Написать нам

РАСПОЗНАВАНИЯ ЛИЦ

Система
Инструмент для распознавания лиц – это программное обеспечение, разработанное под устройства Jetson Nano, которое может выполнять быстрое распознавание лиц с минимально возможным коэффициентом ложноположительных результатов (⩽2%).
ОПИСАНИЕ

Задача состояла в том, чтобы создать систему, способную работать с видеопотоком с камер, а также выполнять ряд следующих функций:

  • распознавать в каждом кадре лица людей и отделять их от фона;
  • распознавать лица и сравнивать их с описательными векторами в базе данных;
  • отправить обратный сигнал с информацией о том, есть ли данное лицо в базе данных или нет.

Для загрузки нового датасета в базу данных администратор использует простой скрипт Docker, который берёт все изображения и метаданные из специальной папки.

ЗАДАЧИ
  • Для предотвращения несанкционированного доступа
    было необходимо добиться минимально-возможного коэффициента ложных срабатываний (FDR), т.е. распознавания лица при его отсутствии в базе данных. При этом, уменьшение данного коэффициента к окружающей среде и качеству видеопотока, а также косвенно увеличивает количество ложноотрицательных срабатываний (FNR). Данная проблема снижает скорость процесса распознавания и может привести к путанице, поэтому нашей команде необходимо было найти идеальный баланс.

    01
  • Одна из главных задач
    на стадии тестирования была – найти оптимальный подход к проверке работы системы, который смог бы помочь нам убедиться в одинаковом уровне успешности, как в реальных условиях, так и при цифровом моделировании. В то время, как мы использовали открытые базы данных для тестирования в статике, критически важно было сделать нечто большее для динамического тестирования системы на финальной стадии
    02
  • Необходимо было гарантировать
    тот же уровень производительности на оборудовании клиента. Таким образом, система должна быть развернута на оборудовании клиента удаленно, а настройка камеры должна быть произведена максимально корректно.
    03
РЕШЕНИЕ

Мы изучили статистику распознавания лиц и баланса FPR/FNR, а также теорию, стоящую за этим, чтобы найти наилучшие настройки чувствительности системы. Затем мы развернули систему на тестовом стенде в нашем офисе и еще больше настроили этот баланс. Таким образом, мы добились наилучшей производительности системы вместе с гарантией того, что FPR не превысит 2%.


Мы приобрели всё необходимое оборудование, установили камеру под необходимым углом, согласно рекомендациям заказчика, подключили её к базе данных ERP-системы с изображениями профилей наших сотрудников и протестировали. Данных подход помог нам убедиться в качестве разрабатываемого продукта.


Наши DevOps-инженеры отлично справились с максимально плавным развертыванием и обеспечили всю необходимую поддержку клиентов, чтобы избежать любые возможные проблемы в работе. Мы создали подробное руководство с требованиями к оборудованию, настройки камеры, обновлению базы данных, а также шаг за шагом помогли клиенту отладить систему для работы в наилучшем виде.

РЕЗУЛЬТАТ
После небольших доработок, система была запущена на нескольких объектах в Мексике, где текучесть кадров временами достигает 100% в год.

Система, разработанная нашей командой, помогла решить несколько проблем с текучкой кадров, упростить процесс обновления базы данных сотрудников, улучшить уровень безопасности и ускорить процесс прохода контрольно-пропускного пункта.