Петербургские ученые оптимизировали алгоритмы для сложного освещения

10 сентября 2026, 18:11

© Изображение сгенерировано ИИ

Исследователи из Санкт-Петербургского государственного университета промышленных технологий и дизайна (СПбГУПТД) разработали новый метод, позволяющий существенно повысить точность систем биометрической идентификации в условиях неравномерного освещения, пишет ТАСС. Ключевое преимущество разработки заключается в отказе от ресурсоёмких нейросетевых моделей в пользу классических, но модернизированных алгоритмов компьютерного зрения.

Проблема вычислительной стоимости нейросетей

Традиционные глубинные нейросети действительно умеют компенсировать проблемы с освещением, но такое решение достаточно дорогое. Такие модели требуют мощных GPU-серверов и огромных размеченных датасетов для обучения, что увеличивает совокупную стоимость владения (TCO) системой безопасности.

«Боковой свет, контровое освещение от окна, глубокие тени от козырьков или ламп искажают текстуру кожи и контуры лица. Современные нейросетевые модели частично решают эту проблему, но требуют огромных вычислительных мощностей и объёмных обучающих выборок», — отметил научный руководитель проекта, ассистент кафедры интеллектуальных систем и защиты информации СПбГУПТД Артур Тян.

Синергия алгоритмов CLAHE и LBPH

Для решения этой задачи ученые предложили комбинированный подход, объединяющий два метода:

1. CLAHE (Contrast Limited Adaptive Histogram Equalization): метод предварительной обработки изображения. Алгоритм разбивает кадр на небольшие фрагменты и локально выравнивает контраст в каждом из них. Это позволяет «проявить» детали в тенях, не допуская при этом чрезмерного усиления и «выгорания» ярких участков (пересвета).
2. LBPH (Local Binary Patterns Histograms): классический алгоритм текстурного описания лица. Он отличается крайне низкой вычислительной сложностью по сравнению с современными свёрточными нейронными сетями (CNN).

Благодаря такой оптимизации разработанный метод способен работать на стандартных центральных процессорах (CPU) без необходимости привлечения дорогостоящих графических ускорителей, что делает его идеальным кандидатом для внедрения на периферийных устройствах (Edge AI).

Результаты экспериментальной проверки

Для валидации технологии исследователи провели серию тестов с участием 10 добровольцев. Съёмка велась в семи различных сценариях освещения: нормальном, затемнённом, пересвеченном, с тенью слева, справа и сверху, а также при жёстком освещении прожектором.

Эксперимент подтвердил гипотезу: предварительная обработка кадров с помощью CLAHE позволяет LBPH-классификатору уверенно идентифицировать личности в условиях, где ранее фиксировались сбои (False Rejection Rate). Наиболее заметный прирост точности был зафиксирован в сценариях с общим затемнением, пересветом и боковой тенью слева.

Читайте также: Видеонаблюдение — не только камера: как гибридные системы меняют рынок