Создание модели распознавания лиц с использованием глубокого обучения на языке python

Интерфейсы будущего

Сегодня понятие «интерфейсы будущего» в значительной мере ассоциируется со средствами воздействия на продолжающие оставаться неохваченными органы обоняния и осязания, а также вкусовые рецепторы. Во всяком случае, японские эксперты уже предвидят появление рисоварок, позволяющих пользователям получать представление о вкусе риса в процессе его приготовления. Традиционные средства устройства ввода, как клавиатура или система распознавания речи, будут применяться для получения сведений о текущем эмоциональном состоянии пользователя. Это, в частности, позволит устранить «бестактность» систем голосового общения, встраиваемых, например, в современные бортовые компьютеры автомобилей.


Как преуспеть на рынке

Задача распознавания людей по лицу решена. А как обстоит дело с определением эмоций?

Александр Ханин: Как, например, в африканских странах люди миновали стадию телеграфа и сразу перешли на мобильную сеть, так и мы, не решая задачу распознавания эмоций, сразу перешли на более высокий уровень — к выводам о важных для наших клиентов характеристиках человека. Бизнес показывает: от того, что машина распознает, улыбается человек или нахмурен, пользы никакой. Нужны более серьезные умения.

Распознавать ложь, например?

Александр Ханин: Да. Или определять, соответствует кандидат вашим требованиям или нет. Удовлетворен клиент обслуживанием или нет — улыбка ведь может выражать не только радость, но и насмешку и скрытое недовольство. Поэтому само по себе распознавание эмоций — это подзадача. Мы изучаем лицо в динамике, последовательность реакций на вопросы, обслуживание, обстановку.

Нейроинтерфейсы: Как управлять миром силой мысли

Есть ли в мире инновационные продукты, на которые вы ориентируетесь?

Александр Ханин: Мы сами на переднем фланге. Медицинский факт, что наш продукт — первая в мире комплексная система распознавания лиц для банков и ретейла, которая работает и в мобильном телефоне, и на сайте, и в отделениях, и в банкоматах, и в терминалах самообслуживания — везде. Мы не только первые, но пока, насколько я знаю, единственные.

В каких-то терминалах самообслуживания уже установлена система распознавания лиц?

Александр Ханин: Да, например, в банке «Открытие» — в терминалах электронной очереди. И это не пилотные проекты, а такие, которые работают и удовлетворяют заказчиков в реальных условиях.

Чувствуете, как конкуренты дышат в спину?

Александр Ханин: Пилотных проектов в близких к нам областях много. Компаний, которые занимаются распознаванием лиц, только в России десятки, в Китае — около сотни, в мире — больше тысячи. Поэтому я и говорю, что сама по себе задача распознавания лиц решена, — во всяком случае для большинства сегментов и практических задач.

Для успеха на рынке важны не технологии. Большинству клиентов плевать, какая у нас технология и как именно мы решаем задачу, допустим, по ускорению обслуживания в банке или магазине, — с помощью распознавания лиц, прогноза погоды или черной магии

Им важно, чтобы был результат

Улучшенное распознавание лиц

Традиционное распознавание лиц проходит через четыре основных этапа: обнаружение, выравнивание, извлечение признаков и распознавание. Усовершенствованное распознавание лица в видимом свете включает в себя несколько дополнительных этапов, чтобы дополнить эту технологию.

Система сначала определит, есть ли лицо на изображении или видео. Во время обнаружения программа с высокой точностью позволяет находить лица независимо от их размера и внешней освещенности.

Алгоритмы определения позы позволяют точно определить трехмерные углы наклона объекта. Точность особенно важна для дальнейшей трехмерного восстановления изображения.

После оценки позы будет проанализирована яркость и четкость изображения, чтобы гарантировать, что качество попадает в допустимый диапазон, и отсеять изображения, которые классифицируются как неузнаваемые,для предотвращение потерь вычислительной мощности

Выравнивание лица -это позиционирование глаз, носа и рта человека в указанных рамках. Этот процесс использует 2D преобразования, включая движение, масштабирование и вращение. Выравненные изображения более эффективны для идентификации.

Далее специальный алгоритм анализирует изображение, исследуя соседние пиксели, формирует кривые, находит края, определяет формы. После этого мы может получить набор специфических признаков, характерных для данного человека и выполнить сравнение с имеющимися шаблонами.

Защита от поддельных идентификаций с помощью фотографий

В отличии от «живого» человеческого лица лицо на фотографии перемещается вместе со всей фотографией, включая фон фотографии. Учитывая эту особенность, программа сначала захватывает видеопоследовательность и анализирует соседние кадры, выделяет контуры лица и анализирует поведение пикселей на границе во времени, что позволяет понять используется реальный фон или фотография.

 

Защита от поддельных идентификаций с помощью видео

Самообучение способствует выявлению различий между живым человеческим лицом и видеозаписью. Анализируется текстура и разрешение, окружающие объекты, фоновое изображение и пр., что позволяет обнаружить рамку смартфона или планшета и выявить попытку ложной идентификации.

7. Идентификация

Распознавание — это процесс, который классифицирует полученные данные с заданными идентификаторами путем перекрестной проверки извлеченных признаков с шаблонами. Распознавание обычно делается для обучения или для идентификации:

Цель обучения

После ввода данных для обучения и соответствующего шаблона лица, программа начнет изучение, реструктуризует его на пиксели, чтобы сформировать кривые, края, формы. Кроме того, сравнение с набором обучающих данных, которые могут различаться по углу, позе, расстоянию и освещению, позволяет системе найти разницу между ними, и найти способ расширения диапазона по угловому расстоянию и провести более точную и эффективную идентификацию.

Распознавание

Задача распознавания, как правило, может быть разделена на две: проверка 1: 1 и сравнение 1: N. Распознавание личности сводится к обработке полученных данных классификаторами. Классификаторы или способ классификации будут существенно влиять на качество распознавания и время обработки. Классификация на основе редких признаков (SRC) применяется для повышения эффективности за счет минимизации объема обрабатываемых данных, что позволяет снизить вычислительную мощность системы и сократить время обработки.

Производительность в практических приложениях

Усовершенствованное распознавание лиц — это глубоко модернизированная технология, способная выполнять разнообразные задачи распознавания лиц в динамической среде.

Будущее технологии

В настоящее время мы разрабатываем мульти-модульную технологию распознавания лиц на основе ближнего инфракрасного (NIR) и видимого спектра (VIS). Модуль самообучения выбирает изображение NIR в качестве основного, и два изображения VIS в качестве дополнительных: один правильный образец и один ложный образец. Выбор изображения NIR в качестве базового и использование триплета для обучения позволит еще больше сократить разницу между базовым и правильным образцом и легко отличить ложный образец.

Как видят машины

К нам подходит Александр Ханин, директор VisionLabs.

Расскажите о компьютерном зрении?

Александр Ханин: Компьютерное зрение — это область прикладной математики, которая по сложности эквивалентна задаче создания искусственного интеллекта в целом. Визуальный канал основной для получения информации об окружающем мире. И доверяем мы увиденному своими глазами больше, чем другим источникам.

Наша задача — научить программу по фотографии или видео делать выводы и понимать картинку так же, как человек. Или даже лучше. Вот когда машина сравняется с человеком в этом умении, можно будет считать, что задача решена. Пока же она решена лишь для некоторых узких прикладных областей. Например, для распознавания дефектов оборудования или распознавания лиц.

Задача распознавания лиц решена?

Александр Ханин: Да, уже сейчас достоверно показано, что машина различает лица лучше нас. И точнее, и быстрее. Человек не очень хорошо определяет возраст, национальность. Тот, кто живет в Европе, хуже различает лица людей с азиатской внешностью, и наоборот. Еще мы забывчивы. В довершение всего машина делает это в десятки миллионов раз быстрее.


Зато человек анализирует не отдельные параметры, а лицо и даже ситуацию в целом. Мы понимаем контекст, в котором лицо собеседника принимает то или иное выражение. Как машина со всем этим справляется?

Александр Ханин: Сочетая лучшие методики компьютерного зрения и машинного обучения. Взять, например, метод глубокого обучения — его особенность в том, что человек не задает параметры лица для распознавания.

Как освоить самую нужную профессию настоящего и ближайшего будущего

Нейросеть программирует сама себя?

Александр Ханин: Нейросети появились еще в 1970-х, а революция в этой области началась примерно в 2013-2014-м. Потому что только к этому времени удалось накопить достаточно большие объемы данных, чтобы учить нейросети, а вычислительные мощности стали относительно дешевыми. Продолжать разрабатывать детерминированные методы распознавания — указывать, какие части лица как сравнивать, — стало бессмысленно.

Прорыв произошел, когда отказались от заданных параметров, например от ключевых точек на лице. Вместо этого машине поставили задачу: «Смотри, вот десять тысяч пар фотографий, каждая пара — один человек. Проанализируй их, чтобы суметь определить на фото, которые ты пока не видишь, где один человек, а где разные». Машина сама находит параметры, которые важны для решения этой задачи.

Вы именно так обучали свою систему?

Александр Ханин: Ну да, это типичная задача идентификации — сравнить фотографию, сделанную сейчас, с фото в паспорте и подтвердить, что это один и тот же человек. Мы давали машине на вход большие данные — миллионы пар фотографий, а на выходе требовали правильного ответа для любых фотопортретов. И система училась — сама настраивала параметры так, чтобы минимизировать ошибки. То есть для глубокого обучения сначала надо найти обучающую выборку — много примеров правильных решений. Потом программа работает уже сама.

Где же вы взяли эти миллионы пар фотографий?

Александр Ханин: Есть доступные обучающие выборки для исследователей — сначала мы использовали их, а дальше уже работали с партнерами и клиентами, которые разрешили продолжить обучение на их данных.

Алгоритмы распознавания лиц на изображении

Стоит отметить, что коммерциализация продуктов данного сектора стала возможна в первую очередь благодаря появлению на рынке дешевых, компактных датчиков изображения высокого разрешения, а также появлению дешевой элементной базы для цифровой обработки изображения: процессоров с высокой производительностью и большой памятью, дешевой КМОП-ОЗУ, flash-памяти для хранения больших объемов графической информации. Наличие на рынке данных компонентов позволило перейти от чисто исследовательских работ к выпуску массовых и доступных для широкого применения устройств. На рис. 1 показана структура реализации алгоритма распознавания лица человека.

Изображение с видеосенсора (микровидеокамеры) сначала преобразуется в цифровую форму, далее производится фильтрация артефактов изображения, выделение зоны лица, выравнивание контура лица, выделенного из кадра, построение графической модели лица для параметрической оценки деталей (размеров, положения и т. п.). Характерный набор параметров персоны затем сохраняется в базе данных и может быть использован для идентификации личности персоны. Таким образом, система распознавания состоит из двух компонентов: аппаратной части для захвата, обработки и сохранения изображения и отдельной программы, которая и обеспечивает необходимые процедуры для выделения и идентификации лиц в захваченном кадре изображения.

Процесс обработки видеоизображения

Техническое, или машинное, зрение реализует сложный процесс выделения, идентификации и преобразования видеоинформации, который содержит шесть основных этапов:

  • получение (восприятие) информации с датчика;
  • предварительная обработка изображения;
  • сегментация;
  • описание;
  • распознавание;
  • интерпретация.

После восприятия информации в виде визуального изображения производится ее предварительная обработка для снижения посторонних помех, улучшения изображений отдельных элементов объекта или сцены. Затем происходит сегментация, заключающаяся в подразделении сцены на составляющие части или элементы для выделения на изображении интересующих объектов.

Интеграция со считывателями других технологий

На вопрос о необходимости интеграции терминалов СКУД с распознаванием лиц со считывателями на основе других технологий подавляющее большинство (71%) ответило «да». Оставшиеся 29% респондентов ответили «нет» или «затрудняюсь с ответом». Вторая группа, скорее всего, либо считает режим идентификации для себя единственно приемлемым, либо просто не в курсе различий режимов «верификация» и «идентификация» применительно к биометрии и зачем вообще нужна верификация. С одной стороны, для пользователя идентификация (1хN) проще, поскольку не требуется набирать на клавиатуре ПИН-код или считывать карту доступа на встроенном RFID-считывателе, просто подошел и предъявил лицо. Однако данный режим для считывателя довольно жесткий, поскольку ему необходимо сравнить лицо данного пользователя со всеми введенными ранее в базу. Ко всему прочему, размер математического образа лица (темплейта) для режима идентификации может быть довольно большим. Все это существенно ограничивает объем базы пользователей и при хранении самой базы на борту считывателя накладывает существенные ограничения на количество этих самых пользователей. Верификация с точки зрения аппаратных требований к биометрическому терминалу намного проще, поскольку предварительно введенный идентификатор позволяет проводить сравнение не по всей базе, а в режиме верификации (1х1). Это позволяет существенно упростить сам процесс и увеличить базу пользователей минимум в 10 раз.

Установка SDK

В первую очередь нужно установить программное обеспечение, чтобы камера заработала. Пользователи Windows могут просто скачать и установить программу. Если же у тебя Linux, но не Ubuntu 16 или 18, то придется собирать проект самостоятельно.

Для начала скачаем исходный код и подготовим площадку для сборки.


Теперь можно собрать проект, чтобы посмотреть, как работает камера.

Запуск в macOS

Если ты пользователь macOS, для запуска графических программ тебе придется использовать Xcode и соответствующий флаг при конфигурации. Так ты сможешь сгенерировать проект Xcode, чтобы запустить каждую утилиту по отдельности.

Откроется окно Xcode. Выбери необходимую программу, собери проект комбинацией клавиш Command + B и нажми кнопку Build and run.

Окно Xcode с файлами сборки для macOS

Для пробного запуска нам понадобится утилита RealSense Viewer, которая показывает на экране, что видит камера.

Таким будет окно RealSense Viewer, если подключить камеруПримерно так выглядит трансляция глубины

На GitHub ты можешь найти подробную инструкцию по сборке для Linux и для macOS.

Подключаем Python

Мы попробуем написать свою программу для идентификации по трехмерному изображению лица. И для начала нам нужно подключить библиотеку RealSense, например к Python 3. Пользователям Windows и некоторых дистрибутивов Linux не придется напрягаться — можно взять официальный пакет в PyPI.

Остальных же ждет еще одно приключение: необходимо пересобрать весь проект, добавив во флаги враппер для Python.

В папке появятся два файла и четыре символические ссылки. Чтобы использовать эти файлы как библиотеку для Python, их необходимо скопировать в папку, из которой ты будешь запускать скрипты.

Так выглядят файлы модуля для Python 3.7

Вариант 1. Присоединись к сообществу «Xakep.ru», чтобы читать все материалы на сайте

Членство в сообществе в течение указанного срока откроет тебе доступ ко ВСЕМ материалам «Хакера», увеличит личную накопительную скидку и позволит накапливать профессиональный рейтинг Xakep Score! Подробнее

Вариант 2. Открой один материал

Заинтересовала статья, но нет возможности стать членом клуба «Xakep.ru»? Тогда этот вариант для тебя! Обрати внимание: этот способ подходит только для статей, опубликованных более двух месяцев назад.

Я уже участник «Xakep.ru»

«Открытие. Переводы»: как работает идентификация по фото

Во-первых, вы должны иметь на смартфоне приложение «Открытие. Переводы». Во‑вторых, нужно сделать фотографию клиента, которому вы хотите сделать перевод. Можно сфотографировать его, сидя с ним рядом в кафе или стоя в очереди в музей — это гораздо быстрее и удобнее, чем спрашивать у него номер карты и «вбивать» его в форму. И всё, можно переводить деньги. Кстати, для переводов можно использовать и уже сделанную фотографию, загрузив её из галереи. Конечно, помимо переводов по фотографии, приложение имеет стандартный функционал, в том числе переводы по номеру телефона или номеру карты. Все переводы проводятся по международному стандарту безопасности PCI DSS — набору требований систем Visa и MasterCard, который защищает ваши деньги в интернете. Кроме того, все переводы подтверждаются 3D-secure кодом, который гарантирует, что вашими деньгами не воспользуется кто-то другой.

Полная LUNA

Компания VisionLabs, основанная в 2012 году, — это пример успешного российского высокотехнологичного бизнеса. Да, такое бывает, хотя многие не верят в российские технологии и конкуренцию на мировом технорынке. Стартап собрал целый ряд инвестиций от крупных организаций (Фонд содействия инновациям, фонд «Сколково» и другие) и сегодня успешно занимается разработкой идентификационных биометрических систем для банковской сферы.

Соответственно, «Открытие» не стал первым и единственным клиентом VisionLabs — LUNA внедрена и другими банками, но — в ограниченном формате. В качестве системы идентификации в отделениях, в банкоматах, для предоставления сотрудникам доступа к внутренним ресурсам и активации кредитных карт. Но мгновенные транзакции по фотографии получателя — это новый рывок российской банковской сферы.

Упоминание того, что система разработана ещё в 2015 году, тоже может смутить читателя: неужели за два года технологии не шагнули так далеко вперёд, что LUNA устарела? Технологии-то шагнули, но и разработчики не отстают. Более того, именно они эту технологию вперёд и толкают. Например. несмотря на то, что методика на сегодняшний день тщательно протестирована и в полной мере доказала свою надёжность, уже идёт работа над технологией будущего — системой Liveness, которая не позволяет идентифицироваться по неподвижному селфи: программа просит клиента сделать какое-либо действие в определённый момент, например, моргнуть, и сравнивает это выражение лица с аналогичным дополнительным селфи из базы. Так что скачать фото клиента и просто по нему идентифицироваться злоумышленник не может. Разве что изучить все выражения лица жертвы и изготовить пластический грим.

Впрочем, у VisionLabs есть конкуренты — компанию стремительно догоняют NtechLab и BSS, работающие над приложениями для совершения покупок в Интернете. Появляются всё новые и новые предложения по голосовой идентификации, определению пользователя по движениям губ, видеособеседовании с клиентом. Но тут вопрос не в том, что существует в виде стартапов, а что внедрено и работает. Так что первенцем в этом плане можно считать именно сотрудничество «Открытия» и VisionLabs. Даже если другие банки нагонят через месяц, они будут только вторыми. А фора в месяц на рынке высоких технологий — это очень, очень много.

Что говорит об этом закон?

Почти ничего. В Великобритании нет закона, который дает полиции право использовать программу по распознаванию лиц, и никакой государственной политики по ее использованию. Это привело к тому, что комиссар по биометрии Пол Уайлс назвал ситуацию выгодной для полиции, которая сама решает, где и когда целесообразно использовать программу распознавания лиц и что делать с изображениями, которые снимают камеры.

«В моем устройстве скрытый микрофон?» На что способны наши новые гаджеты

Компания «Свобода» призвала к полному запрету использования программы в режиме реального времени в общественных местах, заявляя, что она нарушает право на частную жизнь и принуждает людей менять свое поведение. Группа подала судебный иск против полиции Южного Уэльса в связи с использованием этой технологии. Подобные же претензии выразил Эссекский университет в ходе независимого обзора использования полицией программы распознавания лиц. Было доказано, что людей ошибочно задерживали, а значит, технология используется для выслеживания людей, которые вовсе не находятся в розыске. В заключении было сказано, что распознавание лиц в режиме реального времени нарушает закон о правах человека.

Еще одна область разногласий – списки людей, находящихся в розыске. Несмотря на решение Верховного суда 2012 года, что хранение изображений невинных людей незаконно, полиция постоянно создавала базу данных из задержанных 20 миллионов человек, многие из которых так никогда и не были осуждены. Фотографии из базы данных и из социальных сетей используются для создания списков людей, находящихся в розыске, и используются в системах распознавания лиц. В частном бизнесе ситуация еще хуже – владельцы магазинов и предприятий сами решают, кто входит в секретные списки находящихся в розыске и обмениваются фотографиями с другими фирмами.

В США ситуация не намного лучше. Только в пяти штатах есть законы, которые касаются использования программы по распознаванию лиц правоохранительными органами. Путаница в законе привела к тому, что в то время, как в полиции Сиэтла и Сан-Франциско запрещено использовать программу в режиме реального времени, в офисе шерифа в округе Марикопа, штат Аризона, каждое фото и водительские права жителей Гондураса проверяются по списку подозреваемых через программу распознавания лиц.

Сценарии использования распознавания по лицу

Биометрическая идентификация по лицу отлично подходит для систем контроля и управления доступом – когда есть терминал и/или дверь с электронным замком, и открываются они только ограниченному кругу лиц. Камера с высокой точностью определяет личность входящего. Ошибки могут быть только в случае с близнецами.

Еще распознавание по лицу – отличный вариант для систем учета рабочего времени. Ограничения доступа здесь не предусмотрено, система фиксирует время прихода/ухода сотрудников, длительность их обеденных перерывов и перекуров, и соответствие этого всего рабочему графику.

Поэтому распознавание по лицу подойдет для:

Офисных компаний.

Не вынуждайте своих работников таскать всегда с собой карты пропуска и ждать в очереди на входе. Идентификация по лицу позволяет вашим сотрудникам не задерживаться у входа и вообще не совершать никаких действий для идентификации, а идти сразу к своему рабочему месту.

Учебных заведений.


Сэкономьте на картах пропуска – просто загружайте фото новых учеников/студентов в программу.

Сетей фаст-фуда.

Как правило, там большая текучка кадров, и заводить на каждого работника карту нерационально. А еще с помощью верификации по лицу можно отслеживать, готов ли работник к началу рабочего дня: надел ли он униформу, выглажена ли она. В момент идентификации камера делает фотографию сотрудника и отправляет ее на сервер. Руководство в любой момент может зайти в программу и открыть фото.

Компаний, где много линейного персонала и мало руководящего.

В этом случае начальству тяжело уследить за всеми, заметить опаздывающих и прогульщиков. В таких условиях работники могут договариваться между собой и отмечаться в системе не только за себя, но и за коллегу, который еще не появился на работе. Чтобы пресечь попытки обмана системы, закажите у нас установку дополнительной верификации по лицу. С ней ваши подчиненные больше не смогут прикрывать непунктуальных коллег, а вы сэкономите на фонде заработной платы, оплачивая своим работникам только фактически отработанное время. Трудовая дисциплина автоматически улучшится, работники станут реже опаздывать, и общая продуктивность компании возрастет.

Как устроено видеонаблюдение в Москве

Считается, что современная система видеонаблюдения в рамках программы «Безопасный город» в Москве появилась в 2011-2012 году. До этого она была довольно архаичной, использовалась неэффективно, многие камеры просто не работали. В 2016 году директор департамента дополнительных услуг «Ростелекома» Илья Лисовский говорил изданию The Village, что в Москве установлено 140 тысяч видеокамер нового поколения.

С тех пор, судя по сообщениям разных СМИ, количество видеокамер увеличивалось примерно на 7-10 тысяч в год. В мае 2019-го Сергей Собянин сказал, что в Москве их 167 тысяч. Мэр добавил, что видеозаписи оттуда используются при расследовании 70% всех совершенных преступлений.

  • Распознавание лиц: можно ли спрятаться от «Большого Брата»?
  • Распознавание лиц: укрыться от полиции будет все сложнее

Большинство камер установлены у подъездов жилых домов и административных зданий, в школах, вузах, торговых центрах. Не менее 2,5 тысяч установлены в местах массового скопления людей.

«Комсомольская правда» приводила статистику: чаще всего записи с видеокамер используются для расследования вандализма или краж (в 52% случаев) и для разбора ДТП (в 40% случаев).

В ходе следствия, а потом суда по «болотному делу» о беспорядках на Болотной площади Москвы 6 мая 2012 года стало понятно, что в основу обвинительных материалов легли записи с камер уличного наблюдения. Новые задержания проводились по мере поступления все новых видеозаписей, эти же кадры использовались в суде как доказательства вины демонстрантов.

После убийства в центре Москвы оппозиционного политика Бориса Немцова в феврале 2015 года выяснилось, что ключевые камеры, которые могли бы зафиксировать убийц, не работали.

В июле 2016 года «Медуза» впервые рассказала о технологии FaceТ и приложении FindFace. Это они лежат в основе современного биометрического наблюдения, позволяют распознать лицо прохожего и идентифицировать его по правоохранительным базам данных. Именно об этих видеокамерах и говорил Сергей Собянин.

  • Распознавание лиц: почему в Китае не скрыться даже в 60-тысячной толпе
  • Распознавание эмоций и лиц: помощь полиции или путь в антиутопию?

Технологией сразу же заинтересовались власти Москвы и других российских городов. И, главное, правоохранительные органы.

В тестовом режиме система работала в 2017 и 2018 году во время Кубка Конфедераций и чемпионата мира по футболу в Москве. По официальной версии, чтобы выявлять болельщиков из черного списка, которым запрещен проход на стадионы.

Image caption Впервые технологию распознавания лиц в Москве опробовали во время чемпионата мира по футболу

Официальных данных, сколько человек и за что арестовали в России после опознания видеокамерой, нет.

На практике в октябре 2018-го с системой столкнулся активист леворадикальной организации «Другая Россия» Михаил Аксель. Он рассказал изданию «Медиазона», что его остановили полицейские на станции метро «Спортивная».

Один из сотрудников правоохранительных органов показал ему свой смартфон. Там была фотография Акселя, сделанная камерой наблюдения, и сведения о нем из базы полиции. Смартфон издавал предупреждающий звук и мигал красным цветом. Это означало, что человек находится в розыске, объяснил полицейский.

После разбирательства Акселя отпустили. Он утверждал, что его данные в базу занесли сотрудники антиэкстремистского центра «Э». На вопрос молодого человека, как убрать его данные из базы, раз он официально ни в чем не обвиняется, сотрудник полиции ответил: «Никак».

Международная правозащитная группа «Агора» готовила ежегодные доклады «Россия под наблюдением» — о том, как российские власти «выстраивают тотальную систему наблюдения» за своими гражданами. «Обычный законопослушный житель России сегодня подвергается постоянному риску произвольного доступа к информации о его частной жизни и персональным данным через интернет, мобильный телефон, системы видеонаблюдения на улицах, в торговых центрах, на стадионах и прочих общественных местах, при любом случайном контакте с правоохранительной системой», — говорилось в одном из них.

В августе 2018 года Сергей Собянин сказал, что власти Москвы, развивая город, во многом ориентируются на китайские мегаполисы.

Китай — мировой лидер по технологиям наблюдения за своими гражданами. К 2020 году там планируется установить 600 миллионов видеокамер. У полицейских есть специальные очки-дисплеи, которые могут выдать информацию о прохожем — достаточно просто на него посмотреть. В апреле 2017 года на востоке Китая задержали находящегося в розыске мужчину. Полиция с помощью видеонаблюдения нашла его на стадионе во время концерта, где было 70 тысяч человек.


С этим читают