Система распознавания лиц нового поколения: точность без вычислительных перегрузок
Исследователи Санкт-Петербургского государственного университета промышленных технологий и дизайна (СПбГУПТД) разработали метод, позволяющий системам распознавания лиц работать точнее в условиях неравномерного освещения без использования ресурсоемких нейросетей.
Ежедневно миллионы людей сталкиваются с капризами биометрии. Контровый свет на турникете, глубокие тени в переходе или тусклая лампа в офисе превращают современную систему в полуслепой инструмент. Вместо того чтобы перегружать алгоритмы гигабайтами данных и требовать мощных серверов, ученые научились улучшать само изображение до его анализа.
Технология: CLAHE и LBPH вместо тяжелых моделей
В качестве основы исследователи предлагают применять алгоритм LBPH (Local Binary Patterns Histograms) в сочетании с предобработкой изображений методом CLAHE. Суть подхода в том, что кадр разбивается на небольшие фрагменты (тайлы), после чего алгоритм локально выравнивает контраст в каждом из них без избыточного усиления ярких зон. Это особенно эффективно при выраженной неравномерности освещения. LBPH-классификатор, в свою очередь, является проверенным методом текстурного описания лица с низкой вычислительной сложностью, что позволяет решению эффективно работать даже на стандартных процессорах.
Еще одно преимущество связки CLAHE и LBPH – возможность выполнять верификацию локально, прямо на устройстве, без передачи биометрических данных на удаленный сервер. Это кардинально снижает риски перехвата информации.
Оптимизация конвейера данных
Индустрия компьютерного зрения долгое время шла по пути усложнения, создавая массивные нейросети, требующие огромных дата-сетов. Петербургские исследователи сломали этот тренд. Фокус сместился на предварительную обработку кадра: алгоритм вытягивает детали из теней и нейтрализует засветы, подавая на вход уже очищенную, контрастную картинку.
Это меняет парадигму развертывания систем безопасности. Обработка может происходить на периферии (edgecomputing) – прямо в «умной» камере или терминале самообслуживания. Концепция обретает экономическое обоснование: бизнес экономит на передаче трафика и аренде облачных мощностей.
Для пользователя это означает конец раздражающим ошибкам. Банковские приложения и турникеты перестанут требовать «повернуться чуть левее» при каждом изменении освещения. Для России значение разработки выходит за рамки бытового удобства: это шаг к технологическому суверенитету. Разработка позволяет внедрять передовую аналитику в регионах, где обслуживание тяжелой серверной инфраструктуры экономически нецелесообразно.
Эволюция «цифрового глаза»
Чтобы понять масштаб инновации, стоит оценить путь отечественной биометрии за последние пять лет. В 2021 году рынок переходил от простого видеонаблюдения к аналитике потоков. К 2022 году фокус сместился на защиту от попыток подмены лица. В 2023 году пришло осознание: точность упирается в качество исходного кадра. К 2024 году платформы научились компенсировать часть помех, но проблема сложного освещения оставалась острой.
В 2025 году в «Госуслуги Биометрия» были внедрены ИИ-ассистенты, подсказывающие, как правильно встать в кадр. Разработка СПбГУПТД становится логичным венцом этой эволюции: система не просто просит пользователя подстроиться, но и сама математически адаптируется к среде.
Мировой ИТ-рынок переориентируется на поиск баланса между точностью и энергоэффективностью. Успех инновации будет зависеть от скорости ее упаковки в готовые программные модули и бесшовной интеграции в существующие платформы. Если петербургским инженерам удастся пройти этот путь, отечественная школа компьютерного зрения получит мощный конкурентный козырь. Энергонезависимые терминалы и автономные системы безопасности – ниша, где «легкая» биометрия может занять прочное место.
