關於面部識別的那些事兒

對於視頻監控系統AI,看上去是AI,實際上最後是大數據,大數據才是智能化的基礎。高性能計算、深度學習、機器學習、大數據應用在安防AI中,說到底都是對大數據的採集、建模和應用。

什麼是面部識別？

面部識別是一種計算機視覺技術,可以從圖像或現實中技日描並識別人臉。它將人臉與計算機化的藍圖進行比較,以證明該人的與身份。它主要用於視頻監控和身份驗證軟件,以驗證身份並保護場所。

面部識別如何工作

假設你要去工作。當您完成入職培訓時，您會拍攝照片並將其存儲在公司的圖像數據庫中。除了員工徽章之外，您的公司還使用面部識別來提高安全性。面部識別解釋和測量您的面部特徵，並遵循機器學習和深度學習技術，使計算機了解面部的構成方式。一旦你工作的計算機註冊了你的面部矢量，它就會在照片數據庫中搜索你的匹配項。面部識別技術（FRT）大致可以分為三類。

人臉檢測

在旅程的第一站，計算機必須從圖像中的多張面孔中檢測出特定的面孔。完成後，將分析其他特徵，例如紋理、姿勢和照明。 Viola-Jones 算法、定向梯度直方圖 (HOGG)、循環卷積神經網絡 (R-CNN) 和 You Only Look Once (YOLO) 等深度學習算法可以檢測正面和側面輪廓的數據。

人臉識別

一旦你的系統掃描了一張臉，它就會將其與底層識別數據進行比較。這可以通過多種方式實現，但最新的方法是將模擬面部數據轉換為數字信號。計算機接受這些數字信號並將它們與存儲的模板進行匹配。此過程也稱為模板匹配。一旦發現匹配，系統就會觸發“識別成功”的警報。

面部分析與假設

為了完成面部識別，系統必須確保排除其他選項。計算機視覺系統計算面部的“節點”。它測量眼窩的深度、嘴唇的長度、顴骨等。相對節點距離的分布創建了粗略的藍圖或面圖。它與模型數據庫相匹配，模型數據庫包含數百萬張臉紋。

面部識別技術的用途

隨着企業繼續優先考慮安全性，對 FRT 的需求也在增加。用面部識別代替傳統的設施維護，確保員工和客人的安全。現在是軟件購買者分析如何使用 FRT 解決方案的時候了。

攝像頭監控

可以在間諜攝像頭或小型攝像頭上設置面部識別，以記錄陳列室中的條目和存在並驗證消費者。它可以在辦公室安全系統中實施，以檢測場所內的可疑走動。

執法機構

面部識別技術可以防止人們違反執法機構為在線市場制定的某些法律。

邊境控制和保護

一些國家（如澳大利亞和加拿大）的海關和移民部門使用面部識別來確保旅客身份，優化機場的傳統海關流程，並更快地通關。

無人機和空中探測

嵌入面部識別功能的無人機可以發現恐怖分子或逃避現實者的行蹤，並為警察部門識別他們的身份。

尋找失蹤人員

面部識別可以在特定城市的小巷中找到失蹤人員的蹤跡。它可以插入相機或其他電子設備中，供搜索方完成搜索操作。

識別販運活動

面部識別可以揭示因性販運而遭到破壞的受害者的困擾面孔。

犯罪調查

面部識別通過將潛在犯罪分子的面部與任何地點或地區的犯罪分子數據庫進行比較來識別潛在犯罪分子。

太平間事務

面部識別系統幫助法醫在戰爭爆發期間識別死去的士兵。該系統將死者的面孔與參加戰鬥的士兵名單進行匹配。

醫療保健分析

面部識別只需掃描患者的面部即可識別患者的歷史記錄。鑒於他們經歷過痛苦的治療歷史，它可以幫助醫生減輕切口和手術的影響。

零售和銀行業

零售商店在自助終端中使用面部識別技術進行非接觸式購物和支付。在銀行業，面部識別是開立銀行賬戶或註冊貸款的 KYC（了解你的客戶）驗證流程的重要組成部分。

面部識別的挑戰

考慮到算法產生的偏差程度，面部識別存在幾個大問號。下面列出了阻礙其在全球範圍內採用的一些挑戰。

照明和姿勢變化

如果將圖像設置為不同的照明或背景，則可能會返回誤報。系統將無法檢測到除其所理解的配置、光線或顏色之外的任何其他配置、光線或顏色的面部。一些大型深度學習系統可以解決這個問題，只要它們具有較高的圖形計算能力。

道德

有缺陷和不道德的人臉識別系統導致了嚴重錯誤。多起冤獄無辜案件牽連其中。這些事件發生後，微軟、IBM 和亞馬遜等科技巨頭已不再強調其面部識別服務，直至另行通知。

克隆

創建用戶克隆是破解面部識別系統的一種簡單方法。攻擊者可以出於犯罪目的偽造人類指紋或掩蓋面部特徵。

低分辨率

低於16x16像素的圖像無法捕捉人臉的本質。像這樣的低分辨率相機在超市中很常見。

模型複雜性

現有的面部識別系統依賴於難以理解的卷積神經網絡網絡。為了使過程更容易、更具體，模型簡化是必要的。

衰老

面部識別系統還不夠先進，無法根據年齡和紋理等因素對面部進行分類。

人臉識別算法

面部識別算法檢測直線配置的面部。如果臉部稍微傾斜或側向，算法將無法執行。但現在，算法可以檢測經過相機的面部和物體。時代已經從手動計算面部點，發展到近乎完美的準確度自動匹配。一些最廣泛部署的面部識別算法是：

主成分分析

主成分分析是一種在輸入數據集較少的情況下對人臉進行分類的統計方法，可將您的人臉與常見的特徵臉（解剖和正交器官的矩陣）模型進行比較。輸入的人臉被投影到這個特徵臉上，並計算兩個人臉之間的差異。結果證實了人臉的存在。

獨立成分分析

通過該算法，可以計算圖像的所有元素，並與兩種不同架構下的面部識別技術 (FERET) 數據庫進行比較。圖像被視為隨機變量和像素的線性混合。還生成一個獨特的階乘面部代碼。分類器結合這兩種不同的方法來提供最佳的面部檢測。

線性判別分析

這使得訓練圖像在子空間中進行投影。這些投影被稱為“費舍爾面”，該空間被稱為“費舍爾空間”。完成投影后，該算法將使用k 最近鄰算法 來識別面部並將其與輸入進行匹配。

彈性束圖匹配

比eigenface稍有改進；該算法揭示了面部的其他細節而不是正交特徵。在此算法中，面部被下採樣為統計點並映射在圖表上。該圖有 40 個位於基準點的節點。這些節點被稱為“射流”，包含近 40 個 Gabor 小波係數。Gabor 小波係數提取人臉的邊緣、紋理、頻率或位置。這些數據使算法能夠更快地識別人臉。該算法可以處理大型圖像庫和姿勢變化。

費舍爾菲斯

Fisherfaces 可以幫助您根據落在臉上的光線的亮度來區分臉部。與特徵臉一樣，它將輸入臉部的特徵與預先存在的臉部模型進行映射。因為它考慮了光，所以分類過程變得更好更快。它還可以理解笑、哭或皺眉等面部表情。

熱紅外成像

它用於在弱光條件或夜間模式下檢測人臉。它可以識別血流、膚色和其他決定因素來做出決定。它在 DSLR 相機或最新版本的 iPhone 中很受歡迎。

儘管面部識別算法正在席捲各大排行榜，但仍有一些缺陷必須解決。

面部識別常見問題

人臉識別是否使用了AI？

高性能計算用於面部識別系統的原型設計階段。主要技術幫助計算機學習和解釋人臉的模式。高性能計算軟件接受實時數據並將其與存儲的數據進行比較以找到完全匹配的數據。

人臉識別的準確率如何？

人臉識別系統的默認率為+0.37%，這意味着準確率高達99.63%。ID 驗證或 KYC 驗證算法已經達到了這種準確度的頂峰。美國國家標準技術研究院的面部識別供應商（FRVT）測試已經證實了面部識別算法的準確性。

人臉識別的標準是什麼？

面部識別將實時圖像數據與參考數據庫進行比較。它可以識別面部特徵，例如下巴線、蘋果肌、眼窩或眼睛焦點。使用這些數據，它可以計算相對距離來構建面部指紋並識別個人。

企業使用面部識別有什麼顧慮嗎？

圖像數據非常敏感，需要保護其免受病毒或黑客的侵害。人臉識別系統容易遭受不道德的黑客攻擊、數據盜竊或泄露。由於這種威脅，用例應該受到限制。用例可以是邊境保護、安全檢查等。

一張值得記住的臉

隨着安全和加密越來越受到關注，面部識別成為焦點。人類面部表情、情緒和血液流動的複雜性很難解讀和複製。面部識別幾乎沒有犯錯的餘地，有可能拯救世界。您的機器經過訓練可以解釋和識別面孔、單詞和人類觸摸。很快，他們就會像您的朋友或家人一樣與您互動。