Доброго времени суток, любители закона!
Ранее я работал в МВД участковым, а после оперативником. И хотел бы немного приоткрыть завесу тайны нашей работы и методы которыми мы пользуемся сейчас.
Сейчас, в частности, чтобы найти преступника, иногда можно не выходить из кабинета. От места где он совершил преступление – до места куда он скрылся отсидеться – отследить по камерам. А дальше дело техники.
Камеры сейчас окружают все вокруг. На многих подъездах стоят камеры” а на домах висят камеры типа “Купол. У многих хорошее качество. Также камеры с большим разрешением есть на дорогах – “Потоковые камеры”. И также есть камеры “частные” на магазинах и организациях.
Как это работает:
1) После того как поступает сообщение о преступлении и опер. группа выезжает на место преступления, за камеры садиться опер или участковый, и оперативно начинает отслеживать передвижение преступника.
В один из дней поступило сообщение от пожилой бабушки, что молодой человек предложил ей донести сумки, а сам взяв их, убежал от нее с ее продуктами и деньгами.
Пока одни мои коллеги выехали на то место, общаться с бабушкой, другие по камерам отследили “жулика”, который жил в соседнем районе через дорогу. Задержали его быстро и жестко (В рамках закона, конечно)
2) Самое главное в этом деле знать примерное место и примерное время. После начинают просматривать все камеры этого места, и когда подозреваемый виден, его начинают “вести по камерам”.
3) Зная место его нахождения – его задерживают
Конечно, в зависимости от города количество камер больше или меньше. Москва например стоит на 3 месте в мире по наличию камер в городе. В Москве спец. службам проще отследить того или иного преступника.
Бывает что камер просто нет (пустыри, парки и т.д.) Там уже включается смекалка и оперативный сыск. Если “жулик” на машине – еще проще, мы видим что за номер авто и на кого зарегистрирован.
В камерах все, и со временем камер станет больше. А оперативникам станет легче работать.
А как Вы относитесь к тому, что вокруг одни камеры? Считаете ли это нашей безопасностью или нет? Пишите в комментариях!
Спасибо за прочтение! Подписывайтесь на канал, Ставьте лайк, пишите комментарии! (они важны для меня)
Процедура распознавания лиц с использованием системы видеонаблюдения позволяет определить и идентифицировать человека по его лицу без необходимости обращаться к дополнительным источникам и проводить какие-либо действия для определения личности человека – тема, которая интересует очень многих. В их числе маркетологи, социологи, статистики и все те профессионалы, которые в своей деятельности работают с людьми и заинтересованы в выяснении их личности, а также работают с представленными статистическими обезличенными данными и информацией.
Первоначально желательно ознакомиться с имеющимся практическим опытом по сделанным тестам по для распознавания человеческих лиц. Важно уяснить, какие задачи можно решить при помощи использования техники распознавания лиц, а когда в этом нет никакой практической необходимости и пользы. Далее нужно разобраться с надежностью работы системы по распознаванию лиц, а также принять во внимание полезные рекомендации тем, кто проектирует и создает системы такого типа.
Стандартные задачи, решаемые при распознавании лиц
На основании практического опыта можно сделать вывод, что все объекты различны, чем и обусловлены выполняемые в процессе распознавания задачи.
Однако можно выделить типичные черты:
- осуществление контроля доступа с использованием системы распознавания лиц;
- обнаружение человека в “чистой зоне”;
- возможность найти человека в группе лиц или толпе;
- обнаружение человека в толпе в том случае, если его личность не внесена в базу данных;
- проведение маркетинговых исследований.
Рассмотрение каждой задачи
Осуществление контроля доступа с использованием распознавания лиц
Процесс проникновения через проходную с использованием распознавания лиц – самая востребованная технология. Человек смотрит в камеру, снимает очки, лишние аксессуары и система его пропускает после узнавания.
При эмпирических исследованиях узнавание является стопроцентным. Поэтому технология практична и полезна.
Стоит отметить, что на больших предприятиях, с численностью в сотни и тысячи сотрудников, возможно возникновение ошибки. Поэтому ежедневно её вероятность возникновения следует рассчитывать.
Поскольку используется система распознавания 2D, то её можно обмануть при помощи фотографии. Поэтому желательно совмещать её с другими способами идентификации личности. К ним можно отнести, например, верификацию с помощью прикладывания карты.
Обнаружение личности в “чистой зоне”
Такой зоной считается территория, где человек пребывает в единственном числе и имеются хорошие условия для его распознавания. Важно место размещения камеры и надлежащее освещение. Это может быть место турникета, проходной, шлюза и т.д.
В этом случае в базу загружают фотографии лиц, которые будут распознаваться. Фото должно быть надлежащего качества. Лучший результат будет в том случае, если проходящий человек посмотрит в камеру. Однако систему легко обмануть, например, надев парик или используя грим. Таким образом, система работает и подходит в том случае, если человек не планирует прятаться умышленно.
Обнаружение личности в группе людей
Услуга является очень востребованной у заказчика. Насколько же это реально?
Для того, чтобы система выдала вполне адекватный результат, важно не только расположение самой камеры, но и картинка лица человека в ней. В толпе человек осуществляет жестикуляцию и много двигается. Поэтому нужный ракурс в этом случае для попадания в камеру минимален. В той ситуации, когда имеется узкий созданный проход или коридор в месте нахождение камеры, вероятность распознавания увеличивается. Однако это место уже будет являться территорией “чистой зоны”.
Чтобы система идеально сработала, требуется правильное освещение. Но его трудно организовать в яркий солнечный день или при свете фонарей вечером. Препятствием станет также маскировка самого человека и качество фотографии, размещенной в базе системы. Таким образом, поиск личности в толпе способом 2D пока что не реален.
Обнаружение незнакомых лиц
Задача заключается в поиске тех людей, чьи фото отсутствуют в базе данных системы. То есть цель – предупредить проникновения посторонних лиц на объект. В дополнение задачи система должна быть способной опознать тех, кто есть в базе данных. Таким образом, будет много ложной некорректной информации. Теоретически, перепроверять придётся каждого 10 входящего.
Маркетинговое изучение
Результаты распознавания довольно часто используется в сфере маркетинга. Важны данные о числе посетителей, тепловых картах и т.д Изучаются места большого скопления людей, такие как магазины, кинотеатры. В исследованиях нуждаются крупные компании для определения собственной маркетинговой политики и восполнения потребностей посетителей, увеличение объемов продаж. В этом случае, задача именно маркетинговая, направленная на получение прибыли, не связанная с безопасностью.
На основании проведенных исследований можно сделать вывод о том, что данные получаются адекватные, хотя их точность имеет определенную погрешность.
Насколько надежная система распознавания людей
Распознавание лиц относится к биометрической системе, в основе которой лежит математическая статистика и вероятности.
Варианты ошибок (FAR и FRR)
Информация о возможных ошибках предоставляется разработчиками программного продукта. Но проводить сравнительный анализ между алгоритмами в этом ракурсе некорректно. Суть в том, что каждый разработчик для определения ошибок имеет собственную эталонную базу с изображениями.
Результатом деятельности системы станет информация о процентном соответствии распознаваемых лиц по отношению к изображению, находящемуся в базе. Пользователь сам устанавливает порог идентификации и положительного или отрицательного результата распознавания.
Первый вид ошибки – FAR (False Acceptance Rate)
Это касается возможности пропуска злоумышленника, которого система распознала как своего и впустила.
Второй вид ошибки – FRR (False Rejection Rate).
Это вероятность того, что будет запрещаем доступ своему сотруднику. Еще одно нарушение – свой человек не сможет пройти систему и будет представлен как злоумышленник. Потребуется дополнительная проверка.
Вся информация предоставляется каждым производителем продукта в форме таблиц или графиков.
Возможность ошибки при пропуске лиц через проходную
Для примера можно взять объект, на котором проходит внутрь помещения 300 сотрудников в день и столько же выходит. Дополнительно, могут пропускаться и другие лица. Таким образом, общее число распознаний будет около 600 ежедневно. При этом важно не допустить, чтобы проникло постороннее лицо. Расчёты показывают, что вероятность проникновения злоумышленника – один случай на 10000 вхождений.
Такой показатель считается позитивным. Возможность остановки своего сотрудника равняется 7 процентам. При шестистах распознаваниях необходимость подтвердить свою личность возникнуть у 43-х людей. Принимать окончательное решение об установке системы должен заказчик, имея оценочную информацию.
Возможность найти человека в толпе
Для примера можно взять вокзал, с проходной способностью 100000 человек ежедневно. При этом имеется база, в которой 100 разыскиваемых людей, возможно, преступников. Вероятность ошибки равна 3%, так что каждый 33-й человек не будет обнаружен системой, особенно в случае использования им маскировки (парик).
Возможность срабатывания ложной тревоги составляет 0,1%. Так как в базу внесено 100 лиц, то вероятность ошибки увеличивается на 10%. Таким образом, система отреагирует на каждого 10 человека, что составит в нашем случае 10000 невиновных людей для проверки документов дополнительно.
Таким образом, вряд ли рационально устанавливать систему на вокзале.
Требования к установке камеры и ее характеристикам
Характеристики объектов и преследуемые цели могут быть абсолютно различные у каждого заказчика системы. Поэтому пару возможных потенциальных ошибок, рассмотренных выше, нужно подбирать индивидуально, с учётом преследуемых целей. Принимать окончательное решение должен заказчик на основании представленных приблизительных данных.
Проект монтажа системы
Прежде всего, необходимо поместить в базу фотографию человека хорошего качества. Важно также, чтобы картинка, сделанная видеокамерой, была высокого качества, но не обязательно с высоким расширением. При установке камеры необходимо соблюдать условия по отклонению для каждой точки распознаваемого пространства. Камера должна иметь надлежащую светочувствительность.
Важно также, чтобы задний фон отличался нейтральностью и был однородным.
Подведение итогов
Таким образом, использование системы распознавания лиц может быть достаточно результативным только в случаях создания идеальных условий. Однако даже в таком варианте необходимо учитывать погрешности и перспективы возникновения ошибок. Установка системы принесет положительные адекватные результаты только в некоторых определенных случаях для решения поставленных задач. Заказчик должен изначально учитывать статистику отказов вследствие ошибок системы.
Важный момент
Пользователь может получить бесплатные услуги при проведении консалтинговых работ по проектированию, включая систему распознавания человеческих лиц. Также предоставляется аудит спецификации проекта, который исключит риски совершения ошибок.
Для получения бесплатной консультации нужно отправить запрос по электронной почте info@videomir.pro либо воспользоваться бесплатным номером телефона: +7 (499) 390-48-38
В Москве вы можете заплатить “по лицу” в некоторых кофейнях, а по отпечатку пальца — в супермаркетах. Те же биометрические данные — фотография и отпечатки пальцев — позволяют пройти паспортный контроль в Шереметьево, а фотография и голос в записи — получить услуги в банках. Еще к алгоритмам распознавания лиц подключены уличные камеры не менее, чем в десяти российских городах (большинство из них не рассказывает об экспериментах с биометрией). С их помощью полицейские находят преступников. В торговых центрах такие камеры внедряют для борьбы с шоплифтерами, на футбольных матчах — с неадекватными фанатами. Рассказываем, как работают эти технологии и что они поменяют вокруг нас через два-три года.
Человек из Кемерова и похититель картины Куинджи
В декабре 2018 года житель Кемерова прошел мимо уличной камеры, подключенной к системе распознавания лиц и сверке с фотографиями из базы МВД. Алгоритм “узнал” его, как человека, находящегося в розыске за грабежи. Через секунду полицейский получил Push-уведомление в приложение на смартфоне. Через несколько минут мужчину задержали в ближайшем магазине. Система не ошиблась: позже он дал признательные показания.
“Видео с камер, подключенных к системе, передается на сервера. Алгоритм “выхватывает” лица прохожих и сравнивает с теми, которые есть в базе, например, МВД. Это происходит со скоростью, недосягаемой для человека. За секунду нейросеть может 200 раз “посмотреть” базу из двух миллионов снимков. Если “картинка” совпадает — автоматически отправляется уведомление в приложение: локация, данные о личности, фото. Полицейский сравнивает “картинки” и принимает решение — доверять алгоритму или нет”, — рассказывает Артем Кухаренко, один из создателей стартапа NtechLab, который разрабатывает такие продукты.
Основатели NtechLab — выпускники московских технических вузов — создали алгоритм в 2015 году. Еще с “сырой” разработкой обошли на одном профильном конкурсе команду из Google. А чуть позже сделали сервис FindFace для распознания лиц пользователей “ВКонтакте” (сейчас поисковик закрыт). В 2017 году запустили вместе с мэрией Москвы пилотный проект по подключению 1,5 тысяч камер у подъездов к системе распознавания лиц. А летом 2018 года их разработка обкатывалась на матчах чемпионата мира в Москве.
В дни матчей с помощью “узнающих” камер, полиция задержала около сотни человек, по данным Департамента информационных технологий (ДИТ) города. “Камеры, связанные с нашим алгоритмом, находились не везде, а только на стадионе “Лужники” и в двух фанзонах”, — уточняет Артем Кухаренко. Меньшая часть задержанных на ЧМ-2018 — люди из розыска МВД, остальные — мелкие нарушители и буйные болельщики, которых организаторы внесли в “черный список”.
В Москве распознавание лиц работает на некоторых камерах в метро, у подъездов, в местах массового скопления людей. Всего в городе 170 тыс. камер, чиновники не сообщают, сколько из них — биометрические, но обещают, что к концу 2019 года их будет 105 тысяч.
Недавно технология распознавания лиц помогла найти похитителя картины Архипа Куинджи “Ай-Петри. Крым”. Полицейские обратились за помощью к специалистам, отвечающим за систему “Безопасный город”. Они применили алгоритм, установили личность мужчины, вынесшего полотно из Третьяковской галереи, и проследили по камерам, куда он отправился.
NtechLab тестирует алгоритм не менее чем в десяти российских регионах, а это не единственный стартап с такими продуктом, есть и другие разработчики. Далеко не все пилотные проекты афишируются. “У нас есть эксперимент в Кемерове и в Альметьевске, который хотят сделать “умным городом”, — Артем Кухаренко уточняет, что, по договоренности с заказчиками, может рассказывать не про все “пилоты”. В этих городах “в деле” уличные видеокамеры.
В диких условиях. Как алгоритмы “видят” толпы людей
Как работает технология? Камеры — это “глаза”, а алгоритм — “мозг” системы. Любые изображения — лица, фотографии котиков, автомобильные номера — информация, которую он “видит” в форме темных и светлых линий, пятен и геометрических фигур.
“Алгоритм объединяет все признаки в сложные системы, сравнивает между собой и выдает ответ, например, один и тот же человек на двух фотографиях или нет”, — объясняет Артем Кухаренко.
Точность — то, как часто нейросеть “узнает” верно, — зависит от многого: качества изображения, разрешения камеры, освещения, помех вокруг. Сейчас биометрический контроль внедряется в аэропортах, например, так можно пройти в “чистую зону” московского Шереметьево. Там для нейросетей “тепличные” условия. Человек стоит лицом к камере, у белой стенки, его нужно сравнить с фотографией хорошего качества из базы.
Алгоритмы, “просматривающие” видео с уличных камер, работают в неконтролируемых “диких” условиях (in the wild — общепринятый термин), это намного сложнее. Сравнивать лица, наполовину закрытые капюшонами, шапками, шарфами, иногда нужно не с фотографиями, а с фотороботами, если речь идет, допустим, о сверке по базе МВД. И в этих “диких” условиях российские команды превосходят на разных конкурсах разработчиков из большинства стран. К сильным игрокам относятся NtechLab, VisionLabs, “Вокорд” (самый “старый” разработчик, работает с 1999 года). Основные соперники русских — китайцы. Это, в частности, связано с тем, что и в России, и в Китае высокий спрос на такие технологии и, благодаря хорошей математической школе, есть сильные программисты.
“Точность нашего алгоритма в условиях уличной видеосъемки — 90% при количестве ложных срабатываний один на миллион — говорит Кухаренко. — При этом система чаще не узнает нужного прохожего. Ложные срабатывания — это когда алгоритм по ошибке “видит” в прохожем человека из розыска. Мы работаем над тем, чтобы свести возможность таких срабатываний к единице на сто миллионов”. Разработчик добавляет, что создать алгоритм, который никогда не будет ошибаться, невозможно: “Это утопия. Но нейросети уже делают такую работу намного эффективнее людей”.
Системы распознавания лиц на уличных камерах еще долго будут осторожно называть “экспериментальными”, считают эксперты, в мире были случаи, когда алгоритмы вели себя непредсказуемо.
“В Китае алгоритм просканировал лицо знаменитости из рекламы, наклеенной на проходящем автобусе, и ошибочно определил его как преступника, — приводит пример Данила Николаев, директор НП “Русское биометрическое общество” (объединяет разработчиков в этой сфере). — А в Великобритании, в Кардиффе, во время финала Лиги чемпионов УЕФА-2017 “записал” в преступники более двух тысяч болельщиков. Ошибки могут быть связаны как с работой алгоритма, так и с работой оборудования. Часто при внедрении заказчики не следуют требованиям ГОСТов в области биометрии, а используют методики вендоров, которые не учитывают всех условий. И это приводит к разочарованиям”.
До свидания, шоплифтеры. Здравствуйте, покупатели кофе
Камеры, распознающие лица, используются в торговых центрах для борьбы с воровством. Например, разработчик BIT вместе с NtechLab создали систему “Стоп Шоплифтер”, которая сейчас работает в крупных ретейл-сетях в России. Подобный продукт есть у компании “Вокорд”.
Ретейлеры заносят в базу фотографии клиентов, пойманных на воровстве, и, когда эти посетители снова появляются в магазинах, охранники получают Push-уведомления на смартфоны.
Эти алгоритмы теоретически можно применять и для таргетированной рекламы, примерно как это представлено в киберпанк-фильме “Особое мнение”. Герой идет по улице или мегамоллу, а “лица” с интерактивных баннеров приветствуют его: “Джон Андерсен, забудьте о своих проблемах” и наперебой предлагают поехать на курорт, выпить пива, купить новый автомобиль. Но такое применение, по мнению Артема Кухаренко, “слишком пугающе”, даже при условии, что люди разрешили конкретному ТРЦ обрабатывать и использовать их персональные данные. “Общество не готово к чему-то подобному”, — считает он.
Зато люди вполне готовы предоставлять биометрические данные сервисам, упрощающим покупку товаров и услуг. В прошлом году разработчики VisionLabs и SWiP создали приложение для ресторанов и кафе, которое позволяет принимать оплату “по лицу”. Вы скачивается приложение Swip в AppStore или GooglePlay, делаете селфи — сервис подсказывает вам нужный ракурс, привязываете фотографию к банковской карте и, когда приходите в заведение, где работают с этой программой, расплачиваетесь, посмотрев в камеру на кассе.
“Сейчас приложение скачали 20 тысяч пользователей, — говорит Анатолий Райхерт, гендиректор SWiP. — Система работает более чем в 100 точках в Москве — это сети “Папа Джонс”, “Cofix” и некоторые другие. Пользователи — молодежь, большинство — женщины. Последние шесть месяцев прошлого года мы получали обратную связь. Людям нравилась высокая скорость оплаты, но они часто не понимали, когда смотреть в камеру, куда именно смотреть, а еще хотели видеть сумму чека, скидку и иметь возможность дополнительной безопасности в виде пароля. В начале года мы разработали новую версию продукта, которая включила в себя девайс с тачэкраном. Теперь клиент видит, когда начинается оплата, сумму, скидку, может включить пароль для подтверждения”.
Также в некоторых супермаркетах “Азбука Вкуса” уже можно привязать к банковскому счету отпечаток пальца и платить за товары, не доставая карту.
Зачем банки записывают наши голоса
Летом 2018 года российские банки начали собирать и передавать в единую базу биометрические данные клиентов — фотографии и голос в записи. В результате россияне смогут получать услуги удаленно в любых банках, а не только там, где зарегистрировались.
Какие виды биометрической идентификации существуют
Самые популярные виды биометрии: изображение лица, голос, отпечатки пальцев, радужная оболочка глаза, рисунок вен на ладонях. Сейчас в мире наиболее широко внедрятся алгоритмы распознавания по лицу и по голосу. Некоторые сервисы используют одновременно оба способа. Еще создается много необычных кейсов, например, китайские разработчики придумали систему распознавания по походке.
Сейчас биометрию собирают в 20% банках по всей стране, посмотреть, где именно — можно на карте на сайте ЦБ РФ. К концу 2019 года услуга должна заработать во всех банках.
“Клиент приходит с паспортом и СНИЛС, еще нужно, чтобы у него был подтвержденный аккаунт на сайте “Госуслуги” — рассказывает Андрей Шурыгин, руководитель дирекции биометрических технологий “Почта Банка”. — Он подписывает согласие на обработку биометрических данных, после чего сотрудники банка фотографируют его и записывают образец голоса — для записи нужно прочитать три последовательности цифр. Данные поступают в базу, на процедуру уходит не больше десяти минут”.
По данным “Русского биометрического общества”, сейчас примерно 10 тыс. россиян сдали свои биометрические данные.
“И менеджеры в отделениях банка предлагают клиентам сдать биометрические данные, и сами клиенты обращаются за этим, — продолжает Андрей Шурыгин. — Но рано говорить о массовом использовании возможности. Россияне еще мало осведомлены о преимуществах биометрии для удаленного обслуживания”.
Банки довольно давно “распробовали” биометрию для внутренних целей. В последние два-три года многие используют эти технологии для борьбы с кредитными мошенниками. Такая разработка от VisionLabs, например, применяется более чем в 40 банках в России и СНГ.
“Среди наших клиентов “Тинькофф”, Сбербанк, “Почта Банк”, — говорит Александр Ханин, гендиректор компании. — Лицо клиента сравнивается по биометрическому шаблону с базой мошенников. Многие банки внедряют систему распознавания лиц в банкоматах, как дополнительную опцию для проверки клиента и усиления безопасности: если злоумышленник захочет снять с чужой карты деньги, то система не позволит ему этого сделать”.
Незнакомцы из метро, тролли и этические дилеммы
Биометрические сервисы проникают во все сферы нашей жизни с высокой скоростью, считают эксперты, намного быстрее, чем многие другие технологии. “Если вам кажется, что здесь все происходит медленно — это заблуждение, — говорит Артем Кухаренко. — Мы отслеживаем новости в нашей сфере — почти каждый день в мире вводится биометрический контроль в аэропортах, в банках. Мы видим высокий спрос на системы “Безопасный город”, на решения для бизнеса”.
Но, вероятно, государство и крупный бизнес теперь будут ограничивать рядовых потребителей в использовании технологии. Это вызывает слишком много этических вопросов. Приложение FindFace, которое популяризировало алгоритмы распознавания лиц, закрыли летом 2018 года. Ранее сервис “засветился” в историях, когда петербургский фотограф развлекался тем, что снимал людей в метро, а позже находил их “ВКонтакте”, а тролли искали и разоблачали работниц секс-индустрии. Впрочем, причина удаления сервиса из открытого доступа — не в них.
“У “ВКонтакте” не было вопросов к нашему приложению, — уточняет Кухаренко. — Сначала соцсеть вообще не знала о нашей разработке — они ведь дают возможность всем желающим создать и развивать свое приложение. Мы сделали его, чтобы продемонстрировать клиентам, на каком уровне находятся алгоритмы. Изначально мы приходили к заказчикам, рассказывали, что умеем, одни говорили: “Это не работает”, другие были уверены: “Все это давно есть! Мы видели в научно-фантастических фильмах”. FindFace показал, как действительно работает технология. Сервис выполнил задачу, и мы убрали его из доступа”.
Недавно во “ВКонтакте” появился аналогичный сервис по поиску пользователей по фотографии — SearchFace. Соцсеть быстро отреагировала на разработку и пригрозила судом создателям. Разработчики, по данным пресс-службы соцсети, использовали персональные сведения без согласия пользователей.
“В каждой стране и в каждой соцсети свое восприятие подобных сервисов, — рассуждает Артем Кухаренко. — Нам сейчас проще работать с бизнесом — мы понимаем, что у заказчика есть собственная база с данными клиентов, которые добровольно передали ему разрешение на использование”.
Анастасия Степанова
Существует одна универсальная проблема, которая характерна для пользователей 7 из 10 видеосистем вне зависимости от типа объекта. Эта проблема отслеживания перемещения человека по разным камерам.
Представим, что какой-то человек (например, злоумышленник) попал в поле зрения камеры на 5 секунд, а потом он вышел из него. В непосредственной близости других камер не установлено. И оператору необходимо понять, куда этот злоумышленник пошел, где и под какой камерой появился в следующий раз.
Как это делают сейчас?
По отзывам реальных пользователей видеосистем сегодня эта задача является самой актуальной и распространенной. Чаще всего для ее решения операторы начинают вручную просматривать видеофрагменты с разных камер по одному и пытаются найти, где интересующий человек появился в следующий момент времени. Для ускорения процесса они могут использовать режим синхронного просмотра архива. Но в любом случае решать задачу “в лоб” – с помощью простого просмотра- утомительно, малоэффективно и времязатратно. Особенно когда на объекте установлено много камер, и они расположены на большом расстоянии друг от друга.
Существующие решения
На самом деле проблема отслеживания перемещения человека по всему объекту не нова, и разные команды-разработчики предлагают разные решения:
- трекинг на основе распознавания лиц;
- трекинг на основе определения направления движения объекта и предсказания следующей камеры, на которой объект появится;
- трекинг на основе технологий позиционирования носимых устройств (глобального позиционирования на основе GLONASS/GPS и систем позиционирования внутри помещений).
Каждое из этих решений работает! но только в узком ряде случаев. В рамках большинства существующих систем ни одно из них не может успешно применяться.
Наша компания задалась целью решить проблему отслеживания перемещения человека в рамках уже установленных, существующих видеосистем. Мы создали межкамерный трекинг, работа которого основывается на технологии индексирования по визуальным признакам человека (в нашем случае приметам одежды).
Как это работает?
Предположим, оператор увидел какого-то человека в поле зрения камеры и хочет его отследить. Система определяет визуальные признаки объекта и находит людей с теми же исходными приметами на соседних камерах в близкие моменты времени и выводит их оператору, отсортировав по степени соответствия. Оператору необходимо подтвердить, какие из выделенных объектов являются тем объектом, который он отслеживает.
Подтверждение результатов необходимо, так как совершенно разные люди, попавшие в поле зрения видеосистемы, могут иметь одни и те же приметы (носить одинаковую одежду). И такое подтверждение оператором на каждом шаге позволяет достичь 100%-ной (с точки зрения возможностей человека) точности.
В итоге поиск ускоряется иногда в 3, иногда в 10, иногда в 100 раз. Благодаря тому, что 99% объектов, которые не обладают нужными приметами и не появлялись в близкие моменты времени на близких камерах, отбрасывается, а остаются только похожие, которые появлялись на близких камерах в близкие моменты времени. В качестве результата работы межкамерного трекинга оператор получает видеоролик из фрагментов с разных камер в хронологическом порядке, а также траекторию перемещения человека на плане объекта.
Межкамерный трекинг может быть применен в 85% случаев в
текущих системах видеонаблюдения с текущими установленными камерами.
Рассмотрим подробнее существующие подходы к отслеживанию перемещения человека и сравним их с межкамерным трекингом.
1. Трекинг на основе распознавания лиц
Эта технология может очень эффективно и очень точно работать. И в отличие от межкамерного трекинга она не требует участия человека (подтверждения результатов оператором). Но проблема в том, что распознавание лиц требует очень высокой детализации, и по нашим расчетам только 2% установленных камер такая детализация обеспечивается.
В отличие от трекинга на основе распознавания лиц, функция межкамерного трекинга по визуальным признакам не требует высокого разрешения изображения с IP-камер, а также не предъявляет специальных требований к размещению камер на объекте. Ее работа проходит при обычном качестве изображения, обеспечивающимся 85% фактически установленных на объектах камер.
2. Cистемы трекинга на основе определения направления движения и предсказания следующей камеры
Эта технология может быть успешно применена при соблюдении двух условий:
- небольшое количество объектов и низкая интенсивность их движения в поле зрения камер (если в сценах наблюдения будет много объектов, которые двигаются в разные стороны, то система не сможет точно определить, какие объекты друг с другом связывать);
- камеры установлены в непосредственной близости друг от друга (если камеры установлены далеко, например, на разных этажах, то вероятность точного срабатывания функции существенно уменьшается).
- В отличие от трекинга на основе определения направления движения и предсказания следующей камеры, функция межкамерного трекинга по визуальным признакам может использоваться в условиях высокой интенсивности движения и множества объектов в кадре, а также в условиях, когда камеры видеосистемы расположены далеко друг от друга (в т.ч. на разных этажах здания).
3. Системы трекинга на основе технологий позиционирования носимых устройств (глобального позиционирования на основе GLONASS/GPS и систем позиционирования внутри помещений).
Эта технология может работать достаточно точно, но при условии, что человек, за которым следят, носит с собой устройство, которое определяет его координаты и отправляет их в систему. Это может быть обычный мобильный телефон, тогда определение координат будет осуществляться по GPS, либо это может быть какая-то система внутренней навигации в помещении. Но принцип один: человек должен сотрудничать с системой. Если речь идет о злоумышленнике, то никаких своих данных он отдавать в систему не будет.
В отличие от систем трекинга на основе технологий позиционирования носимых устройств, функция межкамерного трекинга по визуальным признакам не требует наличие специальных средств у людей, за которыми осуществляется наблюдение.
В итоге технология межкамерного трекинга по визуальным признакам может работать в 85% случаев
- в текущих системах видеонаблюдения
- с текущем уровнем детализации
- с текущим качеством изображения.
Что внутри?
Реализация функции сопровождалась 8-летними научными исследованиями нашей компании. В основе межкамерного трекинга лежат 3 технологии:
- технология классификации объектов на основе машинного обучения. С ее помощью система определяет, что объект в кадре – человек.
- технология индексирования данных. С ее помощью каждый объект на видео получает индекс, которому соответствует определенный цвет и текстура.
- технология сравнения индексов с использованием нелинейного цветового пространства собственной разработки. Осуществляется сравнение цветовых соотношений, а не цветов. Цвета не инвариантны к изменяющимся условиям освещенности, но нам удалось выделить цветовые соотношения, которые обладают высокой степенью инвариантности к разным условиям освещенности.
Где и как использовать?
Сегодня межкамерный трекинг используется для:
- Ускорения расследования происшествий, восстановления картины событий (в т.ч. восстановления траектории перемещения интересующего человека) от 5 до нескольких десятков раз.
- Глубинного анализа поведения людей, например, посетителей в торговых центрах. И как следствие повышение эффективности работы торговых центров на основе выявления закономерностей перемещения покупателей.
- Ускорения поиска “потерянного” из поля зрения человека в реальном времени и повышения скорости реакции на происшествие.
Функция уже используется на нескольких сотнях объектов. Актуальность решения задачи отслеживания перемещений людей в рамках всей системы видеонаблюдения и перспективность разработки подтверждают пользователи реальных видеосистем. Например, представители Краевого онкологического диспансера г. Перми отмечают, что перед ними остро стоит задача отслеживания перемещений посетителей диспансера, которая до появления межкамерного трекинга Macroscop решалась операторам системы вручную – рутинным и времязатратным способом.
Представитель красноярского промышленного предприятия ООО “Берег” отмечает: “Функция весьма облегчает наблюдение за перемещениями важных грузов по складской и погрузочно-разгрузочной зоне, а также наблюдение за “несанкционированными” посетителями (куда пошёл и где спрятался, куда направлять ГБР)”.
В результате отслеживание траектории перемещения человека в рамках всей видеосистемы может применяться и уже применяется не только для решения охранных задач, но и для оптимизации и повышения эффективности бизнес-процессов.
security-bridge.com
На установку камер умного слежения по всей стране уйдет пять лет и 250 млрд рублей
Поделиться
В России планируют поставить умные камеры, которые будут самостоятельно распознавать подозрительные ситуации и преступления. Называется проект «Национальная система видеонаблюдения», на нее уйдет пять лет и 250 млрд рублей. Похожая система уже несколько лет работает в Москве — ее используют, чтобы ловить преступников, участников несанкционированных митингов и нарушителей режима самоизоляции.
Рассказываем, как работает система умного видеонаблюдения и что, возможно, ждет регионы в ближайшем будущем.
Строить сеть видеонаблюдения в регионах собираются по образу Москвы. Именно в столице сейчас самая большая сеть видеослежения — 176 тысяч камер, что весомо по мировым меркам (Москва занимает 30-е место среди городов с самым большим количеством видеокамер на квадратный метр). Все эти камеры в Москве объединены в одну сеть, данные с них попадают в единый центр хранения информации. Управляет этим сервером Департамент информационных технологий (ДИТ) Москвы.
— Сверху [на сервере] работают два модуля: модуль детектирования и идентификации, которые обрабатывают все изображения, фиксируют лица и далее распознают их, — объясняет ведущий юрист «Роскомсвободы» Саркис Дарбинян. — Доступ к этой системе ДИТ предоставляет сотрудникам силовых ведомств. Как именно это происходит, мы точно не знаем, потому что все документы, которые регламентируют порядок получения доступа, находятся под грифом «для служебного пользования», и широкой общественности они не показываются.
С 2018 года камеры в Москве умеют распознавать лица горожан. За это отвечают специальные алгоритмы. Правительству Москвы их предоставляют несколько компаний: Ntechlab (Ростех), Visionlabs (Сбербанка) и Tevian. Наиболее известная из них — Ntechlab. Их сервис начался с популярного приложения по поиску профилей во «ВКонтакте» по фотографии — FindFace. В основе проекта лежала нейросеть FaceN, которая за доли секунды могла идентифицировать человека по одной фотографии среди тысяч других.
В 2016 году воспользоваться технологией распознавания лиц мог каждый. Правоохранительные органы использовали ее, чтобы искать преступников: они просто загружали в нее фото с городских камер. Журналисты Bellingcat использовали сервис, чтобы найти российских офицеров, якобы отдавших приказ об обстреле жилых кварталов Левобережного района города Мариуполя в 2015 году. А пользователи имиджборда «Двач» искали в соцсетях российских порноактрис и угрожали рассказать об их работе родителям и друзьям.
Определение личности — это лишь одна из задач, которую можно решать с помощью распознавания лиц. Подобные системы могут также распознавать эмоции, чтобы, например, определить, насколько доволен клиент
Инфографика: Дмитрий Гладышев / Сеть городских порталов
Поделиться
Всего через год после запуска FindFace власти Москвы подключили созданную NtechLab технологию распознавания к городской системе видеонаблюдения для поиска преступников. Как позже рассказал глава ДИТ Москвы Артем Ермолаев, этот проект привел к аресту шести человек, находившихся в федеральном розыске последние годы. В 2018 году распознавание лиц использовали во время чемпионата мира по футболу: ловили карманных воров и буйных фанатов, которым посещение матчей было запрещено. За ЧМ-2018 таких набралось более 180 человек. Тогда к системе распознавания лиц было подключено всего 500 камер.
— Вся эта дискуссия началась с того, что необходимо отлавливать хулиганов на стадионах, — объясняет Саркис Дарбинян причины запуска системы распознавания лиц. — Дальше чиновники говорили, что технология нужна для отлова беглых преступников и поиска пропавших детей. Все в итоге закончилось тем, что технологию использовали для обеспечения общественного порядка публичных массовых мероприятий, то есть для отслеживания тех, кто приходит на акции протеста.
В 2020 году распознавание лиц использовали для того, чтобы следить за тем, как москвичи соблюдают карантин. Тем, кто выходил на улицу и попадал в объективы камер возле подъездов, затем приходили штрафы по части 1 статьи 19.5 КоАП («Невыполнение законного предписания должностного лица, осуществляющего государственный надзор»). А к протоколам прикладывались фотографии с уличных камер и сравнения с фотографиями, которые есть в распоряжении властей (например, фото с паспорта или загранпаспорта).
В этом году камеры использовали, чтобы задерживать участников акции в поддержку оппозиционера Алексея Навального. Причем чаще всего силовики приходили к протестующим уже после акции. По данным «ОВД-Инфо», спустя месяц после апрельской акции полицейские составили протоколы на 289 человек. Из них 69 вычислили по камерам видеонаблюдения.
Но работают такие системы не только чтобы распознавать лица и следить за гражданами. Возможностей для применения у технологии умного видеонаблюдения гораздо больше.
— Примеров аналогичных систем уже масса. Например, видеонаблюдение в московском метрополитене позволяет не только фиксировать изображения всех пассажиров, детектировать проходы в запрещенные зоны, но и многое другое: выявлять бесхозные предметы, формировать уведомления о фиксации лица, входящего в список нарушителей, общий подсчет пассажиров, длину очереди и даже время, проведенное в ней, — рассказывает Сергей Раков, директор центра компетенций по развитию продукта видеонаблюдения ООО «РТК ИТ».
У правительства Москвы есть планы сделать жизнь горожан чуточку удобнее. В начале года заммэра Москвы по вопросам транспорта Максим Ликсутов пообещал, что до конца года в метро заработает бесконтактная оплата проезда через систему распознавания.
— Вы подходите к турникету, камера считала ваше лицо, и вам ничего не нужно прикладывать, — сказал Ликсутов.
Систему распознавания лиц стали тестировать в новосибирском метро: камеры установили на станции «Площадь Ленина», доступ к ним имеют сотрудники полиции и регионального Минцифры.
По данным МВД, уже сейчас в регионах по всей стране установлено более 5 тысяч камер с распознаванием лиц. При этом МВД не ведет статистику раскрытых преступлений и выявленных административных правонарушений с помощью камер.
Несмотря на уже существующую инфраструктуру, в регионы планируют масштабировать технологию, которая применяется в Москве, но с немного другим подходом. В первую очередь за счет более продвинутых камер, которые смогут без передачи данных на серверы фиксировать инциденты и даже распознавать лица. Правда, совсем без серверов, скорее всего, будет не обойтись.
— Каждая камера генерирует видеопоток, а его дальше нужно куда-то направлять, — говорит специалист по системам безопасности Алексей Титов. — Как правило, это центр обработки данных (ЦОД). Хранение данных — это очень дорого. Поэтому в Москве архив систем видеонаблюдения хранят всего лишь пять дней. Это очень мало. Поэтому большинство преступлений расследуют по горячим следам. Сами камеры — это тоже приличные деньги, потому что каждую нужно установить, подвести какое-то питание, смонтировать, обслуживать. Это тоже приличные деньги, но ЦОД — это серьезная статья затрат. Она может 50–60% стоимости на себя забирать.
Из проекта также пока не очень понятно, для чего именно будут использоваться умные камеры: для распознавания лиц или для какой-то более простой аналитики. По словам Титова, уличные камеры в основном нужны для двух вещей: предотвращения преступлений, под камерами их совершается намного меньше, особенно это касается краж, и расследования преступлений. Но зачастую для этого достаточно и обычных камер.
— На мой взгляд, система распознавания лиц, прикрученная к каждой камере, она избыточная и практически не работает. Оно может работать на конкретных потоках. В той же Великобритании системы распознавания лиц ставят на точках в машинах. Рядом стоит патруль, идет большой поток людей — их сканируют. Полицейские тут же могут подойти к человеку и проверить документы. Они вот к такой схеме пришли. Это дешевле и эффективнее. Потому что успеть к каждому человеку к любой камере направить патруль — ну это просто нереально, — считает Алексей Титов.
С распознаванием лиц и повсеместными камерами есть еще одна проблема — черный рынок данных. В Москве можно купить доступ к почти любой камере или пробить человека по фотографии. В 2019 году журналист «МБХ Медиа» Андрей Каганских за 10 тысяч рублей пробил самого себя: он прислал свое фото дилеру, тот в ответ скинул ему отчет из 238 возможных совпадений с уличных камер. Правда, себя среди них журналист так и не нашел.
Журналист отправил дилеру свою фотографию, тот в ответ прислал 238 возможных фотосовпадений. Правда, себя среди них Каганских не нашел
Скриншот: «МБХ Медиа»
Поделиться
Похожий эксперимент в 2020 году провела волонтер «Роскомсвободы» Анна Кузнецова.
— Мы вместе с Анной решили узнать, а что же происходит на черном рынке пробива, — рассказывает юрист «Роскомсвободы» Саркис Дарбинян. — Мы нашли в интернете объявления, в которых предлагалось пробить человека по лицу по московским камерам. Заплатила Анна 15 тысяч рублей и через несколько дней получила полный список точек, улиц, домов. В основном с подъездных камер, это позволяет нам предположить, что они работают лучше остальных. Полный отчет получился на 20 листов: в какое время и по каким адресам была Анна. Конечно, со всеми этими бумагами мы обратились в СК. По горячим следам вышли на двоих таких дилеров, которые сливают базу. В итоге признали свою вину и предстали перед судом.
Полицейских признали виновными в нарушении неприкосновенности частной жизни с использованием служебного положения. Обоим назначили штрафы в размере 20 и 10 тысяч рублей.
Обычно после таких случаев «пробивщики» пропадают, но возвращаются уже через несколько месяцев — с возросшим ценником на услугу.
Есть вероятность, что с масштабированием системы видеонаблюдения в регионы такая услуга появится не только в Москве. И, как считает Дарбинян, единственный способ предотвратить подобные утечки — это запретить распознавание лиц в России.
— Наша практика подсказывает, что запрет является более правильным решением. Потому что нет никаких возможностей контролировать эту технологию и следить, как силовики используют эту технологию. Конечно, несмотря на некоторый налет луддизма (страх перед научно-техническим прогрессом), мы считаем, что лучше запретить эту технологию, чем пытаться ее разными правовыми инструментами взять под гражданский контроль, — подытожил Саркис Дарбинян.
