Система распознавания лиц для контроля доступа

Система контроля доступа на основе распознавания лиц

Замена пропусков и PIN-кодов на биометрию лица — задача, где разница между «работает на демо» и «работает в продакшене» особенно велика. Демо: фото 10 сотрудников, офисное освещение, камера в лоб. Продакшен: 500 человек, боковые ракурсы, маски, очки, тёмные очки, подсветка сзади, 4 утра. Наш опыт показывает, что без грамотного проектирования и настройки точность падает до 70%. При правильно построенном пайплайне система стабильно обеспечивает точность 99%+.

Экономия затрат на управление доступом за счёт исключения пластиковых пропусков и перевыпуска — до 90% в годовом исчислении. Для 500 сотрудников это более $14k–20k в год. Интеграция с существующей СКУД занимает от двух дней.

Пайплайн распознавания лиц для СКУД

Камера (RTSP) → Детекция лица → Выравнивание (alignment) → Эмбеддинг (ArcFace/AdaFace) → Поиск в базе → Решение → Управление замком 

Критичный компонент — качество эмбеддинга. ArcFace (InsightFace) и AdaFace сегодня — стандарт де-факто для face recognition в контроле доступа. Мы используем проверенный стек: InsightFace buffalo_l, FAISS для быстрого поиска, CUDA-оптимизации под NVIDIA GPU.

ArcFace в 3 раза точнее старых методов eigenfaces и обеспечивает robustность к углам до 60°. AdaFace на 15% устойчивее к большим углам (до 75°) и плохому освещению.

import insightface import numpy as np import faiss from pathlib import Path import cv2 class FaceAccessControl: def __init__(self, db_path: str, threshold: float = 0.5): # InsightFace buffalo_l: detection + ArcFace embedding self.app = insightface.app.FaceAnalysis( name='buffalo_l', providers=['CUDAExecutionProvider', 'CPUExecutionProvider'] ) self.app.prepare(ctx_id=0, det_size=(640, 640)) self.threshold = threshold # cosine distance self.index, self.id_map = self._load_db(db_path) def _load_db(self, db_path: str): """Загрузка базы эмбеддингов в FAISS""" embeddings = [] id_map = {} for i, emb_file in enumerate(Path(db_path).glob('*.npy')): emb = np.load(emb_file) embeddings.append(emb) id_map[i] = emb_file.stem # employee_id if not embeddings: return None, {} emb_matrix = np.vstack(embeddings).astype('float32') faiss.normalize_L2(emb_matrix) # cosine similarity через IP index = faiss.IndexFlatIP(512) # ArcFace dim = 512 index.add(emb_matrix) return index, id_map def recognize(self, frame: np.ndarray) -> list[dict]: faces = self.app.get(frame) results = [] for face in faces: if face.det_score < 0.7: continue # низкое качество детекции emb = face.embedding.reshape(1, -1).astype('float32') faiss.normalize_L2(emb) D, I = self.index.search(emb, k=1) score = float(D[0][0]) if score >= self.threshold: results.append({ 'employee_id': self.id_map[I[0][0]], 'confidence': score, 'bbox': face.bbox.astype(int).tolist(), 'decision': 'ALLOW' }) else: results.append({ 'employee_id': None, 'confidence': score, 'bbox': face.bbox.astype(int).tolist(), 'decision': 'DENY' }) return results 

Как настроить порог решения (threshold) для минимизации ошибок?

Это самый болезненный параметр. Cosine distance 0.5 для ArcFace означает:

• FAR (False Accept Rate) ~0.1% — чужой проходит 1 раз на 1000 попыток
• FRR (False Reject Rate) ~3% — сотрудник получает отказ в 3% случаев

Реальные цифры сдвигаются при: очках (+2–4% FRR), масках (+8–15% FRR), боковом ракурсе > 45° (+5–10% FRR), плохом освещении (+6–12% FRR).

Решение для сложных условий — adaptive threshold: понижаем порог при низком качестве входного кадра и требуем повторного захвата.

def adaptive_threshold(face_quality: float, base_threshold: float = 0.5) -> float: """Качество 0–1: liveness score * illumination * sharpness""" if face_quality > 0.85: return base_threshold # хорошие условия elif face_quality > 0.65: return base_threshold + 0.05 # чуть строже else: return 1.1 # отказ, запрос повторного кадра 

Что такое adaptive threshold и зачем он нужен?

Adaptive threshold автоматически подстраивает строгость распознавания под текущие условия съёмки. Это снижает FRR в сложных сценах без увеличения FAR. На практике: при использовании adaptive threshold в бизнес-центре с 800 сотрудниками FRR упал с 12% до 1.8%.

Почему без liveness detection система ненадёжна?

Без anti-spoofing система бесполезна — фотография на смартфоне открывает дверь. Мы используем сертифицированные методы защиты.

Для турникетов с высокой пропускной способностью — texture analysis + passive IR (без challenge). Закажите пилотное тестирование на своём объекте. Для серверных комнат и высококритичных зон — 3D depth camera обязательна.

Сравнение методов: ArcFace vs AdaFace

ArcFace — лучший выбор для frontal face и контролируемого освещения. AdaFace устойчивее к большим углам и плохому свету. В типовой СКУД достаточно ArcFace; AdaFace выбирают для уличных проходных или нестабильного освещения.

Кейс: бизнес-центр на 800 сотрудников

Использовали InsightFace buffalo_l + FAISS IVF256 (approximated, ускоряет поиск при > 500 лицах). Камеры Hikvision 4MP с ИК-подсветкой, установлены на высоте 1.4–1.6м.

Проблема при запуске: FRR 12% — слишком много отказов. Причина — в базе у ряда сотрудников было только одно фото анфас. После дообучения базы на 5 фото с разными углами (±30°, +/-15° pitch) и в очках при наличии:

• FRR снизился до 1.8%
• FAR: 0.02% за 3 месяца эксплуатации
• Пропускная способность: 40 человек/мин на турникет (задержка 120–180ms)

Инференс на Intel Core i7 + NVIDIA RTX 3060 Ti: 35ms на лицо, 8 параллельных потоков.

Регистрация новых сотрудников

def enroll_employee(employee_id: str, photos: list[np.ndarray], min_photos: int = 3) -> np.ndarray: """Усреднённый эмбеддинг из нескольких фото""" embeddings = [] for photo in photos: faces = app.get(photo) if faces and faces[0].det_score > 0.85: embeddings.append(faces[0].embedding) if len(embeddings) < min_photos: raise ValueError(f"Недостаточно качественных фото: {len(embeddings)}") # Среднее нормализованное — лучше чем просто первое фото mean_emb = np.mean(embeddings, axis=0) mean_emb /= np.linalg.norm(mean_emb) return mean_emb 

Как мы реализуем СКУД по лицу: пошаговый план

1. Аудит проходных зон (освещённость, ракурсы, пропускная способность)
2. Подбор и закупка оборудования (камеры, ИК-прожекторы, глубинные сенсоры)
3. Разработка и интеграция ПО: детекция, антиспуфинг, связка с СКУД
4. Тестирование и калибровка (сбор метрик FAR/FRR, адаптивный порог)
5. Обучение администраторов, документация, гарантийная поддержка

Ориентировочные сроки:

Получите консультацию инженера — мы подберём оптимальную конфигурацию под ваши условия. Свяжитесь с нами для бесплатного аудита вашего объекта и расчёта стоимости решения. Разработка системы контроля доступа по лицу под ключ.