כוונון זיהוי פנים

Settings → Face Recognition חושף את הכפתורים שמאחורי צינור הזיהוי: Member Matching, Shadow Profiles ו-Self Learning (וגם Blacklist Faces, המתועד ברשימה שחורה). כל קטע מציע ערכות קבועות מראש Lenient / Balanced / Strict, כשכל סף בבסיסן ניתן לכוונון בנפרד וערך ברירת המחדל שלו מודפס ליד המחוון — למשל "(Default: 30 mins)".

כללי יסוד לפני שנוגעים במשהו:

• Balanced היא ברירת המחדל המומלצת לכל קטע — התחילו בה והישארו בה עד שיהיו לכם שבועות של נתונים אמיתיים שמראים בעיה מסוימת.
• הערכות הקבועות מראש מגלמות פשרה אחת: Lenient מזהה יותר אנשים אך מסתכנת ביותר התאמות שגויות; Strict כמעט אף פעם לא מתייגת בטעות, אבל משאירה יותר אנשים כ-"Unsure".
• שנו קטע אחד בכל פעם ותנו לשינוי כמה ימים לפני שאתם שופטים אותו — ההשפעות מתגלות רק במצטבר (עקבו אחר מדד ה-KPI ‏Unsure % בדוחות).
• דפי ההגדרות כוללים תרשים זרימה חי בשם Logic Visualisation שמוצג עם הערכים הנוכחיים של המתקן שלכם — אפשר ללחוץ על הצמתים ("Tap to scroll to this setting"), וזו הדרך הטובה ביותר לוודא מה שינוי עושה בפועל.

התאמת חברים

שולט בהחלטה של שלבים 3–5 בצינור: מתי פנים הן בוודאות של חבר?

איור 1: Member Matching — הערכות הקבועות מראש למעלה, ותרשים הזרימה החי Logic Visualisation מתחתן

ערכות קבועות מראש

ספים בודדים

איור 2: המחוונים הבודדים של Member Matching, כל אחד מסומן עם ערך ברירת המחדל שלו

מתי לסטות מ-Balanced:

• אחוז Unsure גבוה אבל החברים ניתנים לזיהוי ברור במצלמה → שפרו קודם את התמונות של החברים (סננו את רשימת People לפי "Invalid Photo"); רק אחר כך שקלו את Lenient.
• כל זיהוי שגוי מאומת → עברו ל-Strict (או העלו את סף ההתאמה) מיד — זהות שגויה שמוצמדת לזיהויים יקרה הרבה יותר ממבקר לא מזוהה.
• מצלמת דלפק קבלה עם מתאם צ׳ק-אין רחב → הארכה קלה של Check-in Lookback Window יכולה לשפר את הזיהוי במתקנים שבהם חברים שוהים זמן מה לפני שהם עוברים מול מצלמה; שמרו על בונוס מתון.

פרופילים עקיפים

שולט בשלבים 6–7 בצינור: מתי פנים שלא הותאמו מקושרות לפרופילי צל קיימים, וכמה המערכת בררנית ביצירת פרופילים חדשים.

איור 3: Shadow Profiles — ערכת איכות קבועה מראש, ספים ותרשים הזרימה של פרופילי הצל

ערכת האיכות הקבועה מראש (Lenient / Balanced / Strict) קובעת את הרף עבור Tier 1 — Fast Quality Checks ("Sharpness · Contrast · Lighting · Exposure · Dynamic Range · Eye Aspect Ratio", כ-10–60 ms) ו-Tier 2 — ISO Quality Checks ("Face Occlusion · Eyes · Mouth · Head Pose · Illumination · Exposure · Compression · Expression", כ-5–10 s). כל ערך בבסיס ניתן לכוונון בנפרד — רזולוציה מינימלית, חדות, ניגודיות, סימטריית תאורה, גבולות חשיפה, טווח דינמי, יחס ממדי העין, וכל סט ה-ISO כולל מסנן IR/ראיית לילה וציון איכות כולל מינימלי — אבל עקיפות בודדות כאן הן תחום שעושים בהנחיית התמיכה; הערכות הקבועות מראש מכסות כמעט את כל המתקנים בפועל.

טבלת התסמינים:

למידה עצמית

שולט בצינור מתאם הביקורים. גלוי רק כאשר Enhanced AI Analysis מופעל.

איור 4: הגדרות Self Learning — דרישות הראיות ובדיקות האימות

אינטואיציה לגבי הערכות הקבועות מראש: Lenient מקשרת מהר יותר על סמך פחות ראיות (מתאים למתקנים קטנים שבהם הצוות סוקר את התור בכל מקרה); Strict דורשת יותר ביקורים ואימות הדוק יותר (מתאים למקומות שבהם קישור שגוי אוטומטי אינו קביל). זכרו את אמצעי ההגנה המבני שאף ערכה קבועה מראש לא משנה: המתאם חייב להצביע על חבר אחד בדיוק, אחרת התוצאה היא No match.

מה אי אפשר לכוונן

לשם השלמות — חלקים בצינור שקבועים מעצם התכנון:

• סף בדיקת הרשימה השחורה (95%) — ראו רשימה שחורה.
• הכללים לתמונות צל אוטומטיות (דמיון של 99% ומעלה, מכסה קטנה ומתחלפת לכל אדם, תקופות צינון) ששומרים על זיהוי עדכני — ראו Self Learning.

דפים קשורים

• איך זה עובד — הצינור שההגדרות האלה מניעות
• Self Learning — מסוף הסקירה
• פתרון בעיות — בעיות זיהוי והסיבות הרגילות להן