dtЦифровая трансформацияDigital Transformation2522-96132524-2822Educational Establishment “Belarusian State University of Informatics and Radioelectronics”10.35596/1729-7648-2025-31-4-47-54dt-971Research ArticleТЕХНИЧЕСКИЕ НАУКИTECHNICAL SCIENCESИнтеллектуальная система контроля доступа в учебную аудиториюIntelligent Access Control System for ClassroomsИндюковС. С.IndziukouS. S.

Индюков С. С., студ.

Минск

Indziukou S. S., Student

Minsk

ЧуйкоВ. А.ChuykoV. A.

Чуйко Владислав Александрович, магистр физ.-мат. наук, ст. преп. каф. интеллектуальных систем

220064, Минск, ул. Курчатова, 5

Тел.: +375 29 853-07-96

Chuyko Vladislav Aleksandrovich, Mr. Sci. (Phys. and Math.), Senior Lecturer at the Department of Intelligent Systems

220064, Minsk, Kurchatovа St., 5

Tel.: +375 29 853-07-96

Vchuyko@bsu.byКозловаЕ. И.KozlovaA. I.

Козлова Е. И., канд. физ.-мат. наук, доц., зав. каф. интеллектуальных систем

Минск

Kozlova A. I., Cand. Sci. (Phys. and Math.), Associate Professor, Head of the Department of Intelligent Systems

Minsk

Белорусский государственный университетBelarusian State University2025231220253144754Copyright © Индюков С.С., Чуйко В.А., Козлова Е.И., 20252025Индюков С.С., Чуйко В.А., Козлова Е.И.Indziukou S.S., Chuyko V.A., Kozlova A.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://dt.bsuir.by/jour/article/view/971

В статье представлена схема интеллектуальной системы контроля доступа, включающая камеру, направленную на вход в помещение, оператора и приложение на компьютере оператора. Сформулированы требования к приложению для системы контроля доступа по распознаванию лиц из различных видеоисточников, удобного в использовании пользовательского интерфейса, модульности для удобства расширения системы. Разработанная интеллектуальная система контроля доступа позволяет преподавателям контролировать посещаемость на занятиях, способна захватывать видео из различных видеоисточников благодаря алгоритмам распознавания и отслеживания, устойчива к низкому качеству видео.

The article presents a diagram of an intelligent access control system, including a camera directed at entrance to the pemises, an operator, and an application on the operator՚s computer. Requirements for an access control system application for facial recognition from various video sources, an easy-to-use user interface, and modularity for easy system expansion are formulated. The developed intelligent access control system allows teachers to control attendance at classes, is capable of capturing videos from various video sources thanks to recognition and tracking algorithms, and is resistant to low video quality.

интеллектуальная системаизображениенейронные сетидетектортрекерраспознавательграфическая оболочкаintelligent systemimageneural networksdetectortrackerrecognizergraphical shellРабота выполнена в рамках задания Государственной программы научных исследований «Фотоника и электроника для инноваций» (№ ГР 20212701).ReferencesГоловатая, Е. А. Нейросетевые технологии в обработке и защите данных / Е. А. Головатая, А. В. Курочкин. Минск: Белор. гос. ун-т, 2021. C. 51–61.Golovataya E. A., Kurochkin A. V. (2021) Neural Network Technologies in Data Processing and Protection. Minsk, Belarusian State University. 51–61 (in Russian).Sample and Computation Redistribution for Efficient Face Detection [Electronic Resource] / Jia Guo [et al.]. Mode of access: https://openreview.net/pdf?id=RhB1AdoFfGE. Date of access: 09.03.2025.Guo J., Deng J., Lattas A., Zafeiriou S. (2025) Sample and Computation Redistribution for Efficient Face Detection. Available: https://openreview.net/pdf?id=RhB1AdoFfGE (Accessed 9 March 2025).Yaseen, M. What Is YOLOv8: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector [Electronic Resource] / М. Yaseen. Mode of access: https://www.researchgate.net/publication/383494295_What_Is_YOLOv8_An_In-Depth_Exploration_of_the_Internal_Features_of_the_Next-Generation_Object_Detector. Date of access: 09.03.2025.Yaseen M. (2025) What Is YOLOv8: An In¬Depth Exploration of the Internal Features of the Next¬Generation Object Detector. Available: https://www.researchgate.net/publication/383494295_What_is_YOLOv8_An_In-Depth_Exploration_of_the_Internal_Features_of_the_Next-Generation_Object_Detector (Аccessed 9 March 2025).ByteTrack: Multi-Object Tracking by Associating Every Detection Box [Electronic Resource] / Y. Zhang [et al.]. Mode of access: https://github.com/ifzhang/ByteTrack. Date of access: 10.09.2024.Zhang Y., Sun P., Jiang Y., Yu D., Weng F., Yuan Z., et al. (2024) ByteTrack: Multi¬Object Tracking by Associating Every Detection Box. Available: https://github.com/ifzhang/ByteTrack (Accessed 10 September 2024).Милль, Д. С. Система логики силлогистической и индуктивной. Изложение принципов доказательства в связи с методами научного исследования / Д. С. Милль; пер. с англ. М.: Изд-во магазина «Книжное дело», 1900.Mill J. S. (1900) A System of Syllogistic and Inductive Logic. An Exposition of the Principles of Proof in Relation to the Methods of Scientific Research. Moscow, Publishing House of the “Knizhnoe Delo” (Book Business) Store (in Russian).ArcFace: Additive Angular Margin Loss for Deep Face Recognition [Electronic Resource] / J. Deng [et al.]. Mode of access: https://paperswithcode.com/paper/arcface-additive-angular-margin-loss-for-deep?ref=broutonlab.com/. Date of access: 11.11.2024.Deng J., Guo J., Yang J., Xue N., Kotsia I., Zafeiriou S. (2024) ArcFace: Additive Angular Margin Loss for Deep Face Recognition. Available: https://paperswithcode.com/paper/arcface-additive-angular-marginloss-for-deep?ref=broutonlab.com/ (Accessed 11 November 2024).Large-Scale CelebFaces Attributes (CelebA) Dataset [Electronic Resource] / Z. Liu [et al.]. Mode of access: https://mmlab.ie.cuhk.edu.hk/projects/CelebA.html. Date of access: 10.01.2025.Liu Z., Luo P., Wang X., Tang X. (2025) Large¬Scale CelebFaces Attributes (CelebA) Dataset. Available: https://mmlab.ie.cuhk.edu.hk/projects/CelebA.html (Accessed 10 January 2025).О защите персональных данных: закон Республики Беларусь от 7 мая 2021 года № 99-З [Электронный ресурс]. Режим доступа: https://pravo.by/document/?guid=12551&p0=H12100099. Дата доступа: 09.03.2025.On the Protection of Personal Data, Law of the Republic of Belarus of May 7, 2021 No 99¬Z. Available: https://pravo.by/document/?guid=12551&p0=H12100099 (Accessed 9 March 2025) (in Russian).Train with Mixed Precision [Electronic Resource] // NVIDIA Deep Learning Performance. Mode of access: https://docs.nvidia.com/deeplearning/performance/mixed-precision-training/index.html. Date of access: 30.03.2025.Train with Mixed Precision. NVIDIA Deep Learning Performance. Available: https://docs.nvidia.com/deeplearning/performance/mixed-precision-training/index.html (Аccessed 30 March 2025).Davis, J. Understanding Mixed Precision Training [Electronic Resource] / J. Davis // TDS Archive. Mode of access: https://medium.com/data-science/understanding-mixed-precision-training-4b246679c7c4. Date of access: 10.04.2025.Davis J. (2025) Understanding Mixed Precision Training. TDS Archive. Available: https://medium.com/datascience/understanding-mixed-precision-training-4b246679c7c4 (Accessed 10 April 2025).

The authors declare that there are no conflicts of interest present.