Распознавание лиц – это действительно наука, которая прошла долгий путь развития.
В ранние годы, когда компьютеры были менее мощными, исследования в области распознавания лиц проводились вручную криминалистами, требующими значительного времени и усилий.
Первые эксперименты по компьютерному распознаванию лиц были проведены в 1960-х годах группой исследователей из США по заказу спецслужб. Целью было проверить возможность компьютерного распознавания лиц, что на тот момент являлось непростой задачей. В ходе исследования исследователи использовали метод, при котором они вручную обозначали “опорные точки” на лице, такие как нос или скулы. Затем программа поворачивала изображения и вычисляла расстояния между этими опорными точками. Результаты оказались положительными, что стало важным шагом в развитии распознавания лиц с использованием компьютеров.
С течением времени и с увеличением вычислительной мощности компьютеров, методы распознавания лиц стали более точными и автоматизированными. Сегодня существуют сложные алгоритмы и технологии, которые позволяют компьютерам обнаруживать и идентифицировать лица с высокой степенью точности. Это находит применение в различных областях, включая безопасность, аутентификацию и развлекательную индустрию.
Таким образом, благодаря научным исследованиям и прогрессу в области компьютеров, распознавание лиц стало реальностью и нашло широкое применение в современном мире.
Как это работает сейчас?
. За последние 60 лет произошел значительный прогресс в развитии распознавания лиц, в основном благодаря увеличению вычислительной мощности компьютеров.
Системы распознавания лиц, как правило, основаны на использовании нейронных сетей. Вместо одной нейронной сети обычно применяется несколько сетей, объединенных в одну систему. Каждая из этих сетей выполняет свою функцию и передает информацию дальше.
Задача первой нейронной сети в системе — обнаружить лица на представленном фото. Она анализирует изображение и пытается найти универсальные параметры, характерные для лица человека. Она может использовать методы обнаружения контуров лица, определение ключевых точек или другие техники для выделения лица внутри изображения.
После обнаружения лица следующие нейронные сети в системе занимаются более сложными задачами, такими как извлечение характеристик лица и сравнение их с данными в базе данных для идентификации. Эти сети могут использовать глубокое обучение и другие методы машинного обучения для анализа и сопоставления лиц.
Системы распознавания лиц также могут использовать дополнительные техники, такие как инфракрасное сканирование или трехмерное моделирование лица, чтобы повысить точность и эффективность распознавания.
Следующая нейронная сеть в системе выполняет задачу оценки “качества” изображений лиц. Она старается определить, насколько изображения близки к идеальным фотографиям лиц человека в анфас с хорошим освещением. Такие фотографии обеспечивают максимальное количество уникальных параметров лица. Примером качественного фото может служить снимок, используемый для паспорта или визы. Цель этой нейронной сети заключается в том, чтобы исключить передачу далее изображений с низким качеством (например, фотографий, сделанных с определенной стороны или в движении) или ошибочно определенных изображений лиц. Несмотря на значительный прогресс, нейросети все же не являются абсолютно точными, и поэтому необходима такая фильтрация.
Следующая нейронная сеть в системе использует специальные “антропометрические” или “знаковые” точки на изображении лица. В разных системах может быть разное количество таких точек, обычно от 20 до 60 и более. Эти точки располагаются на различных частях лица и позволяют однозначно выделить лицо с определенной точностью. Эти антропометрические точки могут использоваться для дальнейшего анализа и сопоставления с базой данных лиц для идентификации.
В результате, когда вы загружаете два изображения каких-то лиц, система формирует из них числа, которые при сравнении показывают, насколько эти лица похожи для алгоритмов. Вы получаете значение в процентах, которое говорит, насколько по мнению нейросети велика вероятность того, что на двух (или более) изображениях один и тот же человек. Если пройдена граница в какой-то процент, то люди считаются одинаковыми.
Таким образом, с таким совершенным алгоритмом распознавания нейросети не важен макияж или похудение или потолстение, а также на результат никак не влияет прическа. Нейросеть также способна сопоставить лица, если они затемнены или видны не полностью (к примеру, человек в очках), но тогда точность значительно падает. Возраст иногда влияет на сходство, но алгоритмы во многих случаях способны находить людей с разницей во сколько угодно лет.
Но бывают и «фальшивые позитивные» или «негативные» результаты. То есть нейросетям нельзя доверять на 100%, ради чего обычно используется многоступенчатая система проверки личности — в ЕС это фотофиксация и фиксация отпечатков пальцев при запросе на получение какого-то документа (визы, ВНЖ, нового паспорта и т.д.).
Технологии развиваются, и вскоре будет возможно распознавать лица людей даже в случае, если они сделали себе пластическую операцию. Ведь на лице есть ряд неизменных черт, уникальных для каждого человека (расстояние между глазами, расстояние от уха до уха, переносица, форма и размер глаз).
Какие возможности есть у белорусских спецслужб?
Важно заметить, что белорусские системы автоматического распознавания лиц отстают от зарубежных аналогов, но все же работают. На данный момент существует большое количество “обычных” камер, которые еще не подключены к системе автоматического распознавания лиц. В столице их количество составляет около 6 тысяч. В сравнении с городами, такими как Москва или Пекин, суммы, вкладываемые в развертывание и обслуживание системы автоматического распознавания лиц, относительно невелики. Например, в 2020 году обслуживание одной “умной” камеры обходилось примерно в 50-60 долларов в год. Кроме того, существуют “простые” камеры, установленные у входов домов, которые имеют низкое качество видео, но позволяют отследить движение подозреваемого в определенной территории во время оперативно-розыскных мероприятий.
Также существует система, поддерживающая автоматическое распознавание уже известных лиц, часто называемая “системой Kipod”. Однако фактически эта система обслуживается другой компанией, а официальный сайт оригинального “Кипода” не работает. По данным МВД на апрель 2023 года, в Беларуси насчитывается немного более 1 100 таких камер, и все они расположены в Минске. Однако спецслужбы выражают желание увеличить их количество в пять раз. На 2020 год камеры обладали точностью распознавания лиц в 94% и могли идентифицировать до 20 человек на одном кадре. Однако точность новой системы остается неясной.
Также не до конца понятно, каковы ее реальные возможности. Директор Synesis, компании, которая обслуживала ранее Kipod, говорил, что система имела ограниченные возможности и не могла распознавать всех граждан Беларуси даже теоретически, так как просто не потянула бы такой объем данных о стольких людях в таком количестве пунктов одновременно. В нее можно загрузить ограниченное количество лиц, которые она может отслеживать и идентифицировать. В любом случае, это тысячи или десятки тысяч человек.
Новая система пока держится в тайне, и ее возможности непонятны. Возможно, распознавание для потребностей криминалистики до сих пор делается в ручном режиме — берутся скриншоты с камер, на которых человек «засветился», а спецслужбист вручную «пробивает» их по базе АИС «Паспорт», в которой есть фото всех белорусов. Подобная система есть и у «Киберпартизан».
Но если человек не был распознан автоматически и не засветил лицо, то его маршрут при желании могут отследить по разным пунктам. Тогда вероятность успешной идентификации будет значительно выше.
Кого может или не может распознать система?
Фотографии, которые обычно используются для поиска протестующих, включают следующие типы:
- Видеозаписи, снятые тихарями: Одной из основных источников фотографий являются видеозаписи, сделанные во время протестов. Эти видео могут быть сняты тихарями, активистами или участниками протестных мероприятий.
- Записи с городских камер видеонаблюдения: Городские камеры видеонаблюдения играют важную роль в сборе фотографий для идентификации протестующих. Эти камеры могут быть установлены на улицах, площадях, у государственных и коммерческих объектов.
- Фотографии, сделанные в РУВД при задержании: При задержании протестующих часто снимают фотографии, которые могут быть использованы для дальнейшей идентификации. Эти фотографии обычно делаются в РУВД или других правоохранительных органах.
При идентификации человека обычно используют стоп-кадры с городских камер или других источников и сравнивают их с паспортными фотографиями или снимками в базе данных, такой как база данных ГАИ.
Важно отметить, что идентификация протестующих происходит преимущественно на основе лица, а не по одежде или походке. Однако, как упоминается в примере с судебным делом, иногда дополнительные детали, такие как одежда, могут использоваться для подтверждения участия человека в протестах.
Система распознавания лиц имеет свои ограничения и может не справиться с распознаванием человека в следующих случаях:
1. Закрытые антропометрические точки на лице: Если на лице присутствуют элементы, которые закрывают или искажают антропометрические точки, система может испытывать трудности в распознавании. Например, маска, большой респиратор, кепка и темные очки, маска на все лицо или балаклава.
2. Сложности в различении в толпе: В случае больших толп людей автоматический поиск и распознавание становятся сложнее из-за большого количества лиц, которые требуется проанализировать. Это снижает вероятность точного распознавания каждого отдельного человека.
Однако стоит отметить, что криминалисты могут использовать и другие методы для выявления и идентификации человека. Например, они могут обращать внимание на форму головы и прическу, цвет глаз, наличие татуировок, особенности одежды и аксессуаров. Эти дополнительные признаки могут быть использованы для идентификации человека даже в отсутствие точного распознавания лица.
Важно отметить, что ходить постоянно в маске на улице может быть необычным и привлекать внимание властей или правоохранительных органов, особенно после окончания пандемии. Кроме того, расположение видеокамер и другие факторы, не связанные с видеонаблюдением, могут усложнить точное просчитывание мест нахождения камер.
В целом, в странах с тоталитарными режимами и развитыми системами видеонаблюдения жители городов становятся подвержены контролю со стороны властей, которые способны отслеживать их передвижения и действия в уличной среде. Однако следует отметить, что точность и эффективность систем распознавания лиц может отличаться в разных регионах и в зависимости от уровня развития технологий и инфраструктуры видеонаблюдения.
