Gezichtsherkenningstechnologie deel 1
Mobiele platforms – Sociale media
Sociale-mediaplatforms hebben gezichtsherkenningsmogelijkheden gebruikt om hun functionaliteiten te diversifiëren om een breder gebruikersbestand aan te trekken te midden van hevige concurrentie van verschillende applicaties.
Opgericht in 2013, ging Looksery verder met het inzamelen van geld voor de app voor gezichtsaanpassing op Kickstarter. Na succesvolle crowdfunding werd Looksery in oktober 2014 gelanceerd. De applicatie maakt videochat met anderen mogelijk via een speciaal filter voor gezichten dat het uiterlijk van gebruikers wijzigt. Hoewel er toepassingen zijn voor het vergroten van afbeeldingen, zoals FaceTune en Perfect365, zijn ze beperkt tot statische afbeeldingen, terwijl Looksery augmented reality toestond om live video’s te maken. Eind 2015 kocht SnapChat Looksery, dat dan zijn kenmerkende lenzenfunctie zou worden.
SnapChat’s geanimeerde lenzen, die gezichtsherkenningstechnologie gebruikten, zorgden voor een revolutie en herdefiniëring van de selfie, doordat gebruikers filters konden toevoegen om hun uiterlijk te veranderen. De selectie van filters verandert elke dag, enkele voorbeelden zijn onder meer een die gebruikers eruitziet als een oude en gerimpelde versie van zichzelf, een die hun huid airbrusht en een die een virtuele bloemkroon op hun hoofd plaatst. Het hondenfilter is het populairste filter dat heeft bijgedragen tot het voortdurende succes van SnapChat, met populaire beroemdheden zoals Gigi Hadid, Kim Kardashian en dergelijke die regelmatig video’s van zichzelf plaatsen met het hondenfilter.
DeepFace is een diepgaand leerherkenningssysteem dat is ontwikkeld door een onderzoeksgroep op Facebook. Het identificeert menselijke gezichten in digitale afbeeldingen. Het maakt gebruik van een negenlagig neuraal net met meer dan 120 miljoen verbindingsgewichten en is getraind op vier miljoen afbeeldingen die zijn geüpload door Facebook-gebruikers. Het systeem zou 97% nauwkeurig zijn, vergeleken met 85% voor het Next Generation Identification-systeem van de FBI. Een van de makers van de software, Yaniv Taigman, kwam via hun overname van Face.com naar Facebook.
ID-verificatie
Het opkomende gebruik van gezichtsherkenning is het gebruik van ID-verificatiediensten. Veel bedrijven en anderen werken nu op de markt om deze diensten aan banken, ICO’s en andere e-bedrijven te leveren.
Gezichts-ID
Apple introduceerde Face ID op het vlaggenschip iPhone X als een biometrische authenticatie-opvolger van de Touch ID, een op vingerafdrukken gebaseerd systeem. Face ID heeft een sensor voor gezichtsherkenning die uit twee delen bestaat: een “Romeo” -module die meer dan 30.000 infraroodstippen op het gezicht van de gebruiker projecteert, en een “Juliet” -module die het patroon leest. Het patroon wordt naar een lokale “Secure Enclave” in de centrale verwerkingseenheid (CPU) van het apparaat gestuurd om een overeenkomst met het gezicht van de telefooneigenaar te bevestigen. Het gezichtspatroon is niet toegankelijk voor Apple. Het systeem werkt niet met gesloten ogen om ongeoorloofde toegang te voorkomen.
De technologie leert van veranderingen in het uiterlijk van een gebruiker en werkt daarom met hoeden, sjaals, brillen en veel zonnebrillen, baard en make-up.
Het werkt ook in het donker. Dit wordt gedaan met behulp van een “Flood Illuminator”, een speciale infraroodflits die onzichtbaar infrarood licht op het gezicht van de gebruiker werpt om de 30.000 gezichtspunten goed te lezen.
Voor-en nadelen
Vergeleken met andere biometrische systemen
Een belangrijk voordeel van een gezichtsherkenningssysteem is dat het in staat is massa-identificatie te maken, omdat het niet de medewerking van de proefpersoon vereist om te werken. Goed ontworpen systemen die zijn geïnstalleerd op luchthavens, multiplexen en andere openbare plaatsen kunnen individuen onder de menigte identificeren, zonder dat voorbijgangers zich zelfs maar bewust zijn van het systeem.
In vergelijking met andere biometrische technieken is gezichtsherkenning echter mogelijk niet het meest betrouwbaar en efficiënt. Kwaliteitsmaatregelen zijn erg belangrijk in gezichtsherkenningssystemen, aangezien grote variaties mogelijk zijn in gezichtsbeelden. Factoren zoals verlichting, expressie, houding en ruis tijdens gezichtsopname kunnen de prestaties van gezichtsherkenningssystemen beïnvloeden. Van alle biometrische systemen heeft gezichtsherkenning de hoogste foutieve acceptatie- en afwijzingspercentages, dus zijn er vragen gerezen over de effectiviteit van gezichtsherkenningssoftware in het geval van spoorweg- en luchthavenbeveiliging.
Zwakke punten
Ralph Gross, een onderzoeker bij het Carnegie Mellon Robotics Institute in 2008, beschrijft een obstakel dat verband houdt met de kijkhoek van het gezicht: “Gezichtsherkenning is behoorlijk goed geworden bij volledige frontale gezichten en 20 graden uit, maar zodra je richting profiel, zijn er problemen geweest. ” Naast de pose-variaties zijn gezichtsbeelden met een lage resolutie ook erg moeilijk te herkennen. Dit is een van de belangrijkste obstakels voor gezichtsherkenning in bewakingssystemen.
Gezichtsherkenning is minder effectief als gezichtsuitdrukkingen variëren. Een grote glimlach kan het systeem minder effectief maken. Bijvoorbeeld: Canada stond in 2009 alleen neutrale gezichtsuitdrukkingen toe in pasfoto’s.
Er is ook een tegenstrijdigheid in de datasets die door onderzoekers worden gebruikt. Onderzoekers kunnen overal van verschillende onderwerpen tot tientallen onderwerpen en een paar honderd afbeeldingen tot duizenden afbeeldingen gebruiken. Het is belangrijk dat onderzoekers de datasets die ze gebruikten aan elkaar beschikbaar stellen, of op zijn minst een standaard dataset hebben.
Gegevensprivacy is de belangrijkste zorg bij het opslaan van biometrische gegevens in bedrijven. Gegevensopslag over gezicht of biometrie kan worden geopend door de derde partij als deze niet correct is opgeslagen of gehackt. In de Techworld, voegt Parris eraan toe (2017), “Hackers zullen al op zoek zijn naar het repliceren van gezichten van mensen om gezichtsherkenningssystemen te misleiden, maar de technologie is in het verleden moeilijker te hacken gebleken dan vingerafdruk- of spraakherkenningstechnologie.”
Ineffectiviteit
Critici van de technologie klagen dat de regeling in de London Borough of Newham vanaf 2004 nooit een enkele crimineel heeft erkend, ondanks het feit dat verschillende criminelen in de database van het systeem in de Borough wonen en dat het systeem al enkele jaren actief is. ‘Voor zover de politie weet, heeft Newham’s automatische gezichtsherkenningssysteem niet één keer een levend doelwit gezien.’ Deze informatie lijkt in strijd te zijn met de bewering dat het systeem is gecrediteerd met 34% minder criminaliteit (vandaar dat het ook naar Birmingham is uitgerold). Het kan echter worden verklaard door het idee dat wanneer het publiek regelmatig wordt verteld dat ze constant onder videobewaking staan met geavanceerde gezichtsherkenningstechnologie, deze angst alleen al de criminaliteit kan verminderen, ongeacht of het gezichtsherkenningssysteem technisch werkt of niet. Dit was de basis voor verschillende andere op gezichtsherkenning gebaseerde beveiligingssystemen, waarbij de technologie zelf niet bijzonder goed werkt, maar de perceptie van de gebruiker van de technologie wel.
Een experiment in 2002 door de lokale politie in Tampa, Florida, had eveneens teleurstellende resultaten.
Een systeem op Logan Airport in Boston werd in 2003 stilgelegd omdat er gedurende twee jaar geen overeenstemming was bereikt.
In 2014 verklaarde Facebook dat het online systeem in een gestandaardiseerde gezichtsherkenningstest met twee opties een nauwkeurigheid van 97,25% had, vergeleken met de menselijke maatstaf van 97,5%.
In 2018 onthulde een rapport van de Big Brother Watch-campagneorganisatie voor burgerlijke vrijheden en rechten dat twee Britse politiediensten, de politie van South Wales en de Metropolitan Police, live gezichtsherkenning gebruikten bij openbare evenementen en openbare ruimtes, in september 2019, Zuid-Wales Het gebruik van gezichtsherkenning door de politie werd geoorloofd.
Er wordt vaak geadverteerd dat systemen een nauwkeurigheid hebben van bijna 100%; dit is misleidend omdat in de studies vaak veel kleinere steekproeven worden gebruikt dan nodig zou zijn voor grootschalige toepassingen. Omdat gezichtsherkenning niet helemaal nauwkeurig is, wordt er een lijst met mogelijke overeenkomsten gemaakt. Een menselijke operator moet dan door deze potentiële overeenkomsten kijken en studies tonen aan dat de operators slechts ongeveer de helft van de tijd de juiste match uit de lijst kiezen. Dit veroorzaakt de kwestie van het richten van de verkeerde verdachte.