Kas ir sejas atpazīšana? AI lielajam brālim

Vai lielais brālis var noteikt jūsu seju, izmantojot ielu līmeņa videonovērošanas novērojumus, un pateikt, vai esat laimīgs, skumjš vai dusmīgs? Vai šī identifikācija var novest pie jūsu aresta ar nenokārtotu orderi? Kādas ir izredzes, ka identifikācija ir nepareiza un patiešām savienojas ar kādu citu? Vai jūs varat pilnībā uzvarēt uzraudzību, izmantojot kādu triku?

No otras puses, vai jūs varat iekļūt velvē, kuru aizsargā kamera un sejas identifikācijas programmatūra, turot rokās pilnvarotas personas sejas nospiedumu? Ko darīt, ja jūs uzliekat pilnvarotas personas sejas 3D-masku?

Laipni lūdzam sejas atpazīšanā - un sejas atpazīšanā.

Kas ir sejas atpazīšana?

Sejas atpazīšana ir metode nezināmas personas identificēšanai vai konkrētas personas identitātes autentificēšanai no sejas. Tā ir datorredzes nozare, taču sejas atpazīšana ir specializēta, un tā dažās lietojumprogrammās ir aprīkota ar sociālo bagāžu, kā arī dažas viltības pret krāpšanos.

Kā darbojas sejas atpazīšana?

Agrīnās sejas atpazīšanas algoritmi (kas mūsdienās joprojām tiek izmantoti uzlabotā un automatizētā veidā) balstās uz biometriku (piemēram, attālumu starp acīm), lai izmērītās sejas pazīmes no divdimensiju attēla pārvērstu skaitļu kopā (funkcija vektors vai veidne), kas raksturo seju. Pēc tam atpazīšanas procesā šie vektori tiek salīdzināti ar zināmu seju datu bāzi, kas tāpat ir iezīmēta ar funkcijām. Viena no šī procesa sarežģītībām ir seju pielāgošana normalizētam skatam, lai ņemtu vērā galvas pagriešanos un slīpumu pirms metrikas iegūšanas. Šo algoritmu klasi sauc ģeometriski.

Cita pieeja sejas atpazīšanai ir 2-D sejas attēlu normalizēšana un saspiešana un to salīdzināšana ar līdzīgi normalizētu un saspiestu attēlu datu bāzi. Šo algoritmu klasi sauc fotometriski.

Trīsdimensiju sejas atpazīšanai tiek izmantoti 3D sensori, lai attēlotu sejas attēlu, vai arī rekonstruē 3D attēlu no trim divdimensiju izsekošanas kamerām, kas vērstas dažādos leņķos. 3-D sejas atpazīšana var būt daudz precīzāka nekā 2-D atpazīšana.

Ādas faktūras analīze iezīmē līnijas, rakstus un plankumus uz personas sejas citam iezīmju vektoram. Pievienojot ādas struktūras analīzi 2-D vai 3-D sejas atpazīšanai, var uzlabot atpazīšanas precizitāti par 20–25 procentiem, īpaši līdzīgu izskatu un dvīņu gadījumā. Varat arī apvienot visas metodes un pievienot vairāku spektru attēlos (redzamā gaisma un infrasarkanais), lai iegūtu vēl lielāku precizitāti.

Kopš lauka darbības sākuma 1964. gadā sejas atpazīšana ir uzlabojusies gadu no gada. Vidēji kļūdu līmenis ik pēc diviem gadiem ir samazinājies uz pusi.

Saistītais video: kā darbojas sejas atpazīšana

Sejas atpazīšanas pārdevēja testi

ASV Nacionālais standartu un tehnoloģiju institūts NIST kopš 2000. gada veic sejas atpazīšanas algoritmu - sejas atpazīšanas pakalpojumu sniedzēja testu (FRVT) testus. Izmantotās attēlu datu kopas lielākoties ir tiesībaizsardzības iestāžu krūzīšu kadri, bet ietver arī savvaļas nekustīgi attēli, piemēram, tie, kas atrodami Wikimedia, un zemas izšķirtspējas attēli no tīmekļa kamerām.

FRVT algoritmus pārsvarā iesniedz komerciālie pārdevēji. Salīdzinājumi salīdzinājumā ar gadu parāda ievērojamus veiktspējas un precizitātes ieguvumus; pēc pārdevēju domām, tas galvenokārt ir saistīts ar dziļu konvolucionālu neironu tīklu izmantošanu.

Saistītās NIST sejas atpazīšanas testēšanas programmas ir pētījušas demogrāfiskos efektus, sejas morfinga noteikšanu, sociālajos tīklos ievietoto seju identificēšanu un seju identificēšanu video. Iepriekšējā testu sērija tika veikta pagājušā gadsimta 90. gados ar citu monikeru - sejas atpazīšanas tehnoloģiju (FERET).

NIST

Sejas atpazīšanas lietojumprogrammas

Sejas atpazīšanas lietojumprogrammas galvenokārt iedala trīs galvenajās kategorijās: drošība, veselība un mārketings / mazumtirdzniecība. Drošība ietver tiesībaizsardzību, un šī sejas atpazīšanas klase var būt tikpat labdabīga kā cilvēku pielāgošana viņu pases fotoattēliem ātrāk un precīzāk nekā cilvēki, un tikpat rāpojoša kā scenārijs “Persona, kas interesē”, kur cilvēki tiek izsekoti, izmantojot CCTV un salīdzinot apkopotām fotoattēlu datu bāzēm. Drošība, kas nav saistīta ar likumu izpildi, ietver tādas izplatītas lietojumprogrammas kā sejas atbloķēšana mobilajiem tālruņiem un piekļuves kontrole laboratorijām un velvēm.

Sejas atpazīšanas veselības lietojumi ietver pacienta reģistrēšanos, emociju noteikšanu reāllaikā, pacienta izsekošanu objektā, neverbālu pacientu sāpju līmeņa novērtēšanu, noteiktu slimību un apstākļu noteikšanu, personāla identifikāciju un objekta drošību. Sejas atpazīšanas mārketinga un mazumtirdzniecības lietojumprogrammas ietver lojalitātes programmas dalībnieku identificēšanu, zināmu veikala zādzību identificēšanu un izsekošanu, kā arī cilvēku un viņu emociju atpazīšanu mērķtiecīgu produktu ieteikumu dēļ.

Sejas atpazīšanas strīdi, aizspriedumi un aizliegumi

Teikt, ka daži no šiem lietojumiem ir pretrunīgi, būtu nepietiekams. Kā tiek apspriests 2019. gada New York Times rakstā, sejas atpazīšana ir virpuļojusi strīdos, sākot no tās izmantošanas stadiona novērošanai līdz rasistiskai programmatūrai.

Stadiona uzraudzība? Sejas atpazīšana tika izmantota 2001. gada Super Bowl: programmatūra identificēja 19 cilvēkus, kuri, domājams, ir izcilu orderu priekšmeti, lai gan neviens no viņiem netika arestēts (nevis mēģinājumu trūkuma dēļ).

Rasistu programmatūra? Ir bijuši vairāki jautājumi, sākot ar 2009. gada sejas izsekošanas programmatūru, kas varētu izsekot baltos, bet ne melnos, un turpinot 2015. gada MIT pētījumu, kas parādīja, ka tā laika sejas atpazīšanas programmatūra daudz labāk darbojās uz baltām vīriešu sejām nekā sieviešu un / vai Melnas sejas.

Šāda veida problēmas ir radījušas tiešu sejas atpazīšanas programmatūras aizliegumu noteiktās vietās vai īpašām vajadzībām. 2019. gadā Sanfrancisko kļuva par pirmo lielāko Amerikas pilsētu, kas bloķēja policiju un citas tiesībaizsardzības aģentūras izmantot sejas atpazīšanas programmatūru; Microsoft aicināja ieviest federālos noteikumus par sejas atpazīšanu; un MIT parādīja, ka Amazon Rekognition bija vairāk problēmu noteikt sievietes dzimumu nekā vīriešu dzimumu no sejas attēliem, kā arī vairāk problēmu ar melno sieviešu dzimumu nekā balto sieviešu dzimumu.

2020. gada jūnijā Microsoft paziņoja, ka nepārdos un nav pārdevis policijai savu sejas atpazīšanas programmatūru; Amazon uz gadu aizliedza policijai izmantot Rekognition; un IBM atteicās no sejas atpazīšanas tehnoloģijas. Pilnībā aizliegt sejas atpazīšanu nebūs viegli, ņemot vērā tās plašo ieviešanu iPhone (Face ID) un citās ierīcēs, programmatūrā un tehnoloģijās.

Ne visas sejas atpazīšanas programmatūras cieš no vienādām aizspriedumiem. 2019. gada NIST demogrāfisko efektu pētījums sekoja MIT darbam un parādīja, ka algoritmiskā demogrāfiskā novirze sejas atpazīšanas programmatūras izstrādātāju vidū ir ļoti atšķirīga. Jā, sejas identifikācijas algoritmiem ir nepatiesa atbilstības un nepatiesas neatbilstības līmeņa demogrāfiska ietekme, taču tie var atšķirties par vairākām pakāpēm atkarībā no pārdevēja, un laika gaitā tie ir samazinājušies.

Datorurķēšanas sejas atpazīšana un pretkrāpšanas paņēmieni

Ņemot vērā iespējamos privātuma draudus, ko rada sejas atpazīšana, un pievilcīgu piekļuvi augstas vērtības resursiem, kurus aizsargā sejas autentifikācija, ir bijuši daudz pūļu, lai tehnoloģiju uzlauztu vai izkrāptu. Lai nodotu autentifikāciju, dzīvas sejas vietā varat uzrādīt drukātu sejas attēlu, ekrānā redzamu attēlu vai trīsdimensiju drukātu masku. CCTV novērošanai varat atskaņot video. Lai izvairītos no uzraudzības, varat izmēģināt “CV Dazzle” audumus un dekoratīvās kosmētikas un / vai infrasarkano staru izstarotājus, lai apmānītu programmatūru ar to, ka tā neatklāj jūsu seju.

Protams, ir centieni izstrādāt pretkrāpšanas paņēmienus visiem šiem uzbrukumiem. Lai noteiktu izdrukātus attēlus, pārdevēji izmanto dzīvības pārbaudi, piemēram, gaida, kamēr objekts mirgo, vai veic kustību analīzi, vai izmanto infrasarkano staru, lai atšķirtu dzīvu seju no izdrukāta attēla. Vēl viena pieeja ir veikt mikrofaktūras analīzi, jo cilvēka āda optiski atšķiras no izdrukām un masku materiāliem. Jaunākās pret spoofing metodes galvenokārt balstās uz dziļiem konvolucionāliem neironu tīkliem.

Šī ir joma, kas attīstās. Notiek ieroču karš starp uzbrucējiem un pretkrāpšanas programmatūru, kā arī akadēmiski pētījumi par dažādu uzbrukumu un aizsardzības metožu efektivitāti.

Sejas atpazīšanas pārdevēji

Pēc Electronic Frontier Foundation datiem, Idemia meitasuzņēmums MorphoTrust (agrāk pazīstams kā OT-Morpho vai Safran) ir viens no lielākajiem sejas atpazīšanas un citas biometriskās identifikācijas tehnoloģijas pārdevējiem Amerikas Savienotajās Valstīs. Tas ir izstrādājis sistēmas valsts DMV, federālajām un štatu tiesībaizsardzības aģentūrām, robežkontrolei un lidostām (ieskaitot TSA PreCheck) un Valsts departamentam. Citi izplatītie pārdevēji ir 3M, Cognitec, DataWorks Plus, Dynamic Imaging Systems, FaceFirst un NEC Global.

NIST sejas atpazīšanas pakalpojumu sniedzēja pārbaudē ir uzskaitīti daudz vairāk pārdevēju no visas pasaules algoritmi. Ir arī vairāki atvērtas koda sejas atpazīšanas algoritmi, dažādas kvalitātes un daži galvenie mākoņpakalpojumi, kas piedāvā sejas atpazīšanu.

Amazon Rekognition ir attēlu un video analīzes pakalpojums, kas var identificēt objektus, cilvēkus, tekstu, ainas un darbības, tostarp sejas analīzi un pielāgotas etiķetes. Google Cloud Vision API ir iepriekš sagatavots attēlu analīzes pakalpojums, kas var noteikt objektus un sejas, lasīt drukātu un ar roku rakstītu tekstu un veidot metadatus jūsu attēlu katalogā. Google AutoML Vision ļauj apmācīt pielāgotus attēlu modeļus.

Azure Face API veic sejas noteikšanu, kas uztver sejas un atribūtus attēlā, veic personas identifikāciju, kas atbilst personai jūsu privātajā krātuvē, kurā ir līdz pat 1 miljonam cilvēku, un veic uztverto emociju atpazīšanu. Face API var darboties mākonī vai konteineros uz malas.

Sejas datu kopas atpazīšanas apmācībai

Lejupielādei ir pieejami vairāki desmiti sejas datu kopu, kurus var izmantot atpazīšanas apmācībai. Ne visas sejas datu kopas ir vienādas: tām ir tendence mainīties pēc attēla lieluma, pārstāvēto cilvēku skaita, attēlu skaita uz cilvēku, attēlu apstākļu un apgaismojuma. Tiesībaizsardzības iestādēm ir arī piekļuve nevalstiskām sejas datu kopām, piemēram, pašreizējiem muguršāvieniem un autovadītāja apliecības attēliem.

Dažas no lielākajām seju datu bāzēm ir iezīmētas sejas savvaļā, kurās ir ~ 13 000 unikālu cilvēku; FERET, ko izmanto agrīnajiem NIST testiem; Mugshot datu bāze, kas tiek izmantota notiekošajā NIST FRVT; SCFace novērošanas kameru datu bāze, kas pieejama arī ar sejas orientieriem; un marķētas Wikipedia Faces ar ~ 1,5K unikālām identitātēm. Vairākās no šīm datu bāzēm ir vairāki attēli vienā identitātē. Šis pētnieka Ītana Meijera saraksts piedāvā pārliecinošus padomus par sejas datu kopas atlasīšanu konkrētam mērķim.

Kopumā sejas atpazīšana uzlabojas, un pārdevēji mācās atklāt lielāko daļu viltus, taču daži šīs tehnoloģijas pielietojumi ir pretrunīgi. Sejas atpazīšanas kļūdu līmenis samazinās uz pusi ik pēc diviem gadiem, norāda NIST. Pārdevēji ir uzlabojuši savas pret spoofing metodes, iekļaujot konvolucionālos neironu tīklus.

Tikmēr ir iniciatīvas, lai aizliegtu sejas atpazīšanu uzraudzībā, it īpaši policijā. Pilnībā aizliegt sejas atpazīšanu būtu grūti, ņemot vērā to, cik plaši tā ir kļuvusi.