбеддинги для трехсот миллионов аккаунтов. В среднем, для построения одного профиля мы обрабатывали 26 фотографий. При этом для построения вектора достаточно даже одной фотографии, но чем больше фото, тем больше наша уверенность, что построенный профиль принадлежит именно владельцу аккаунта.

Процесс построения всех профилей на портале мы производили несколько раз, так как наличие информации о друзьях повышает качество выбора кластера.
Объем данных необходимый для хранения векторов ~300 GB.

В каких сферах технология уже применяется?

Вы будете удивлены, но распознавание лиц в реальном времени используется не только владельцами смартфонов. Технология затрагивает все больше сфер нашей жизни:

  • В Интернете люди давно уже успешно пользуются различными сервисами по поиску людей по фотографии. Например, программа Search Face – очень крутой интерфейс, который выполняет распознавание лиц Вконтакте, по фотографиям из профилей.
  • В Китае успешно тестируется проект Smart Campus – программа анализирует время нахождения каждого ребенка на своем учебном месте. Как только искусственный интеллект понимает, что ребенок пропал с поля зрения более, чем на четверть часа, учитель и родитель получают на свое устройство соответствующее сообщение.

В крупных мегаполисах давно работают системы типа «умный город», которые помогают снижать уровень преступности, разыскивать хулиганов и нарушителей дорожных правил. Система распознавания лиц «Умный город» в Москве работает, опираясь на почти 200 тысяч камер, установленных повсеместно. Цифровой охват поля зрения составляет почти всю площадь нашей столицы.

  • Все последние модели смартфонов сегодня включают функцию разблокировки по распознаванию лиц, особенно в этом преуспели яблочные устройства.
  • Банки также активно внедряют технологию. В настоящее время Сбербанк вводит распознавание по лицу, которое позволит клиентам учреждения снимать деньги в банкоматах без карточки. К слову, один аппарат уже был запущен и работает в тестовом режиме.
  • В России устройство для распознавания лиц внедрили в метро в марте 2018 года, для повышения мер безопасности в период проведения Чемпионата мира по футболу. И, буквально месяц назад, 6 апреля 2019 года, на станции «Октябрьское поле» заработал метод оплаты метрополитена через камеру с распознаванием лиц. Функционирует пока не везде, и не всегда срабатывает. В Европе же, опция работает лучше, так как была запущена значительно раньше.

В скором будущем, люди смогут при помощи такой технологии оплачивать покупки, искать преступников, подтверждать свое присутствие на работе и в университете, и даже сохранять очередь в различных учреждениях.

Планируется, что система будет сортировать клиентов банков, пассажиров аэропортов, вносить «положительных» граждан в различные группы сортировки. Таким образом повысится скорость и качество обслуживания людей по всему миру. Снизится уровень преступности, станет меньше неплательщиков алиментов и должников по кредитам. Студенты будут ответственно посещать пары, и сдавать экзамены лично, без подлога.

Глобальность и размах технологии поражают и пугают одновременно. Всем известно, что в наше время главное оружие – это информация. Так представьте себе, какой мощной бомбой обладает владелец такой базы данных?! Каким разрушительным потенциалом он может ударить по своим недоброжелателям в один прекрасный момент! Кажется, мы снова отвлеклись на страшилки и теории заговора. Вернемся к настоящему времени!

Оцените статью
Рейтинг автора
5
Материал подготовил
Андрей Измаилов
Наш эксперт
Написано статей
116
Добавить комментарий