Разработка алгоритма для распознавания лиц на видео

Диплом (ВКР) по теме «Разработка алгоритма для распознавания лиц на видео»

Если вы — студент Синергия по специальности 09.03.02 «Разработка, сопровождение и обеспечение безопасности информационных систем», и ваша ВКР посвящена распознаванию лиц на видео — эта статья поможет вам понять, как правильно построить работу: от актуальности до экономики. Приведены реальные примеры, код, требования к оформлению и чек-листы. Всё, что нужно — чтобы научрук принял работу с первого раза.

Нужен разбор вашей темы Разработка алгоритма для распознавания лиц на видео? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Распознавание лиц на видео — не просто «фишка» из фильмов. Оно уже активно внедряется в реальных системах безопасности. Например, в 2024 году ФСТЭК включила биометрические системы в перечень критически важных для защиты госинформации. Это означает: технологии распознавания — не просто тренд, а требование безопасности.

По данным отчёта ФСТЭК России (2024), 68% организаций в сфере госуправления и энергетики уже используют биометрию для контроля доступа. При этом 41% систем работают с видеопотоком в реальном времени. Проблема? Многие из них не справляются с изменением освещения, поворотами головы или масками.

Здесь и появляется актуальность вашей темы: разработка алгоритма, который не просто «распознаёт», а устойчиво работает в сложных условиях. Это не абстрактный эксперимент — это решение, которое может быть внедрено в систему безопасности кампуса Синергия или на предприятии-партнёре.

Цель и задачи

Цель вашей ВКР — разработка алгоритма распознавания лиц на видео, устойчивого к изменениям внешних условий (освещение, угол, маска), с возможностью интеграции в существующую ИС.

Задачи должны логично вытекать из цели и соответствовать структуре методички Синергия:

1. Анализ существующих решений — обзор аналогов (FaceNet, DeepFace, OpenCV) и их слабых мест при работе с видеопотоком.
2. Моделирование процесса обработки видео — построение DFD и BPMN-диаграмм «КАК ЕСТЬ» и «КАК ДОЛЖНО БЫТЬ».
3. Разработка архитектуры алгоритма — выбор модели (например, MTCNN + ArcFace), обоснование стека (Python, OpenCV, TensorFlow).
4. Реализация прототипа — написание кода, тестирование на реальных видео (например, с камеры наблюдения).
5. Оценка эффективности — замер точности (accuracy), скорости обработки кадра, ложных срабатываний.
6. Расчёт экономического эффекта — снижение затрат на охрану, повышение уровня безопасности.

Заметьте: задачи покрывают все три части ВКР — аналитическую, проектную и экономическую. Это важно для научного руководителя.

Объект и предмет

Объект исследования — система видеонаблюдения в кампусе Синергия (или другого учебного заведения/предприятия).

Предмет исследования — алгоритм распознавания лиц на видеопотоке в реальном времени с использованием нейросетевых моделей.

Важно: объект — это система, в которой происходит процесс. Предмет — то, что вы разрабатываете. Они не должны совпадать. Многие студенты пишут: «Объект — распознавание лиц». Ошибка. Это предмет.

Ожидаемые результаты и практическая значимость

После реализации вы получите:

• Прототип алгоритма с точностью распознавания >92% на тестовом наборе данных (LFW или собственном).
• Снижение времени обработки одного кадра до 0.3 сек (на CPU Intel i5).
• Снижение количества ложных срабатываний на 60% по сравнению с базовым OpenCV Haar Cascade.
• Интеграционный модуль для подключения к системе видеонаблюдения (например, через RTSP).

Практическая значимость: внедрение такого алгоритма в кампусе Синергия позволит:

• Автоматически фиксировать посещаемость студентов на лекциях (с согласия).
• Выявлять несанкционированный доступ в закрытые зоны.
• Снижать нагрузку на охрану — от 30% до 50% рутинных проверок.

Пример введения для Синергия

В условиях роста требований к информационной и физической безопасности, автоматизация контроля доступа становится приоритетом. В кампусе Синергия используется система видеонаблюдения, но её анализ ведётся вручную. Это неэффективно: при 20 камерах один оператор не может отслеживать более 4 одновременно (по данным CyberLeninka, 2024).

Цель работы — разработка алгоритма распознавания лиц на видеопотоке, устойчивого к изменениям внешних условий. Объект исследования — система видеонаблюдения Синергия. Предмет — алгоритм распознавания. Задачи включают анализ аналогов, моделирование процесса, разработку прототипа и оценку экономического эффекта.

Работа выполнена с учётом требований ГОСТ 34.602-2020 и методических рекомендаций Синергия. Прототип реализован на Python с использованием библиотек OpenCV и TensorFlow. Результат — алгоритм, способный обрабатывать видеопоток в реальном времени с точностью 92.3%.

Как написать заключение по Разработка, сопровождение и обеспечение безопасности информационных систем

В ходе работы была проанализирована система видеонаблюдения Синергия. Выявлены недостатки ручного контроля: низкая оперативность, высокий риск пропуска нарушений. На основе анализа аналогов выбрана архитектура MTCNN + ArcFace как наиболее устойчивая к шумам и поворотам.

Разработан прототип алгоритма, способный обрабатывать видеопоток с задержкой менее 0.3 сек. Тестирование показало точность 92.3% на тестовом наборе из 500 кадров. Экономический расчёт подтвердил целесообразность внедрения: срок окупаемости — 14 месяцев, NPV за 3 года — 420 тыс. руб.

Работа рекомендуется к внедрению в пилотном режиме на факультете IT. Дальнейшее развитие — интеграция с системой доступа к аудиториям и автоматизация отчётов по посещаемости.

Требования к списку литературы Синергия

Список литературы оформляется по ГОСТ Р 7.0.100-2018. Минимум — 40 источников, из них:

• Не менее 10 — за последние 5 лет
• Не менее 5 — иностранных
• Обязательно: нормативные документы (ФСТЭК, ГОСТ), официальная документация (OpenCV, TensorFlow)

Примеры реально существующих источников:

1. ФСТЭК России. Методические рекомендации по защите биометрических данных. — 2024. — URL: https://www.fstec.ru/dokumenty/mr-po-zashchite-biometricheskih-dannyh
2. Deng, J. et al. ArcFace: Additive Angular Margin Loss for Deep Face Recognition. — CVPR, 2019. — URL: https://arxiv.org/abs/1801.07698
3. OpenCV Documentation. Face Recognition with OpenCV. — 2025. — URL: https://docs.opencv.org/4.x/da/d60/tutorial_face_main.html

Пример реализации: фрагмент кода распознавания лица

Вот пример обработки кадра с использованием MTCNN и ArcFace (Python):

from mtcnn import MTCNN
import cv2
import numpy as np
from tensorflow.keras.models import load_model

# Инициализация детектора лиц
detector = MTCNN()

# Загрузка предобученной модели ArcFace
model = load_model('arcface_model.h5')

def recognize_face(frame):
    # Поиск лиц
    faces = detector.detect_faces(frame)
    for face in faces:
        x, y, w, h = face['box']
        face_img = frame[y:y+h, x:x+w]
        face_img = cv2.resize(face_img, (112, 112))
        face_img = np.expand_dims(face_img, axis=0)
        
        # Получение эмбеддинга
        embedding = model.predict(face_img)
        
        # Сравнение с базой (упрощённо)
        if compare_with_database(embedding):
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
    return frame

Важно: В приложении к ВКР должны быть ключевые фрагменты кода, а не весь проект. Укажите: где брать полный код (например, GitHub-репозиторий).

Частые вопросы по теме «Разработка алгоритма для распознавания лиц на видео»

• В: Сколько страниц должна быть практическая часть? О: В Синергия обычно 40-60 стр., но смотрите методичку. Главное — полнота, а не объём.
• В: Нужен ли реальный код в приложении? О: Да, фрагменты ключевых модулей обязательны. Полный код — по согласованию с научруком.
• В: Как проверить уникальность перед сдачей? О: Используйте Антиплагиат.ВУЗ с настройками Синергия. Уникальность — от 75%.
• В: Можно ли использовать готовые модели? О: Да, но с адаптацией и тестированием. Укажите источник и внесённые изменения.

Нужна помощь с Заказать работу по Разработка, сопровождение и обеспечение безопасности информационных систем? Или хотите почитать Полезные статьи для студентов Синергия?