Apakah pengecaman wajah? AI untuk Abang Besar

Bolehkah Big Brother mengenali wajah anda dari pengawasan CCTV di jalanan dan memberitahu sama ada anda gembira, sedih, atau marah? Bolehkah pengenalan itu membawa kepada penangkapan anda dengan waran tertunggak? Apakah kemungkinan bahawa pengenalan itu tidak betul, dan benar-benar menghubungkan dengan orang lain? Bolehkah anda mengalahkan pengawasan sepenuhnya menggunakan beberapa tipu daya?

Di sisi lain, bolehkah anda memasuki peti besi yang dilindungi oleh kamera dan perisian pengenalan wajah dengan memegang cetakan wajah orang yang berwenang? Bagaimana jika anda memakai topeng 3-D pada wajah orang yang diberi kuasa?

Selamat datang ke pengecaman wajah - dan penipuan pengecaman wajah.

Apakah pengecaman wajah?

Pengecaman wajah adalah kaedah untuk mengenal pasti orang yang tidak dikenali atau mengesahkan identiti orang tertentu dari wajah mereka. Ini adalah cabang penglihatan komputer, tetapi pengecaman wajah khusus dan dilengkapi dengan bagasi sosial untuk beberapa aplikasi, serta beberapa kelemahan untuk melakukan penipuan.

Bagaimana pengecaman wajah berfungsi?

Algoritma pengenalan wajah awal (yang masih digunakan hingga kini dalam bentuk yang lebih baik dan lebih automatik) bergantung pada biometrik (seperti jarak antara mata) untuk mengubah ciri wajah yang diukur dari gambar dua dimensi menjadi satu set nombor (ciri vektor atau templat) yang menerangkan wajah. Proses pengecaman kemudian membandingkan vektor ini dengan pangkalan data wajah yang diketahui yang telah dipetakan ke ciri dengan cara yang sama. Salah satu komplikasi dalam proses ini adalah menyesuaikan wajah ke pandangan normal untuk memperhitungkan putaran kepala dan kecondongan sebelum mengeluarkan metrik. Kelas algoritma ini dipanggil geometri .

Pendekatan lain untuk mengenali wajah adalah menormalkan dan memampatkan gambar wajah 2-D, dan membandingkannya dengan pangkalan data gambar serupa dan normal. Kelas algoritma ini disebut fotometrik .

Pengecaman wajah tiga dimensi menggunakan sensor 3-D untuk menangkap gambar wajah, atau menyusun semula gambar 3-D dari tiga kamera penjejak 2-D yang ditunjuk pada sudut yang berbeza. Pengecaman wajah 3-D jauh lebih tepat daripada pengecaman 2-D.

Analisis tekstur kulit memetakan garis, corak, dan bintik pada wajah seseorang ke vektor ciri lain. Menambah analisis tekstur kulit pada pengecaman wajah 2-D atau 3-D dapat meningkatkan ketepatan pengecaman sebanyak 20 hingga 25 peratus, terutama dalam kes-kes seperti pasangan dan kembar. Anda juga boleh menggabungkan semua kaedah, dan menambahkan gambar multi-spektral (cahaya yang kelihatan dan inframerah), untuk ketepatan yang lebih tinggi.

Pengecaman wajah semakin meningkat dari tahun ke tahun sejak bidang ini dimulakan pada tahun 1964. Rata-rata, kadar kesalahan telah berkurang setengah setiap dua tahun.

Video berkaitan: Cara pengecaman wajah berfungsi

Ujian vendor pengecaman wajah

NIST, Institut Piawaian dan Teknologi Nasional AS, telah melakukan ujian algoritma pengenalan wajah, Uji Pengecam Wajah (FRVT), sejak tahun 2000. Set data gambar yang digunakan kebanyakannya adalah gambar cetakan penguatkuasaan undang-undang, tetapi juga termasuk dalam-the- gambar pegun liar, seperti yang terdapat di Wikimedia, dan gambar beresolusi rendah dari kamera web.

Algoritma FRVT kebanyakan dihantar oleh vendor komersial. Perbandingan tahun ke tahun menunjukkan peningkatan prestasi dan ketepatan; menurut vendor, ini terutama disebabkan oleh penggunaan rangkaian saraf konvolusional yang mendalam.

Program ujian pengecaman wajah NIST yang berkaitan telah mengkaji kesan demografi, pengesanan morfing wajah, pengenalan wajah yang disiarkan di media sosial, dan pengenalan wajah dalam video. Satu siri ujian sebelumnya dilakukan pada tahun 1990-an di bawah moniker yang berbeza, Face Recognition Technology (FERET).

TIDAK

Aplikasi pengecaman wajah

Aplikasi pengecaman wajah kebanyakannya tergolong dalam tiga kategori utama: keselamatan, kesihatan, dan pemasaran / peruncitan. Keselamatan merangkumi penguatkuasaan undang-undang, dan kelas penggunaan pengecam wajah itu dapat menjadi jinak seperti memadankan orang dengan foto pasport mereka lebih cepat dan lebih tepat daripada manusia, dan menyeramkan seperti senario "Orang yang Menarik" di mana orang dilacak melalui CCTV dan dibandingkan ke pangkalan data foto yang disusun. Keselamatan tanpa penguatkuasaan undang-undang merangkumi aplikasi biasa seperti buka kunci muka untuk telefon bimbit dan kawalan akses untuk makmal dan bilik kebal.

Aplikasi kesihatan pengecaman wajah merangkumi daftar masuk pesakit, pengesanan emosi masa nyata, pengesanan pesakit di dalam sebuah kemudahan, menilai tahap kesakitan pada pesakit bukan lisan, mengesan penyakit dan keadaan tertentu, pengenalan kakitangan, dan keselamatan kemudahan. Aplikasi pemasaran dan peruncitan pengecaman wajah merangkumi pengenalpastian anggota program kesetiaan, pengenalan dan penjejakan pencuri kedai yang diketahui, dan mengenali orang dan emosi mereka untuk cadangan produk yang disasarkan.

Kontroversi pengecaman wajah, berat sebelah, dan larangan

Untuk mengatakan bahawa beberapa aplikasi ini kontroversial akan menjadi kenyataan. Seperti yang dibahas dalam artikel New York Times 2019, pengecaman wajah berputar dalam kontroversi, mulai dari penggunaannya untuk pengawasan stadium hingga perangkat lunak rasis.

Pengawasan stadium? Pengecaman wajah digunakan di Super Bowl 2001: perisian mengenal pasti 19 orang yang dianggap sebagai waran tertunggak, walaupun tidak ada yang ditangkap (bukan kerana tidak mencuba).

Perisian rasis? Terdapat beberapa masalah, bermula dengan perisian pelacakan wajah tahun 2009 yang dapat mengesan kulit putih tetapi bukan orang kulit hitam, dan melanjutkan kajian MIT 2015 yang menunjukkan bahawa perisian pengecaman wajah pada masa itu jauh lebih baik pada wajah lelaki putih daripada wanita dan / atau Muka hitam.

Masalah seperti ini telah menyebabkan larangan perisian pengenalan wajah secara langsung di tempat-tempat tertentu atau untuk kegunaan tertentu. Pada tahun 2019, San Francisco menjadi bandar utama Amerika pertama yang menyekat polis dan agensi penguatkuasaan undang-undang lain daripada menggunakan perisian pengecam wajah; Microsoft meminta peraturan persekutuan mengenai pengecaman wajah; dan MIT menunjukkan bahawa Pengakuan Amazon mempunyai lebih banyak masalah untuk menentukan jantina wanita daripada jantina lelaki dari gambar wajah, serta lebih banyak masalah dengan jantina wanita Hitam daripada jantina wanita kulit putih.

Pada bulan Jun 2020, Microsoft mengumumkan bahawa ia tidak akan menjual dan tidak menjual perisian pengenalan wajahnya kepada polis; Amazon melarang polis menggunakan Rekognition selama setahun; dan IBM meninggalkan teknologi pengecaman wajahnya. Melarang pengecaman wajah sepenuhnya tidak akan mudah, bagaimanapun, mengingat penggunaannya yang luas di iPhone (ID Wajah) dan peranti, perisian, dan teknologi lain.

Tidak semua perisian pengecam wajah mengalami bias yang sama. Kajian kesan demografi NIST 2019 ditindaklanjuti pada kerja MIT dan menunjukkan bahawa kecenderungan demografi algoritma berbeza-beza di antara pembangun perisian pengenalan wajah. Ya, terdapat kesan demografi pada kadar padanan yang salah dan kadar yang tidak sepadan dengan algoritma pengenalan wajah yang salah, tetapi ia boleh berbeza-beza mengikut beberapa urutan besarnya dari vendor ke vendor, dan mereka semakin menurun dari masa ke masa.

Menggodam pengecaman wajah, dan teknik anti-spoofing

Memandangkan ancaman privasi yang berpotensi dari pengenalan wajah, dan daya tarikan untuk mendapatkan akses ke sumber daya bernilai tinggi yang dilindungi oleh pengesahan wajah, ada banyak usaha untuk menggodam atau menipu teknologi. Anda boleh menunjukkan gambar wajah yang dicetak dan bukan wajah langsung, atau gambar di layar, atau topeng bercetak 3-D, untuk mengesahkan. Untuk pengawasan CCTV, anda boleh memainkan semula video. Untuk mengelakkan pengawasan, Anda dapat mencuba fabrik dan tata rias "CV Dazzle", dan / atau pemancar cahaya IR, untuk menipu perisian agar tidak dapat mengesan wajah anda.

Sudah tentu, ada usaha untuk mengembangkan teknik anti-spoofing untuk semua serangan ini. Untuk mengesan gambar yang dicetak, vendor menggunakan ujian daya hidup, seperti menunggu subjek berkelip, atau melakukan analisis gerakan, atau menggunakan inframerah untuk membezakan wajah langsung dari gambar yang dicetak. Pendekatan lain adalah melakukan analisis tekstur mikro, kerana kulit manusia secara optik berbeza dari bahan cetak dan topeng. Teknik anti-spoofing terkini kebanyakan berdasarkan pada rangkaian saraf konvolusional yang mendalam.

Ini adalah bidang yang terus berkembang. Terdapat perang senjata antara penyerang dan perisian anti-spoofing, serta penyelidikan akademik mengenai keberkesanan teknik serangan dan pertahanan yang berbeza.

Penjual pengecam wajah

Menurut Electronic Frontier Foundation, MorphoTrust, anak syarikat Idemia (sebelumnya dikenali sebagai OT-Morpho atau Safran), adalah salah satu vendor pengecaman wajah dan teknologi pengenalan biometrik terbesar di Amerika Syarikat. Ia telah merancang sistem untuk DMV negeri, agensi penguatkuasaan undang-undang persekutuan dan negeri, kawalan sempadan dan lapangan terbang (termasuk TSA PreCheck), dan jabatan negara. Vendor umum lain termasuk 3M, Cognitec, DataWorks Plus, Dynamic Imaging Systems, FaceFirst, dan NEC Global.

Ujian NIST Face Recognition Vendor menyenaraikan algoritma dari lebih banyak vendor dari seluruh dunia. Terdapat juga beberapa algoritma pengenalan wajah sumber terbuka, dengan kualiti yang berbeza-beza, dan beberapa perkhidmatan awan utama yang menawarkan pengecaman wajah.

Amazon Recognition adalah perkhidmatan analisis gambar dan video yang dapat mengenal pasti objek, orang, teks, pemandangan, dan aktiviti, termasuk analisis wajah dan label khusus. Google Cloud Vision API adalah perkhidmatan analisis gambar pra-latihan yang dapat mengesan objek dan wajah, membaca teks bercetak dan tulisan tangan, dan membina metadata ke dalam katalog gambar anda. Google AutoML Vision membolehkan anda melatih model gambar tersuai.

Azure Face API melakukan pengesanan wajah yang melihat wajah dan atribut dalam gambar, melakukan pengenalan orang yang sesuai dengan individu di repositori peribadi anda sehingga 1 juta orang, dan melakukan pengecaman emosi yang dirasakan. Face API boleh berjalan di awan atau di tepi dalam bekas.

Set data muka untuk latihan pengiktirafan

Terdapat puluhan set data wajah yang tersedia untuk dimuat turun yang boleh digunakan untuk latihan pengecaman. Tidak semua set data wajah sama: Mereka cenderung berbeza-beza dalam ukuran gambar, jumlah orang yang diwakili, jumlah gambar setiap orang, keadaan gambar, dan pencahayaan. Penguatkuasaan undang-undang juga memiliki akses ke set data wajah bukan umum, seperti gambar mugshot semasa dan gambar lesen memandu.

Beberapa pangkalan data wajah yang lebih besar adalah Labeled Faces in the Wild, dengan ~ 13K orang unik; FERET, digunakan untuk ujian NIST awal; pangkalan data Mugshot yang digunakan dalam NIST FRVT yang sedang berlangsung; pangkalan data kamera pengawasan SCFace, juga tersedia dengan mercu tanda wajah; dan Wajah Wikipedia berlabel, dengan ~ 1.5K identiti unik. Beberapa pangkalan data ini mengandungi beberapa gambar setiap identiti. Senarai dari penyelidik Ethan Meyers ini menawarkan beberapa nasihat yang tepat untuk memilih set data wajah untuk tujuan tertentu.

Ringkasnya, pengecaman wajah semakin meningkat, dan vendor belajar untuk mengesan kebanyakan penipuan, tetapi beberapa aplikasi teknologi itu kontroversial. Kadar kesalahan untuk pengecaman wajah berkurang setiap dua tahun sekali, menurut NIST. Penjual telah meningkatkan teknik anti-spoofing mereka dengan memasukkan rangkaian saraf konvolusional.

Sementara itu, ada inisiatif untuk melarang penggunaan pengenalan wajah dalam pengawasan, terutama oleh polisi. Melarang pengecaman wajah sepenuhnya akan menjadi sukar, bagaimanapun, mengingat betapa luasnya pengecaman wajah.

Baca lebih lanjut mengenai pembelajaran mesin dan pembelajaran mendalam:

  • Pembelajaran mendalam berbanding pembelajaran mesin: Memahami perbezaan
  • Apa itu pembelajaran mesin? Kecerdasan yang diperoleh daripada data
  • Apa itu pembelajaran mendalam? Algoritma yang meniru otak manusia
  • Algoritma pembelajaran mesin dijelaskan
  • Pembelajaran mesin automatik atau AutoML dijelaskan
  • Pembelajaran yang diselia dijelaskan
  • Pembelajaran separa penyeliaan dijelaskan
  • Pembelajaran tanpa pengawasan dijelaskan
  • Pembelajaran pengukuhan dijelaskan
  • Apakah penglihatan komputer? AI untuk gambar dan video
  • Apakah pengecaman wajah? AI untuk Abang Besar
  • Apakah pemprosesan bahasa semula jadi? AI untuk ucapan dan teks
  • Kaggle: Tempat para saintis data belajar dan bersaing
  • Apa itu CUDA? Pemprosesan selari untuk GPU