Оценка эффективности и практическое внедрение технологий распознавания лиц

Технологии цифровой идентификации активно развиваются. Распознавание лиц является одним из наиболее перспективных биометрических методов в этом процессе. Увеличение объёмов фото- и видеоконтента в повседневной жизни, а также рост требований к безопасности и персонализации услуг делают задачу автоматической идентификации лиц стратегически важной для разных отраслей – от систем контроля доступа в правоохранительных органах до развлекательных платформ и социальных сетей.

Технология распознавания лиц опирается на методы компьютерного зрения, машинного обучения, обработки изображений и биометрии. Архитектуры глубокого обучения обеспечивают высокую точность распознавания, однако возможность их практического применения определяется не только алгоритмическими показателями. К числу ключевых требований, предъявляемых к надёжной работе системы в реальных условиях, относятся:

– устойчивость к неблагоприятной съёмке;

– соответствие стандартам безопасности;

– соблюдение этико-правовых норм.

Вопросы построения архитектур и формирования признаковых описаний подробно освещены авторами настоящей статьи в публикации [1].

Прогресс последних лет, хотя и является существенным, не устранил полностью ряд проблем. Так, точность алгоритмов по-прежнему сильно зависит от того, в каких условиях были получены изображения. К числу сохраняющихся трудностей относится потенциальная предвзятость алгоритмов по демографическому признаку, а также уязвимость систем перед атаками с подменой данных. В дополнение к этому в условиях цифровой трансформации всё более значимым становится строгое соблюдение нормативных требований.

Цель настоящей работы – анализ эффективности методологий оценки систем распознавания лиц. В рамках исследования рассматриваются ключевые метрики (FAR, FRR,

Оценка эффективности и практическое внедрение технологий распознавания лиц

EER), эталонные наборы данных для тестирования, а также практические области применения распознавания лиц. Выявляются технологические и организационные трудности, сопровождающие внедрение таких систем. Отдельный раздел посвящён этико-правовым аспектам: вопросам приватности, алгоритмической предвзятости и регулированию в соответствии с федеральными законами № 152-ФЗ и № 572-ФЗ.

Основное внимание уделено переходу от теоретических методов к их реализации в реальных условиях эксплуатации.

Оценка эффективности

Объективная оценка работы систем распознавания лиц и сопоставление различных алгоритмов представляют собой непростую и вместе с тем необходимую задачу. Ключевые метрики производительности, стандартные тестовые наборы данных и типичные методологические сложности, возникающие при практическом тестировании, рассматриваются далее.

Основные показатели эффективности. Объективно оценить качество систем распознавания лиц можно только с помощью набора взаимосвязанных метрик. Они нужны, чтобы измерить, как алгоритм ведёт себя в разных сценариях. У задач верификации (проверка «один к одному») и идентификации (поиск «один среди многих») – разные показатели, каждый отражает свой аспект эффективности.

Общая точность определяется как доля корректно классифицированных образцов относительно общего числа обработанных изображений. При внешней простоте данной метрики для задач обеспечения безопасности она нередко оказывается недостаточно информативной. При сильной несбалансированности классов (например, когда число нелегитимных попыток существенно превышает число легитимных) общая точность демонстрирует завышенные значения, не отражая реальной способности системы противостоять атакам.

Для систем распознавания лиц применяется комплекс метрик, каждая из которых характеризует определённый аспект эффективности. В Таблице 1 представлены основные показатели, используемые в задачах верификации и идентификации.

Таблица 1

Основные метрики оценки систем распознавания лиц

Метрика	Обозначение	Тип ошибки / задача	Определение
Общая точность	Accuracy	Верификация / идентификация	Доля правильно классифицированных образцов
Частота ложных допусков	FAR (False Acceptance Rate)	Ошибка 1-го рода (ложный допуск)	Доля чужих лиц, ошибочно принятых за своих
Частота ложных отказов	FRR (False Rejection Rate)	Ошибка 2-го рода (ложный отказ)	Доля своих лиц, ошибочно отклонённых
Точка равных ошибок	EER (Equal Error Rate)	Интегральная (компромиссная)	Порог, при котором FAR = FRR
Площадь под ROC-кривой	AUC (Area Under Curve)	Разделяющая способность	Качество модели (от 0,5 до 1,0)
Ранговые метрики	Rank-1, Rank-5	Идентификация (ранжирование)	Позиция правильного кандидата в выдаче

Источник: здесь и далее таблицы составлены авторами.

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

Частота ложных допусков (False Acceptance Rate – FAR) характеризует ошибки первого рода. В контексте верификации это ситуация, когда постороннее лицо ошибочно принимается за зарегистрированного пользователя; в задачах идентификации – когда неизвестному лицу присваивается идентификатор конкретного человека из базы данных. Значение FAR, выражаемое в процентах или долях единицы, напрямую коррелирует с уровнем защищённости системы. Например, FAR = 0,1 % означает, что в среднем одна из тысячи несанкционированных попыток доступа будет успешной вследствие ошибки алгоритма. Для приложений с повышенными требованиями к безопасности данную метрику минимизируют.

Ложные отказы (False Rejection Rate – FRR) представляют собой ошибки второго рода. Система блокирует доступ легитимному пользователю (при верификации) либо не обнаруживает известное лицо в списке кандидатов (при идентификации). Значение FRR = 2 % соответствует блокировке каждой пятидесятой допустимой попытки авторизации. Данный показатель оказывает прямое влияние на удобство эксплуатации и пользовательское восприятие. Повышенная частота ложных отказов снижает доверие к технологии, увеличивает операционные затраты на повторную обработку запросов и может провоцировать негативное отношение к системе.

Точка равных ошибок (Equal Error Rate – EER) представляет собой порог классификации, при котором значения FAR и FRR совпадают. EER служит универсальным критерием для сравнения различных алгоритмов, поскольку не зависит от субъективного выбора порога принятия решения. Чем ниже EER, тем выше общая эффективность модели – достигается наилучший баланс между уровнем защищённости и удобством использования без необходимости существенного смещения рабочего порога. На практике EER часто используется в качестве базового ориентира при калибровке систем.

Зависимость между долей верных распознаваний (True Positive Rate – TPR) и долей ложных допусков (False Positive Rate – FPR) при изменении порога классификации описывается ROC-кривой (Receiver Operating Characteristic). По форме данной кривой судят о качестве алгоритма: чем ближе кривая к левому верхнему углу координатной плоскости, тем выше эффективность. Численной мерой разделяющей способности модели, не зависящей от выбора порога, служит площадь под ROC-кривой (Area Under Curve – AUC). Значение AUC = 1,0 соответствует идеальной классификации, тогда как AUC = 0,5 указывает на работу на уровне случайного угадывания.

В задачах идентификации наряду с перечисленными метриками используются ранговые показатели. Один из них – доля верных идентификаций на первой позиции (Rank-1 accuracy) , определяющая вероятность нахождения правильного кандидата в начале ранжированного списка. Иными словами, Rank-1 accuracy фиксирует, в скольких процентах случаев система совпадает с первой попытки. Другой показатель – доля верных идентификаций на пятой позиции (Rank-5 accuracy) – характеризует способность алгоритма ограничивать поиск небольшим числом потенциальных кандидатов для последующей ручной верификации. Если Rank-1 = 95 %, то в 95 случаях из 100 система выдаёт корректный результат на первой позиции.

Перечисленные в Таблице 1 метрики в совокупности обеспечивают возможность объективной оценки эффективности биометрических систем. Какие именно показатели следует использовать, зависит от конкретного сценария, а также от требуемого компромисса между безопасностью, удобством и точностью в реальных условиях.

Оценка эффективности и практическое внедрение технологий распознавания лиц

Стандартные наборы данных для тестирования . Для корректного сравнения алгоритмов распознавания лиц необходимы унифицированные тестовые наборы данных, обеспечивающие воспроизводимость проверки. В современной практике сформировалось несколько эталонных баз данных. Каждая из них ориентирована на определённые сценарии эксплуатации и характерные для реального мира помехи.

Одним из наиболее широко используемых эталонов остаётся набор Labeled Faces in the Wild (LFW). Он включает около 13 тыс. фотографий примерно 6 тыс. человек. Материал собирался из открытых источников, главным образом из новостных архивов, благодаря чему обеспечивается высокая вариативность условий съёмки. В коллекции представлены снимки с различным освещением, разными углами наклона головы, мимикой, возрастными и этническими характеристиками. Встречаются лица в очках, головных уборах, а также изображения с артефактами размытия. Стандартный протокол верификации использует 6 тыс. пар, из которых половина содержит изображения одного человека, а другая половина – разных. Данный набор традиционно служит базовым тестом устойчивости к неконтролируемым условиям съёмки.

Для проверки алгоритмов идентификации на больших массивах данных создан набор MegaFace . Его структура состоит из двух частей: основной галереи (примерно 100 тыс. изображений 3500 известных лиц) и миллиона «отвлекающих» снимков, принадлежащих 690 тыс. разных людей. Подобное распределение позволяет оценить, насколько точно система находит соответствие в условиях информационного шума, и протестировать масштабируемость алгоритма при работе с миллионными хранилищами. На практике MegaFace выступает основным инструментом для сценариев, близких к правоохранительным задачам или коммерческим платформам с обширной пользовательской базой.

Оценка систем в предельно сложных условиях выполняется с использованием набора IJB-C – третьей версии теста, разработанного в рамках программы IARPA Janus. В отличие от статических данных IJB-C-тест содержит видеопоследовательности и трёхмерные модели лиц. Главная специфика набора – концентрация на тяжёлых сценариях: снимки низкого разрешения, повороты головы свыше 30°, значительные перекрытия (маски, шарфы, руки), а также видео с движением и динамическим освещением. IJB-C позволяет определить ресурс современных алгоритмов и проверить, насколько эффективно они агрегируют информацию из видеопотока для повышения точности. Предыдущая версия (IJB-B) по-прежнему используется в ряде исследований как дополнительный эталон.

Объективно оценить прогресс в области распознавания лиц позволяют единые тестовые наборы данных. С их помощью можно не только зафиксировать улучшения алгоритмов, но и выявить присущие им ограничения, а также спрогнозировать поведение системы в условиях, отличных от лабораторных. Прозрачность и воспроизводимость экспериментов обеспечиваются стандартизированными протоколами и открытыми базами данных. Без соблюдения этих условий публикация результатов в рецензируемых научных журналах соответствующего профиля, как правило, становится невозможной.

Основные проблемы при оценке. При интерпретации результатов тестирования систем распознавания лиц следует принимать во внимание как методологические, так и практические ограничения. Влияние каждой из этих групп на итоговые метрики может быть прямым и существенным.

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

Степень точности алгоритмов во многом определяется условиями получения изображений. Если происходит отклонение от контролируемой среды съёмки, производительность системы заметно снижается. К числу наиболее критических факторов относится освещённость: глубокие тени, блики либо недостаток света нередко делают распознавание практически невозможным.

Ограничения накладывает и геометрия съёмки. Фронтальные ракурсы обрабатываются со значительно более высокой точностью по сравнению с изображениями, на которых голова повёрнута более чем на 30 градусов. Мимические проявления – улыбка, удивление, приоткрытый рот – способны искажать ключевые биометрические признаки. Дополнительные препятствия для устойчивой детекции создаёт частичное перекрытие лица солнцезащитными очками, масками, шарфами, прядями волос или кистями рук.

Временной промежуток между регистрацией эталонного образца и текущим предъявлением также оказывает заметное влияние. Если между этими событиями прошло несколько лет, точность снижается вследствие естественных возрастных изменений. Технические артефакты (низкое разрешение, смазанность при движении, цифровой шум, ошибки компрессии) напрямую ухудшают конечный результат. Обобщая перечисленные факторы, можно выделить основные группы условий, ухудшающих работу систем распознавания лиц (см. Таблицу 2).

Таблица 2

Факторы, снижающие точность распознавания лиц в реальных условиях эксплуатации

Группа факторов	Проявления	Характер влияния
Освещение	Глубокие тени, блики, недостаток света	Распознавание становится невозможным или крайне ненадёжным
Геометрия съёмки	Поворот головы более чем на 30°, нефронтальный ракурс	Снижение точности по сравнению с фронтальными изображениями
Мимика	Улыбка, удивление, приоткрытый рот	Искажение ключевых биометрических признаков
Перекрытие лица	Очки, маски, шарфы, волосы, руки	Затруднение детекции и выделения признаков
Временной фактор	Интервал между съёмкой эталона и проверкой более 1 года	Снижение точности из-за возрастных изменений
Технические	Низкое разрешение, смазанность, шум,	Прямое ухудшение качества
артефакты	компрессия	распознавания

В последние годы вырос интерес к проблеме систематической ошибки (algorithmic bias). Алгоритмы распознавания лиц нередко демонстрируют дифференцированную точность для различных демографических групп, выделяемых по расовому, этническому, половому или возрастному признаку. Основная причина данного явления – дисбаланс обучающих выборок, в которых, как правило, преобладают определённые категории (чаще всего светлокожие мужчины среднего возраста).

Следствием становится неоправданно высокий уровень ложных допусков или ложных отказов для некоторых групп пользователей. Практические последствия такой предвзятости могут быть значительными – от необоснованных отказов в доступе до ошибочных срабатываний в правоохранительных системах и даже косвенной дискриминации при приёме на работу или выдаче кредитов. Для снижения данного эффекта целесообразно

Оценка эффективности и практическое внедрение технологий распознавания лиц целенаправленно формировать репрезентативные наборы данных, применять методы алгоритмической коррекции и в обязательном порядке проверять качество работы системы на выборках, отражающих реальное демографическое распределение.

Отдельного рассмотрения заслуживает ограниченная способность моделей к обобщению (generalization gap). Алгоритм, показывающий высокие результаты на общепринятых бенчмарках, включая набор Labeled Faces in the Wild Dataset, может терять эффективность при переносе на данные из внешних источников, при эксплуатации в полевых условиях. Причина заключается в расхождении распределений обучающей и целевой выборок, а также в разрыве между лабораторными и реальными условиями съёмки. Для получения более достоверных оценок рекомендуется тестировать системы на нескольких независимых наборах данных, максимально приближенных к условиям целевого применения.

Сопоставимость результатов различных исследований остаётся одной из центральных методологических проблем. Корректное сравнение алгоритмов требует соблюдения единых экспериментальных условий: идентичных тестовых выборок и протоколов валидации, унифицированных процедур предобработки (детекция, выравнивание, нормализация), а также сопоставимых параметров входных данных (разрешение, цветопередача, динамический диапазон). Пренебрежение этими требованиями ведёт к несопоставимости заявляемых метрик и затрудняет объективное отслеживание прогресса в данной предметной области.

Учёт перечисленных ограничений позволяет составить более точное представление о реальной надёжности алгоритмов и степени их готовности к промышленному внедрению.

Применение и практические аспекты

Одним из факторов, обусловивших распространение технологий распознавания лиц в самых разных сферах, является их способность обеспечивать автоматизированную идентификацию. Однако практическая реализация подобных систем сопровождается совокупностью технических, организационных и этико-правовых вопросов, требующих всестороннего анализа [2].

Области практического применения. Сфера контроля доступа и аутентификации представляет собой наиболее массовый сегмент использования технологий распознавания лиц в повседневных условиях. Мобильные устройства (смартфоны, планшеты, ноутбуки) применяют биометрическую верификацию для разблокировки интерфейса и подтверждения чувствительных операций, включая финансовые переводы. Такие системы функционируют по схеме «один к одному», сопоставляя текущее изображение лица с заранее сохранённым эталонным шаблоном владельца. Ключевое преимущество данного решения состоит в удобстве и высокой скорости аутентификации по сравнению с классическими методами (PIN-коды, пароли).

В правоохранительной сфере технологии распознавания лиц используют для идентификации подозреваемых и поиска пропавших граждан. Алгоритмы обрабатывают видеопотоки с камер наблюдения в общественных пространствах, на транспортных узлах и в других значимых точках, сравнивая зафиксированные лица с базами розыскных ориентировок. Похожие решения задействуют на пограничном контроле для верификации личности при пересечении границы: происходит сопоставление изображения гражданина с биометрическими данными, содержащимися в электронном паспорте.

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

В коммерческом секторе распознавание лиц идёт на пользу автоматизации цифровых сервисов. Социальные сети и мультимедийные платформы используют данную технологию для автоматической идентификации пользователей на фото и видео. В ритейле данные системы помогают анализировать поток покупателей, готовить персональные предложения и выявлять попытки мошенничества. Отдельно стоит отметить проекты в рамках концепции умного города. Здесь биометрические модули встраивают в общую систему видеонаблюдения. Это ускоряет реакцию оперативных служб и позволяет динамически регулировать транспортные потоки.

Технологические и организационные сложности. Практическое внедрение систем распознавания лиц сталкивается с несколькими техническими проблемами: высокая вычислительная ресурсоёмкость, необходимость интеграции с уже существующей инфраструктурой, зависимость от качества входного видеосигнала и др. Обобщённая информация об указанных группах трудностей и о типовых способах их преодоления представлена в Таблице 3.

Таблица 3

Технические трудности внедрения систем распознавания лиц и способы их решения

Трудность	Суть проблемы	Способы решения
Вычислительная ресурсоёмкость	Высокие требования к аппаратному обеспечению со стороны глубоких нейросетей	Использование графических (GPU) или тензорных (TPU) ускорителей
Интеграция с существующей инфраструктурой	Необходимость поддержки разнородных форматов данных, взаимодействия с действующими системами безопасности и контроля доступа	Разработка единого интерфейса управления и мониторинга, тщательная инженерная подготовка
Низкое качество входного видеосигнала	Размытость, перепады освещённости, повороты головы, перекрытие лица (маски, головные уборы)	Оптимизация размещения камер, использование ИК-подсветки, стереоскопических сенсоров, модификация алгоритмов

К числу основных технических проблем относится вычислительная ресурсоёмкость. Современные алгоритмы, особенно построенные на глубоких нейросетях, нуждаются в производительном аппаратном обеспечении. Без применения графических (GPU) или тензорных (TPU) ускорителей достижение режима реального времени практически невозможно, что влечёт за собой удорожание проекта.

Не менее серьёзные сложности возникают при интеграции биометрических модулей с уже действующей инфраструктурой. Для этого требуется тщательная инженерная подготовка: обеспечение поддержки разнородных форматов данных, налаживание взаимодействия с функционирующими системами безопасности и контроля доступа, разработка единого интерфейса централизованного управления и мониторинга. Данные мероприятия нередко затягивают сроки запуска и повышают совокупную стоимость владения.

Качество входного видеосигнала заметно сказывается на конечном результате. Размытость, резкие перепады освещённости, большие углы поворота головы, маски или головные уборы – всё это ведёт к снижению надёжности детекции. Смягчить негативное влияние можно разными способами, например: продуманно размещать камеры, оснащать их инфракрасной подсветкой либо стереоскопическими сенсорами, а также адаптировать алгоритмы для работы в сложных условиях съёмки.

Оценка эффективности и практическое внедрение технологий распознавания лиц

Этико-правовые вопросы. В условиях цифровой трансформации и усиления угроз приватности этические и правовые аспекты применения технологий распознавания лиц приобретают особую значимость. К числу наиболее чувствительных относится проблема скрытого наблюдения за гражданами без их информированного согласия . Данная практика противоречит праву на частную жизнь и анонимность в общественных местах. Решение данной проблемы требует создания прозрачных контрольных механизмов и чёткого нормативного регулирования использования рассматриваемых технологий [3].

В России правовая база в данной области формируется несколькими основными нормативными актами. Например, Федеральный закон № 152-ФЗ «О персональных данных»1 вводит строгие требования применительно к обработке биометрических персональных данных, к которым относятся изображения лиц: требуется получить согласие субъекта, однозначно определить цели обработки, гарантировать безопасность информации и исключить передачу данных третьим лицам без дополнительного на то разрешения.

Федеральный закон от 29.12.2022 № 572-ФЗ «Об осуществлении идентификации и (или) аутентификации физических лиц с использованием биометрических персональных данных, о внесении изменений в отдельные законодательные акты Российской Федерации и признании утратившими силу отдельных положений законодательных актов Российской Федерации» устанавливает порядок создания и работы централизованной системы биометрических данных для удалённой идентификации граждан при обращении за государственными, муниципальными и банковскими услугами. Важным принципом этого закона выступает добровольность участия в системе и обязательность получения информированного согласия пользователя2.

Проблема систематической ошибки (алгоритмической предвзятости) относится к числу наиболее острых этических вопросов. Исследования фиксируют неравномерную точность алгоритмов распознавания лиц для разных демографических групп, выделяемых по расовому, этническому, половому или возрастному признаку. Главная причина этого явления – несбалансированность обучающих выборок, в которых доминируют изображения определённых категорий населения. Последствия алгоритмической предвзятости могут быть серьёзными – от необоснованных отказов в услугах до ошибочной идентификации в правоохранительных базах. Для решения этой проблемы необходим целенаправленный сбор репрезентативных обучающих данных, разработка методов коррекции алгоритмов и обязательное тестирование систем на выборках, отражающих демографическое разнообразие целевой аудитории.

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

Современные тенденции и перспективы развития

Современные исследования в области распознавания лиц сместили фокус с роста точности на комплексное повышение надёжности, вычислительной эффективности и этической безопасности технологии. Среди ключевых векторов развития первостепенное значение приобретает повышение устойчивости к спуфинг-атакам. Наряду с алгоритмами верификации внедряются специализированные детекторы подлинности, способные анализировать микрорельеф кожи, выявлять артефакты цифрового синтеза и регистрировать непроизвольную мышечную активность. Расширяется использование многоспектральных технологий, в том числе инфракрасного диапазона и карт глубины, что позволяет однозначно отличать живое лицо от статичных фотографий и динамических муляжей.

Заметные улучшения наблюдаются в поведении алгоритмов при неконтролируемой съёмке. Современные архитектуры более устойчиво отрабатывают вариации освещённости, значимые ракурсы поворота головы и частичное перекрытие лица. Первостепенное значение приобретают методы идентификации изображений лиц в медицинских масках. В этом случае системы успешно используют видимые фрагменты, в первую очередь пери-окулярную область и лоб. Дополнительные резервы повышения точности раскрываются при переходе к видеопотокам, которые учитывают мимическую динамику, особенности походки и другие поведенческие биометрические маркеры.

Ресурсоэффективные архитектуры представляют собой самостоятельное направление развития. Снижение вычислительных затрат позволяет запускать алгоритмы распознавания на мобильных платформах и маломощных устройствах без существенной потери рабочих характеристик. Одновременно совершенствуются методы построения устойчивых биометрических профилей по ограниченному числу эталонных изображений.

Минимизация алгоритмической предвзятости перешла в разряд обязательных инженерных требований. Актуальные подходы базируются на трёх основных компонентах:

– формировании репрезентативных обучающих выборок;

– применении аугментации данных;

– использовании математических корректоров, исключающих дискриминацию по демографическим признакам.

Проверка качества на разнородных выборках в настоящее время является общепринятым стандартом, гарантирующим равную надёжность для всех групп пользователей [4; 5].

Развитие технических средств сопровождается эволюцией нормативно-правовой базы. В России правовую основу составляют федеральные законы № 152-ФЗ «О персональных данных» и № 572-ФЗ «Об осуществлении идентификации и (или) аутентификации физических лиц с использованием биометрических персональных данных, о внесении изменений в отдельные законодательные акты Российской Федерации и признании утратившими силу отдельных положений законодательных актов Российской Федерации». Предполагается дальнейшая детализация регламентов, которые должны чётко определять разрешённые сценарии использования технологии, особенно в общественных пространствах.

К числу перспективных направлений относится анализ психоэмоционального состояния и выявление признаков стресса или утомления по мимическим проявлениям. Коммерциализация подобных решений требует тщательной этической экспертизы и обще-

Оценка эффективности и практическое внедрение технологий распознавания лиц ственного согласия. В отношении максимально детальной идентификации в реальном времени сохраняются ограничения, обусловленные высокими рисками нарушения приватности.

Дальнейшее развитие отрасли будет определяться балансом между технической защищённостью (устойчивость к спуфинговым атакам, адаптация к сложным условиям регистрации, оптимизация вычислений), социальной ответственностью (снижение алгоритмической предвзятости) и уровнем зрелости регуляторных механизмов.

Заключение

В ходе исследования проанализированы методологии оценки эффективности систем распознавания лиц и рассмотрены ключевые аспекты их практического внедрения. Установлено, что достоверная оценка качества возможна только при совместном применении базовых метрик (частота ложных допусков и отказов, точка равных ошибок, ROC-анализ) и тестировании на стандартизированных наборах данных. Выбор набора данных определяется целевым сценарием: база Labeled Faces in the Wild Dataset предназначена для проверки устойчивости к изменениям условий съёмки, MegaFace – оценки масштабируемости на миллионных архивах, IJB-C – выявления пределов работоспособности при обработке видеопотоков, сильных поворотах головы и частичных перекрытиях лица.

Результаты полевых испытаний показывают заметно более низкую точность систем по сравнению с лабораторными тестами. В реальных условиях эксплуатации алгоритмы сталкиваются с непредсказуемым освещением, выраженными ракурсными искажениями, маскировкой лица и артефактами сжатия.

Проблема алгоритмической предвзятости сохраняет свою актуальность. Смещение обучающих выборок по демографическим признакам приводит к неравномерной точности распознавания для различных групп населения, что порождает этические и правовые риски. Наиболее остро указанные риски проявляются при использовании биометрических технологий в правоохранительных органах и крупных коммерческих проектах.

В России правовое регулирование биометрических систем базируется на двух федеральных законах: № 152-ФЗ «О персональных данных» и № 572-ФЗ «Об осуществлении идентификации и (или) аутентификации физических лиц с использованием биометрических персональных данных, о внесении изменений в отдельные законодательные акты Российской Федерации и признании утратившими силу отдельных положений законодательных актов Российской Федерации». Данные нормативные акты предъявляют ряд обязательных требований: получение информированного согласия субъекта, строгие правила защиты биометрических шаблонов, прямой запрет на передачу сведений третьим лицам без отдельного разрешения и др.

Среди приоритетных задач, требующих дальнейшего изучения и разработки, следует назвать повышение устойчивости систем к спуфингу и адверсариальным атакам, необходимость улучшать работу алгоритмов в условиях частичного перекрытия лица, сокращение демографической асимметрии и др. Для их решения требуется формирование репрезентативных наборов данных и внедрение корректирующих методов. И, наконец, важно развивать нормативно-правовую базу, которая должна обеспечивать баланс между технологической безопасностью и защитой прав граждан.

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2