Apa itu pengenalan wajah? AI untuk Kakak

Bisakah Kakak mengidentifikasi wajah Anda dari pengawasan CCTV tingkat jalan dan mengetahui apakah Anda senang, sedih, atau marah? Dapatkah identifikasi itu menyebabkan penangkapan Anda atas surat perintah yang belum terselesaikan? Seberapa besar kemungkinan identifikasi itu salah, dan benar-benar berhubungan dengan orang lain? Bisakah Anda mengalahkan pengawasan sepenuhnya dengan menggunakan beberapa trik?

Di sisi lain, dapatkah Anda masuk ke lemari besi yang dilindungi oleh kamera dan perangkat lunak pengenal wajah dengan memegang cetakan wajah orang yang berwenang? Bagaimana jika Anda memakai masker 3-D dari wajah orang yang berwenang?

Selamat datang di pengenalan wajah - dan spoofing pengenalan wajah.

Apa itu pengenalan wajah?

Pengenalan wajah adalah metode untuk mengidentifikasi orang yang tidak dikenal atau mengautentikasi identitas orang tertentu dari wajahnya. Ini adalah cabang dari visi komputer, tetapi pengenalan wajah dikhususkan dan dilengkapi dengan beban sosial untuk beberapa aplikasi, serta beberapa kerentanan terhadap spoofing.

Bagaimana cara kerja pengenalan wajah?

Algoritme pengenalan wajah awal (yang masih digunakan saat ini dalam bentuk yang ditingkatkan dan lebih otomatis) mengandalkan biometrik (seperti jarak antar mata) untuk mengubah fitur wajah yang diukur dari gambar dua dimensi menjadi sekumpulan angka (fitur vektor atau template) yang mendeskripsikan wajah. Proses pengenalan kemudian membandingkan vektor-vektor ini ke database dari wajah yang diketahui yang telah dipetakan ke fitur dengan cara yang sama. Salah satu komplikasi dalam proses ini adalah menyesuaikan wajah ke tampilan yang dinormalisasi untuk memperhitungkan rotasi dan kemiringan kepala sebelum mengekstrak metrik. Kelas algoritma ini disebut geometris .

Pendekatan lain untuk pengenalan wajah adalah dengan menormalkan dan mengompresi gambar wajah 2-D, dan membandingkannya dengan database gambar yang dinormalisasi dan dikompresi secara serupa. Kelas algoritma ini disebut fotometri .

Pengenalan wajah tiga dimensi menggunakan sensor 3-D untuk menangkap gambar wajah, atau merekonstruksi gambar 3-D dari tiga kamera pelacak 2-D yang diarahkan ke berbagai sudut. Pengenalan wajah 3-D bisa jauh lebih akurat daripada pengenalan 2-D.

Analisis tekstur kulit memetakan garis, pola, dan bintik-bintik pada wajah seseorang ke vektor fitur lain. Menambahkan analisis tekstur kulit ke pengenalan wajah 2-D atau 3-D dapat meningkatkan akurasi pengenalan sebesar 20 hingga 25 persen, terutama dalam kasus mirip dan kembar. Anda juga dapat menggabungkan semua metode, dan menambahkan gambar multi-spektral (cahaya tampak dan inframerah), untuk akurasi yang lebih tinggi.

Pengenalan wajah telah meningkat dari tahun ke tahun sejak bidang ini dimulai pada tahun 1964. Rata-rata, tingkat kesalahan telah berkurang setengahnya setiap dua tahun.

Video terkait: Cara kerja pengenalan wajah

Tes vendor pengenalan wajah

NIST, Institut Standar dan Teknologi Nasional AS, telah melakukan uji algoritme pengenalan wajah, Uji Vendor Pengenalan Wajah (FRVT), sejak tahun 2000. Kumpulan data gambar yang digunakan sebagian besar adalah bidikan mug penegakan hukum, tetapi juga menyertakan in-the- gambar diam liar, seperti yang ditemukan di Wikimedia, dan gambar resolusi rendah dari webcam.

Algoritma FRVT sebagian besar diajukan oleh vendor komersial. Perbandingan dari tahun ke tahun menunjukkan peningkatan besar dalam kinerja dan akurasi; menurut vendor, ini terutama karena penggunaan jaringan neural konvolusional yang dalam.

Program pengujian pengenalan wajah NIST terkait telah mempelajari efek demografis, deteksi morphing wajah, identifikasi wajah yang diposting di media sosial, dan identifikasi wajah dalam video. Serangkaian tes sebelumnya dilakukan pada 1990-an dengan nama yang berbeda, Face Recognition Technology (FERET).

NIST

Aplikasi pengenalan wajah

Aplikasi pengenalan wajah sebagian besar terbagi dalam tiga kategori utama: keamanan, kesehatan, dan pemasaran / ritel. Keamanan termasuk penegakan hukum, dan kelas penggunaan pengenalan wajah itu bisa sama ramahnya dengan mencocokkan orang dengan foto paspor mereka lebih cepat dan lebih akurat daripada yang bisa dilakukan manusia, dan sama menyeramkan seperti skenario "Orang yang Diminati" di mana orang dilacak melalui CCTV dan dibandingkan untuk menyusun database foto. Keamanan non-penegakan hukum mencakup aplikasi umum seperti penguncian wajah untuk ponsel dan kontrol akses untuk laboratorium dan brankas.

Aplikasi kesehatan dari pengenalan wajah mencakup check-in pasien, deteksi emosi waktu nyata, pelacakan pasien di dalam fasilitas, menilai tingkat nyeri pada pasien non-verbal, mendeteksi penyakit dan kondisi tertentu, identifikasi staf, dan keamanan fasilitas. Aplikasi pemasaran dan ritel pengenalan wajah mencakup identifikasi anggota program loyalitas, identifikasi dan pelacakan pengutil yang dikenal, serta mengenali orang dan emosi mereka untuk saran produk yang ditargetkan.

Kontroversi pengenalan wajah, bias, dan larangan

Untuk mengatakan bahwa beberapa dari aplikasi ini kontroversial akan meremehkan. Seperti yang dibahas dalam artikel New York Times 2019, pengenalan wajah telah menjadi kontroversi, mulai dari penggunaannya untuk pengawasan stadion hingga perangkat lunak rasis.

Pengawasan stadion? Pengenalan wajah digunakan pada Super Bowl 2001: perangkat lunak tersebut mengidentifikasi 19 orang yang dianggap sebagai subjek surat perintah yang beredar, meskipun tidak ada yang ditangkap (bukan karena kurang mencoba).

Perangkat lunak rasis? Ada beberapa masalah, dimulai dengan perangkat lunak pelacakan wajah tahun 2009 yang dapat melacak orang kulit putih tetapi tidak kulit hitam, dan dilanjutkan dengan studi MIT 2015 yang menunjukkan bahwa perangkat lunak pengenal wajah saat itu bekerja jauh lebih baik pada wajah pria kulit putih daripada wanita dan / atau Wajah hitam.

Masalah semacam ini telah menyebabkan larangan langsung perangkat lunak pengenalan wajah di tempat-tempat tertentu atau untuk penggunaan tertentu. Pada 2019, San Francisco menjadi kota besar Amerika pertama yang memblokir polisi dan lembaga penegak hukum lainnya menggunakan perangkat lunak pengenalan wajah; Microsoft menyerukan peraturan federal tentang pengenalan wajah; dan MIT menunjukkan bahwa Amazon Rekognition memiliki lebih banyak masalah dalam menentukan jenis kelamin perempuan daripada jenis kelamin laki-laki dari gambar wajah, serta lebih banyak masalah dengan jenis kelamin perempuan kulit hitam daripada perempuan kulit putih.

Pada bulan Juni 2020, Microsoft mengumumkan bahwa mereka tidak akan menjual dan belum menjual perangkat lunak pengenal wajahnya kepada polisi; Amazon melarang polisi menggunakan Rekognition selama setahun; dan IBM meninggalkan teknologi pengenalan wajahnya. Namun, melarang pengenalan wajah sepenuhnya tidak mudah, mengingat penerapannya yang luas di iPhone (ID Wajah) dan perangkat, perangkat lunak, dan teknologi lainnya.

Tidak semua perangkat lunak pengenalan wajah mengalami bias yang sama. Studi efek demografis NIST 2019 menindaklanjuti pekerjaan MIT dan menunjukkan bahwa bias demografis algoritmik sangat bervariasi di antara pengembang perangkat lunak pengenalan wajah. Ya, ada efek demografis pada tingkat kecocokan palsu dan tingkat tidak cocok palsu dari algoritma identifikasi wajah, tetapi mereka dapat bervariasi dengan beberapa urutan besarnya dari vendor ke vendor, dan mereka telah menurun dari waktu ke waktu.

Pengenalan wajah peretasan, dan teknik anti-spoofing

Mengingat potensi ancaman privasi dari pengenalan wajah, dan daya tarik untuk mendapatkan akses ke sumber daya bernilai tinggi yang dilindungi oleh otentikasi wajah, ada banyak upaya untuk meretas atau memalsukan teknologi. Anda dapat menampilkan gambar cetakan wajah, bukan wajah langsung, atau gambar di layar, atau topeng cetak 3-D, untuk lolos otentikasi. Untuk pengawasan CCTV, Anda dapat memutar video. Untuk menghindari pengawasan, Anda dapat mencoba kain dan make-up "CV Dazzle", dan / atau pemancar cahaya IR, untuk mengelabui perangkat lunak agar tidak mendeteksi wajah Anda.

Tentu saja, ada upaya untuk mengembangkan teknik anti-spoofing untuk semua serangan ini. Untuk mendeteksi gambar yang dicetak, vendor menggunakan tes kehidupan, seperti menunggu subjek berkedip, atau melakukan analisis gerak, atau menggunakan inframerah untuk membedakan wajah langsung dari gambar yang dicetak. Pendekatan lain adalah melakukan analisis tekstur mikro, karena kulit manusia secara optik berbeda dari bahan cetakan dan topeng. Teknik anti-spoofing terbaru sebagian besar didasarkan pada jaringan neural konvolusional yang dalam.

Ini adalah bidang yang berkembang. Ada perang senjata yang terjadi antara penyerang dan perangkat lunak anti-spoofing, serta penelitian akademis tentang efektivitas berbagai teknik serangan dan pertahanan.

Vendor pengenalan wajah

Menurut Electronic Frontier Foundation, MorphoTrust, anak perusahaan Idemia (sebelumnya dikenal sebagai OT-Morpho atau Safran), adalah salah satu vendor terbesar untuk pengenalan wajah dan teknologi identifikasi biometrik lainnya di Amerika Serikat. Ia telah merancang sistem untuk DMV negara bagian, lembaga penegak hukum federal dan negara bagian, kontrol perbatasan dan bandara (termasuk TSA PreCheck), dan departemen negara bagian. Vendor umum lainnya termasuk 3M, Cognitec, DataWorks Plus, Dynamic Imaging Systems, FaceFirst, dan NEC Global.

Tes Vendor Pengenalan Wajah NIST mencantumkan algoritme dari lebih banyak vendor dari seluruh dunia. Ada juga beberapa algoritma pengenalan wajah open source, dengan kualitas yang bervariasi, dan beberapa layanan cloud besar yang menawarkan pengenalan wajah.

Amazon Rekognition adalah layanan analisis gambar dan video yang dapat mengidentifikasi objek, orang, teks, pemandangan, dan aktivitas, termasuk analisis wajah dan label khusus. Google Cloud Vision API adalah layanan analisis gambar terlatih yang dapat mendeteksi objek dan wajah, membaca teks yang dicetak dan teks tulisan tangan, serta membuat metadata ke dalam katalog gambar Anda. Google AutoML Vision memungkinkan Anda melatih model gambar kustom.

Azure Face API melakukan deteksi wajah yang mengenali wajah dan atribut dalam gambar, melakukan identifikasi orang yang cocok dengan individu di penyimpanan pribadi Anda hingga 1 juta orang, dan melakukan pengenalan emosi yang dirasakan. Face API dapat berjalan di cloud atau di edge dalam container.

Set data wajah untuk pelatihan pengenalan

Ada lusinan kumpulan data wajah yang tersedia untuk diunduh yang dapat digunakan untuk pelatihan pengenalan. Tidak semua dataset wajah sama: Mereka cenderung bervariasi dalam ukuran gambar, jumlah orang yang diwakili, jumlah gambar per orang, kondisi gambar, dan pencahayaan. Penegak hukum juga memiliki akses ke kumpulan data wajah non-publik, seperti foto terbaru dan gambar SIM.

Beberapa database wajah yang lebih besar adalah Wajah Berlabel di Alam Liar, dengan ~ 13 ribu orang unik; FERET, digunakan untuk tes NIST awal; database Mugshot yang digunakan dalam NIST FRVT yang sedang berlangsung; database kamera pengintai SCFace, juga tersedia dengan penanda wajah; dan Wajah Wikipedia Berlabel, dengan ~ 1.5K identitas unik. Beberapa dari database ini berisi banyak gambar per identitas. Daftar ini dari peneliti Ethan Meyers menawarkan beberapa saran meyakinkan tentang memilih kumpulan data wajah untuk tujuan tertentu.

Singkatnya, pengenalan wajah meningkat, dan vendor sedang belajar mendeteksi sebagian besar spoofing, tetapi beberapa aplikasi teknologi tersebut kontroversial. Tingkat kesalahan untuk pengenalan wajah berkurang setengahnya setiap dua tahun, menurut NIST. Vendor telah meningkatkan teknik anti-spoofing mereka dengan memasukkan jaringan neural konvolusional.

Sementara itu, terdapat inisiatif untuk melarang penggunaan pengenalan wajah dalam pengawasan, khususnya oleh polisi. Namun, melarang pengenalan wajah sepenuhnya akan sulit, mengingat betapa luasnya hal itu.

Baca lebih lanjut tentang pembelajaran mesin dan pembelajaran mendalam:

  • Pembelajaran mendalam vs. pembelajaran mesin: Pahami perbedaannya
  • Apa itu pembelajaran mesin? Intelijen berasal dari data
  • Apa itu pembelajaran mendalam? Algoritma yang meniru otak manusia
  • Algoritme pembelajaran mesin menjelaskan
  • Pembelajaran mesin otomatis atau penjelasan AutoML
  • Pembelajaran yang diawasi menjelaskan
  • Penjelasan semi-supervised learning
  • Pembelajaran tanpa pengawasan menjelaskan
  • Pembelajaran penguatan dijelaskan
  • Apa itu computer vision? AI untuk gambar dan video
  • Apa itu pengenalan wajah? AI untuk Kakak
  • Apa itu pemrosesan bahasa alami? AI untuk pidato dan teks
  • Kaggle: Tempat para ilmuwan data belajar dan bersaing
  • Apa itu CUDA? Pemrosesan paralel untuk GPU