Инновационная система распознавания лиц VisibleLight имеет большую производительность и надежность, и обладает способностью к самообучению. Распознавание лиц — одна из передовых биометрических технологий, имеющая огромные перспективы роста в будущем.
Имеющиеся технологические проблемы до недавних пор ограничивали применение таких систем. Основными проблемами ранних версий были высокие требования к аппаратным платформам и их производительности, к внешнему освещению, углам установки камер и защите от поддельных идентификаций.
Чтобы восполнить эти технологические недостатки нами была разработана абсолютно новая технология распознавания лиц, ключевой особенностью которой является использование технологии глубокого самообучения.
Максимальный уровень безопасности и защита от поддельных идентификаций
Защита от поддельных идентификаций (антиспуфинг) — одна из важнейших задач всех видов биометрических технологий, включая и распознавание лиц. Использование фото или видео с изображением лица — самый простой и популярный способ пройти идентификацию.
Чтобы защитить систему от таких ситуаций, нами был создан программный модуль обнаружения «живого» объекта, способный самосовершенствоваться благодаря алгоритмам самообучения. Обучение основывается на изучении различий между реальным человеком и фотографией или видео, таких как освещение, текстура и разрешение.
Оптимизированные алгоритмы
Классификация на основе редких признаков (SRC) используется для увеличения скорости распознавания и для снижения необходимой вычислительной мощности. Данное представление использует математические линейные характеристики соседних пикселей и самообучающийся алгоритм выделения признаков. Использование оптимизированных алгоритмов позволяет проводить идентификацию менее чем за 1 секунду.
Непревзойденная производительность в сложных условиях
Распознавание лица обычно проводится в динамичной среде, где изменяется интенсивность источников света, углы обзора и расстояние до камеры. Технология самообучения позволяет системе самостоятельно извлекать и фильтровать характеристики для изучения различий при различном расстоянии, позе, угле обзора и яркости источников света. Что позволяет экстраполировать и улучшить исходное изображение, даже если расстояние, освещение и угол расположения меньше идеального. Система может работать даже при низких уровнях освещенности.
Улучшенное распознавание лиц
Традиционное распознавание лиц проходит через четыре основных этапа: обнаружение, выравнивание, извлечение признаков и распознавание. Усовершенствованное распознавание лица в видимом свете включает в себя несколько дополнительных этапов, чтобы дополнить эту технологию.
Обнаружение
Система сначала определит, есть ли лицо на изображении или видео. Во время обнаружения программа с высокой точностью позволяет находить лица независимо от их размера и внешней освещенности.
Определение позы
Алгоритмы определения позы позволяют точно определить трехмерные углы наклона объекта. Точность особенно важна для дальнейшей трехмерного восстановления изображения.
Анализ качества
После оценки позы будет проанализирована яркость и четкость изображения, чтобы гарантировать, что качество попадает в допустимый диапазон, и отсеять изображения, которые классифицируются как неузнаваемые, для предотвращение потерь вычислительной мощности
Выравнивание
Выравнивание лица -это позиционирование глаз, носа и рта человека в указанных рамках. Этот процесс использует 2D преобразования, включая движение, масштабирование и вращение. Выравненные изображения более эффективны для идентификации.
Извлечение признаков
Далее специальный алгоритм анализирует изображение, исследуя соседние пиксели, формирует кривые, находит края, определяет формы. После этого мы может получить набор специфических признаков, характерных для данного человека и выполнить сравнение с имеющимися шаблонами.
Защита от поддельных идентификаций с помощью фотографий
В отличии от «живого» человеческого лица лицо на фотографии перемещается вместе со всей фотографией, включая фон фотографии. Учитывая эту особенность, программа сначала захватывает видеопоследовательность и анализирует соседние кадры, выделяет контуры лица и анализирует поведение пикселей на границе во времени, что позволяет понять используется реальный фон или фотография.
Защита от поддельных идентификаций с помощью видео
Самообучение способствует выявлению различий между живым человеческим лицом и видеозаписью. Анализируется текстура и разрешение, окружающие объекты, фоновое изображение и пр., что позволяет обнаружить рамку смартфона или планшета и выявить попытку ложной идентификации.
Идентификация
Распознавание — это процесс, который классифицирует полученные данные с заданными идентификаторами путем перекрестной проверки извлеченных признаков с шаблонами. Распознавание обычно делается для обучения или для идентификации:
Цель обучения
После ввода данных для обучения и соответствующего шаблона лица, программа начнет изучение, реструктуризует его на пиксели, чтобы сформировать кривые, края, формы. Кроме того, сравнение с набором обучающих данных, которые могут различаться по углу, позе, расстоянию и освещению, позволяет системе найти разницу между ними, и найти способ расширения диапазона по угловому расстоянию и провести более точную и эффективную идентификацию.
Распознавание
Задача распознавания, как правило, может быть разделена на две: проверка 1: 1 и сравнение 1: N. Распознавание личности сводится к обработке полученных данных классификаторами. Классификаторы или способ классификации будут существенно влиять на качество распознавания и время обработки. Классификация на основе редких признаков (SRC) применяется для повышения эффективности за счет минимизации объема обрабатываемых данных, что позволяет снизить вычислительную мощность системы и сократить время обработки.
Производительность в практических приложениях
Усовершенствованное распознавание лиц — это глубоко модернизированная технология, способная выполнять разнообразные задачи распознавания лиц в динамической среде.
Будущее технологии
В настоящее время мы разрабатываем мульти-модульную технологию распознавания лиц на основе ближнего инфракрасного (NIR) и видимого спектра (VIS). Модуль самообучения выбирает изображение NIR в качестве основного, и два изображения VIS в качестве дополнительных: один правильный образец и один ложный образец. Выбор изображения NIR в качестве базового и использование триплета для обучения позволит еще больше сократить разницу между базовым и правильным образцом и легко отличить ложный образец.