Omote. система для распознания лиц

На лице написано: как работает компьютерное распознавание лиц

Взять кредит, оформить визу, да и просто запустить смартфон последней модели — сделать все это сегодня невозможно без участия алгоритмов распознавания лиц.

Они помогают полицейским в расследованиях, музыкантам — на сцене, но понемногу превращаются во всевидящее око, следящее за всеми нашими действиями онлайн и офлайн.

Определить человека по фото с точки зрения компьютера означает две очень разные задачи: во‑первых, найти лицо на снимке (если оно там есть), во‑вторых, вычленить из изображения те особенности, которые отличают этого человека от других людей из базы данных.

1. Найти

Попытки научить компьютер находить лицо на фотографиях проводились еще с начала 1970-х годов.

Было испробовано множество подходов, но важнейший прорыв произошел существенно позднее — с созданием в 2001 году Полом Виолой и Майклом Джонсом метода каскадного бустинга, то есть цепочки слабых классификаторов.

Хотя сейчас есть и более хитрые алгоритмы, можно поспорить, что и в вашем сотовом телефоне, и в фотоаппарате работает именно старый добрый Виола — Джонс.

Обратите внимание

Все дело в замечательной быстроте и надежности: даже в далеком 2001 году средний компьютер с помощью этого метода мог обрабатывать по 15 снимков в секунду. Сегодня эффективность алгоритма удовлетворяет всем разумным требованиям. Главное, что нужно знать об этом методе, — он устроен удивительно просто. Вы даже не поверите насколько.

  1. Шаг1. Убираем цвет и превращаем изображение в матрицу яркости.
  2. Шаг 2. Накладываем на нее одну из квадратных масок — они называются признаками Хаара. Проходимся с ней по всему изображению, меняя положение и размер.
  3. Шаг 3. Складываем цифровые значения яркости из тех ячеек матрицы, которые попали под белую часть маски, и вычитаем из них те значения, что попали под черную часть. Если хотя бы в одном из случаев разность белых и черных областей оказалась выше определенного порога, берем эту область изображения в дальнейшую работу. Если нет — забываем про нее, здесь лица нет.
  4. Шаг 4. Повторяем с шага 2 уже с новой маской — но только в той области изображения, которая прошла первое испытание.

Почему это работает? Посмотрите на признак [1]. Почти на всех фотографиях область глаз всегда немного темнее области непосредственно ниже.

Посмотрите на признак [2]: светлая область посередине соответствует переносице, расположенной между темными глазами.

На первый взгляд черно-белые маски совсем не похожи на лица, но при всей своей примитивности они имеют высокую обобщающую силу.

Почему так быстро? В описанном алгоритме не отмечен один важный момент. Чтобы вычесть яркость одной части изображения из другой, понадобилось бы складывать яркость каждого пикселя, а их может быть много.

Поэтому на самом деле перед наложением маски матрица переводится в интегральное представление: значения в матрице яркости заранее складываются таким образом, чтобы интегральную яркость прямоугольника можно было получить сложением всего четырех чисел.

Как собрать каскад? Хотя каждый этап наложения маски дает очень большую ошибку (реальная точность ненамного превышает 50%), сила алгоритма — в каскадной организации процесса.

Это позволяет быстро выкидывать из анализа области, где лица точно нет, и тратить усилия только на те области, которые могут дать результат.

Такой принцип сборки слабых классификаторов в последовательности называется бустингом (подробнее о нем можно прочитать в октябрьском номере «ПМ» или здесь). Общий принцип такой: даже большие ошибки, будучи перемножены друг на друга, станут невелики.

2. Упростить

Найти особенности лица, которые позволили бы идентифицировать его владельца, означает свести реальность к формуле. Речь идет об упрощении, причем весьма радикальном. Например, различных комбинаций пикселей даже на миниатюрном фото 64 x 64 пикселя может быть огромное количество — (28)64 x 64 = 232768 штук.

При этом для того, чтобы пронумеровать каждого из 7,6 млрд людей на Земле, хватило бы всего 33 бита. Переходя от одной цифры к другой, нужно выкинуть весь посторонний шум, но сохранить важнейшие индивидуальные особенности.

Специалисты по статистике, хорошо знакомые с такими задачами, разработали множество инструментов упрощения данных. Например, метод главных компонент, который и заложил основу идентификации лиц. Впрочем, в последнее время сверточные нейросети оставили старые методы далеко позади.

Важно

Их строение довольно своеобразно, но, по сути, это тоже метод упрощения: его задача — свести конкретное изображение к набору особенностей.

Шаг 1 Накладываем на изображение маску фиксированного размера (правильно она называется ядром свертки), перемножаем яркость каждого пикселя изображения на значения яркости в маске. Находим среднее значение для всех пикселей в «окошке» и записываем его в одну ячейку следующего уровня.

Шаг 2. Сдвигаем маску на фиксированный шаг, снова перемножаем и снова записываем среднее в карту признаков.

Шаг 3. Пройдясь по всему изображению с одной маской, повторяем с другой — получаем новую карту признаков.

Шаг 4. Уменьшаем размер наших карт: берем несколько соседних пикселей (например, квадрат 2×2 или 3×3) и переносим на следующий уровень только одно максимальное значение. То же самое проводим для карт, полученных со всеми другими масками.

Шаг 5, 6. В целях математической гигиены заменяем все отрицательные значения нулями. Повторяем с шага 2 столько раз, сколько мы хотим получить слоев в нейросети.

Источник: https://www.PopMech.ru/technologies/402352-na-lice-napisano-kak-rabotaet-kompyuternoe-raspoznavanie-lic/

FaceNet — пример простой системы распознавания лиц с открытым кодом Github

Распознавание лица — последний тренд в авторизации пользователя. Apple использует Face ID, OnePlus — технологию Face Unlock. Baidu использует распознавание лица вместо ID-карт для обеспечения доступа в офис, а при повторном пересечении границы в ОАЭ вам нужно только посмотреть в камеру.

В статье разбираемся, как сделать простейшую сеть распознавания лиц самостоятельно с помощью FaceNet.

Ссылка на Гитхаб, кому нужен только код

Немного о FaceNet

FaceNet — нейронная сеть, которая учится преобразовывать изображения лица в компактное евклидово пространство, где дистанция соответствует мере схожести лиц. Проще говоря, чем более похожи лица, тем они ближе.

Триплет потерь

FaceNet использует особую функцию потерь называемую TripletLoss. Она минимизирует дистанцию между якорем и изображениями, которые содержат похожую внешность, и максимизирует дистанцую между разными.

  • f(a) это энкодинг якоря
  • f(p) это энкодинг похожих лиц (positive)
  • f(n) это энкодинг непохожих лиц (negative)
  • Альфа — это константа, которая позволяет быть уверенным, что сеть не будет пытаться оптимизировать напрямую f(a) — f(p) = f(a) — f(n) = 0
  • […]+ экиввалентено max(0, sum)

Сиамские сети

FaceNet — сиамская сеть. Сиамская сеть — тип архитектуры нейросети, который обучается диффиренцированию входных данных. То есть, позволяет научиться понимать какие изображения похожи, а какие нет.

Сиамские сети состоят из двух идентичных нейронных сетей, каждая из которых имеет одинаковые точные веса. Во-первых, каждая сеть принимает одно из двух входных изображений в качестве входных данных. Затем выходы последних слоев каждой сети отправляются в функцию, которая определяет, содержат ли изображения одинаковые идентификаторы.

В FaceNet это делается путем вычисления расстояния между двумя выходами.

Реализация

Переходим к практике.

В реализации мы будем использовать Keras и Tensorflow. Кроме того, мы используем два файла утилиты из репозитория deeplayning.ai, чтобы абстрагироваться от взаимодействий с сетью FaceNet.

  • fr_utils.py содержит функции для подачи изображений в сеть и получения кодирования изображений;
  • inception_blocks_v2.py содержит функции для подготовки и компиляции сети FaceNet.

Компиляция сети FaceNet

Первое, что нам нужно сделать, это собрать сеть FaceNet для нашей системы распознавания лиц.

import os
import glob
import numpy as np
import cv2
import tensorflow as tf
from fr_utils import *
from inception_blocks_v2 import *
from keras import backend as KK.set_image_data_format('channels_first')
FRmodel = faceRecoModel(input_shape=(3, 96, 96))
def triplet_loss(y_true, y_pred, alpha = 0.3):
anchor, positive, negative = y_pred[0], y_pred[1], y_pred[2] pos_dist = tf.reduce_sum(tf.square(tf.subtract(anchor,
positive)), axis=-1)
neg_dist = tf.reduce_sum(tf.square(tf.subtract(anchor,
negative)), axis=-1)
basic_loss = tf.add(tf.subtract(pos_dist, neg_dist), alpha)
loss = tf.reduce_sum(tf.maximum(basic_loss, 0.0)) return loss
FRmodel.compile(optimizer = 'adam', loss = triplet_loss, metrics = ['accuracy'])
load_weights_from_FaceNet(FRmodel)

Мы начнем инициализпцию нашей сети со входа размерности (3, 96, 96). Это означает, что картинка передается в виде трех каналов RGB и размерности 96×96 пикселей.

Теперь давайте определим Triplet Loss функцию. Функция в сниппете кода выше удовлетворяет уравнению Triplet Loss, которое мы определили в предыдущей секции.

Совет

Если вы не знакомы с фреймворком TensorFlow, ознакомьтесь с документацией.

Сразу после того, как мы определили функцию потерь, мы можем скомпилировать нашу систему распознавания лиц с помощью Keras. Мы будем использовать Adam optimizer для минимизации потерь, подсчитанных с помощью функции Triplet Loss.

Подготовка базы данных

Теперь когда мы скомпилировали FaceNet, нужно подготовить базу данных личностей, которых сеть будет распознавать. Мы будем использовать все изображения, которые лежат в директории images.

Замечание: мы будем использовать по одному изображения на человека в нашей реализации.  FaceNet достаточно мощна, чтобы распознать человека по одной фотографии.

def prepare_database(): database = {} for file in glob.glob(“images/*”): identity = os.path.splitext(os.path.basename(file))[0] database[identity] = img_path_to_encoding(file, FRmodel) return database

Для каждого изображения мы преобразуем данные изображения в 128 float чисел. Этим занимается функция img_path_to_encoding. Функция принимает на вход путь до изображения и «скармливает» изображение нашей распознающей сети, после чего возвращают результаты работы сети.

Как только мы получили закодированное изображения в базе данных, сеть наконец готова приступить к распознаванию!

Распознавание лиц

Как уже обсуждалось ранее, FaceNet пытается минимизировать расстояние между схожими изображениями и максимизировать между разными. Наша реализация использует данную информацию для того, чтобы определить, кем является человек на новой картинке.

def who_is_it(image, database, model): encoding = img_to_encoding(image, model) min_dist = 100 identity = None # Loop over the database dictionary's names and encodings. for (name, db_enc) in database.items(): dist = np.linalg.norm(db_enc – encoding) print('distance for %s is %s' %(name, dist)) if dist < min_dist: min_dist = dist identity = name if min_dist > 0.52: return None else: return identity

Загружаем новое изображение в функцию img_to_encoding. Функция обрабатывает изображения, используя FaceNet и возвращает закодированное изображение. Теперь мы можем сделать предположение о наиболее вероятной личности этого человека.

Для этого подсчитываем расстояние между полученным новым изображением и каждым человеком в нашей базе данных. Наименьшая дистанция укажет на наиболее вероятную личность человека.

Наконец, мы должны определить действительно ли совпадают личности на картинке и в базе. Следующий кусок кода как раз для этого:

 if min_dist > 0.52: return None else: return identity

Магическое число 0.52 получено методом проб и ошибок. Для вас это число может отличатся, в зависимости от реализации и данных. Попробуйте настроить самостоятельно.

На GitHub есть демо работы полученной сети, с входом от простой вебкамеры.

Заключение

Теперь вы знаете, как работают технологии распознавания лиц и можете сделать собственную упрощенную сеть распознавания, используя предварительно подготовленную версию алгоритма FaceNet на python.

Интересные статьи:

Источник: https://neurohive.io/ru/tutorial/raspoznavanie-lica-facenet/

Создание собственной системы распознавания лиц

Распознавание лиц – это последняя тенденция, когда дело доходит до аутентификации пользователей. Недавно Apple выпустила свой новый iPhone X, который использует идентификатор лица для аутентификации пользователей. OnePlus 5 скоро получит функцию Face Unlock от theOnePlus 5T.

И Baidu использует распознавание лиц вместо удостоверений личности, чтобы позволить своим сотрудникам войти в их офисы. Эти приложения могут показаться волшебными для многих людей.

Но в этой статье мы стремимся демистифицировать предмет, обучая вас, как сделать свою собственную упрощенную версию системы распознавания лиц в Python.

Задний план

Прежде чем мы перейдем к деталям реализации, я хочу обсудить детали FaceNet. Какую сеть мы будем использовать в нашей системе.

FaceNet

FaceNet – это нейронная сеть, которая изучает сопоставление изображений лица с компактным евклидовым пространством, где расстояния соответствуют мере сходства лица. То есть, более похожие два изображения лица – это меньшее расстояние между ними.

Триплетная потеря

FaceNet использует отдельный метод потерь, называемый Triplet Loss, для вычисления потерь. Triplet Loss минимизирует расстояние между якорем и положительным, изображения, которые содержат идентичность и максимизирует расстояние между якорем и отрицательным изображения, которые содержат разные идентичности.

Читайте также:  Роботы уже активно используются в области обслуживания населения

Сиамские сети

FaceNet – это сиамская сеть. Сиамская сеть – это тип нейронной сетевой архитектуры, которая учится различать два входа. Это позволяет им узнать, какие изображения похожи, а какие нет. Эти изображения могут содержать лица.

Сиамские сети состоят из двух идентичных нейронных сетей, каждая из которых имеет одинаковые точные веса. Во-первых, каждая сеть принимает одно из двух входных изображений в качестве входных данных. Затем выходы последних слоев каждой сети отправляются функции, которая определяет, содержат ли изображения одинаковые идентификаторы.

В FaceNet это делается путем вычисления расстояния между двумя выходами.

Реализация

Теперь, когда мы выяснили теорию, мы можем перейти прямо к реализации.
В нашей реализации мы будем использовать Keras и Tensorflow. Кроме того, мы используем две вспомогательные файлы , которые взаимодействиют с сетью FaceNet:

  1. fr_utils.py содержит функции для подачи изображений в сеть и получения кодирования изображений;
  2. inception_blocks_v2.py содержит функции для подготовки и компиляции сети FaceNet

Первое, что нам нужно сделать, это собрать сеть FaceNet, чтобы мы могли использовать ее для нашей системы распознавания лиц.

Мы начнем с инициализации нашей сети с входной формой (3, 96, 96). Это означает, что каналы Red-Green-Blue (RGB) являются первым измерением объема изображения, подаваемого в сеть. И все изображения, которые подаются в сеть, должны быть 96×96 пикселей.

Затем мы определим функцию потери триплета.

Если вы не знакомы с любой функцией Tensorflow, используемой для выполнения расчета, я бы рекомендовал прочитать документацию, так как это улучшит ваше понимание кода.
Как только у нас есть функция потерь, мы можем скомпилировать нашу модель распознавания лиц с помощью Keras. И мы будем использовать оптимизатор Адама, чтобы минимизировать потери, рассчитанные функцией Triplet Loss.

Подготовка базы данных

Теперь, когда мы собрали FaceNet, мы собираемся подготовить базу данных тех людей, которых хотим, чтобы наша система распознала. Мы будем использовать все изображения, содержащиеся в нашем каталоге изображений, для нашей базы данных отдельных лиц.

Для каждого изображения мы преобразуем данные изображения в кодировку 128 чисел с плавающей запятой. Мы делаем это, вызывая функцию img_path_to_encoding. Функция принимает путь к изображению и передает изображение в нашу сеть распознавания лиц.

Обратите внимание

Затем он возвращает вывод из сети, который, оказывается, является кодировкой изображения.

Как только мы добавили кодировку для каждого изображения в нашу базу данных, наша система может, наконец, начать распознавать людей!

Признание лица

Как обсуждалось ранее, FaceNet обучается минимизировать расстояние между изображениями одного и того же человека и максимизировать расстояние между изображениями разных лиц. Наша реализация использует эту информацию для определения того, кем, по-видимому, является новое изображение, поданное в нашу систему.

Функция обрабатывает изображение с помощью FaceNet и возвращает кодировку изображения. Теперь, когда у нас есть кодировка, мы можем найти человека, к которому, скорее всего, принадлежит изображение.

Чтобы найти человека, мы просматриваем нашу базу данных и вычисляем расстояние между нашим новым изображением и каждым человеком в базе данных.

В качестве наиболее вероятного кандидата выбирается человек с самым низким расстоянием до нового изображения.

Наконец, мы должны определить, содержит ли изображение кандидата и новое изображение одно и то же лицо. Поскольку к концу нашего цикла мы определили только наиболее вероятного человека.

Создание системы с использованием распознавания лиц.

Теперь, когда мы знаем подробности о том, как мы распознаем человека, использующего алгоритм распознавания лиц, мы можем начать с ним некоторое удовольствие.

В репозитории Github, с которым я связался в начале этой статьи, приведена демонстрация, в которой используется веб-камера для переноски видеокадров для нашего алгоритма распознавания лиц. Как только алгоритм распознает человека в кадре, демо воспроизводит звуковое сообщение, которое приветствует пользователя, используя имя своего изображения в базе данных.

Вывод

Теперь вы должны быть знакомы с тем, как работают системы распознавания лиц и как сделать свою собственную упрощенную систему распознавания лиц, используя предварительно подготовленную версию сети FaceNet в python!

Если вы хотите поиграть с демонстрацией в репозитории Github и добавить изображения людей, которых вы знаете, тогда вперед и разветвите репозиторий.

Поужинайте с демонстрацией и поразите всех своих друзей своим удивительным знанием распознавания лица!

Источник: https://genapilot.ru/sozdanie-sobstvennoj-sistemy-raspoznavaniya-lits

Учёные обманули систему распознавания лиц в смартфоне с помощью виртуальной реальности

Исследователи из Университета Северной Каролины создали программное обеспечение, способное обмануть биометрическую систему распознавания лиц в смартфоне с помощью проекции анимированного трёхмерного изображения лица в виртуальную реальность. Для построения трёхмерной модели лица учёные использовали фотографии добровольцев, выложенные на Facebook. Об этом пишет Wired.

В эксперименте участвовали двадцать человек. Хотя многие из них интересуются проблемами кибербезопасности и стараются защитить свою приватную жизнь, учёным удалось найти в открытом доступе от 3 до 27 фотографий каждого из них. «Мы можем использовать фото из сети, и это само по себе пугает. Вы не можете контролировать своё присутствие в интернете», — говорит автор исследования Тру Прайз.

В случае, если на доступных фото лицо было видно не полностью, алгоритм «достраивал» его. Затем учёные построили трёхмерные модели лица, анимировали их и загрузили в виртуальную реальность.

Важно

Такая технология позволяет не только подделать изображение, но и обмануть датчики движения и глубины, которыми оборудованы системы безопасности.

Изображение глаз корректировали таким образом, как будто они смотрят в камеру смартфона.

Исследователи проверили разработку на пяти лицензионных системах распознавания лиц: KeyLemon, Mobius, TrueKey, BioID и 1D. Эти системы предназначены для блокировки смартфонов и защиты данных в мобильных устройствах, их можно купить в онлайн-магазинах. Их запрограммировали на лица участников, а затем проверили с помощью 3D-подделки.

В результате учёным удалось обмануть четыре системы распознавания лиц из пяти в 55-85%. Затем учёные для сравнения сделали контрольные фото каждого участника. Построив по ним трёхмерные изображения и спроецировав в виртуальную реальность, им удалось обмануть все пять систем в 100% случаев.

Свою программу учёные представили на конференции по безопасности Usenix.

«В настоящее время хорошо известно, что систему распознавания лиц обмануть легче, чем другие биометрические системы, которые сверяют отпечатки пальцев и радужные оболочки», — комментирует эксперимент Анил Джайн, исследователь биометрии в Университете штата Мичиган. Вместе со своими аспирантами Джайн недавно помог полиции разблокировать смартфон убитого человека, подделав его отпечаток пальца. Для этого они нанесли копию отпечатка на электропроводящую бумагу с помощью обычного струйного принтера.

Авторы исследования утверждают, что способы защитить биометрические системы от взлома пока остаются — например, инфракрасное сканирование, которое невозможно подделать в виртуальной реальности.

Однако технологии хакеров развиваются слишком быстро, и скоро разработчики не смогут им противостоять.

По словам Тру Прайза, по-настоящему безопасное программное обеспечение скоро станет слишком сложным, и его уже нельзя будет использовать на смартфонах и мобильных устройствах.

Источник: https://apparat.cc/news/hack-facial-recognition/

Как обмануть системы распознавания лиц

Алгоритм способен решать и обратную задачу: распознав лицо, строить на основе контрольных точек 3D-модель. Они могут использоваться, например, для создания специальных масок в мессенджерах

VisionLabs

Cистемы биометрического распознавания лиц – новая реальность жизни россиян. С 1 июля должна заработать единая биометрическая система, с помощью которой банки смогут удаленно подтверждать личность клиента и выдавать ему кредит. Москва и Санкт-Петербург должны оснастить метро, аэропорты и вокзалы видеокамерами с системами распознавания лиц.

Но распространение новой технологии может спровоцировать новые способы взлома – теперь уже личности человека.

Обман биометрических алгоритмов преследует две основные цели – мошенники либо пытаются обмануть систему, чтобы она не распознала их в принципе, либо же чтобы приняла за другого человека, рассказывают опрошенные «Ведомостями» разработчики биометрических решений.

Очки, кепка, борода

Большие темные очки, кепки, шарфы или просто закрытое рукой лицо помогут избежать распознавания. Но чтобы скрыться от всех камер, этим нужно пользоваться постоянно – в реальной жизни это непросто, рассуждает ведущий исследователь VisionLabs Олег Гринчук. С ним соглашается основатель другой компании-разработчика биометрии по лицу, NTechLab, Артем Кухаренко.

Современные алгоритмы хорошо справляются с помехами – очками, кепками, поворотами и наклонами головы, заверяет он. Сегодня для успешного распознавания достаточно лишь 70% открытого лица, рассказывает Кухаренко. Например, NTechLab работает в Китае, где распространены медицинские маски, и алгоритм узнает людей в них.

А наличие на лице очков и кепки снижает точность распознавания не более чем с 95% до 92%, уверяет он. Влияние бороды или очков на лице в одном из тестов измеряет национальный институт стандартов и технологий США (NIST), который тестирует алгоритмы распознавания, отмечает другой ведущий исследователь VisionLabs – Сергей Миляев.

Совет

И такие атрибуты увеличивают вероятность ложного распознавания от одного случая на 50 000 до одного на 10 000, рассказывает эксперт.

Глаза – самая содержательная часть лица не только для человека, но и для машины, поэтому сокрытие глаз за солнцезащитными очками значительно снижает распознавание, отмечает техдиректор производителя систем видеораспознавания Vocord Алексей Кадейшвили.

Но с нынешним уровнем развития алгоритмов скрыться от распознавания человеку в очках и кепке удастся, только если он будет постоянно смотреть вниз, тем самым скрывая лицо от камер козырьком кепки, отмечает эксперт. Хотя такое поведение вызовет подозрение само по себе, замечает он.

Помимо глаз для алгоритма важна геометрия лица, положение и форма носа, губ, расстояние между глаз, замечает Кадейшвили.

Густая борода, скрывающая губы, и другие способы исказить параметры лица затруднят работу алгоритма – человека с накладным носом, увеличенными губами и ярким макияжем алгоритм, вероятно, не распознает, разводит руками Кадейшвили.

Раньше глаза были основной опорной точкой для алгоритмов, поэтому солнцезащитные очки серьезно мешали распознаванию, рассказывает руководитель продуктового управления «Центра речевых технологий» (ЦРТ) Алексей Маркачев.

Но алгоритмы эволюционировали и стали учитывать минимум 68 точек на лице (они расположены по контуру лица, определяют положение и форму подбородка, глаз, носа и рта, расстояние между ними), указывает эксперт.

Поэтому, чтобы остаться неузнанным, мошеннику придется так или иначе изменить их все, подчеркивает Маркачев.

Обратите внимание

Поэтому люди стараются помогать алгоритмам. Системы контроля доступа на стадионах требуют от человека устранить с лица все помехи – будь то кепка или бандана, рассказывает Маркачев. Если лицо скрыто, то система даст сигнал сотруднику-стюарду, который попросит посетителя открыть лицо и посмотреть в камеру.

После того как алгоритм детектировал лицо, он сравнивает его с доступными базами, например с черным списком болельщиков, и принимает решение, пропустить ли его через турникет, говорит Маркачев. Система видеоконтроля разработки ЦРТ установлена, например, на стадионе «Петровский» в Санкт-Петербурге.

Читайте также:  Российские клиники оборудовали интеллектуальной системой распознавания заболеваний

Ущерб от футбольных хулиганов клуб «Зенит» ощущал на своем кармане: каждый матч без зрителей обходился в 20 млн руб.

Близнецы и маски

Массовый эксперимент по взлому биометрического алгоритма поневоле устроила корпорация Apple. Свой флагман iPhoneX она оснастила системой распознавания Face ID, которая может разблокировать устройство по лицу хозяина.

Тут же начались попытки ее обхода, вскоре увенчавшиеся успехом.

Например, телефон смог разблокировать брат-близнец владельца iPhone, а вьетнамская фирма Bkav, работающая в области кибербезопасности, смогла взломать устройство с помощью маски стоимостью всего $200.

Маски или профессиональный грим, которым пользуются актеры для съемок в фильмах, можно называть наиболее эффективным способом обмана, замечает Миляев из VisionLabs.

Например, в тесте распознавания лиц Labeled Faces in the Wild есть контрольная пара фотографий актрисы Николь Кидман – в жизни и на съемках одного из фильмов.

Из-за грима и человеку сложно опознать ее и у некоторых алгоритмов эти фото также вызывают проблемы, приводит пример Миляев.

Источник: https://www.vedomosti.ru/technology/articles/2018/03/28/755116-obmanut-sistemi

Чем грозят технологии распознавания лиц

Имя можно поменять или использовать псевдоним, учетную запись в социальной сети можно удалить или изменить в ней данные, но переделать лицо не так-то просто. Технология распознавания лиц позволяет нам решать множество проблем и одновременно создает немало новых. Давайте поговорим о том, чем нам грозит глобальное распространение таких решений.

Потеря права на частную жизнь — в глобальном масштабе

ФБР вполне официально и публично собрало базу под названием Next Generation Identification (NGI), которая содержит около 30 млн фото обвиняемых или осужденных по гражданским и уголовным делам.

Вроде бы все нормально, да? Вот только в этом году Счетная палата США проверила работу бюро и обнаружила, что на самом деле база данных ФБР содержит 412 млн фотографий, в том числе тех людей, которые никогда не проходили ни по каким делам.

Важно

В бюро нашлось целое подразделение, которое занимается исключительно распознаванием лиц, — Facial Analysis, Comparison and Evaluation (FACE) Services.

Как оказалось, представители ФБР договорились с 16 штатами, чтобы получить фотографии из водительских удостоверений, заявок на выдачу паспортов и виз, снимки подозреваемых и осужденных. В базу FACE входят в том числе и фотографии иностранных граждан. Напомним: сейчас в США проживают более 324 млн человек, то есть количество снимков иностранцев может составлять почти 100 млн.

ФБР активно применяет распознавание лиц в расследованиях. В предыдущем посте мы писали о том, что в целом этот подход приносит плоды. Но вот в чем проблема: технология распознавания лиц пока еще недостаточно совершенна и часто работает с погрешностями. И система ФБР — не исключение: она предвзято относится к афроамериканцам и в лучшем случае работает с точностью 80–85%.

При этом ФБР намеренно скрывает информацию о том, как и в каких масштабах используются новые технологии (вопреки требованиям Privacy Impact Assessment).

Напомним, что правительство Москвы и правоохранительные органы России стараются не отставать и готовятся внедрить технологию FaceN (именно эта разработка легла в основу российского сайта для поиска людей по фото FindFace). Системе распознавания лиц скормят записи с городских видеокамер, а их в Москве гораздо больше сотни тысяч.

Как сообщает «Медуза», «такой системы нет ни в одном городе мира. Алгоритм сможет не только находить людей по базе преступников, но и выделять отдельных людей в любой части города и находить их страницы в социальных сетях, из которых почти всегда можно узнать многое об их жизни».

Кстати, в начале этого года Госдума обязала российские суды считать доказательствами фото- и видеоматериалы. Ранее этот вопрос оставался на усмотрение суда.

Произвол правоохранительных органов

Уже есть примеры того, как подобные системы дают сбой, причем иногда это психологический сбой в головах людей, которые получают возможность использовать эту систему. В августе в New York Times писали о том, что полиция Сан-Диего собирает снимки виновных и невиновных без разрешения самих граждан.

27-летний житель Сан-Диего Аарон Харви, афроамериканец, жаловался на предвзятое отношение полиции. Он живет в одном из самых неспокойных районов города. Возможно, поэтому полиция останавливала его более 50 раз, подозревая, что он является членом одной из городских банд. Когда он отказался принять участие в сканировании, офицер полиции ответил, что сделает фотографию в любом случае.

«Он сказал: «Мы в любом случае сделаем снимок — легально или нет» — и вытащил меня из машины» — так Аарон описал случившееся изданию New York Times.

В Бостоне тоже тестировали систему распознавания лиц — но давно, еще до 2013 года.

Совет

Ее подключили к камерам наблюдения в центре города, чтобы втайне сканировать лица людей во время концертов и других мероприятий, проходивших на открытом воздухе.

По окончании тестирования программу было решено свернуть по этическим соображениям. Но, как видим, в Бостоне одно, а глобально подобные системы повсеместно встают на вооружение госорганов.

Тотальная слежка со стороны корпораций

Источник: https://www.kaspersky.ru/blog/bad-facial-recognition/12823/

Пора узнать. Как работает распознавание лиц на самом деле?

Юбилейный iPhone X получил одну из самых неординарных фишек среди конкурентов. Флагман умеет распознавать лицо владельца, а вместо Touch ID и кнопки «Домой» инженеры интегрировали камеру TrueDepth и функцию Face ID.

Быстро, моментально и без необходимости вводить пароли. Так можно разблокировать iPhone X уже сегодня.

Apple известна тем, что всегда смотрит в технологическое будущее намного раньше, чем очередная функция становится стандартом. В случае с iPhone X и сканером лица компания уверена, что за распознаванием лиц будущее.

Разберемся, заблуждается ли Apple или наши лица – это верный пропуск в цифровое будущее.

Так как работает распознавание лиц?

Для работы технологии распознавания лиц нужно несколько составляющих. Во-первых, сам сервер, на котором будет храниться и база данных, и подготовленный алгоритм сравнения.

Во-вторых, продуманная и натренированная нейросеть, которой скормили миллионы снимков с пометками. Обучают такие сети просто. Загружают снимок и представляют его системе: «Это Виктор Иванов», затем следующий.

Нейронная сеть самостоятельно распределяет векторы признаков и находит геометрические закономерности лица таким образом, чтобы затем самостоятельно узнать Виктора из тысяч других фотографий.

Обратите внимание

В той же технологии FaceN, о которой мы поговорим ниже, используется около 80 различных числовых признаков-характеристик.

А дальше – дело техники. По фотографии определяется личность и о ней собирается необходимая информация.

Почему про распознавание лиц внезапно заговорили?

В середине 2016 года интернет буквально взорвало приложение и одноименный сервис FindFace. Используя нейронные сети, разработчики сумели воплотить в жизнь самую смелую мечту пользователей социальных сетей.

Увидев человека на улице, вы могли сфотографировать его на смартфон, отправить фото в FindFace, и через несколько секунд найти его страничку во «ВКонтакте». Алгоритм совершенствовался, допиливался и все лучше и лучше распознавал лица.

А начиналось все с распознавания пород собак по фотографии. Автор технологии распознавания FaceN и приложения Magic Dog, Артем Кухаренко. Парень быстро смекнул, что за этой технологией будущее и приступил к разработке.

После успеха приложения FindFace, основатель компании-разработчика N-Tech.Lab Кухаренко в очередной раз убедился в том, что распознавание лиц интересно практически в любой отрасли:

  • пограничные службы
  • казино
  • аэропорты
  • любые места скопления людей
  • маркеты
  • парки развлечений
  • спецслужбы
  • В мае 2016 года N-Tech.Lab приступило к тестированию сервиса совместно с правительством Москвы. По всей территории столицы разместили десятки тысяч камер, которые в режиме реального времени опознавали прохожих.

    Трустори. Вы просто проходите по двору, в котором установлена подобная камера. К ней подключена база преступников и пропавших людей. В случае, если алгоритм определяет, что вы схожи с подозреваемым, сотрудник полиции тут же получает предупреждение.

    Разумеется, человека тут же можно найти в социальной сети и пробить по любым базам. А теперь представьте, что такие камеры установлены по периметру всего города. Скрыться злоумышленнику не удастся. Камеры есть везде: во дворах, на подъездах, на трассах.

    А как дела с распознаванием лиц в россии

    Вы удивитесь, но с середины 2016 года градоначальники Москвы активно внедряют систему распознавания лиц по всей территории города.

    На сегодняшний день только на подъездах московских многоэтажек установлено более 100 тысяч камер, умеющих распознавать лица. Более 25 тысяч установлены во дворах. Разумеется, точные цифры засекречены, но можете сомневаться – активный контроль распространяется быстрее, чем вы можете себе представить.

    В столице системы распознавания лиц устанавливаются повсеместно: от площадей и мест большого скопления людей, до общественного транспорта. Со дня установки систем удалось задержать более десяти преступников, но это только по официальным данным.

    Все камеры постоянно обмениваются информацией с Единым вычислительным центром Департамента информационных технологий. Подозрительные оповещения тут же проверяются правоохранительными органами.

    И это только начало. В конце прошлого года аналогичную систему контроля стали тестировать и на улицах Санкт-Петербурга. Удобство предложенной FindN технологии в том, что вовсе необязательно устанавливать какие-то специальные камеры.

    Изображение со стандартных камер видеонаблюдения поступает на обработку «умному» алгоритму и настоящая магия происходит уже там. По актуальным данным точность распознавания FindFace сегодня варьируется в пределах 73% – 75%. Разработчики уверены, что смогут добиться результата в 100% уже в ближайшее время.

    Как вообще появилось распознавание лиц?

    Изначально любой тип биометрической идентификации использовался исключительно внутри правоохранительных органов и служб, где безопасность в приоритете. Буквально за несколько лет измерение анатомических и физиологических характеристик для идентификации личности стало стандартом практически во всех потребительских гаджетах.

    Типов биометрической аутентификации масса:

  • по ДНК
  • по радужной оболочке глаза
  • по ладони
  • по голосу
  • по отпечатку пальца
  • по лицу
  • И именно последняя технология особенно интересна, поскольку имеет сразу несколько преимуществ перед другими.

    Прообразом технологии распознавания лиц в XIX веке служили сперва «портреты по описанию», а позже – фотографии. Так полиция могла идентифицировать преступников. В 1965 году специально для правительства США была разработана полуавтоматическая система распознавания лиц. В 1971 к технологии вернутся, обозначив основные маркеры, необходимые для распознавания лиц, но ненадолго.

    С тех пор в качестве главного биометрического идентификатора спецслужбы все же предподчитают проверенную технологию снятия отпечатков пальцев.

    Важно

    А все потому, что технологии не позволяли как-либо взаимодействовать с чертами лица человека. Ультраточных лазеров, инфракрасных датчиков и мощных процессоров, как и самих систем распознавания, на тот момент не было.

    С появлением мощных компьютеров, практически все ведомства возвращаются к идентификации посредством сканирования лица. Бум на технологию в ведомствах и спецучреждениях приходится на середину 2000-х годов, а в прошлом году технология стала впервые использоваться и в потребительских устройствах.

    Читайте также:  Ученые создали искусственный синапс, который способен автономно обучаться

    Где сегодня используют технологию распознавания лиц

    В смартфонах

    Популяризация технологии распознавания лиц началась с флагмана Apple. iPhone X задал тренд на последующие годы и OEM-производители активно приступили к интеграции аналогов Face ID в свои устройства.

    В банках

    Биометрическое распознавание лиц уже не первый год используется в США. Теперь же технология добралась и до России. Только за 2017 год благодаря внедрению данной системы удалось предотвратить более 10 тысяч мошеннических сделок и сохранить сумму в размере 1,5 млрд рублей.

    Распознавание лиц используется для идентификации клиента и принятия решения по возможности выдачи кредита.

    В магазинах

    Сегмент ритейла используют технологию по-своему. Так, если вы покупали какую-либо бытовую технику в магазине, а спустя какое-то время вернулись в него за очередными покупками, система распознавания лиц тут же идентифицирует вас еще на входе. Продавец тут же получит информацию из базы и узнает не только ваше имя, но и историю покупок. Дальнейшее поведение продавца предугадать несложно.

    В жизни городов

    Это именно то, ради чего разрабатывается и развивается технология. От стадионов до кинотеатров – везде, где огромное количество людей, идентификация особо важна. Сегодня технология распознавания лиц позволяет предотвратить массовые беспорядки и террористические акты.

    Какие компании интересуются распознаванием лиц

    Источник: https://www.iphones.ru/iNotes/780259

    Как это работает? | Система распознавания лиц

    Человек способен распознавать лица других людей благодаря зоне мозга на границе затылочной и височной долей — веретеновидной извилине. Люди учится узнавать лица с рождения и уже в четыре месяца могут четко отличить одного человека от другого.

    Главное, на что человек обращает внимание, — это глаза, скулы, нос, рот и брови, а также текстура и цвет кожи. При этом наш мозг обрабатывает лицо как единое целое и способен идентифицировать человека даже по половине лица.

    Мозг сравнивает полученную картинку с внутренним усредненным шаблоном и находит характерные отличия. Поэтому людям кажется, что представители другой расы «все на одно лицо»: внутренние шаблоны людей настроены на черты лица, характерные для их окружения.

    Как же работает информационная система распознавания лиц — об этом в сегодняшнем выпуске!

    Прежде всего системе распознавания лиц необходимо найти лицо на изображении и выделить эту область. Для этого программное обеспечение может использовать разнообразные алгоритмы: например, определение схожести пропорций и цвета кожи, выделение контуров на изображении и их сопоставление с контурами лиц, выделение симметрий при помощи нейросетей.

    Наиболее эффективным считается метод Виолы-Джонса, который может использоваться в режиме реального времени. При помощи него система распознает лица даже при повороте на 30 градусов. Метод основывается на признаках Хаара, которые представляют собой набор черно-белых прямоугольных масок разной формы.

    Маски накладываются на разные части изображения, и алгоритм производит сложение яркостей всех пикселей снимка, оказавшихся под черной и белой частями маски, после чего рассчитывает разность этих значений.

    Совет

    Далее система сравнивает результаты с накопленными данными и, определив лицо на изображении, продолжает его отслеживать для выбора оптимального ракурса и качества снимка. Для этого используются алгоритмы предсказания вектора движения или корреляционные алгоритмы.

    Выбрав наиболее удачные снимки, система приступает к распознаванию лица и его сравнению с имеющейся базой.

    Она работает по тем же принципам, что и художник рисует портреты — программа находит опорные точки на лице человека, из которых складываются индивидуальные черты. Как правило, программой выделяется около 100 таких точек.

    Самыми важными измерениями для программ распознавания лиц являются расстояние между глазами, ширина ноздрей, длина носа, высота и форма скул, ширина подбородка, высота лба и другие параметры.

    При использовании 2D-изображений успешно распознать лицо можно только при съемке в анфас и при хорошем освещении, что подходит для охранных систем на предприятиях и в госучреждениях. Для работы в общественных местах применяются 3D-изображения.

    Несколько синхронизированных камер делают ряд фотоснимков с разных ракурсов, на основе которых формируется трехмерная модель объекта, с которой и работает система, определяя контрольные точки.

    После этого полученные данные сравниваются с имеющимися в базе данных, и, при совпадении параметров, человек идентифицируется.

    Помимо 3D-моделей ученые развивают и другие направления. Например, компания Identix создала высокоточную биометрическую технологию распознавания лиц, анализирующую текстуру кожи — поры, линии и шрамы. По словам разработчиков, использование их технологии вместе с традиционной системой распознавания лиц увеличит точность работы на 25%.

    Обратите внимание

    В следующем выпуске мы поговорим о том, как работает детектор банкнот. Оставайтесь с нами!

    Источник: https://Hi-News.ru/eto-interesno/kak-eto-rabotaet-sistema-raspoznavaniya-lic.html

    Распознавание лиц: 8 умных систем из Москвы

    В Москве в 2019 году будет развернута общегородская система распознавания лиц. По словам мэра, информационные технологии позволяет выйти на новый уровень безопасности.

    Ранее в транспорте и на стадионах города был запущен пилотный проект, который был признан успешным. С помощью систем распознавания лиц удалось задержать в метро «десятки преступников», еще 180 правонарушителей — на чемпионате мира по футболу.

    Технологией распознавания лиц занимаются многие компании, базирующиеся в Москве. 

    ICT.Moscow предлагает ознакомиться с наиболее интересными продуктами в области распознавания лиц от московских разработчиков.

    Concept SDK

    Комплект разработчика ПО распознавания личности

    Комплект разработчика программного обеспечения распознавания личности предназначен для встраивания технологии биометрической идентификации по фотографии и видеоизображению лица в собственные продукты и процессы заказчика.

    Комплект средств разработки обеспечивает выполнение следующих функций:

    • получение изображения или видеопотока в RTSP или HTTP для последующей обработки;
    • детекция лица на изображении или кадре видеопотока;
    • обнаружение 68 антропометрических точек на лице;
    • определение углов положения головы (углы Roll, Pitch, Yaw);
    • экстракция биометрических признаков и построение биометрического шаблона;
    • верификация биометрических шаблонов;
    • биометрическая идентификация;
    • определение пола и возраста по изображению лица.

    Контур-Поток

    Комплекс биометрического распознавания человека в режиме реального времени

    Комплекс способен одновременно детектируемых не менее 10 лиц в кадре, скорость полного цикла распознавания лиц составляет 4 лица в секунду.

    Система умеет принимать видеопотоки RTSP и HTTP от камер видеонаблюдения, детектировать в видеопотоке лица и искать их в базах данных, сохранять события распознавания в архивах системы, подключать системы реагирования и позиционирования.

    Программное обеспечение комплекса может работать как на персональном компьютере с процессором Intel i3, так и в большом ЦОД в зависимости от решаемых задач. Комплекс работает с современными видеокамерами (GigE, IP, web), их количество не ограничено. Для распознавания могут быть использованы уже имеющиеся на объекте видеокамеры.

    Kipod

    Облачная платформа интеллектуального видеонаблюдения

    Платформа реализует поиск информации в больших массивах видеоданных и автоматическое обнаружение критических событий в реальном масштабе времени с помощью алгоритмов искусственного интеллекта.

    Для поиска человека сотруднику полиции достаточно загрузить в KIPOD фоторобот. Платформа проанализирует данные с видеокамер и выдаст всех похожих людей. При этом технология позволяет не только найти подозреваемых по фотографии из базы данных правоохранителей, но и составить траектории их перемещения по городу.

    RVi-Интегратор FACE

    Система автоматического распознавания лиц

    Система контролирует доступ лиц на охраняемый объект и идентифицирует людей по данным с видеокамер, формируя собственный видео- и фотоархив, вычисляет нежелательных лиц и злоумышленников и сообщает об их появлении в зоне контроля. Основу системы составляют модуль распознавания лиц и модуль поиска похожих лиц в видеоархиве.

    На объектах, требующих повышенной защиты, «RVi-Интегратор FACE» помогает наладить систему многоуровневой идентификации – для этого видеокамера на входе связывается с детектором лиц, захватывающим видеоизображение лица входящего, и модулем распознавания лиц. Например, чтобы сотрудник получил доступ на объект по своему электронному пропуску, система в режиме верификации сравнивает его текущее видеоизображение с камеры на входе с эталонной фотографией владельца пропуска, хранящейся в базе данных.

    Программа оценивает степень их сходства и действует по заранее настроенному сценарию – например, автоматически открывает электронный замок или турникет при удачном распознавании и запрещает доступ при фиксировании низкого процента сходства.

    VOCORD FaceControl

    Система биометрического распознавания лиц с определением пола и возраста

    VOCORD FaceControl способна обнаруживать и распознавать лица с видеокамер онлайн и в базах данных фотографий, автоматически сохранять все обнаруженные лица в архиве, моментально оповещать оператора о появлении лица из базы розыска, определять пол и возраст лица, проводить аналитику посетителей для маркетинговых отчетов. Система позволяет построить систему распознавания лиц как на базе обычных IP-камер, так и на базе специализированных камер VOCORD NetCam4.

    Камеры NetCam4 K-серии используются для распознавания лиц в «потоке». Они устанавливаются на входах или в местах организованного прохода: переходы, очереди, турникеты. Камеры автоматически выделяют лица всех людей, попавших в поле зрения, фотографируют их и по сети отправляют на сервер системы VOCORD FaceControl, где сохраняют их в архиве и проверяют по базам розыска.

    При совпадении с лицом из баз розыска система немедленно оповещает оператора. Для контроля, управления доступом, а также для учета рабочего времени сотрудников допускается использование любых IP-камер и даже веб-камер. Рекомендуемое разрешение камер – от 1 Мп (расстояние между зрачками лица в кадре – не менее 40-50 пикселей).

    Vision

    Технология распознавания лиц и объектов на базе машинного обучения

    Входит в линейку продуктов платформы «Mail.Ru для бизнеса». В основе Vision лежит машинное обучение, которое с помощью нейронных сетей распознает на фото и видео одушевленные и неодушевленные объекты (предметы, людей, сооружения и сцены, такие как города, рельеф, погодные условия) онлайн и офлайн.

    Диапазон применения – от автоматизации обработки контента до обеспечения безопасности и моментальной диагностики различных процессов (санитарно-пропускной контроль и раннее выявление задымлений). Использование Vision поможет автоматизировать и усилить контрольно-пропускной режим на предприятии.

    Orwell 2k

    Система видеонаблюдения с компьютерным зрением

    Система предназначена для автоматического обнаружения и классификации целей и ситуаций, передачи в реальном времени видеоинформации оператору.

    Система Orwell 2k применяется для обеспечения безопасности объектов ТЭК, транспортной инфраструктуры, промышленных предприятий. Система обеспечивает автоматическое обнаружение и классификацию целей и нештатных ситуаций по данным, поступающим от видеокамер, тепловизоров, РЛС на расстоянии до трех километров.

    Нейросетевые алгоритмы видеоаналитики Orwell 2k гарантируют минимизацию ложных тревог и значительно облегчают работу операторов служб безопасности. Система видеонаблюдения Orwell 2k включена в “Единый реестр российского ПО”.

    FindFace

    Технология распознавания лиц

    Продукт FindFace Enterprise Server SDK разработан на основе алгоритма FindFace.PRO. Технология позволяет определять лицо на фото или видео, верифицировать и идентифицировать его, определять пол, возраст и эмоции. Продукт использует собственную нейронную сеть. Точность идентификации превышает 95%, а точность верификации более 99%.  

    Используется для клиентской аналитики, предотвращения мошенничества или осуществления контроля доступа. Применяется в ритейле, банковском обслуживании, организации спортивных и прочих мероприятий, внутренней и общественной безопасность и др. 
     

    На сайте ICT.Moscow формируется база цифровых решений, созданных разработчиками из Москвы. Витрина с карточками продуктов постоянно пополняется, компании и стартапы могут бесплатно размещать здесь информацию о своих разработках.

    Источник: https://ict.moscow/news/face_detection/

    Ссылка на основную публикацию
    Adblock
    detector