Facial Recognition and How It's Changing Our Lives
臉部辨識及其如何改變我們的生活
3S 立承系統科技智慧測溫、工廠影像監控系統
人臉辨識 —— 引人入勝
很少有生物辨識技術能像臉部辨識那樣激發我們的想像力。
同樣，它的到來在 2020 年引發了深刻的擔憂和令人驚訝的反應。
但稍後會詳細介紹。
在此網路檔案中，你將發現將在 2021 年塑造格局的七個人臉辨識事實和趨勢。
- TOP 技術和供應商
- 人工智慧影響 - 一直在變得更好。
- 2019-2024 年市場和主要用例
- 中國、印度、美國、歐盟以及英國、巴西、俄羅斯的人臉辨識...
- 隱私與安全：自由放任還是凍結、監管或禁止？
- 最新駭客：臉部辨識會被愚弄嗎？
- 走向混合解決方案。
讓我們直接跳進去。
臉部辨識的工作原理
臉部辨識是使用臉部辨識或驗證人的身份的過程。它根據人的臉部細節捕獲、分析和比較模式。
- 人臉檢測過程是在圖像和影像中，檢測和定位人臉的重要步驟。
- 臉的捕獲過程轉換類比資訊（臉部）成一組基於該人的臉部特徵的數位資訊（數據或向量）。
- 在面對比賽過程驗證，如果兩個臉都屬於同一個人。
讓我們用一個最近的例子來說明這個 3 步過程。
來自大華盛頓特區地區的一名學生，使用開源臉部提取應用 app，從 1 月 6 日國會大廈內外活動期間發佈在 Parler 上的 827 個影像中檢測和刪除超過 6,000 張人臉圖像（來源： 2021 年 1 月 20 日連線）。 ) 他創建了一個名為 Faces of the Riot 的網站 ，其中展示了這些肖像。
- 示威者、暴徒和記者已經用他們的智慧手機完成了部分臉部捕捉步驟（模擬臉部數位照片）。
- 他使用臉部檢測從 20 萬張圖像中提取臉部。
- FBI 負責調查、轉換肖像（數位像素到向量），並可能與現有數據庫進行臉部匹配並辨識個人（使用 AFIS / ABIS 系統）。
今天，它被認為是所有生物辨識測量中最自然的。
並且有一個很好的理由 —— 例如，我們不是透過看指紋或虹膜來辨識自己，而是透過看我們的臉。
在繼續之前，讓我們快速定義兩個關鍵字：「身份」和「身份驗證」。
人臉辨識數據進行辨識和驗證
生物辨識技術用於使用一組可辨識和可驗證的數據，來辨識和驗證該人的唯一性和特定性。
有關生物辨識定義的更多資訊，請訪問我們的生物辨識網路檔案。
身份辨識回答了這個問題：「你是誰？」
身份驗證回答了以下問題：「你真的是你所說的那個人嗎？」
和我們在一起。這裡有些例子 ：
- 在臉部生物辨識技術的情況下，2D 或 3D 感測器「捕獲」臉部。然後 在將捕獲的圖像與數據庫中保存的圖像進行比較之前，透過應用算法將其轉換為數位數據。
- 這些自動化系統可用於根據個人臉部特徵（幾何形狀）在短短幾秒鐘內辨識或檢查個人身份：眼睛間距、鼻樑、嘴唇輪廓、耳朵、下巴等。它們甚至可以在人群中間，以及動態和不穩定的環境中執行此操作。
- 該業主iPhone X已經推出了臉部辨識技術。
當然，也存在透過人體進行的其他簽名，例如指紋、虹膜掃描、語音辨識、手掌靜脈數位化和行為測量。
那麼為什麼要進行人臉辨識呢？
臉部生物辨識技術，仍然是首選的生物辨識基準。
那是因為它易於佈署和實施。與最終用戶沒有實體交互。
此外，用於驗證/辨識的臉部檢測，和臉部比對過程是快速的。
那麼，什麼是最好的人臉辨識軟體？
#1 頂級臉部辨識技術
在生物辨識創新的競賽中，有幾個項目正在爭奪頭把交椅。
谷歌、蘋果、Facebook、亞馬遜和微軟 (GAFAM) 也在其中。
現在所有的軟體網路巨頭都會定期發布他們在人工智慧、圖像辨識和人臉分析方面的理論發現，以盡快加深我們的理解。
讓我們仔細看看：
學術界
香港中文大學的研究人員，於 2014 年開發的 GaussianFace 算法實現了 98.52% 的臉部辨識分數，而人類則為 97.53%。儘管在所需的內存容量，和計算時間方面存在弱點，但仍獲得了優異的評價。
臉書和谷歌
2014 年，Facebook 發布了 DeepFace 程式，可以判斷兩張被拍到的人臉是否屬於同一個人，準確率高達 97.25%。在進行相同的測試時，人類在 97.53% 的情況下正確回答，或者僅比 Facebook 程式好 0.28%。
2015 年 6 月，谷歌透過 FaceNet 取得了更好的成績。 在廣泛使用的 Labeled Faces in the Wild (LFW) 數據集上，FaceNet 實現了 99.63% (0.9963 ± 0.0009)的新記錄 準確率 。山景城的這家公司使用人工神經網路和新算法，設法將一張臉與其主人聯繫起來，結果幾乎完美。
這項技術被整合到谷歌照片中，用於對圖片進行排序並根據辨識的人自動標記它們。
證明了它在生物辨識領域的重要性，隨後很快在線上發布了一個名為 OpenFace 的非官方開源版本。
微軟、IBM 和曠視科技
麻省理工學院研究人員於 2018 年 2 月進行的一項研究發現，與淺膚色男性相比，微軟、IBM 和中國曠視 (FACE++) 工具在辨識深色皮膚女性時的錯誤率較高。
2018 年 6 月末，微軟在一篇博文中，宣布已大幅改進其有偏見的臉部辨識技術。
亞馬遜
2018 年 5 月，Ars Technica 報導稱，亞馬遜已經在積極向執法機構推廣其名為 Rekognition 的基於雲端的人臉辨識服務 。該解決方案可以在一張圖像中辨識多達 100 個人，並且可以對包含數千萬張人臉的數據庫進行人臉匹配。
2018 年 7 月，《新聞周刊》報導稱，亞馬遜的臉部辨識技術，錯誤地將 28 名美國國會議員辨識為因犯罪被捕的人。
主要生物辨識匹配技術供應商
2018 年 5 月底，美國國土安全科學與技術局公佈了馬里蘭州測試設施 (MdTF) 贊助測試的結果。這些實際測試測量了2 m x 2.5 m 走廊中12 個人臉辨識系統的性能。
泰雷茲利用人臉辨識軟體(LFIS)的解決方案，取得了優異的成績，人臉獲取率在 5 秒內達到 99.44%（平均為 68%），供應商真實辨識率在不到 5 秒內達到 98% 平均為 66%。與平均 32% 的錯誤率相比，它還實現了 1% 的錯誤率。
2018 年 3 月 – 使用 300 多名志願者進行的現場 測試確定了性能最佳的臉部辨識技術。
有關性能基準的更多資訊：2018年11 月發布的 NIST（美國國家標準與技術研究院）報告 詳細介紹了 127 種算法的識別準確度，並將性能與參與者姓名相關聯。
2019 年底進行的 NIST 持續人臉辨識供應商測試 (FRVT) 3 提供了額外的結果。請參閱 NIST 報告。
正如 ITIF 在 2020 年 1 月所報告的那樣，NIST 還證明了最好的臉部辨識算法沒有種族或性別偏見。批評者錯了。
在 NIST 的報告（2020 年 8 月和 2021 年 3 月），題為「以臉部辨識的準確性口罩，我們看到的算法，在不到一年的時間，都在提高其性能。使用後 COVID-19 算法」。
臉部情緒辨識 (FER)
臉部情緒辨識（來自即時或靜態圖像）是映射臉部表情，以辨識人臉上的情緒（如厭惡、喜悅、憤怒、驚訝、恐懼或悲傷）或複合情緒（如悲傷地憤怒）的過程圖像處理軟體。
人類情感的辨識或解釋也分為三個步驟：
- 1）人臉檢測
- 2）人臉表情檢測
- 3) 將表情分配給特定的情緒狀態。
臉部情緒檢測的流行來自於廣泛的潛在應用領域。
它不同於臉部辨識，其目標是辨識一個人，而不是一種情緒。
面部表情可以由幾何或外觀特徵、從變換圖像中提取的參數（例如 特徵臉、動態模型以及 3D 和模型）表示。
供應商包括 Kairos（品牌行銷的臉部和情感辨識）、Noldus、Affectiva 或 Sightcorp。
0 comments:
張貼留言