Верификация лица 1:1 для KYC и мобильных приложений: разработка под ключ

Проблема подтверждения личности

При регистрации в банке или мобильном приложении требуется удостовериться, что пользователь — действительно тот, за кого себя выдаёт. Face Verification 1:1 решает эту задачу: система принимает две фотографии (например, селфи и фото документа) и выдаёт бинарный ответ. Однако на пути к надёжной верификации встречаются типовые сложности: разное освещение, поворот головы, низкое качество снимков, атаки с экраном или 3D-масками. Мы построили сотни таких систем и знаем, как обойти каждый подводный камень.

В отличие от идентификации (поиск в базе 1:N), верификация 1:1 не требует большой базы лиц. Достаточно обучить модель выдавать эмбеддинг — компактный вектор признаков — и задать порог схожести. Основные сценарии: подтверждение личности при онлайн-регистрации, проверка фото на документе и селфи, аутентификация в мобильном приложении, а также антифрод- и KYC-процедуры. С ростом числа дистанционных услуг надёжная биометрическая верификация становится критической: фрод с подделкой документов и deepfake-атаки растут на 30% в год.

Как выбрать порог верификации?

False Accept Rate (FAR) и False Reject Rate (FRR) — метрики, определяющие поведение системы. FAR — вероятность принять чужого, FRR — отклонить своего. Они обратно зависимы, и выбор порога зависит от сценария. Мы обычно проводим A/B-тесты на исторических данных заказчика, чтобы найти баланс.

Equal Error Rate (EER) — точка пересечения FAR и FRR. Для ArcFace на LFW EER ≈ 0.17%. Это означает, что при пороге 0.17% частота ложного принятия равна частоте ложного отклонения. Реальный порог мы подбираем исходя из бизнес-потерь и UX-тестов.

Как работает Liveness Detection?

Без детекции живости система уязвима: атакующий может предъявить фотографию на экране, 3D-маску или видеоповтор. Используем два уровня защиты.

Пассивная проверка — анализ текстуры кожи (LBP, FrequentNet), детекция артефактов экрана и бликов. Пример кода:

from silent_face_anti_spoofing import AntiSpoof

anti_spoof = AntiSpoof(model_path='2.7_80x80_MiniFASNetV2.pth')

def check_liveness(face_crop: np.ndarray) -> dict:
    prediction = anti_spoof.predict(face_crop)
    return {
        'is_real': prediction['label'] == 1,
        'score': prediction['probability']
    }

Активная проверка — пользователь выполняет случайное действие: моргание, поворот головы, произнесение цифры. Это сильно усложняет атаку, так как требует заранее подготовленного видео.

Верификация по документу

Для KYC нужно сравнить фото на паспорте с селфи. Тут сложности: качество документа низкое, перспектива, водяные знаки. Мы предобрабатываем: детекция области фото, исправление перспективы, нормализация яркости. Точность ArcFace для документ↔селфи: 94–97% TAR@FAR=0.1%.

Реализация алгоритма

В качестве бэкбона используем предобученную модель ArcFace (InsightFace) с ResNet-100. Она выдаёт 512-мерный эмбеддинг лица. Сравнение — косинусная близость. Исходная архитектура описана в статье ArcFace.

import numpy as np
from insightface.app import FaceAnalysis

class FaceVerifier:
    def __init__(self, threshold: float = 0.5):
        self.app = FaceAnalysis(
            providers=['CUDAExecutionProvider', 'CPUExecutionProvider']
        )
        self.app.prepare(ctx_id=0, det_size=(640, 640))
        self.threshold = threshold

    def verify(self, image1: np.ndarray, image2: np.ndarray) -> dict:
        face1 = self._extract_face(image1)
        face2 = self._extract_face(image2)
        if face1 is None or face2 is None:
            return {'verified': False, 'reason': 'face_not_detected'}
        similarity = self._cosine_similarity(face1.embedding, face2.embedding)
        return {
            'verified': similarity >= self.threshold,
            'similarity': float(similarity),
            'threshold': self.threshold
        }

    def _cosine_similarity(self, a: np.ndarray, b: np.ndarray) -> float:
        return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)))

Как настроить систему верификации: пошагово

1. Определите сценарий и метрики: выберите целевые FAR/FRR под ваш уровень риска.
2. Подготовьте данные: соберите датасет из пар фото (селфи, документы), включая spoof-примеры.
3. Выберите модель: ArcFace, MagFace или другая — под ваш бюджет и скорость.
4. Интегрируйте Liveness Detection: пассивный + активный.
5. Протестируйте на исторических данных и проведите пентест.
6. Разверните в инфраструктуре: контейнеризация, REST API, мониторинг.

Этапы внедрения

Анализ требований — определяем сценарии, метрики, пороги. Проектирование — выбираем модель, pipeline, инфраструктуру (GPU, API). Реализация — адаптация ArcFace, настройка Liveness Detection, интеграция API. Тестирование — на исторических данных, A/B-тесты, пентест. Деплой и мониторинг — контейнеризация, CI/CD, мониторинг метрик.

Метрики и бенчмарки

Модель ArcFace в нашей конфигурации показывает:

• LFW: 99.83%
• IJB-B: TAR@FAR=1e-4 94.0%
• IJB-C: 96.5%
• MegaFace: Rank-1 98.35%

Что входит в работу

• Документация по архитектуре решения и API спецификация.
• Исходный код модели, предобработки и Liveness Detection.
• Интеграция с вашей инфраструктурой (Kubernetes, REST API).
• Обучение вашей команды работе с системой.
• Поддержка на этапе тестирования и деплоя.

Преимущества нашей реализации

За 5 лет мы выполнили более 20 проектов face verification. Наши инженеры сертифицированы NVIDIA. ArcFace в нашей конфигурации показывает TAR@FAR=0.001 на 94%, что в 1.5–2 раза лучше старых моделей. Гарантируем точность и поддержку на всех этапах.

Свяжитесь с нами для консультации по вашему проекту. Получите оценку задачи за 2 дня. Стоимость рассчитывается индивидуально.

Как distribution shift убивает метрики CV-модели в промышленности

На производстве ставят камеру, контролируют качество продукции. Модель обучена на 10 000 размеченных изображений — точность на тесте mAP 0.84. Запускают в продакшен — и в первую же неделю пропускают 30 % дефектов. Освещение на линии меняется по сменам, distribution shift обнуляет метрики. Это классическая история с Computer Vision в промышленности, где распознавание образов даёт сбой без правильной обработки дрейфа.

Наши инженеры с опытом 60+ проектов по компьютерному зрению знают, как исключить такие сценарии. Гарантируем стабильную работу модели под реальными условиями.

Детекция объектов: YOLO, RT‑DETR и всё что между ними

YOLO — стандарт для real‑time детекции. YOLOv8 и YOLOv11 от Ultralytics — наиболее используемые версии в производстве: простой API, активное сообщество, встроенная валидация и экспорт в ONNX/TensorRT. Для задач с высокими требованиями к точности и когда latency менее критична — RT‑DETR, transformer‑based архитектура без NMS, даёт лучший mAP на COCO при сравнимой скорости с YOLOv8l.

Типичная ошибка при обучении детектора: датасет 8000 изображений, 3 класса, fine‑tune YOLOv8m — F1 0.73 на валидации. Смотрим confusion matrix — один класс почти никогда не детектируется. Причина: дисбаланс 1:23. Решение: oversampling редкого класса, focal loss для objectness, аугментации (Mosaic, MixUp отключить для редкого класса — они его «размывают»). Transfer learning обязателен: предобученные на COCO веса сокращают потребность в данных в 10 раз. Fine‑tune на 500–2000 доменных изображениях даёт рабочую модель за 1–2 дня на одной GPU.

Для edge deployment: экспорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin даёт 150+ FPS при P99 latency < 8 ms — это в 3 раза быстрее, чем ONNX Runtime без TensorRT. На сервере A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Как fine‑tuning YOLO помогает в распознавании образов?

Допустим, нужно находить микродефекты на поверхности металла — задача с высоким разрешением и перекосом классов. Используем YOLOv8m, предобученный на COCO (документация Ultralytics), и дообучаем на 2000 собственных изображений. Применяем аугментации Mosaic, MixUp, random perspective. После 200 эпох mAP 0.5 достигает 0.93. Ключевые приёмы:

• focal loss для objectness головы — уменьшает вклад легко классифицируемых примеров.
• class‑balanced sampling — выравнивает представительство редких классов.
• Test Time Augmentation (TTA) — повышает recall на 5–7 % за счёт усреднения по флипам и масштабам.

Получите консультацию по подбору архитектуры для вашей задачи — свяжитесь с нами.

Сегментация: SAM, Mask R‑CNN и instance segmentation

SAM (Segment Anything Model) от Meta изменил подход к сегментации. SAM 2 работает с видео, поддерживает трекинг объектов через кадры — для интерактивного выделения объекта по точке или bbox это лучший выбор из коробки. Для production instance segmentation без интерактивного промпта — Mask R‑CNN или YOLOv8‑seg. YOLOv8‑seg обучается как обычный детектор с дополнительными масками, удобен в тех же пайплайнах. Семантическая сегментация (каждый пиксель — класс) — SegFormer, DeepLabV3+. SegFormer‑B5 даёт хороший баланс точности и скорости для анализа спутниковых снимков или медицинской сегментации.

Кейс: сегментация клеток на микроскопических изображениях. Датасет 400 изображений с ручной разметкой. Обучение Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — плохо. Проблема: объекты (клетки) перекрываются, стандартный NMS убивает перекрывающиеся предсказания. Решение: переход на cellpose (специализированная архитектура для биомедицинских задач) + soft‑NMS. IoU вырос до 0.79.

OCR: когда Tesseract не справляется

Tesseract — отправная точка для простых задач: печатный текст, хорошее освещение, ровное расположение. Как только появляются рукописные элементы, нестандартные шрифты, перспективные искажения или многоколоночный макет — Tesseract деградирует быстро.

PaddleOCR — production‑grade решение: обнаружение текстовых блоков + распознавание + структурный анализ. Работает из коробки для 80+ языков, включая русский. Поддерживает таблицы и документы со сложной структурой. Wikipedia: Оптическое распознавание символов. TrOCR (Microsoft) — трансформерный OCR с сильными результатами на рукописном тексте. Для русского рукописного текста нужен fine‑tuning: базовая модель обучена преимущественно на латинице.

Что делать, если Tesseract не справляется с распознаванием образов на документах?

Для задач «извлеки данные из счёта / договора / паспорта» используем LayoutLMv3 или Donut — эти модели понимают layout документа, а не только текст. Интеграция через Hugging Face Transformers, fine‑tuning на 200–500 размеченных документах. Типичный pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Обнаружение текстовых блоков: PaddleOCR detection или CRAFT.
3. Распознавание: PaddleOCR recognition или TrOCR.
4. Post‑processing: нормализация, валидация через regex или LLM для структурированных полей.

Для документов с фиксированной структурой template matching + OCR точечно по координатам зачастую надёжнее end‑to‑end решения.

Face Recognition: идентификация и верификация

Face recognition = detection + alignment + embedding + matching. Каждый этап важен.

Detection: RetinaFace или InsightFace для точной локализации лица и ключевых точек. MTCNN — более старое, но надёжное решение. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Модели iresnet50/iresnet100 предобучены на MS1MV3 (5M идентичностей). Эмбеддинг‑вектор 512 float32, сравнение по cosine similarity. Threshold tuning: порог решения — критический параметр. При threshold 0.6 типичный FPR на LFW benchmark — 0.001, TPR — 0.985. В production threshold нужно калибровать под реальный distribution: люди в масках, с изменившейся внешностью, в разных условиях освещения. Liveness detection обязателен: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo содержит несколько предобученных liveness‑детекторов.

Видеоаналитика

Видео — последовательность кадров плюс временное измерение. Наивный подход — детектировать на каждом кадре — дорого.

Трекинг: ByteTrack и BoT‑SORT — стандарт для multi‑object tracking. Работают поверх любого детектора, добавляют persistent ID объектам между кадрами — это даёт подсчёт объектов, треки движения, velocity.

Оптимизация: не нужно обрабатывать каждый кадр. Для статичных сцен детекция на каждом 5–10 кадре, между ними — трекер. Для детекции событий (человек вошёл в зону) background subtraction (OpenCV MOG2) как lightweight pre‑filter перед нейросетевой детекцией. Action Recognition: SlowFast, VideoMAE для классификации действий. Тяжёлые модели — для production используем ONNX export + TensorRT либо оффлайн обработку.

Как измерить качество модели распознавания образов в продакшене?

Мониторинг качества — ключевой элемент MLOps. Отслеживаем:

• распределение prediction confidence;
• долю low‑confidence предсказаний (индикатор OOD‑данных);
• дрейф входных изображений через feature distribution (embeddings из backbone).

Падение средней confidence с 0.87 до 0.71 за неделю — ранний сигнал о distribution shift. NVIDIA Triton Inference Server рекомендует отслеживать эти метрики через Prometheus. Наши сертифицированные инженеры настраивают мониторинг и гарантируют SLA по качеству инференса.

Деплой CV‑моделей

Для онлайн инференса используем Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Поддерживает TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST и gRPC API. Гарантируем стабильную работу под нагрузкой.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобильных устройств. OpenVINO для Intel CPU/GPU/VPU — даёт 2–3× прирост скорости на Intel железе по сравнению с ONNX Runtime. После деплоя передаём модель с документацией и обучаем персонал.

Что входит в работу

Сроки и стоимость

Прототип детектора на существующих данных — 1–2 недели. Production‑система с оптимизацией под целевое железо — 4–8 недель. Полный цикл включая разметку данных (1000–5000 изображений) — 2–4 месяца. Стоимость рассчитывается индивидуально под каждую задачу. Примерная экономия от внедрения системы контроля качества — до 1 млн рублей в месяц на одном производственном участке.

Мы на рынке более 5 лет, реализовали 60+ проектов по компьютерному зрению. Оценим ваш проект под ключ — закажите консультацию, чтобы получить расчёт и техническое предложение.