Технология распознавания лиц: тайная история

Какие виды таких систем существуют?

При выборе систем, имеющих функцию распознавания лиц, важно ориентироваться на несколько факторов — цели, задачи и место монтажа

Кроме того, стоит брать во внимание виды таких устройств:

• Системы обнаружения. Видеокамера имеет разрешение от 1 Мп, а фокусное расстояние составляет от 1 мм. Работа устройства направлена на фиксацию факта проникновения посторонних субъектов на защищаемые объекты. Особенность сканера заключается в способности отличить человека от животного, но идентифицировать личность не получится.
• Система распознавания. Этот комплекс отличается большей сложностью, а в него входит 2-мегапиксельная камера с фокусным расстоянием от шести миллиметров. Задача заключается в распознавании лиц и их определению по принципу «свой-чужой». В случае просмотра видео четкости у картинки не будет. Система выявляет посторонние лица, но в случае кражи найти вора по сохраненному изображению будет сложно
• Устройства идентификации. При организации такой системы применяются камеры с разрешением от 2 МП и более, имеющие фокусное расстояние больше восьми миллиметров. Такие комплексы способны выполнять функции, рассмотренные выше. Плюс заключается в том, что полученного изображения достаточно для опознавания вора по фотографии. Имеющийся кадр можно использовать в процессе расследования и даже передавать в суд.

В приведенном описании рассмотрены минимальные требования для охранных систем в отношении фокусного расстояния и разрешения «картинке». Это значит, что при покупке оборудования стоит ориентироваться на изделия с лучшими характеристиками, обеспечивающими более качественную съемку. Например, для систем распознавания больше подойдут камеры на 2 МП, имеющие фокусное расстояние, равное 8 мм. Что касается комплексов для идентификации, здесь рекомендации еще более серьезные. Желательно использовать видеокамеры с разрешением в 5 МП и 12-миллиметровым фокусным расстоянием.

Подведем краткие итоги:

• Видеокамера с разрешением 1МП позволяет отличить человека от животного. При этом идентифицировать субъекта не получится.
• Для фиксации лиц и сравнения с имеющейся базой устройство для фиксации должно иметь разрешение от 2-х МП и более.
• Для идентификации человека желательно применять 5-мегапиксельную камеру.

Программа распознавания лиц запущена

Скриншот рабочей области  приведен на первом изображении статьи. Подробная, хорошая инструкция по настройке, описанию элементов программы есть на сайте ITV, поэтому расскажу об интерфейсе в общих чертах.

Условно делю рабочую область на три зоны:

1. Область в которой ведется архив или если хотите протокол распознанных лиц. Лица как я понял хранятся в том же архиве в котором и видеозапись.

2. Изображение с видеокамеры и область в которой отображается процесс захвата лица, и процент соответствия эталонному изображению. События можно настраивать в зависимости от процента совпадения. В качестве алгоритма распознавания лиц используется технология компании Cognitec.

3. Поиск лиц в архиве. Здесь можно выбрать лицо из архива, задать процент совпадения и провести поиск данного лица по всему сохраненному архиву.

Процент распознавания зависит от угла установки видеокамеры, освещения, времени нахождения объекта распознавания в кадре. После перемещения камеры с шкафа на тумбочку, расположенную напротив двери уровень распознавания повысился.

Стоимость системы распознования лиц Face-Интеллект

— на систему, до 10 чел. в базе – 2 250 $ — на систему, до 50 чел. в базе – 3 510 $ — на систему, до 100 чел. в базе – 4 050 $ — на систему, до 200 чел. в базе – 5 100 $ — на систему, до 500000 чел. в базе – 90 000 $

Вывод:

Face-Интеллект система работающая на основе чужого алгоритма (которому уже не один год), данный  алгоритм распознавания лиц, также используется в оборудовании других производителей.

При правильной установке (а если еще и заставим человека притормаживать на несколько ) коэффициент распознавания высокий. Если использовать в качестве систем контроля доступа, что уже в принципе в России и сделано, то проблем быть не должно.

Мне понравилась функция поиска лиц по видеоархиву, учитывая, что ее можно получить за 2 250$, т.е. можно на объекте в нескольких неответственных зонах заменить IP видеокамер на аналоговые и на сэкономленные деньги приобрести  Face-Интеллект.

Для крупных объектов с большими людскими потоками программа обеспечивающая поиск в архиве по лицам однозначно должна включаться в состав системы видеонаблюдения.

P.S. Пара слов о смайлике присутствующем на скриншотах. Была попытка заставить систему в качестве лица добавить чайник, после чего провести поиск по базе  лиц соответствующих данному эталону (не получилось), потом пробовал  черно-белый смайл – не прокатило. А вот цветной смайл прошел.

Насколько опасна программа?

Современная технология обладает рядом преимуществ, но, несмотря на это, многие пользователи серьезно беспокоятся о безопасности использования этих функций в массовом объеме. Как известно, задача искусственного интеллекта – максимально собрать личные данные человека.

Вся информация сохраняется в общей базе, чтобы программа могла попутно обучаться новому. Пользователи считают, что данные могут быть доступны умелым хакерам, которые захотят воспользоваться собранной информацией. Ведь база будет содержать данные миллионов людей.

Сегодня остается надеяться только на ум разработчиков, которые дорожат своей репутацией. Вряд ли они пожелают за деньги сбывать данные заинтересованным лицам. По крайней мере, хотелось бы в это верить.

Преимущества технологии распознавания лиц

Использование распознавания лиц предлагает ряд потенциальных преимуществ, в том числе:

• Нет необходимости напрямую связываться с устройством для проверки подлинности (другие методы биометрической проверки подлинности на основе контактов, такие как сканеры отпечатков пальцев, могут работать неправильно, если на руке есть пятно. ).
• Повысить уровень безопасности.
• Требует меньше обработки, чем другие методы биометрической аутентификации.
• Простая интеграция с существующими функциями безопасности.
• Точность улучшается со временем.
• Может использоваться для автоматизации проверки подлинности.

Где нужно распознавание лиц?

Разработкой ПО для распознавания и улучшением алгоритмов занимаются программисты и дата-сайентисты. Эта технология нужна в разных сферах:

• Государство: видеоаналитика используется службами безопасности стран для пограничного контроля, а в Москве так находили нарушителей карантина. Службы безопасности организаций, имеющих дело с секретностью, также используют алгоритмы идентификации для контроля доступа сотрудников к секретным объектам.
• IT-индустрия: Microsoft,  Google, Яндекс, ВКонтакте тоже разрабатывают собственные алгоритмы. 
• Медицина: технология помогает выявить болезни и отслеживать прогресс в лечении.
• Банкинг: банки используют идентификацию по лицу, чтобы снять деньги в банкомате или получить кредит.
• Образование: распознавание лица помогает поймать тех, кто списывает, — сервисы подключаются к камере на компьютере студента и отслеживают его поведение и движение глаз.
• Персональные портативные устройства: на смартфонах помимо идентификации пользователя распознавание лица выполняет и развлекательную функцию — у приложений Samsung и Snapchat оно лежит в основе AR-фильтров и масок для лица.

История появления нейронных сетей

Началом работы ученых в этом направлении можно считать статью Уорена Маккалока и Уолтера Питтса, вышедшую в 1943 году. Они разработали компьютерную модель нейронной сети, опираясь на математические алгоритмы и теорию деятельности головного мозга. Следующим шагом стала книга Дональда Хебба «Организация поведения» 1949 года, в которой канадский нейропсихолог описал процесс самообучения искусственной нейронной сети.

Спустя 8 лет Фрэнком Розенблаттом была представлена математическая модель обработки информации человеческим мозгом, получившая название персептрон. Еще через три года, в 1960, этот американский ученый продемонстрировал электронное устройство, которое имитировало работу мозга, в частности, распознавала отдельные символы на карточках, которое оно «видело» своими «глазами»-камерами.

В 1969 году идея создания нейронных сетей была жестко раскритикована Минским и Пейпертом. Они указали на серьезные проблемы, препятствующие эффективному использованию искусственных нейронных сетей

Например, обратили внимание на невозможность реализации НС функции «Исключающее ИЛИ», а также на недостаточную вычислительную мощность существовавших на тот момент компьютеров. Эта статья на некоторое время подорвала интерес ученых к нейронным сетям

История появления нейронных сетей

Однако это направление по-прежнему представлялось весьма перспективным многим исследователям, продолжавшим попытки сформулировать принцип работы самообучаемой системы. Метод обратного распространения ошибки, предложенный в 1974 году Полом Вербосом, стал еще одним шагом на пути создания нейросети. Через год Фукусима разработал первую многослойную НС – когнитрон. В 1982 году Хопфилд добился двусторонней передачи информации между нейронами, что еще больше подогрело интерес ученых к поискам новый решений в этой отрасли.

Для вас подарок! В свободном доступе до26 июня

61 проверенный канал из закрытой подборки по поиску работы в IT

Гарантированно найдете выгодную работу за 1-2 дня

Гарантированно найдете выгодную работу за 1-2 дня

Спасибо за заявку!

Скачать файл

С начала 1990-х были сделаны важнейшие шаги в деле создания нейронных сетей, а в 2007 году Джеффри Хинтон ввел понятие глубокого обучения, что позволило приступить к использованию возможностей нейросетей в утилитарных целях, например, для распознавания лиц.

Проснись, спящий водитель

Вы видели когда-нибудь огромные грузовики, такие как используются в горнодобывающей компании Caterpillar? Они настолько большие, что с легкостью могут раздавить легковой автомобиль, а водитель почувствует только небольшой толчок. Представьте себе, что было бы, если бы кто-то заснул за рулем такого гиганта!

Эти гиганты работают 24 часа в сутки, 7 дней в неделю, а некоторые водители работают в ночные смены, что увеличивает риск несчастных случаев, возникающих из-за усталости. Чтобы устранить эту проблему, компания Caterpillar начала использовать систему распознавания лица.

Специальная программа оценивает признаки усталости, такие как закрытие глаз водителя или положение, в котором он держит голову. Если программное обеспечение зарегистрирует какие-то признаки чрезмерной усталости, грузовик включает сигнал и отправляет видео с записью поведения водителя в круглосуточный центр контроля компании Caterpillar.

В случае необходимости советник по безопасности отправляет уставшего водителя на сон или к врачу для лечения нарушений сна. Это программное обеспечение будет установлено на тысячах автомобилей во всем мире.

КАК РАБОТАЕТ АЛГОРИТМ NTECHLAB

about-ii-bannerАлгоритм NtechLab использует несколько нейронных сетей для поиска и идентификации по изображению лица. Одна из сетей детектирует лицо на фото или видеопотоке, другая извлекает биометрический шаблон, прочие работают с атрибутами (пол, возраст, очки, борода и другие)

Подробная схема

Алгоритм NtechLab использует несколько нейронных сетей для поиска и идентификации по изображению лица. Одна из сетей детектирует лицо на фото или видеопотоке, другая извлекает биометрический шаблон, прочие работают с атрибутами (пол, возраст, очки, борода и другие)

Мировое признание

Нейронные сети NtechLab обладают уникальной архитектурой, разработанной специалистами нашей компании.

Они прошли обучение на больших датасетах с фотоизображениями, которые максимально приближены к условиям съемки, освещения и положению в кадре к изображениям из реальной жизни.

Успех работы нейронной сети определяют:

АРХИТЕКТУРА НЕЙРОННОЙ СЕТИ

ДАТАСЕТЫ, НА КОТОРЫХ СЕТЬ ОБУЧАЛАСЬ

АЛГОРИТМ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ

2022
iBeta

Тестирование PAD (Presentation Attack Detection), которое проводит авторитетная лаборатория iBeta Quality Assurance, проверяет способность алгоритмов распознавания лиц отличать лица живых людей от подделок — изображений лиц на экране или распечатке, масок и т. д.

«Алгоритм NtechLab прошел тестирование PAD Level 1 и показал полное соответствие требованиям стандарта ISO/IEC 30 107−3»

2021
G20 Innovation League

Мероприятие, организованное под председательством Италии в G20 и призванное улучшить сотрудничество между инновационными компаниями, инвесторами и глобальными корпорациями.

«Лучший стартап в области искусственного интеллекта в странах G20»

2021
Face Recognition Vendor Test

Тестирование Национального Института Стандартов и Технологий США

«Алгоритм NtechLab признан лучшим в мире по результатам 7 независимых тестов»

«В трех тестах алгоритм побил рекорд за всю историю тестирования»

2020
DEEPFAKE DETECTION CHALLENGE

Международное соревнование по распознаванию дипфейков на видео

«III место по распознаванию дипфейков на видео»

2019
ACTIVITIES IN EXTENDED VIDEO PRIZE CHALLENGE

Международное соревнование по распознаванию действий на видео

«II место по распознаванию действий на видео»

2018
WIDER FACE AND PEDESTRIAN CHALLENGE

Конкурс по детектированию пешеходов и велосипедистов на дорогах

«III место по распознаванию пешеходов и велосипедистов на видео с камер городского видеонаблюдения»

2018
NIST FRVT ONGOING

Тестирование, проводимое Национальным институтом стандартов и технологий США

«Лучший результат распознавания по базам фотографий, сделанных в неконтролируемых условиях»

2017
EMOTIONET CHALLENGE

Чемпионат разработчиков алгоритмов по распознаванию эмоций, организованный университетом Огайо, США

«Лучший результат распознавания эмоций»

2015
MEGAFACE CONTEST

Международный конкурс оценки алгоритмов распознавания лиц, проводимый Университетом Вашингтона США

«Лучшая точность распознавания лиц»

Победа над Google и другими разработчиками алгоритмов распознавания лиц

Целесообразность распознавания по лицу

В первую очередь необходимо определиться с тем, на каких объектах целесообразно применение технологии распознавания по лицу.

Приоритет – надежность идентификации На объекте с высшим уровнем безопасности приоритетом служит надежность идентификации пользователей (ради нее допустимо пожертвовать и скоростью, и удобством распознавания). Очевидно, что в СКУД таких объектов применение биометрии не только возможно и желательно, но и жизненно необходимо. Однако здесь на первый план выходят технологии, обеспечивающие наименьший уровень ошибок FAR (идентификация по отпечаткам пальцев, радужной оболочке глаз и др.), и технология распознавания по лицу используется как одна из составляющих мультибиометрических решений. Яркими представителями объектов такого класса выступают здания и сооружения силовых структур и ведомств, предприятия топливно-энергетического комплекса, промышленные производства опасных веществ, инфраструктурные объекты.

Приоритет – пропускная способность Если же на объекте на первый план выходит пропускная способность СКУД и малейшая задержка, связанная с неправомерным отказом в доступе зарегистрированному (благонадежному) пользователю, способна парализовать функционирование всего объекта или его структурного элемента, то технология распознавания по лицу является наиболее предпочтительным, а зачастую и единственным решением. Примерами таких объектов являются крупные спортивные, развлекательные, торговые учреждения и предприятия, объекты транспорта, чья деятельность неразрывно связана с возникновением и движением больших людских масс. На объектах такого типа выделить регистрацию биометрических идентификаторов в особый бизнес-процесс либо невозможно, либо нецелесообразно. С одной стороны, бесконтактный способ распознавания является оптимальным, с другой – столь же значима и скорость идентификации.

ЭТАПЫ РАСПОЗНАВАНИЯ

01Детектирование лица и силуэта на изображении

02Исправление визуальных искажений

03Извлечение характеристик лица

04Верификация или идентификация лица

Алгоритм анализирует
кадр видеоряда

Определение
цветов пикселей

Каждый пиксель имеет уникальный цветовой код. Цветовой код в палитре RGB представлен в виде трёх числовых значений.

Нейронная сеть получает на вход матрицу из RGB-значений пикселей

33 333 333

Алгоритм детектирует лица

Алгоритм определяет, где на изображении находятся лица

Алгоритм NtechLab способен задетектировать неограниченное количество лиц в кадре, что делает его идеальным решением для обеспечения безопасности в местах массового скопления людей.

Скорость работы детектора не зависит от количества лиц в кадре.

faces-border12

Алгоритм технологии распознавания лиц выдаёт координаты границ бибокса: верхняя левая и правая нижняя граница лица для дальнейшей работы с каждым лицом

Исправление визуальных
искажений

Специально созданный алгоритм способен определить положение головы и исправить визуальные искажения: например, «развернуть» лицо в положение анфас.
Технология распознавания лиц NtechLab работает в сложных условиях и эффективно отображает лица на изображении или видео даже при значительном недостатке освещенности, а также при изменении позы, поворотах и наклоне головы.

faces-normal₁

Такие этапы проходит изображение: точки на глазах, уголках рта, носу — 5 точек

Алгоритм извлекает
характеристики лица

Сеть находит и присваивает каждому лицу вектор признаков или, по-другому, биометрический шаблон лица.

Биометрический шаблон — определённая последовательность чисел, сформированная нейронной сетью в результате преобразования исходного изображения, и применяемая для сравнения с другими шаблонами

Технология распознавания лиц в видеонаблюдении

Как подобрать подходящую камеру и правильно выбрать место её установки

Системы видеонаблюдения уже давно перестали быть пассивными. Алгоритмы видеоанализа позволяют автоматически извлекать информацию из потока данных от камеры наблюдения. Одной из наиболее востребованных является технология распознавания лиц. В данной статье разберем вопрос выбора камеры для идентификации лица и места ее установки для минимизации ошибок распознавания.

Целевые задачи видеонаблюдения

Идентификация человека – одна из целевых задач видеонаблюдения. Технология распознавания лиц позволяет автоматически осуществлять идентификацию человека за счет алгоритмов видеоанализа.

Функция идентификации лица позволяет с заданной вероятностью выделить из видеопотока лицо человека, находящегося в базе данных системы видеонаблюдения. Помимо идентификации, технология распознавания лиц может фиксировать и другую информацию из видеопотока:

• определение пола
• оценка возраста
• определение расы
• выявление эмоций
• наличие усов / бороды
• наличие очков
• подсчет уникальных посетителей

Таким образом сферы применения технологии распознавания лиц куда шире, чем традиционные задачи расследования произошедших инцидентов. Вот неполный перечень:

• поиск лица в архиве видеонаблюдения
• идентификационный признак для системы контроля и управления доступом
• сбор статистики о посетителях в сфере ритейла

Отдельно следует отметить задачи сохранения приватности, которые (как ни странно!) также могут решаться средствами видеоаналитики. Система видеонаблюдения выделяет на кадре лицо человека и “замыливает” этот участок изображения таким образом, чтобы попавшие в кадр лица невозможно было узнать. Соблюдение приватности при работе видеонаблюдения в общественных зонах могут требоваться как заказчиком такой системы, так и законодательно.

Идентификация и верификация

При распознавании лиц алгоритм выявляет ряд биометрических данных о человеке. Эти данные могут быть использованы по-разному:

• накапливаться в системе для статистики
• сравниваться со всей накопленной базой данных лиц для поиска наиболее близкого совпадения (идентификации)
• сравниваться с эталонными данными для оценки степени соответствия (верификации)

Идентификация, как правило, используется для поиска лиц в архиве. Это позволяет эффективно проводить расследования инцидентов и преступлений. Кроме того, идентификация используется для отслеживания нахождения человека в “белом” или “черном” списке посетителей.

Верификация чаще используется для систем контроля и управления доступом, как один из идентификаторов посетителя.

Ошибки FAR и FRR

Для оценки качества применяемых алгоритмов используются две вероятностных величины: ошибки первого и второго рода. FAR (False Acceptance Rate) – процентный порог, определяющий вероятность того, что один человек может быть принят за другого (ошибка второго рода). FRR (False Rejection Rate) — вероятность того, что человек может быть не распознан системой (ошибка первого рода).

Ошибки FAR и FRR связаны между собой: чем ниже вероятность FAR, тем выше вероятность FRR и наоборот. Поэтому при настройке алгоритма выбирают их оптимальное соотношение для конкретного объекта защиты.

Facе Anti-Spoofing

В системах распознавания лиц необходима защита от попыток обмана (spoofing attack). Это либо попытка подделать идентификационный признак для ошибочной верификации пользователя системой распознавания. Либо попытка избежать идентификации различными методами маскировки лица.

Наиболее продвинутые алгоритмы идентификации используют различные методы Facе Anti-Spoofing.

Выбор системы распознавания лиц

Существует огромное число различных реализаций систем идентификации лиц. Их можно классифицировать по подходам к реализации:

• стандартные алгоритмы
• нейросетевые алгоритмы

А также по месту обработки видеопотока:

• на сервере
• на IP камере
• на видеорегистраторе

Системы распознавания лиц существенно отличаются друг от друга и требует тщательного выбора как по функциональности, так и по качеству идентификации (упомянутым ошибкам первого и второго рода, стойкости к spoofing attack). Наиболее продвинутые системы строятся на базе видеоаналитических модулей VMS систем (Video Management System или Video Management Software). Простейшие алгоритмы могут быть приятным бонусом в относительно бюджетных видеорегистраторах

И те и другие имеют своего потребителя, однако решают задачи разного класса и степени важности для потребителя

Понятие и принцип работы нейронной сети

За основу создания ИНС взят человеческий мозг, где в процессе сложного взаимодействия между нейронами, соединенными между собой синаптической связью, обеспечивается выполнение огромного количества разных функций организма. Роль нейронов в искусственных устройствах выполняют простейшие процессоры, которые собраны в крупную сеть и поэтому способны решать довольно сложные задачи.

Количество искусственных нейронов в любой, даже наиболее мощной, сети, на порядок меньше, чем в человеческом мозге, где их примерно 86 млрд. Этим объясняется более низкая производительность ИНС, а также их неспособность полностью заменить мозг.

Примером самой простой нейтронной сети служит персептрон. Он способен выполнять несложные операции на базе алгоритма двоичной классификации, например, может определить, является ли животное на рисунке собакой, или нет. В составе персептрона три типа элементов: сенсорные, ассоциативные и реагирующие. Первый слой нейронов принимает информацию извне, следующий создает набор ассоциаций после обработки в соответствии с алгоритмом, а третий выдает готовый результат.

Структурно любая нейросеть представляет собой совокупность простых процессоров, разделенных на слои, где производятся параллельные вычисления. Между отдельными слоями происходит двусторонний обмен, поэтому последовательность действий, обусловленная наличием нескольких слоев, достаточно условна.

Главное отличие ИНС от традиционных алгоритмов состоит в их способности обучаться. Эта возможность обусловлена тем, что у каждого нейрона есть собственный весовой коэффициент, определяющий его значимость для остальных нейронов.

Сиамские сети

FaceNet — сиамская сеть. Сиамская сеть — тип архитектуры нейросети, который обучается диффиренцированию входных данных. То есть, позволяет научиться понимать какие изображения похожи, а какие нет.

Сиамские сети состоят из двух идентичных нейронных сетей, каждая из которых имеет одинаковые точные веса. Во-первых, каждая сеть принимает одно из двух входных изображений в качестве входных данных. Затем выходы последних слоев каждой сети отправляются в функцию, которая определяет, содержат ли изображения одинаковые идентификаторы.

В FaceNet это делается путем вычисления расстояния между двумя выходами.

Алгоритмы OpenCV

У изображения лица есть свои характеристики:

1. Темные и светлые участки и зоны (темные — глаза, губы; светлые — лоб, щеки, подбородок).
2. Лица всех людей устроены по одному принципу (глаза — на одной линии, под глазами — нос, под носом — губы, под губами — подбородок).

Это значит, что можно подобрать такой набор масок и составить такой классификатор, который будет учитывать эти особенности.

Для этого можно использовать OpenCV — библиотеку алгоритмов компьютерного зрения и обработки изображений. Реализована она на C/C++, также разрабатывается для Python, Java, Ruby, Matlab, Lua и других языков.

Профессия

Fullstack-разработчик на Python

Научитесь программировать на Python и JavaScript, изучите фреймворки Django и React, SQL, а также познакомьтесь с DevOps-практиками и основами Linux.

Узнать больше

Критерии идентификации лица человека

При планировании системы распознавания лиц необходимо учитывать требования производителя конкретного оборудования или видеоаналитических модулей. Ведь для автоматического распознавания лиц не существует единых государственных или межгосударственных стандартов.

Наиболее проработанными являются требования к городским системам видеонаблюдения класса “Безопасный город”, а также для систем транспортной безопасности. Так в Постановление Правительства РФ от 26.09.2016 N 969 “Об утверждении требований к функциональным свойствам технических средств обеспечения транспортной безопасности и Правил обязательной сертификации технических средств обеспечения транспортной безопасности” приведены следующие требования:

34. Функциональные свойства технических систем и средств идентификации физических лиц, указанные в пункте 33 настоящих требований, должны обеспечиваться при следующих условиях:
а) освещенность в плоскости лица – от (100 ± 10) до (1000 ± 50) люкс;
б) неравномерность освещенности лица – не более (50 ± 5) процентов;
в) характеристики видеоизображения:
разрешение видеоизображения, обеспечивающее регистрацию изображений лиц на рабочей дистанции съемки видеокамеры не менее 1,5 метра с расстоянием между центрами глаз (40 ± 2) пикселей (для алгоритмов и аппаратно-программных средств детекции) и (60 ± 2) пикселей (для алгоритмов и аппаратно-программных средств идентификации);
динамический диапазон интенсивности изображения в области лица – не менее 8 бит;
цветность видеоизображения – черно-белое;
частота – не менее 16 кадров в секунду;
г) плотность потока людей – 1 чел/м ;
д) скорость движения – не более 5 км/ч;
е) ракурс лица относительно фронтального ракурса, определяемый в соответствии с ГОСТ Р ИСО/МЭК 19794-5-2013 “Информационные технологии. Биометрия. Форматы обмена биометрическими данными. Часть 5. Данные изображения лица” угловыми координатами поворота, наклона и отклонения лица:
для алгоритмов и аппаратно-программных средств детекции – в диапазоне от 0 до (30 ± 2) градусов;
для алгоритмов и аппаратно-программных средств идентификации – в диапазоне от 0 до (15 ± 2) градусов;
ж) структура фона (подвижный случайно неоднородный фон съемки с перепадами контраста) – от (0,2 ± 0,05) до (0,8 ± 0,05);
з) объем базы данных эталонных изображений лиц – не менее 1000 лиц условно-фронтального типа (в соответствии с ГОСТ Р ИСО/МЭК 19794-5-2013 “Информационные технологии. Биометрия. Форматы обмена биометрическими данными. Часть 5. Данные изображения лица”).
35. В состав технических систем и средств идентификации физических лиц включаются средства регистрации видеоизображений, к которым предъявляются следующие требования:
а) разрешение регистрируемого видеоизображения – не менее 1,2 мегапикселя;
б) частота кадров – не менее 16 кадров в секунду;
в) разрешающая способность – разрешение на рабочей дистанции съемки объектов размером 2 миллиметра и более (значения для области в центре кадра и на расстоянии до одной третьей ширины, высоты и диагоналей кадра от центра включительно);
г) глубина резко отображаемого пространства – не менее 1 метра (для области в центре кадра и на расстоянии до одной третьей ширины, высоты и диагоналей кадра от центра включительно);
д) расстояние между центрами глаз на изображении лица, зарегистрированном на рабочей дистанции съемки, – не менее (60 ± 2) пикселей (для области в центре кадра и на расстоянии до одной третьей ширины, высоты и диагоналей кадра от центра включительно);
е) максимальное отношение “сигнал – шум” (с выключенной функцией автоматического усиления сигнала) – не менее 45 дБ;
ж) дисторсия – не более 5 процентов (по краям кадра – на расстоянии одной третьей ширины, высоты и диагоналей кадра от его центра).

Для обычной (не алгоритмической) идентификации некоторые рекомендации в нормативных документах все же есть. Из отечественных можно вспомнить Р 78.36.008-99 Проектирование и монтаж систем охранного телевидения и домофонов. Рекомендации:

*МРД – минимальная различимая деталь (изображения)

В европейском стандарте BS EN 62676-4:2015 Video surveillance systems for use in security applications. Application guidelines приведены близкие к отечественным рекомендации по плотности пикселей для решения целевой задачи идентификации:

Если же проанализировать требования производителей видеоаналитических модулей, то основными критериями будут:

• число пикселей между глаз
• угол между горизонталью и направлением «лицо — камера» (на сколько лицо “анфас” по вертикале)
• угол между направлением оптической оси камеры и нормалью условной плоскости лица (на сколько лицо “анфас” по горизонтали)