Система розпізнавання облич для контролю доступу

Заміна перепусток та PIN-кодів на біометрію обличчя — завдання, де різниця між «працює на демо» та «працює в продакшені» особливо велика. Демо: фото 10 співробітників, офісне освітлення, камера в лоб. Продакшен: 500 осіб, бічні ракурси, маски, окуляри, темні окуляри, підсвітка ззаду, 4 ранку. Наш досвід показує, що без грамотного проєктування та налаштування точність падає до 70%. При правильно побудованому пайплайні система стабільно забезпечує точність 99%+.

Економія витрат на управління доступом за рахунок виключення пластикових перепусток та перевипуску — до 90% у річному обчисленні. Інтеграція з існуючою СКУД займає від двох днів. Наша компанія має 7+ років досвіду в біометрії та реалізувала понад 120 проектів СКУД.

Пайплайн розпізнавання облич для СКУД

Камера (RTSP) → Детекція обличчя → Вирівнювання (alignment) → Ембендинг (ArcFace/AdaFace) → Пошук у базі → Рішення → Управління замком 

Критичний компонент — якість ембендингу. ArcFace (InsightFace) та AdaFace сьогодні — стандарт де-факто для face recognition у контролі доступу. Ми використовуємо перевірений стек: InsightFace buffalo_l, FAISS для швидкого пошуку, CUDA-оптимізації під NVIDIA GPU.

ArcFace у 3 рази точніший за старі методи eigenfaces і забезпечує стійкість до кутів до 60°. AdaFace на 15% стійкіший до великих кутів (до 75°) та поганого освітлення.

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): """Завантаження бази ембендингів у 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 # низька якість детекції 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 

Як налаштувати поріг рішення (threshold) для мінімізації помилок?

Це найболючіший параметр. Cosine distance 0.5 для ArcFace означає:

• FAR (False Accept Rate) ~0.1% — чужий проходить 1 раз на 1000 спроб
• FRR (False Reject Rate) ~3% — співробітник отримує відмову у 3% випадків

Реальні цифри зміщуються при: окулярах (+2–4% FRR), масках (+8–15% FRR), бічному ракурсі > 45° (+5–10% FRR), поганому освітленні (+6–12% FRR).

Рішення для складних умов — adaptive threshold: знижуємо поріг при низькій якості вхідного кадру та вимагаємо повторного захоплення.

def adaptive_threshold(face_quality: float, base_threshold: float = 0.5) -> float: """Якість 0–1: liveness score * illumination * sharpness""" if face_quality > 0.85: return base_threshold # хороші умови elif face_quality > 0.65: return base_threshold + 0.05 # трохи суворіше else: return 1.1 # відмова, запит повторного кадру 

Що таке adaptive threshold і навіщо він потрібен?

Adaptive threshold автоматично підлаштовує суворість розпізнавання під поточні умови зйомки. Це знижує FRR у складних сценах без збільшення FAR. На практиці: при використанні adaptive threshold у бізнес-центрі з 800 співробітниками FRR впав з 12% до 1.8%.

Чому без liveness detection система ненадійна?

Без anti-spoofing система некорисна — фотографія на смартфоні відкриває двері. Ми використовуємо сертифіковані методи захисту.

Для турнікетів з високою пропускною здатністю — texture analysis + passive IR (без challenge). Замовте пілотне тестування на своєму об'єкті. Для серверних кімнат та висококритичних зон — 3D depth camera обов'язкова.

Порівняння методів: ArcFace vs AdaFace

ArcFace — найкращий вибір для frontal face та контрольованого освітлення. AdaFace стійкіший до великих кутів та поганого світла. У типовій СКУД достатньо ArcFace; AdaFace обирають для вуличних прохідних або нестабільного освітлення.

Кейс: бізнес-центр на 800 співробітників

Використовували InsightFace buffalo_l + FAISS IVF256 (approximated, прискорює пошук при > 500 обличчях). Камери Hikvision 4MP з ІЧ-підсвіткою, встановлені на висоті 1.4–1.6м.

Проблема при запуску: FRR 12% — забагато відмов. Причина — у базі в ряду співробітників було лише одне фото анфас. Після донавчання бази на 5 фото з різними кутами (±30°, +/-15° pitch) та в окулярах за наявності:

• FRR знизився до 1.8%
• FAR: 0.02% за 3 місяці експлуатації
• Пропускна здатність: 40 осіб/хв на турнікет (затримка 120–180ms)

Інференс на Intel Core i7 + NVIDIA RTX 3060 Ti: 35ms на обличчя, 8 паралельних потоків.

Реєстрація нових співробітників

def enroll_employee(employee_id: str, photos: list[np.ndarray], min_photos: int = 3) -> np.ndarray: """Усереднений ембендинг з кількох 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"Недостатньо якісних фото: {len(embeddings)}") # Середнє нормалізоване — краще ніж просто перше фото mean_emb = np.mean(embeddings, axis=0) mean_emb /= np.linalg.norm(mean_emb) return mean_emb 

Як ми реалізуємо СКУД по обличчю: покроковий план

1. Аудит прохідних зон (освітленість, ракурси, пропускна здатність)
2. Підбір та закупівля обладнання (камери, ІЧ-прожектори, глибинні сенсори)
3. Розробка та інтеграція ПЗ: детекція, антиспуфінг, зв'язка з СКУД
4. Тестування та калібрування (збір метрик FAR/FRR, адаптивний поріг)
5. Навчання адміністраторів, документація, гарантійна підтримка

Що входить у роботу

• Документація: технічний проєкт, інструкції адміністратора та користувача, протоколи тестування.
• Доступи та права: налаштування ролей, інтеграція з Active Directory або окрема БД.
• Навчання: 2-денний тренінг для адміністраторів, вебінар для користувачів.
• Підтримка: гарантія 2 роки, SLA 8/5 або 24/7, оновлення ПЗ протягом гарантії.

Наш досвід та метрики

• 7+ років на ринку біометричних систем.
• 120+ впроваджень СКУД з розпізнаванням облич.
• Середній FRR у проектах < 2%, FAR < 0.01%.
• Задоволеність клієнтів: NPS = 82.

Орієнтовні строки:

Отримайте консультацію інженера — ми підберемо оптимальну конфігурацію під ваші умови. Зв'яжіться з нами для безкоштовного аудиту вашого об'єкта та розрахунку вартості рішення. Розробка системи контролю доступу по обличчю під ключ.