Из видеоряда отбираем кадры с заданной частотой — один кадр в секунду. Такой шаг позволяет сохранить репрезентативность материала и при этом снизить вычислительные затраты.

Для каждого кадра запускаются нейросетевые алгоритмы детекции, которые находят все лица и фиксируют их характеристики (эмбеддинги). Это формирует массив визуальных данных для дальнейшего анализа.

С помощью иерархической кластеризации мы группируем изображения лиц, относящиеся к одному и тому же человеку. Так мы учитываем различия в ракурсах, освещении и мимике, сохраняя точность идентификации.

Для каждого кластера строится «центроид» — усреднённое представление лица. Далее нейросеть сравнивает его с базой популярных персон, и определяет, какие известные люди присутствуют в видео.