Yüz tanımaya yönelik mevcut yaklaşımların analizi. Erişim kontrol sistemleri. Yüz görüntümüzü kodlamak

Yalnızca Moskova'da zaten 150.000'den fazla dış mekan video güvenlik kamerasından oluşan bir ağ varsa ne söyleyebiliriz? Onlardan saklanacak bir şey yok ve bu da insanları düşündürüyor ama “gözetim”in boyutu o kadar da büyük değil. Ağ, güçlü bir yüz tanıma sistemi kullanıyor ancak çalışması çok fazla enerji gerektiriyor, dolayısıyla gerçek zamanlı olarak yalnızca 2-4 bin kamera çalışıyor. Nüfusun kitlesel gözetimi hala sadece korkutucu, bu nedenle bu teknolojinin gerçek avantajlarına odaklanmaya değer. Ama önce ilk şeyler.

Yüz tanıma sistemi nasıl çalışıyor?

Bir yüzü nasıl tanıyacağınızı ve onu nasıl tanıyacağınızı hiç düşündünüz mü? Bir bilgisayar bunu nasıl yapar? Elbette insan yüzlerinin tanımlanması kolay bazı özellikleri vardır. Gözler arasındaki mesafe, burnun konumu ve genişliği, kaş çıkıntılarının ve çenenin şekli - tüm bu detayları başka bir kişiye baktığınızda bilinçsizce fark edersiniz. Bilgisayar tüm bunları belirli bir verimlilik ve doğrulukla yapar, çünkü tüm bu ölçümleri birleştirerek insan yüzü için matematiksel bir formül elde eder.

Peki yüz tanıma şu anda ne kadar iyi çalışıyor? Oldukça iyi ama bazen hata yapıyor. Facebook'ta veya başka bir platformda yüz tanıma yazılımıyla karşılaştıysanız, muhtemelen doğru sonuçlar kadar komik sonuçların da olduğunu fark etmişsinizdir. Yine de teknoloji yüzde 100 doğrulukla çalışmasa da yaygın kullanıma sahip olacak kadar iyi. Ve hatta seni sinirlendiriyor.

NEC'den Paul Howie, yüz tanıma sisteminin bireysel tanımlayıcılar için yüzleri taradığını söylüyor:

“Örneğin birçok kişi, gözler arasındaki mesafenin benzersiz bir özellik olduğunu düşünüyor. Veya çeneden alına ve diğer bileşenlere olan mesafe olabilir. Özellikle önemli sayılan 15-20 faktörün yanı sıra artık o kadar önemli olmayan diğer faktörleri de dikkate alıyoruz. Kişinin kafasının 3 boyutlu görüntüsü oluşturulur, böylece kısmen örtülse bile tam bir eşleşme elde edebiliriz. Sistem daha sonra yüz imzasını alıp veri tabanında çalıştırıyor."

Yüz tanıma yazılımı konusunda endişelenmeli misiniz?

Her şeyden önce yüz tanıma veridir. Veriler çoğu zaman izin alınmadan toplanabilir ve saklanabilir. Bilgiler toplanıp saklandıktan sonra bilgisayar korsanlığına açıktır. Yüz tanıma yazılımı platformları henüz büyük bir saldırıya uğramadı, ancak teknoloji yayıldıkça biyometrik verileriniz giderek daha fazla insanın eline geçiyor.



Ayrıca mülkiyet sorunları da var. Çoğu kişi Facebook gibi sosyal medya platformlarına üye olduklarında o andan itibaren verilerinin Facebook'a ait olduğunu bilmiyor. Yüz tanımayı kullanan şirketlerin sayısının artmasıyla birlikte, yakında kendinizi tehlikeye atmak için kendi fotoğraflarınızı İnternet'e yüklemenize bile gerek kalmayacak. Zaten orada saklanıyorlar ve uzun süredir saklanıyorlar.

Yazılımdan bahsetmişken, hepsi farklı çalışıyor ancak özünde benzer yöntemler ve sinir ağları kullanıyorlar. Her yüzün birçok ayırt edici özelliği vardır (Dünyada iki özdeş yüz bulmak imkansızdır, ancak insanlık tarihi boyunca bunlardan o kadar çok var ki!). Örneğin FaceIt yazılımı bu özellikleri düğümler olarak tanımlar. Her yüz, daha önce bahsettiğimiz gibi yaklaşık 80 düğüm noktası içerir: gözler arasındaki mesafe, burun genişliği, göz yuvalarının derinliği, çene şekli, çene uzunluğu. Bu noktalar ölçülür ve sayısal bir kod (bir "yüz izi") oluşturulur ve bu kod daha sonra bir veritabanına girilir.

Geçmişte yüz tanıma, bir veritabanındaki diğer 2D görüntüleri karşılaştırmak veya tanımlamak için 2D görüntülere dayanıyordu. Maksimum verimlilik ve doğruluk için görüntünün, çok az ışık dağılımı olan ve belirli bir yüz ifadesi olmayan, doğrudan kameraya bakan bir yüz olması gerekiyordu. Elbette çok kötü çalıştı.

Çoğu durumda görüntüler uygun bir ortamda oluşturulmamıştır. Hafif bir ışık boşluğu bile sistemin verimliliğini azaltabilir ve yüksek arıza oranlarına yol açabilir.

2D'nin yerini 3D tanıma aldı. Bu son yazılım trendi, son derece hassas yüz tanıma sağlamak için bir 3D model kullanıyor. Yazılım, bir kişinin yüzünün yüzeyinin 3 boyutlu görüntüsünü gerçek zamanlı olarak yakalayarak, nesneyi tanımlamak için göz yuvası, burun ve çene kıvrımları gibi sert doku ve kemiğin en belirgin olduğu ayırt edici özellikleri vurguluyor. Bu alanlar benzersizdir ve zamanla değişmezler.



Aydınlatmadan etkilenmeyen derinlik ve ölçüm eksenini kullanan 3 boyutlu yüz tanıma, karanlıkta bile kullanılabiliyor ve nesneleri farklı açılardan (hatta profilden) tanıyabiliyor. Bu tür yazılımlar bir kişiyi tanımlamak için birkaç aşamadan geçer:

• Algılama: Nesnenin canlı bir resmini (3D) oluşturmak için mevcut bir fotoğrafı (2D) veya videoyu dijital olarak tarayarak bir görüntünün çekilmesi.
• Hizalama: Bir yüzü tanımladıktan sonra sistem kafa konumunu, boyutunu ve pozunu not eder.
• Ölçüm: Sistem yüz kıvrımlarını milimetrik hassasiyetle ölçer ve şablon oluşturur.
• Temsil: Sistem şablonu benzersiz bir koda dönüştürür. Bu kod, her şablona yüz özelliklerini ve niteliklerini temsil eden bir dizi sayı verir.
• Karşılaştırmak: Eğer görüntü 3D ise ve veri tabanı 3D görseller içeriyorsa, karşılaştırma görseli değiştirmeden devam edecektir. Ancak veri tabanı iki boyutlu görüntülerden oluşuyorsa, üç boyutlu görüntü farklı bileşenlere ayrıştırılır (aynı yüz özelliklerinin farklı açılardan çekilmiş iki boyutlu fotoğrafları gibi) ve bunlar 2 boyutlu görüntülere dönüştürülür. Daha sonra eşleşme veritabanında bulunur.
• Doğrulama veya kimlik: Doğrulama işlemi sırasında görüntü veri tabanındaki tek bir görüntüyle (1:1) karşılaştırılır. Amaç tanımlama ise, görüntü veritabanındaki tüm görüntülerle karşılaştırılır ve bunun sonucunda bir dizi olası eşleşme (1:N) elde edilir. Gerektiğinde bir yöntem veya diğeri kullanılır.

Yüz tanıma sistemleri nerelerde kullanılır?

Geçmişte, yüz tanıma sistemleri öncelikle kolluk kuvvetlerinde kullanım alanı buluyordu, çünkü yetkililer bu sistemleri kalabalıklardaki rastgele yüzleri aramak için kullanıyordu. Bazı devlet kurumları da güvenlik amacıyla ve seçmen sahtekarlığını ortadan kaldırmak için benzer sistemleri kullandı.

Ancak bu tür yazılımların popüler hale geldiği birçok başka durum da vardır. Sistemler ucuzluyor ve dağıtımları artıyor. Artık bankalar ve havalimanları tarafından kullanılan kameralar ve bilgisayarlarla uyumlular. Seyahat acenteleri, gönüllü olarak bilgi sağlayan yolculara hızlı güvenlik taraması sağlamak için "tecrübeli gezgin" programı üzerinde çalışıyor. İnsanlar, yüzleri dahili bir veritabanıyla eşleştiren bir yüz tanıma sisteminden geçerse, havaalanı kuyrukları daha hızlı ilerleyecektir.

Diğer potansiyel uygulamalar arasında ATM'ler ve nakit verme makineleri bulunmaktadır. Yazılım, müşterinin yüzünü hızlı bir şekilde doğrulayabilir. Müşterinin izni alındıktan sonra ATM veya terminal yüzün fotoğrafını çeker. Yazılım, müşteriyi kimlik hırsızlığından ve dolandırıcılık işlemlerinden koruyan bir yüz izi oluşturur; ATM, farklı bir yüze sahip birine para vermez. PIN koduna bile ihtiyacınız yok.

Büyü? Teknolojiler!

Banka havaleleri alanında yüz tanıma teknolojisinin gelişmesi özellikle önemli ve ilginç olabilir. Geçen gün Rus bankası Otkrytie, Açık Garaj teknoloji markası altında geliştirilen kendi benzersiz çözümünü sundu: fotoğraf kullanarak para transferi. Kart ya da telefon numarası girmek yerine, transfer yapacağınız kişinin fotoğrafını çekmeniz yeterli. Yüz tanıma sistemi, fotoğrafı referans fotoğrafla karşılaştıracak (banka kartı verdiğinde yapılır) ve adı ve soyadını soracaktır. Tek yapmanız gereken bir kart seçip tutarı girmek. Özellikle önemli olan, üçüncü taraf bankaların müşterilerinin bu işlevi Otkritie müşterilerine transfer yapmak için de kullanabilmesidir - transferleri gönderen kişi herhangi bir Rus bankasının kartını kullanabilir.

"Banka kartı numarası yerine müşterinin fotoğrafını kullanmak, müşterinin biyometrik verilerine dayanarak yüksek derecede doğrulukla tanımlanmasına olanak tanıyan sinir ağı yüz tanıma sisteminin kullanımına dayanan, çevrimiçi transferlerde temelde yeni bir yaklaşımdır." " diyor Otkritie Bank'ın Ortaklık Sistemleri Geliştirme Departmanı başkanı Alexey Matveev. - Hizmet, kullanıcıların para transferi yapması için tamamen yeni yaşam senaryoları açıyor. Şu anda dünyadaki hiçbir finansal piyasa katılımcısı müşterilerine böyle bir hizmet sunmuyor” dedi.

Mobil uygulama “Otkrytie. Çeviriler" mümkündür.

Bir kişinin yüzü benzersizdir, biyometrik yüz tanıma teknolojileri doğru ve uygun fiyatlıdır. Bu iki gerçeği toplarsak, güvenle bir tahminde bulunabiliriz: Bir kişiyi yüz yüze tanımlamak, kimliği doğrulamanın ana yöntemlerinden biri olma şansına sahiptir.

Vocord Pazarlama Direktörü Sergey Shcherbina, bu teknolojinin halihazırda hangi alanlarda çalıştığını göstermek için beş örnek kullanıyor.

Bugün piyasada bu tür sistemlerin çeşitli türleri vardır ve bunlar, kalabalıkta uzaktan tanınmadan ofisteki çalışma saatlerinin kaydedilmesine kadar değişen karmaşıklık düzeylerinde görevleri yerine getirirler. Yüz tanıma çözümleri müşterilere farklı platformlarda (sunucu mimarisi, mobil ve gömülü çözümler ve bulut hizmetleri) sunulmaktadır.

Modern sistemler derin öğrenme sinir ağı algoritmaları üzerinde çalışır, bu nedenle düşük kaliteli görüntülerde bile tanıma doğruluğu maksimumdur, kafa dönüşlerine karşı dayanıklıdırlar ve başka avantajlara sahiptirler.

Örnek 1: Kamu Güvenliği

Güvenliğin sağlanması, biyometrik tanımlama sistemlerinin kullanılmaya başlandığı bir tür başlangıç ​​noktasıdır. Kamu tesislerinin güvenliğinin sağlanması amacıyla uzaktan yüz tanıma sistemleri kullanılmaktadır.

En zor görev kalabalıktaki bir kişiyi tanımlamaktır.

Bir kişinin sistemle etkileşime girmemesi, kamera merceğine bakmaması, arkasını dönmesi veya yüzünü saklamaya çalışması, işbirlikçi olmayan tanıma olarak adlandırılır. Örneğin ulaşım merkezlerinde, metrolarda ve büyük uluslararası etkinliklerde.

Vakalar

Şirketimiz açısından 2017 yılının en önemli projelerinden biri bu yaz Kazakistan'da düzenlenen en büyük uluslararası fuar EXPO-2017 oldu. Uzaktan biyometrik yüz tanıma sistemi özel kameralar kullandı.

Çerçevedeki yüzlerin seçimi kameranın kendisinde gerçekleşir ve sunucuya yalnızca yüz görüntüsü iletilir, bu da kanalın yükünü hafifletir ve ağ altyapısının maliyetini önemli ölçüde azaltır. Kameralar kompleksin farklı yerlerindeki dört giriş grubunu izledi. Sistemin mimarisi, giriş gruplarının ayrı ayrı veya hep birlikte çalışabileceği şekilde tasarlanırken, sistemin doğru çalışması sadece 4 sunucu ve 48 kamera ile sağlandı.

Çevrimiçi video analitiğinin yardımıyla, şüphelileri ve kayıp kişileri aramak, kazaları ve olayları araştırmak ve yolcu akışlarını analiz etmek için coğrafi olarak dağıtılmış büyük tesisler kullanılıyor.

Bazı havalimanlarında 2017 yılı sonuna kadar uçuşlarda yolcuların check-in işlemlerinde biyometri kullanılmaya başlanacak. Tadviser portalına göre 12 Avrupa ülkesi de (İspanya, Fransa, Hollanda, Almanya, Finlandiya, İsveç, Estonya, Macaristan, Yunanistan, İtalya, Romanya) havalimanlarında akıllı kapı sistemlerini uygulamayı planlıyor.

Bir sonraki adım ise sınır ve göç kontrolü için yüz tanıma sistemlerinin devreye sokulması olmalıdır. Hükümetin desteğiyle, yüz tanımanın kullanıma sunulması önümüzdeki üç ila beş yıl içinde metal dedektörleri kadar yaygın hale gelebilir.

Örnek 2. Alıcınızı görerek tanıyın

İşletmeler ayrıca biyometrik yüz tanımlamaya da güveniyor. Her şeyden önce bu perakende ticarettir.

Sistemler müşterilerin cinsiyetini ve yaşını, perakende satış noktalarını ziyaret etme sıklığını ve zamanını tanıyor ve zincirdeki her bir mağaza için istatistik biriktiriyor.

Bundan sonra, hem bir bütün olarak ağ için hem de perakende satış noktalarına göre ayrılmış olarak departman için ayrıntılı raporlar otomatik olarak görüntülenir. Bu raporlara dayanarak bir “müşteri portresi” oluşturmak ve etkili pazarlama kampanyaları planlamak uygundur.

Ne yazık ki müşterileri açıklayamıyoruz. Bunlar arasında en büyük perakendeciler ve ürün yelpazesinde pahalı araçlar ve bileşenler bulunan DIY (Kendin Yap) ağları yer alıyor.

Bu nasıl çalışır

Pek çok kişi gizli bilgilerin sızdırılmasından korkuyor ancak kimliği belirlenen kişilere ait hiçbir kişisel verinin arşivlerde saklanmadığını özellikle vurguluyoruz. Üstelik depolanan görüntü bile değil, görüntünün geri yüklenemeyeceği biyometrik şablondur.

Tekrarlanan ziyaretler sırasında biyometrik yüz şablonu "sıkıştırılır", böylece sistem mağazaya kimin ve kaç kez geldiğini tam olarak bilir. Kişisel verilerinizin güvende olduğundan emin olabilirsiniz.

Küçük mağazalar, otomobil bayileri ve eczaneler için pazarlama analizlerini toplama mekanizması bir bulut tanıma hizmetinde uygulanmaktadır. Küçük ve orta ölçekli işletmeler için bu seçenek daha çok tercih edilir çünkü sunucu ekipmanı, ek personel alımı, yazılımın güncellenmesi vb. için maliyet gerektirmez. Bu, öncelikle perakende satış noktalarının etkinliğini değerlendirmek için uygun bir araçtır ve ikincisi, hırsızları tespit etmede mükemmel bir yardımcıdır. Yani bir sistem aynı anda birden fazla işlevi yerine getirir.

Örnek 3. Erişim kontrol ve yönetim sistemleri

Yukarıdaki işlevlere ek olarak yüz tanıma sisteminin erişim kontrol ve yönetim sistemlerinde (ACS) Proximity kartlara alternatif olarak kullanılması uygundur.

Bir takım avantajları var: Yüksek düzeyde tanınma güvenilirliği sağlarlar, aldatılamazlar, kopyalanamazlar veya çalınamazlar ve mevcut güvenlik ekipmanlarıyla entegrasyonu kolaydır. Mevcut güvenlik kameralarını bile kullanabilirsiniz. Biyometrik yüz tanıma sistemleri uzaktan ve çok hızlı çalışarak olayları arşive kaydeder.

Biyometrik erişim kontrol sistemi kullanarak, özellikle büyük ofis merkezlerinde çalışanların çalışma saatlerini takip etmek uygundur.

Dava

Geçtiğimiz yıl Hindistan'ın lojistik konusunda uzmanlaşmış büyük bir işletmesinde böyle bir sistemi hayata geçirdik. Daimi çalışan sayısı 600'den fazla kişidir. Aynı zamanda şirket günün her saati çalışıyor ve "değişken" bir çalışma programı uyguluyor. Müşteri, uzaktan biyometrik tanımlama sistemimizi kullanarak çalışanların çalışma saatlerinin eksiksiz ve güvenilir bir kaydını, tesis önleyici güvenlik aracını ve erişim kontrol sistemini aldı.

Örnek 4. Taraftarların stadyuma erişimi

Gişede bilet satın alındığında her alıcının yüzü otomatik olarak fotoğraflanarak sisteme yükleniyor. Maç ziyaretçilerinin tabanı bu şekilde oluşuyor. Satın alma işlemi İnternet veya mobil uygulama aracılığıyla yapıldıysa, "selfie" kullanılarak uzaktan yetkilendirme yapılabilir. Gelecekte bir kişi stadyuma geldiğinde sistem onu ​​pasaportsuz olarak tanıyacak.

284-FZ sayılı “Rusya Federasyonu'nda Fiziksel Kültür ve Spor Federal Kanununun 20. Maddesinde Değişiklik Yapılması Hakkında” Federal Kanun ve Rusya Federasyonu Kanununun 32.14. Maddesi uyarınca spor müsabakalarına gelen ziyaretçilerin tanımlanması zorunlu hale gelmiştir. İdari Suçlar hakkında.

Bileti alan kişinin stadyuma gireceği, biletin başkasına devredilmesi veya sahte biletle girilmesi mümkün değildir. Stadyumlarda uzaktan yüz tanıma, coğrafi olarak dağıtılmış büyük ulaşım tesisleriyle aynı prensipte çalışır: Bir kişi stadyuma erişimi yasak olan kişiler listesine dahil edilirse, sistem onun geçmesine izin vermez.

Dava

Mart 2016'da Vocord ile PJSC Rostelecom'un Khanty-Mansiysk şubesi arasındaki ortak proje kapsamında, Khanty-Mansiysk'te düzenlenen Biatlon Dünya Kupası'nın güvenliğini sağlamak için uzaktan yüz tanıma sistemi kullanıldı. Aynı sistem 2015 yılından bu yana Omsk Arena çok fonksiyonlu spor kompleksinde başarıyla çalışmaktadır. Rusya'nın en büyük altı spor tesisinden biridir, Sibirya'nın en büyük spor ve eğlence tesisidir ve Avangard hokey kulübünün üssüdür.

Örnek 5. İnternet bankacılığı ve ATM'ler

Yüz tanımanın yerleştiği bir diğer alan ise bankacılık sektörüdür. Finans sektörü, kişiselleştirilmiş bilgilerin güvenilirliği ve güvenliğiyle diğerlerine göre daha fazla ilgilendiğinden, burada yeni teknolojilerin tanıtımı yoğundur.

Günümüzde biyometri, alışılagelmiş ve yerleşik "kağıt" belgelerin yerini almasa bile, yavaş yavaş onlarla eşit olmaya başlıyor. Aynı zamanda, ödeme yaparken koruma derecesi önemli ölçüde artar: işlemi onaylamak için akıllı telefonunuzun kamerasına bakmanız yeterlidir. Aynı zamanda biyometrik veriler hiçbir yere iletilmediği için onları ele geçirmek imkansızdır.

Biyometrik tanımlama teknolojilerinin devreye girmesi, elektronik hizmet ve cihazların yoğun kullanımı, çevrimiçi ticaretin gelişmesi ve nakit yerine plastik kartların yaygınlaşmasıyla doğrudan ilişkilidir.

Yüksek performanslı grafik işlem birimlerinin (GPU'lar) ve bunlara dayalı ultra kompakt donanım platformlarının (NVIDIA Jetson gibi) ortaya çıkışıyla birlikte, yüz tanıma ATM'lerde kullanılmaya başlandı. Artık yalnızca kart sahibi, örneğin Tinkoff Bank ATM'leri aracılığıyla nakit çekebiliyor veya hesapta işlem gerçekleştirebiliyor. Ve PIN yakında kullanımdan kaldırılabilir.

Biyometrik yüz tanıma sisteminin, İnşaat Bakanlığı'nın geliştirmeye başladığı Rusya şehirleri için "akıllı şehir" standardına dahil edilmesi planlanıyor. Bölüm başkan yardımcısı Andrei Chibis bunu İzvestia'ya anlattı. Böyle bir teknolojinin toplu taşımada kullanımının uygun olacağını belirtti: Bir yolcu otobüse biniyor, program onu ​​tanıyor ve yolculuk için parayı banka hesabından çekiyor. Bakanlık, Çin şehirlerinin deneyimlerini tanımayı ve benzer teknolojileri Rusya'da yaygınlaştırmayı amaçlıyor.

Bakanlık, aralarında Huawei'nin de bulunduğu Çinli şirketlerin, Rostelecom ile birlikte biyometrik teknoloji ve Rus şehirlerindeki olayların analizini uygulamalarına çekmeyi planlıyor. İnşaat, Konut ve Toplumsal Hizmetler Bakan Yardımcısı Andrei Chibis bunu İzvestia'ya anlattı. Ona göre, bu sistem başarılı olması halinde şehirlerin konforunu artıracak asgari çözüm kümesi olan “akıllı şehir” standardının temelini oluşturacak. Departman halihazırda standardı geliştirmeye başladı.

Bakanlık temsilcileri, biyometri de dahil olmak üzere modern teknolojilerin orada nasıl çalıştığını değerlendirmek için Çin'i ziyaret etmeyi planlıyor.

Bildiğim kadarıyla şu anda bu teknolojinin Moskova'ya getirilmesiyle ilgili bir tartışma var. Açıkçası kart kullanma ihtiyacından dolayı yolcuların uçağa binme süreleri gecikiyor. Ve yüz tanıma algoritması şu şekilde çalışıyor: Bir yolcu metroya veya otobüse giriyor, program onu ​​tanıyor ve yolculuk için banka hesabından para çekiyor, Andrei Chibis bir örnek verdi.

Yetkili, birçok şehirde önemli sayıda kameranın kurulduğunu, yani bir bütün olarak altyapının oluşturulduğunu vurguladı. Soru, düzenleyici düzenleme ve pilot projelerin uygulanmasıyla ilgili; eğer başarılı olurlarsa, sonraki süreç hızlı olacaktır: "metrodaki jetonlardan hızla uzaklaştığımız gibi, turnikelerden de uzaklaşabiliriz."

Rostelecom basın servisi, seyahat ödemeleri de dahil olmak üzere toplu taşıma araçlarındaki yolcuları tanımlamanın sistemi kullanmanın en bariz fırsatlarından biri olduğunu belirtti.

Şirket, Izvestia'ya yaptığı açıklamada, dünyada gerçek örneklerin bulunduğunu ve Rusya'da bu tür çözümlerin yakın gelecekte yaratılmasının beklendiğini doğruladı.

Yeni teknolojilerin geliştirilmesinin planlandığı Akıllı Şehir projesi altı yıllığına tasarlandı. Andrei Chibis'e göre kimse bu dönemde yüz tanıma sisteminin mutlaka her yerde ortaya çıkacağını söylemiyor ama bu yönde ilerlememiz gerekiyor. "Bu sadece güvenlik meselesi değil, aynı zamanda konfor meselesi. Bu teknolojiyi inceleyeceğiz ve yakın gelecekte uygulama olasılığına karar vereceğiz - tabii ki her şeyden önce maliyeti açısından" dedi.

Bilgisayarla görme konusunda uzmanlaşmış bir şirket olan VisionLabs'ın CEO'su Alexander Khanin, kameraların ve sunucuların kurulum sürecinin teknik olarak basit olduğunu, dolayısıyla yakın gelecekte bu tür sistemlerin her yere uygulanabileceğini belirtiyor. Bunların aynı zamanda kayıp kişileri aramak için de kullanılabileceğine inanıyor. Her bir kameraya bağlanmanın maliyeti, kullanım senaryosuna ve kameranın türüne bağlıdır: 200 rubleden birkaç bine kadar.

Moskova Elektronik Teknolojisi Enstitüsü telekomünikasyon sistemleri bölüm başkanı Alexander Bakhtin, şehir ağlarının bu tür verileri aktarmaya hazır olduğunu belirtti. Ancak yeni teknolojilerin uygulamaya konulmasının ilk aşamasında gizlilik ihlali riski her zaman vardır. Bilginin ele geçirilebileceği birçok nokta vardır. Ancak testten sonra sistem oluşturuldu ve etkili bir şekilde çalışıyor.

Klinikteki bir tomografi, bir otobüsten gelen video akışından çok daha fazla bilgi üretir. Soru, bunu kimin ve hangi amaçlarla analiz ettiğidir. Mevzuatın bizi kişisel verileri izinsiz kullanan çalışanlardan korumasını istiyorum” dedi Alexander Bakhtin Izvestia'ya.

Rostelecom, bu tür verilerin dolaşımının çok hassas bir konu olduğunu kabul ediyor, bu nedenle diğer ülkelerde olduğu gibi Rusya'da da devlet kontrolü altında birleşik bir biyometrik sistem oluşturuluyor. İlk aşamada Merkez Bankası işbirliğiyle bankacılık sektörünün yararına hayata geçiriliyor. Şirket, müzelere temassız giriş için yüz tanıma konusunda halihazırda deneyler yapıldığını ve sistemin gelecekte geliştirileceğinden emin.

Eylül 2017'de Moskova yetkilileri, yüz tanıma işlevine sahip bir video gözetim sisteminin tanıtıldığını duyurdu. Başkentin ağının 160 bin video kamera içerdiği ve konut binalarının girişlerinin %95'ini kapsadığı bildirildi. Kayıtlardaki yüzler taranıyor, böylece gerekirse veriler çeşitli veritabanlarındaki bilgilerle karşılaştırılabiliyor - örneğin, bir suçlunun aranması söz konusu olduğunda kolluk kuvvetleri, Moskova belediye başkanının portalında belirtilen. Sistem videodaki kişiyi, cinsiyetini ve yaşını tespit edebiliyor.

Rostec State Corporation, 2018 Dünya Kupası sırasında yüz tanıma teknolojisini kullandı. Örneğin, onun yardımıyla, mahkeme kararıyla spor etkinliklerine katılması yasaklanan bir taraftarı tespit etmek mümkün oldu. Algoritma, yüzleri %99'a varan doğrulukla tanımanıza olanak tanır. Devlet kurumu, bir milyar insan arasında belirli bir kişiyi aramanın yarım saniyeden az sürdüğünü kaydetti.

Modern toplumda yaşam kalitesinin anahtarlarından biri, kişisel emniyet ve mal güvenliğinin sağlanmasına yönelik doğru yaklaşımdır. Video kayıt sistemlerine yönelik gereksinimler sürekli artmaktadır. Günümüzde iyi bir gözetim sistemi, yalnızca çıkarılabilir medyada olup bitenleri kaydedebilmeli, aynı zamanda çerçevedeki kişileri tanıyıp tanımlayabilmelidir.

Uygulama yerleri

“Yüz tanıma” işlevi, insan yaşamının birçok alanında uygulamasını buldu. Bu tür video gözetim sistemlerini kullanarak şunları yapabilirsiniz:

• bir işletmede veya dışarıdan kapatılan diğer nesnelerde bir kontrol noktası düzenleyin. Video gözetimi turnikelere bağlanabilir ve “dost ya da düşman” ilkesine göre otomatik bir kontrol noktası düzenlenebilir;
• perakende satış mağazalarında ve diğer özel mülklerde hırsızlıkla mücadele için bir sistem organize etmek. Herhangi bir mağaza, özellikle büyük olanlar, bazı ziyaretçilerin hırsızlığa bağımlı hale gelmesi sorunuyla karşı karşıyadır. Çoğu zaman aynı kişiler aynı perakende satış noktalarından hırsızlık yapma eğilimindedir. Yüz tanıma sistemine sahip kameralar kurarak daha önce hırsızlık yaparken yakalanan bir kişinin hareketlerini daha yakından inceleyebilirsiniz. Tarayıcı, mağazaya girer girmez güvenlik konsolunu bilgilendirecektir;
• hanelerin ve diğer kapalı nesnelerin topraklarına izinsiz girişin önlenmesi için bir sistem düzenlemek. Bazen, özellikle kameralar loş bir alana kuruluysa, bir kişinin gizli bir davetsiz misafiri monitördeki bir çalılıktan veya başka bir nesneden ayırt etmesi zordur. Ancak insanların erişemediği şeyleri bir bilgisayar modülü kolaylıkla gerçekleştirebilir;
• gece kulüplerinde yüz kontrolü - davetsiz misafirlere karşı %100 koruma.

Çalışma prensibi

“Yüz tanıma” işlevine sahip bir video gözetim sistemi, alınan görüntünün veri tabanındaki görüntüyle karşılaştırılması prensibiyle çalışır. Ortalama bir kompleks, kameradan on metreyi geçmeyen bir mesafede bir insan yüzünü tanımlayabilir. Bu durumda ziyaretçi, yüzün fiziksel parametrelerindeki değişikliklerin varlığı dikkate alınarak bile tanınacaktır: saç modeli değişikliği, sakal, gözlük varlığı vb. Analiz, başın biyometrik parametrelerinin karşılaştırılmasına dayanmaktadır. yapı, her kişi için bireysel. Bu durumda tarama hareket halindeyken gerçekleşir; ziyaretçinin hareket halindeyken yalnızca yüzünü tarayıcıya çevirmesi yeterlidir. Video gözetim sistemi turnikelere ve diğer cihazlara bağlanabilir yetkili Giriş yapın ve otomatik olarak çalışın. Kimliği belirsiz ziyaretçilerin korunan alana erişimi olmayacak ve fotoğrafları, güvenlik hizmeti tarafından işlenmek üzere veri tabanına kaydedilecektir.

Tipik olarak, bu tür sistemler, şirketin gelecekteki başarısının güvenliğe bağlı olduğu büyük şirketlere, örneğin yeni tür silahlar veya mikro devreler geliştiren bir şirkete, bir biyolojik laboratuvara kurulur. Sistem tüm çalışanları otomatik olarak tanır ve veritabanıyla karşılaştırır. Uyumsuzluk veya sistemde bir kişinin bulunmaması durumunda güvenlik protokollerini devreye alır, güvenlik odasında alarm sinyali ve kırmızı ışık göstergesi yanar. Davetsiz misafirin tespit edildiği yer tesisin elektronik haritasında tam olarak gösterilir ve güvenlik görevlileri davetsiz misafiri birkaç saniye içinde bulur.

Çalışma yöntemleri

Yüz tanıma sistemlerinin kameraları iki boyutlu ve üç boyutlu olmak üzere iki modda çalışmaktadır. 2D sistemlerde tanıma, düz bir görüntü temelinde gerçekleşir. 2D kameralar oda aydınlatma seviyesine çok duyarlıdır; nihai görüntünün kalitesi büyük ölçüde bu parametreye bağlıdır. Zayıf ışıkta görüntünün görülmesi zor olacaktır. 3D görüntülü kameralar, alınan görüntüye göre üç boyutlu bir görüntüyü yeniden oluşturur. Zayıf aydınlatma onlar için özel bir engel değildir; genellikle yüzün dokusunu yalnızca hafifçe bozabilir.

Türler

Yüz tanıma işlevine sahip video gözetim sistemine atanan amaç ve hedeflere bağlı olarak bunlar aşağıdakilere ayrılır:

• algılama (Kamera 1 MP'den, odak uzaklığı 1 mm'den). Bu güvenlik sisteminin eylemleri, kontrol edilen nesnelere yapılan izinsiz girişleri kaydetmeyi amaçlamaktadır. Tarayıcı bir kişiyi kediden veya sincaptan ayırt edebilir ancak onu tanımlayamaz;
• tanıma (Kamera 2 MP'den, odak uzaklığı 6 mm'den). Bu durumda tarayıcının ana işlevi, ziyaretçilerin yüzlerini “dost veya düşman” ilkesine göre tanımaktır. Videoyu izlerken görüntü oldukça bulanık olacak, içindeki tanıdık yüzleri tanıyacaksınız ancak tesise bir hırsız girmişse onu bu karelerden bulmanız çok zor olacaktır;
• tanımlama (Kamera 2 MP'nin üzerinde, odak uzaklığı 8 mm'den itibaren) Bu sistemler önceki türlerin tüm işlevlerini yerine getirebilir ve ortaya çıkan görüntünün kalitesi, bir davetsiz misafirin tanımlanması için oldukça yeterli olacaktır. Böyle bir fotoğraf adli makamlara ve kolluk kuvvetlerine kolaylıkla aktarılabilir.

Her video gözetim sistemi tipinin açıklaması için parantez içinde, kamera çözünürlüğü ve lens odak uzaklığı için minimum gereklilikleri özetledik. Ekipman siparişi verirken bu özelliklerin ideal çekim koşullarında yeterli olduğunu dikkate almak gerekir. Doğal olarak, bu pratikte nadiren olur, bu nedenle tarayıcıları seçerken, örneğin tanıma sistemleri için - 2 MP çözünürlük ve 8 mm odak uzaklığı, görüntüleme sistemleri için - 5 çözünürlük gibi rezervli cihazlar satın almak daha iyidir. MP ve 12 mm odak uzaklığı.

Doğal olarak nihai sonuç yalnızca bu özelliklere bağlı değildir. Odak uzaklığı ve çözünürlük çok önemlidir ancak bir kamera monte ederken aydınlatmayı, görüş açılarını ve diğer birçok parametreyi dikkate almanız gerekir. Bu nedenle seçim ve kurulumu profesyonellere emanet etmek daha iyidir.

Kredi almak, vize başvurusu yapmak ve en son akıllı telefon modelini piyasaya sürmek - tüm bunlar bugün yüz tanıma algoritmalarının katılımı olmadan imkansızdır. Soruşturmalarda polislere, sahnede müzisyenlere yardım ediyorlar ama yavaş yavaş çevrimiçi ve çevrimdışı tüm eylemlerimizi izleyen, her şeyi gören bir göze dönüşüyorlar.

Algoritmalar (teknolojiler)

Bir kişiyi bir fotoğraftan bilgisayarın bakış açısına göre tanımlamak çok farklı iki görev anlamına gelir: birincisi, fotoğraftaki yüzü bulmak (eğer varsa) ve ikinci olarak, bu kişiyi diğerlerinden ayıran özellikleri görüntüden ayırmak. Veritabanındaki kişiler.

1. Bul

Bilgisayarlara fotoğraflardaki yüzleri bulmayı öğretme girişimleri 1970'lerin başından beri sürüyor. Pek çok yaklaşım denendi, ancak en önemli atılım çok daha sonra gerçekleşti - 2001'de Paul Viola ve Michael Jones'un kademeli güçlendirme yöntemini, yani zayıf sınıflandırıcılar zincirini yaratmasıyla. Artık daha karmaşık algoritmalar olmasına rağmen, hem cep telefonunuzda hem de kameranızda çalışanın eski güzel Viola-Jones olduğuna bahse girebilirsiniz. Her şey olağanüstü hız ve güvenilirlikle ilgili: 2001 yılında bile ortalama bir bilgisayar bu yöntemi kullanarak saniyede 15 görüntüyü işleyebiliyordu. Günümüzde algoritmanın verimliliği tüm makul gereksinimleri karşılamaktadır. Bu yöntem hakkında bilmeniz gereken en önemli şey şaşırtıcı derecede basit olmasıdır. Ne kadar olduğuna inanamayacaksın bile.

1. Adım 1. Rengi kaldırıyoruz ve görüntüyü parlaklık matrisine dönüştürüyoruz.
2. Adım 2. Kare maskelerden birini üzerine yerleştirin - bunlara Haar işaretleri denir. Konumu ve boyutu değiştirerek görüntünün tamamını gözden geçiriyoruz.
3. Adım 3. Maskenin beyaz kısmının altına düşen matris hücrelerinin dijital parlaklık değerlerini toplayıp siyah kısmın altına düşen değerleri çıkarıyoruz. Durumlardan en az birinde beyaz ve siyah alanlar arasındaki fark belirli bir eşiğin üzerindeyse görüntünün bu alanını daha ileri çalışmalar için alırız. Değilse unut onu, burada yüz yok.
4. 4. Adım. Yeni bir maskeyle 2. adımdan itibaren tekrarlayın - ancak yalnızca görüntünün ilk testi geçen alanında.

Bu neden işe yarıyor? Tabelaya bakın. Hemen hemen tüm fotoğraflarda göz çevresi her zaman hemen altındaki bölgeden biraz daha koyudur. İşarete bakın: ortadaki açık alan, kara gözlerin arasında bulunan burun köprüsüne karşılık gelir. Siyah beyaz maskeler ilk bakışta hiç yüze benzemiyor ancak tüm ilkelliklerine rağmen genelleme gücü yüksek.

Neden bu kadar hızlı? Açıklanan algoritmada önemli bir noktaya dikkat edilmemiştir. Görüntünün bir bölümünün parlaklığını diğerinden çıkarmak için her pikselin parlaklığını eklemeniz gerekir ve bunlardan çok sayıda olabilir. Bu nedenle, aslında maskeyi uygulamadan önce matris bir integral gösterimine dönüştürülür: parlaklık matrisindeki değerler, dikdörtgenin integral parlaklığı sadece eklenerek elde edilebilecek şekilde önceden eklenir. dört sayı.

Bir kaskad nasıl monte edilir? Her ne kadar maskelemenin her aşaması çok büyük bir hata üretse de (gerçek doğruluk %50'den fazla değildir), algoritmanın gücü sürecin kademeli organizasyonunda yatmaktadır. Bu, kesinlikle yüzün olmadığı analiz alanlarını hızlı bir şekilde hariç tutmanıza ve yalnızca sonuç üretebilecek alanlara efor harcamanıza olanak tanır. Zayıf sınıflandırıcıların bir sırayla bir araya getirilmesi ilkesine güçlendirme denir (bununla ilgili daha fazla bilgiyi PM veya'nın Ekim sayısında okuyabilirsiniz). Genel prensip şudur: Büyük hatalar bile birbirleriyle çarpıldığında küçük olacaktır.

2. Basitleştirin

Sahibini tanımlamaya olanak sağlayacak yüz özelliklerini bulmak, gerçekliği bir formüle indirgemek anlamına gelir. Basitleştirmeden bahsediyoruz, hem de çok radikal birinden. Örneğin, 64 x 64 piksellik minyatür bir fotoğrafta bile çok sayıda farklı piksel kombinasyonu olabilir - (2 8) 64 x 64 = 2 32768 adet. Üstelik dünyadaki 7,6 milyar insanın her birini numaralandırmak için yalnızca 33 bit yeterli olacaktır. Bir numaradan diğerine geçerken, tüm yabancı gürültüyü ortadan kaldırmanız, ancak en önemli bireysel özellikleri korumanız gerekir. Bu tür sorunlara aşina olan istatistikçiler birçok veri basitleştirme aracı geliştirdiler. Örneğin, yüzleri tanımlamanın temelini oluşturan temel bileşen yöntemi. Ancak son zamanlarda evrişimli sinir ağları eski yöntemlerin çok gerisinde kalmıştır. Yapıları oldukça tuhaftır, ancak özünde bu aynı zamanda bir basitleştirme yöntemidir: görevi belirli bir görüntüyü bir dizi özelliğe indirgemektir.

Görüntüye sabit boyutta bir maske uyguluyoruz (buna doğru bir şekilde evrişim çekirdeği denir) ve görüntüdeki her pikselin parlaklığını maskedeki parlaklık değerleriyle çarpıyoruz. “Penceredeki” tüm piksellerin ortalama değerini buluyoruz ve bir sonraki seviyenin bir hücresine yazıyoruz.

Maskeyi sabit bir adımla kaydırıyoruz, tekrar çarpıyoruz ve ortalamayı özellik haritasına yazıyoruz.

Bir maskeyle görüntünün tamamını inceledikten sonra diğeriyle tekrarlıyoruz - yeni bir özellik haritası elde ediyoruz.

Haritalarımızın boyutunu küçültüyoruz: birkaç komşu pikseli alıyoruz (örneğin 2x2 veya 3x3 kare) ve yalnızca bir maksimum değeri bir sonraki seviyeye aktarıyoruz. Diğer tüm maskelerle birlikte alınan kartlar için de aynısını yapıyoruz.

Matematiksel hijyen adına tüm negatif değerleri sıfırlarla değiştiririz. Sinir ağındaki katmanları elde etmek istediğimiz kadar 2. adımdan itibaren tekrarlıyoruz.

Son özellik haritasından evrişimli değil, tamamen bağlantılı bir sinir ağı oluşturuyoruz: son seviyedeki tüm hücreleri, belirli bir ağırlıkla bir sonraki katmanın nöronlarını etkileyen nöronlara dönüştürüyoruz. Son adım. Nesneleri sınıflandırmak için eğitilmiş ağlarda (fotoğraflarda kedileri köpeklerden ayırmak vb. için), burada çıktı katmanı, yani belirli bir cevabı tespit etme olasılıklarının bir listesi bulunur. Yüzler söz konusu olduğunda, belirli bir yanıt yerine yüzün en önemli özelliklerinin kısa bir kümesini elde ederiz. Örneğin Google FaceNet'te bunlar 128 soyut sayısal parametredir.

3. Tanımlayın

En son aşama olan gerçek tanımlama, en basit ve hatta önemsiz adımdır. Sonuçta ortaya çıkan özellikler listesinin halihazırda veritabanında bulunan özelliklerle benzerliğini değerlendirmekten ibarettir. Matematiksel jargonda bu, özellik uzayında belirli bir vektörden bilinen yüzlerin en yakın alanına olan mesafeyi bulmak anlamına gelir. Aynı şekilde, başka bir sorunu da çözebilirsiniz - birbirine benzeyen insanları bulmak.

Bu neden işe yarıyor? Evrişimli sinir ağı, bir görüntüden en karakteristik özellikleri çıkarmak ve bunu otomatik olarak ve farklı soyutlama düzeylerinde yapmak için tasarlanmıştır. İlk seviyeler genellikle gölgeleme, degrade, net sınırlar vb. gibi basit desenlere yanıt veriyorsa, her yeni seviyede özelliklerin karmaşıklığı artar. Sinir ağının yüksek seviyelerde denediği maskeler çoğu zaman gerçekten insan yüzlerine veya onların parçalarına benziyor. Ek olarak, temel bileşen analizinden farklı olarak sinir ağları, özellikleri doğrusal olmayan (ve beklenmedik) bir şekilde birleştirir.

Maskeler nereden geliyor? Sinir ağları, Viola-Jones algoritmasında kullanılan maskelerden farklı olarak insan yardımına ihtiyaç duymadan çalışır ve öğrenme süreci sırasında maskeler bulur. Bunu yapmak için, çeşitli arka planlara sahip çeşitli yüzlerin resimlerini içeren geniş bir eğitim setine sahip olmanız gerekir. Sinir ağının ürettiği sonuçta ortaya çıkan özellikler kümesine gelince, üçlü yöntem kullanılarak oluşturulur. Üçlüler, ilk ikisinin aynı kişinin, üçüncüsünün ise başka bir kişinin fotoğrafı olduğu görüntü kümeleridir. Sinir ağı, ilk görüntüleri birbirine mümkün olduğunca yaklaştıran ve aynı zamanda üçüncüyü dışlayan özellikleri bulmayı öğrenir.

Kimin sinir ağı daha iyi? Yüz tanıma uzun zamandır akademiden ayrıldı ve büyük bir işe girdi. Ve burada, her işte olduğu gibi, üreticiler her zaman açık testlerden veri sağlamasalar da algoritmalarının daha iyi olduğunu kanıtlamaya çalışıyorlar. Örneğin MegaFace yarışmasına göre Vocord'un Rus deepVo V3 algoritması şu anda %92'lik sonuçla en iyi doğruluğu gösteriyor. Aynı yarışmada Google'ın FaceNet v8'i yalnızca %70'i gösteriyor ve Facebook'tan DeepFace, %97'lik bir doğruluk oranıyla yarışmaya hiç katılmadı. Bu sayıların dikkatle yorumlanması gerekiyor ancak en iyi algoritmaların neredeyse insan düzeyinde yüz tanıma doğruluğuna ulaştığı zaten açık.

Canlı makyaj (sanat)

2016 kışında, 58. Grammy Ödülleri'nde Lady Gaga, yakın zamanda ölen David Bowie'yi anma töreni gerçekleştirdi. Gösteri sırasında canlı lav yüzüne yayıldı ve alnında ve yanaklarında tüm Bowie hayranlarının tanıyabileceği bir iz bıraktı: turuncu bir şimşek. Hareketli makyajın etkisi video projeksiyonu ile yaratıldı: Bilgisayar, şarkıcının hareketlerini gerçek zamanlı olarak takip etti ve şeklini ve konumunu dikkate alarak resimleri yüzüne yansıttı. İnternette projeksiyonun hala kusurlu olduğu ve ani hareketler sırasında biraz geciktiğinin fark edildiği bir video bulmak kolaydır.

Nobumichi Asai, 2014'ten bu yana yüzler için Omote video haritalama teknolojisini geliştiriyor ve bunu 2015'ten beri dünya çapında aktif olarak sergiliyor ve iyi bir ödül listesi topluyor. Kurduğu şirket WOW Inc. Intel ile ortak olduk ve geliştirme için iyi bir teşvik aldık ve Tokyo Üniversitesi'nden Ishikawa Watanabe ile yaptığımız işbirliği, projeksiyonu hızlandırmamıza olanak sağladı. Bununla birlikte, asıl şey bilgisayarda gerçekleşir ve ister bir İmparatorluk askerinin kaskı ister "David Bowie" makyajı olsun, yüzünüze maske takmanıza izin veren birçok uygulama geliştiricisi tarafından benzer çözümler kullanılır.

Alexander Khanin, VisionLabs'ın kurucusu ve CEO'su

“Böyle bir sistem güçlü bir bilgisayara ihtiyaç duymuyor; mobil cihazlarda bile maske uygulanabiliyor. Sistem, buluta veya sunucuya veri göndermeden doğrudan akıllı telefon üzerinde çalışabiliyor.”

"Bu göreve yüz noktası izleme adı veriliyor. Kamuya açık alanda pek çok benzer çözüm var, ancak profesyonel projeler hız ve fotogerçekçilik ile öne çıkıyor," dedi VisionLabs başkanı Alexander Khanin bize. "Bu durumda en zor şey, yüz ifadelerini ve yüzün bireysel şeklini dikkate alarak veya aşırı koşullarda noktaların konumunu belirlemektir: başın güçlü dönüşleri, yetersiz aydınlatma ve yüksek pozlama." Sisteme noktaları bulmayı öğretmek için sinir ağı eğitilir; önce manuel olarak, fotoğraf üstüne fotoğrafı titizlikle işaretler. Alexander, "Girdi bir resim, çıktı ise işaretlenmiş bir dizi noktadır" diye açıklıyor. “Daha sonra dedektör çalıştırılıyor, yüz belirleniyor, üzerine maske uygulanan üç boyutlu modeli yapılıyor. İşaretleyiciler akışın her karesine gerçek zamanlı olarak uygulanır.”

Nobumichi Asai'nin icadı kabaca bu şekilde çalışıyor. Japon mühendis daha önce modellerinin kafalarını tarayarak doğru üç boyutlu prototipler elde ediyor ve yüzün şeklini dikkate alarak bir video dizisi hazırlıyordu. Sahneye çıkmadan önce sanatçıya yapıştırılan küçük yansıtıcı işaretleyiciler de bu görevi kolaylaştırıyor. Beş kızılötesi kamera onların hareketlerini izliyor ve takip verilerini bir bilgisayara aktarıyor. Daha sonra her şey VisionLabs'ın bize söylediği gibi oluyor: yüz algılanıyor, üç boyutlu bir model oluşturuluyor ve Ishikawa Watanabe'nin projektörü devreye giriyor.

DynaFlash cihazı 2015 yılında kendisi tarafından tanıtıldı: Resmin görüntülendiği düzlemin hareketlerini takip edebilen ve telafi edebilen yüksek hızlı bir projektördür. Ekran eğilebilir, ancak görüntü bozulmaz ve saniyede bin 8 bitlik kareye kadar frekansta yayınlanır: gecikme, gözle algılanamayan üç milisaniyeyi aşmaz. Asai için böyle bir projektörün bir nimet olduğu ortaya çıktı; canlı makyaj gerçekten gerçek zamanlı olarak çalışmaya başladı. Popüler Japon ikili Inori için 2017 yılında kaydedilen videoda gecikme artık hiç görünmüyor. Dansçıların yüzleri ya canlı kafataslarına ya da ağlayan maskelere dönüşüyor. Taze görünüyor ve dikkat çekiyor - ancak teknoloji hızla moda oluyor. Yakında, bir hava tahmincisinin yanağına konan bir kelebek ya da sahneye her çıktığında görünüşünü değiştiren sanatçılar muhtemelen en yaygın şey haline gelecek.

Yüz hackleme (aktivizm)

Mekanik, her eylemin bir tepki yarattığını ve gözetleme ve kişisel tanımlama sistemlerinin hızlı gelişiminin de bir istisna olmadığını öğretir. Günümüzde sinir ağları, sokaktan alınan rastgele bulanık bir fotoğrafı, sosyal ağ hesaplarına yüklenen resimlerle karşılaştırmayı ve yoldan geçen birinin kimliğini saniyeler içinde bulmayı mümkün kılıyor. Aynı zamanda sanatçılar, aktivistler ve bilgisayarla görme uzmanları, insanlara mahremiyetini, baş döndürücü bir hızla daralan kişisel alanını geri verebilecek araçlar yaratıyor.

Tanımlama, algoritmaların farklı aşamalarında engellenebilir. Kural olarak, tanıma sürecinin ilk adımlarına, yani görüntüdeki figürlerin ve yüzlerin tespit edilmesine atılır. Tıpkı askeri kamuflajın bir nesneyi gizleyerek, geometrik oranlarını ve siluetini ihlal ederek görüşümüzü aldatması gibi, makine görüşünü de onun için önemli parametreleri bozan renkli kontrast noktalarla karıştırmaya çalışırlar: yüzün ovali, gözlerin konumu, ağız Neyse ki, bilgisayar görüşü henüz bizimki kadar mükemmel değil, bu da bu tür "kamuflajın" renk ve şekil seçiminde büyük özgürlük bırakıyor.

İlk örnekleri tasarımcı Adam Harvey ve startup Hyphen Labs tarafından Ocak 2017'de tanıtılan HyperFace giyim serisinde pembe ve mor, sarı ve mavi tonlar hakim. Piksel desenleri, makine görüşüne, bilgisayarın tuzak olarak yakaladığı, kendi bakış açısından ideal bir insan yüzü resmi sağlar. Birkaç ay sonra Moskova programcısı Grigory Bakunov ve meslektaşları, tanımlama sistemlerinin işleyişine müdahale eden makyaj seçenekleri üreten özel bir uygulama bile geliştirdiler. Ve yazarlar, biraz düşündükten sonra programı halka açık hale getirmemeye karar verseler de, aynı Adam Harvey birkaç hazır seçenek sunuyor.

Maske takan ya da yüzünde tuhaf makyaj bulunan bir kişi bilgisayar sistemleri tarafından fark edilmeyebilir ancak diğer insanlar mutlaka ona dikkat edecektir. Ancak bunun tersini yapmanın yolları da var. Aslında sinir ağı açısından bakıldığında görüntü bizim için alışılmış anlamda görüntüler içermiyor; onun için bir resim bir dizi sayı ve katsayıdan ibarettir. Bu nedenle tamamen farklı nesneler ona oldukça benzeyebilir. Yapay zekanın çalışmasındaki bu nüansları bilerek, daha incelikli bir saldırı gerçekleştirebilir ve görüntüyü yalnızca hafifçe düzeltebilirsiniz - böylece değişiklikler kişi tarafından neredeyse algılanamaz olacak, ancak makine görüşü tamamen aldatılacaktır. Kasım 2017'de araştırmacılar, bir kaplumbağanın veya beyzbol topunun rengindeki küçük değişikliklerin, Google'ın InceptionV3 sisteminin bunun yerine bir silahı veya bir fincan espressoyu güvenle görmesine neden olduğunu gösterdi. Ve Carnegie Mellon Üniversitesi'nden Mahmoud Sharif ve meslektaşları gözlük çerçevesi için benekli bir desen tasarladılar: Bunun başkaları tarafından yüzün algılanması üzerinde neredeyse hiçbir etkisi yok, ancak Face++ kullanan bilgisayar tanımlaması bunu güvenle kişinin yüzüyle karıştırıyor "çünkü" Çerçeve üzerindeki desen “kim” şeklinde tasarlandı.