2 истории о том, как некорректная настройка камер угробила проекты по распознаванию лиц
Проекты с распознаванием лиц — одни из самых чувствительных к качеству реализации. Можно подобрать надежное ПО с точными алгоритмами распознавания, закупить дорогостоящие камеры и серверное оборудование — но всё это не сработает, если камеры настроены неправильно. И такие ошибки, увы, случаются чаще, чем кажется.
В этой статье — две реальные истории, где проекты с распознаванием лиц провалились не из-за плохого софта или слабого железа, а из-за ошибок на этапе настройки камер. Результат — потерянные бюджеты, сорванные контракты и уволенные сотрудники.
История 1. "Умные" светофоры, которые так и не заработали
Один из заказчиков рассматривал возможность применения "умных" светофоров со встроенной камерой для контроля ситуаций и распознавания лиц на городских улицах. Однако монтаж камер и их настройка были выполнены “на глаз”, без проекта и замера эффективности их работы.
В итоге, во время приемо-сдаточных испытаний система показала низкую результативность идентификации, особенно в вечернее время из-за встречной засветки и при плохих погодных условиях.
Вскрыть проблемы можно было бы при внимательном анализе промежуточных результатов работы системы, но из-за высокой нагрузки у подрядчиков не было достаточно времени на тщательный анализ.
Пилотный проект, длившийся с июня 2023 по март 2024, был признан неуспешным. За 9 месяцев команда потратила 1,2 млн рублей и так и не смогла выйти на рынок "умных" светофоров с готовым решением.
История 2. Распознавание лиц в ТРЦ — минус контракт и минус руководитель
Пилотный проект по внедрению системы распознавания лиц в одном из торгово-развлекательных комплексов длился более года и обошелся в 1,6 млн рублей.
Монтаж камер выполнялся по проекту, но настройки самих камер (выдержка, шумоподавление, выбор разрешения и т.д.) выполнялись “на глаз” руководителем проекта. Комплексных проверок системы не проводилось. Монтажники убедились, что идентификации приходят, и уехали.
В день испытаний заказчик организовал тестовую группу и выполнил 50 контрольных проходов участников перед камерами. Система показала недостаточную результативность, что привело к срыву контракта. Руководителя проекта отстранили от работы.
Как можно было избежать провалов
Все эти пилотные проекты могли бы завершиться успешно — если бы на этапе тестирования был предусмотрен грамотный подбор камер, их размещение и техническая настройка под задачи распознавания лиц.
На основе многолетнего опыта внедрения распознавания лиц в системы наружного и офисного видеонаблюдения мы выявили целых 14 факторов, в разной степени влияющих на точность детекции и идентификации лиц с камер:
1. Вибрации (ветер, дрожь от транспорта)
2. Погодные условия (снег, дождь, туман)
3. Расстояние от камеры до объекта
4. Плотность потока людей
5. Скорость движения людей в кадре
6. Встречная засветка (от солнца, фонарей, рекламы)
На практике вручную учесть все эти параметры почти невозможно. Корректная настройка камер требует специальной подготовки монтажников и внимания к десяткам технических деталей. Именно поэтому мы решили автоматизировать этот процесс.
Так появился инструмент оценки эффективности настройки камер 3DiVi Cam QA, который анализирует видеопотоки и архивные записи с камер и формирует отчет по 19 ключевым параметрам, включая рекомендации по улучшению качества видеопотока для оптимальной работы алгоритмов распознавания лиц.
3DiVi Cam QA уже помогает интеграторам систем распознавания лиц не терять рынки, клиентов и репутацию. Убедитесь сами:подробнее о решении.