Опыт эксплуатации систем распознавания лиц для решения различных задач из бизнес-практики приводит к детализации некоторых проблем, которые могут быть не очевидны на старте проекта. Решение данных проблем может сделать бизнес более успешным, а бизнес-процессы проще и эффективнее. Сегодня мы поговорим про отсутствие у действующих систем распознавания лиц механизма контроля за стабильностью качества получаемых биометрических данных – это особо актуально для СКУД, Безопасный Город и систем распознавания по спискам.
В чем проблема?
Отсутствует контроль качества исходных данных с камер, которые затем используются в процедуре распознавания. В окружении может поменяться обстановка, источник начнет отсылать плохие фотографии – не все лица будут распознаны, так как у системы нет адекватного механизма контроля. Таким образом, все процессы, связанные с распознаванием лиц, ставятся под угрозу.
Каждая камера для распознавания лиц должна настраиваться специальным образом. При отсутствии объективных данных контроля качества настроек с точки зрения пригодности для распознавания лиц, в дальнейшем возникает необходимость проведения дополнительных работ.
Каждая камера для распознавания лиц должна настраиваться специальным образом. При отсутствии объективных данных контроля качества настроек с точки зрения пригодности для распознавания лиц, в дальнейшем возникает необходимость проведения дополнительных работ.
Оценка потерь
Значительное ухудшение исходного материала приводит к увеличению количества пропусков детекций, а также к уменьшению вероятностей правильного распознавания людей из списка. Около 2% камер, размещенных внутри зданий, а также более 7% наружных камер в течение года начинают значительно снижать качество исходных данных для распознавания в результате воздействия внешних факторов.
Снижение качества исходных данных приводит к увеличению затрат на установку дополнительного оборудования и новых обрабатывающих мощностей.
Снижение качества исходных данных приводит к увеличению затрат на установку дополнительного оборудования и новых обрабатывающих мощностей.
Пример
При проведении тестирования одна из камер была подвержена воздействию – линза обработана лаком для волос. В результате эксперимента количество детекций сократилось на 15%, а качество получаемых фотографий лиц ухудшилось в разы – распознавание контрольной группы снизилось на 8%. В то же время на экране компьютера при беглом просмотре заметить данные изменения качества весьма проблематично.
Как решить проблему?
Алгоритм контроля качества помогает организовать статистическую обработку данных с каждой камеры, чтобы установить пороги уведомлений при изменении качества в худшую сторону.
Выгода
Внедрение алгоритма контроля качества гарантирует лучшую работу системы распознавания на протяжении всего срока ее эксплуатации. Кроме того, значительно снижаются издержки на установку и эксплуатацию дополнительного оборудования.
