В последние годы скорость и точность алгоритмов распознавания лиц претерпели новые изменения благодаря исследованиям, особенно в области 3D-методов. В настоящее время сосуществуют разные технологии, но все они следуют одним и тем же этапам, когда дело доходит до распознавания лица.
Сначала они захватывают двух- или трехмерное изображение лица с фотографии или видео либо одного человека, либо толпы. Затем алгоритмы анализируют черты лица для получения биометрической информации. При 2D-распознавании используются опорные точки, такие как нос, рот и глаза, для измерения ширины и расстояния между ними. Человеческое лицо может содержать 80 таких ориентиров. Методы 3D используют, помимо формы, текстуру, глубину, контуры и изгиб лица. Вот почему они более точны и компенсируют некоторые недостатки освещения, ориентации или мимики 2D-систем.
При 3D-моделировании лица также могут быть сохранены атрибуты человеческого лица, которые существенно не меняются с возрастом (например, изгибы глазницы или контур подбородка). Однако они не избавлены от других проблем: движение во время сканирования может привести к искажению изображения и, следовательно, к неправильной идентификации. Чтобы избежать этих ошибок, система, разработанная Apple, например, объединяет несколько технологий. Его Face ID, интегрированный в iPhone X, содержит фронтальную камеру, еще одну инфракрасную камеру, вспомогательный свет и инфракрасный проектор, который излучает 30 000 невидимых точек, реконструируя трехмерную карту лица, которая сравнивается в реальном времени с использованием алгоритмов, основанных на нейронных сетях. сети. . После извлечения эти данные преобразуются в числовой код, называемый отпечатком лица или отпечаток лица который хранится в программном обеспечении.
После выполнения этого анализа лица зарегистрированный код сравнивается с существующей информацией в базе данных, в которой хранятся другие данные. отпечатки лица и опознанные фотографии. На этом этапе становится очевидной необходимость накопления больших объемов информации для получения результатов. Компании и организации стремятся завладеть изображениями, например, ФБР, которое имеет доступ к более чем 641 миллиону фотографий, или большая база данных Facebook, в которой есть фотографии ее пользователей, что также позволяет им выполнять работу по маркировке. их годами.
В результате система возвращает процент сходства, который будет зависеть от степени совпадения и информации, хранящейся в вашей базе данных. Он также будет отображать другие зарегистрированные данные, такие как имя, адрес, возраст и т. д.
Проверка, идентификация или поиск одного или нескольких людей в окружении людей — это не одно и то же, по этой причине проводится различие между несколькими процессами в зависимости от их цели:
- Верификация (одно лицо, одна личность): Это практикуется, когда у нас есть данные кого-то, чью личность мы хотим проверить, убедившись, что их лицо соответствует заданному изображению. Он часто используется, например, в биометрических паспортах или системах входа в систему. Теперь, когда мы стараемся избегать контакта с любой физической поверхностью, другие, более распространенные биометрические средства контроля в компаниях или организациях, такие как отпечатки пальцев, могут быть заменены этими системами, которые не только не требуют контакта, но, к лучшему или к худшему, вряд ли требуют сотрудничества человека.
- Идентификация (много людей, одна личность): когда вам нужно сравнить изображение с набором известных идентификаторов, чтобы найти ближайший. Иногда лицо не находит соответствия, потому что оно не зарегистрировано в базе данных. Это метод, который правоохранительные органы могут использовать для установления личности подозреваемого.
- Поиск человека в толпе (много людей, много личностей): Он самый сложный, так как необходимо, чтобы все лица попали в систему обнаружения и при этом попытались присвоить каждому лицу личность с помощью алгоритма распознавания лиц. Этот тип распознавания также может быть характерен для систем видеонаблюдения. Однако лица, которые можно получить по изображениям с камер видеонаблюдения, как правило, не отличаются высоким качеством, либо трудно точно зафиксировать ориентацию человека, поэтому эти и другие методы распознавания лиц все еще далеки от совершенства.
Одним из самых доступных способов выполнения этого процесса является использование нескольких 2D-камер, которые снимают изображения лица под разными углами, а затем реконструируют 3D-модель лица. Этот метод быстрый и гибкий, позволяет регулировать расстояние между лицом и камерами, но все же требует хороших условий освещения, ахиллесовой пяты 2D-камер.
Другой метод — активное сканирование, при котором лазерный луч, отраженный от поверхности лица, используется для определения расстояния и получения изображения, которое в сочетании с изображениями с высоким разрешением со стандартной камеры можно сравнить с системой распознавания лиц с высоким разрешением. точность.
В последние годы все еще существующие технические ограничения, которые приводят к ложным срабатываниям, расовой дискриминации и нарушению конфиденциальности, побудили различные группы, художников и компании выразить свое несогласие с применением этих систем наблюдения, даже придумав изобретательные способы их перехитрить. .
Тем не менее, есть и другие практики, в которых распознавание лиц способствует науке вдали от систем управления, развлечений или фейковых новостей, например, исследования, которые пытаются помочь людям с трудностями в глубоком обучении или выявить редкие генетические нарушения по чертам лица.
Методы распознавания: по главам
В этой небольшой серии из 4 частей мы рассмотрим несколько видеороликов, историю, эволюцию и работу систем распознавания лиц. Мы также проанализируем, как они перешли от слежки к контролю, постепенно проникая в нашу жизнь.
