Хората са умели в разпознаването на лица, но също така интерпретираме израженията и емоциите съвсем естествено. Изследванията показват, че можем да идентифицираме лично познати лица вътре 380ms след представяне и 460ms за непознати лица. Въпреки това, това присъщо човешко качество сега има конкурент в областта на изкуствения интелект и компютърното зрение. Тези новаторски технологии помагат за разработването на решения, които разпознават човешките лица по-точно и ефикасно от всякога.
Тези най-нови иновативни и ненатрапчиви технологии направиха живота по-лесен и вълнуващ. Технологията за разпознаване на лица се превърна в бързо развиваща се технология. През 2020 г. пазарът на разпознаване на лица беше оценен на 3.8 млрд. долара, като същият се планира да удвои размера си до 2025 г – прогнозира се да бъде над 8.5 милиарда долара.
Какво е лицево разпознаване?
Технологията за лицево разпознаване картографира чертите на лицето и помага за идентифицирането на човек въз основа на съхранените данни за лицев отпечатък. Тази биометрична технология използва алгоритми за задълбочено обучение, за да сравни съхранения отпечатък на лицето с изображението на живо. Софтуерът за разпознаване на лица също сравнява заснетите изображения с база данни от изображения, за да намери съвпадение.
Разпознаването на лица се използва в много приложения за подобряване на сигурността на летищата, помага на правоприлагащите органи при откриването на престъпници, съдебномедицинския анализ и други системи за наблюдение.
Как работи разпознаването на лица?
Софтуерът за разпознаване на лица започва с събиране на данни за разпознаване на лица и обработка на изображения с помощта на компютърно зрение. Изображенията се подлагат на високо ниво на дигитална проверка, така че компютърът да може да направи разлика между човешко лице, картина, статуя или дори плакат. Чрез използването на машинно обучение се идентифицират модели и прилики в набора от данни. ML алгоритъмът идентифицира лицето във всяко дадено изображение чрез разпознаване на черти на лицето:
- Съотношението на височината към ширината на лицето
- Цветът на лицето
- Ширината на всяка черта – очи, нос, уста и др.
- Отличителни черти
Както различните лица имат различни характеристики, така и софтуерът за разпознаване на лица. Като цяло обаче всяко лицево разпознаване работи по следната процедура:
-
Разпознаване на лица
Системите за лицева технология разпознават и идентифицират лицево изображение в тълпа или поотделно. Технологичният напредък улесни софтуера да разпознава изображения на лица дори когато има лека промяна в позата – с лице към камерата или гледане настрани от нея.
-
Анализ на лицето
Различните и разпознаваеми черти на човешкото лице се наричат възлови точки и всяко човешко лице има около 80 възлови точки. Чрез картографиране на лицето, разпознаване на геометрия и фотометрия е възможно да се анализират и идентифицират лица с помощта на бази данни за разпознаване точно.
-
Преобразуване на изображения
След заснемане на изображението на лице, аналоговата информация се преобразува в цифрови данни въз основа на биометричните характеристики на лицето. От машинно обучение алгоритмите разпознават само числа, превръщането на картата на лицето в математическа формула става уместно. Това числено представяне на лицето, известно още като лицев отпечатък, след това се сравнява с база данни от лица.
-
Намиране на съвпадение
Последната стъпка е сравняването на отпечатъка на вашето лице с няколко бази данни с познати лица. Технологията се опитва да съпостави вашите характеристики с тези в базата данни.
Съвпадащото изображение обикновено се връща с името и адреса на лицето. Ако такава информация липсва, се използват данните, записани в базата данни.
Индустриални приложения за технологии за разпознаване на лица
- Всички знаем за Face ID на Apple, който помага на потребителите бързо да заключват и отключват телефоните си и да влизат в приложения.
- McDonald's използва лицево разпознаване в своя японски магазин, за да оцени качеството на обслужване на клиентите. Той използва тази технология, за да определи дали сървърите му помагат на клиентите му с усмивка.
- Covergirl използва софтуер за разпознаване на лица за да помогне на своите клиенти да изберат правилния нюанс фон дьо тен.
- MAC също използва усъвършенствано лицево разпознаване, за да предостави на клиентите изживяване при пазаруване в стил "тухли и хоросан", като им позволява виртуално да "пробват" своя грим с помощта на разширени огледала.
- Гигантът за бързо хранене, CaliBurger, използва софтуер за лицево разпознаване, за да позволи на клиентите си да видят предишните си покупки, да се насладят на специализирани отстъпки, да видят персонализирани препоръки и да използват техните програми за лоялност.
- Американският здравен гигант Cigna позволява на своите клиенти в Китай да подават своите искове за здравно осигуряване, като използват подписи на снимки вместо писмени знаци.
Събиране на данни за модел за лицево разпознаване
За да може моделът за лицево разпознаване да работи максимално ефективно, трябва да го обучите на различни разнородни набори от данни.
Тъй като биометричните данни на лицето се различават от човек на човек, софтуерът за лицево разпознаване трябва да може да чете, идентифицира и разпознава всяко лице. Освен това, когато човекът показва емоции, контурът на лицето му се променя. Софтуерът за разпознаване трябва да бъде проектиран така, че да може да поеме тези промени.
Едно решение е получаване на снимки на няколко души от различни части на света и създаване на хетерогенна база данни с познати лица. В идеалния случай трябва да правите снимки от различни ъгли, перспективи и с различни изражения на лицето.
Когато тези снимки се качват на централизирана платформа, като ясно се споменава изражението и перспективата, се създава ефективна база данни. След това екипът за контрол на качеството може да пресее тези снимки за бързи проверки на качеството. Този метод за събиране на снимки на различни хора може да доведе до база данни с висококачествени, високоефективни изображения.
Не сте ли съгласни, че софтуерът за разпознаване на лица няма да работи оптимално без надеждна система за събиране на данни за лица?
Събирането на лицеви данни е основата за работата на всеки софтуер за лицево разпознаване. Предоставя ценна информация като дължината на носа, ширината на челото, формата на устата, ушите, лицето и много други. Използвайки данни за обучение на AI, автоматизираните системи за разпознаване на лица могат точно да идентифицират лице сред голяма тълпа в динамично променяща се среда въз основа на техните черти на лицето.
Ако имате проект, който изисква изключително надежден набор от данни, който може да ви помогне да разработите сложен софтуер за разпознаване на лица, Shaip е правилният избор. Разполагаме с обширна колекция от набори от данни за лица, оптимизирани за обучение на специализирани решения за различни проекти.
За да научите повече за нашите методи за събиране, системи за контрол на качеството и техники за персонализиране, се свържете с нас днес.