顔認証のデメリット: 1. エラーが発生する可能性があり、人の判断結果に影響を与える; 2. 情報の信頼性と安定性が弱い; 3. 顔に含まれる情報量が比較的少ない。変化が十分ではなく、認識度もあまり高くない; 4. 本人自身の内面の変化や外部環境の変化は、収集中の顔情報の安定性に影響を与えます。
このチュートリアルの動作環境: Windows 7 システム、Dell G3 コンピューター。
技術的な観点から見ると、ユーザーの積極的な協力なしに収集できる生体情報は顔だけです。指紋、掌紋、虹彩、静脈、網膜などの生体特徴の収集には利用者の積極的な協力が必要であり、利用者が収集を拒否した場合には質の高い特徴情報を取得することができません。社会心理学の観点から見ると、顔によるアイデンティティの識別は人々の視覚認識経験と一致しており、ユーザーに容易に受け入れられます。たとえば、指紋や虹彩を収集するとき、人々はプライバシーの漏洩を心配しますが、毎日路上で数百台の監視カメラに撮影されても、プライバシーが侵害されているとは感じません。なぜなら、人間の顔は自然に露出しており、人間にとって自然な特徴であると考えられているからです。アイデンティティを特定すること。それでは、顔認識テクノロジーの欠点について話しましょう。
顔認識の技術的欠点
顔認識技術にも誤差があり、それが人の判断結果に影響を与えます。
顔認証の欠点の 1 つは、情報の信頼性と安定性が弱いことです。
人間の顔に含まれる情報量は、指紋、虹彩、その他の生物学的特徴に比べて比較的少なく、その変化はそれほど複雑ではありません。たとえば、2 人の人の指紋や虹彩が基本的に同じである場合、完全に重なるには数十、さらには数百のビットが必要になります。しかし、人間の顔であれば、数十ビットが重なるだけで十分です。似たような顔は世界中でたくさん見つかります。そのため、人間の顔の認識率はそれほど高くなく、それほどユニークなものではありません。
また、本人の内面の変化や外部環境の変化も、収集時の顔情報の安定性に影響を与えます。以前の顔認識技術と比較して、現在の顔認識技術は改善されていますが、特定のアプリケーションはまだ完全ではなく、控えめに見積もっても顔認識技術の精度は 99% に達すると考えられます。
顔認識の技術的困難
1. 照明の問題
照明の変化は、顔認識のパフォーマンスに影響を与える最も重要な要素です。顔認識 重要な要素、つまりこの問題をどの程度解決できるかが、顔認識の実際のプロセスの成功または失敗に関係します。人間の顔は 3D 構造であるため、光によって投影される影は、元の顔の特徴を強調したり弱めたりします。特に夜間は光不足による顔の影により認識率が大幅に低下し、実用的な要件を満たすことが困難になります。同時に、理論と実験は、同じ個人の異なる照明によって引き起こされる差異は、同じ照明の下での異なる個人間の差異よりも大きいことも証明しています。照明の問題は、マシン ビジョン、特に顔認識における古い問題です。照明の問題を解決するソリューションには、3 次元画像顔認識や熱画像顔認識が含まれます。しかし、これら 2 つのテクノロジーは成熟には程遠く、認識結果は満足のいくものではありません。
2. 姿勢の問題
顔認識は主に人の顔表現の特徴に基づいており、姿勢による顔の変化をどのように識別するかがこの技術の難しさの1つとなっています。ポーズの問題には、3 次元垂直座標系の 3 つの軸を中心とした頭部の回転によって引き起こされる顔の変化が含まれます。画像平面に垂直な 2 方向の深度回転により、顔情報の部分的な損失が発生します。このため、姿勢の問題は顔認識における技術的な問題となります。姿勢に関する研究は比較的少なく、現在、ほとんどの顔認識アルゴリズムは正面および準正面の顔画像に焦点を当てており、顔画像のピッチや左右差が激しい場合、顔認識アルゴリズムの認識率も低下します。急激な減少。
3. 表情の問題
泣く、笑う、怒るなどの表情の大きな変化も顔認識の精度に影響します。既存の技術はこうした点をうまく処理しており、口の開け方や大げさな表情などを、3次元モデリングや姿勢・表情の補正手法によってコンピュータが補正することができる。
4. オクルージョン問題
非協力条件下での顔画像収集の場合、オクルージョン問題は非常に深刻な問題です。特に監視環境では、監視対象者が眼鏡や帽子、その他のアクセサリーを着用していることが多いため、収集された顔画像が不完全になる可能性が高く、その後の特徴抽出や認識に影響を与え、さらには顔検出アルゴリズムにも影響を及ぼします。
5. 年齢の変化
年齢の変化に伴い、人は十代から青年、老人へと変化し、見た目も大きく変化し、体力の低下につながります。認識率が低下してしまいます。年齢層が異なると、顔認識アルゴリズムの認識率も異なります。この問題の最も直接的な例は、身分証明書の写真の本人確認です。我が国では、身分証明書の有効期限は一般的に20年ですが、この20年間の間に、人の容姿は必ず大きく変化するため、身分証明書の本人確認にも大きな課題があります。 。 質問。
6. 顔の類似性
人によって大きな違いはなく、すべての顔の構造は似ており、顔の器官の構造や外観も非常に似ています。このような特徴は、顔を位置決めに利用する場合には有利であるが、顔を個人の識別に利用する場合には不利となる。特定の有名人を模倣することを目的としたメイクや整形などの人的要因が、この問題をさらに困難にしています。特に双子の問題では、顔認証システムが正しく双子を識別できるかどうかが、実は学界でも議論になっている。一部の専門家は、双子は顔認識技術によって区別されるべきではないと考えており、顔認識技術を使用しても双子を正確に区別することはできません。
7. 動的認識
非協力的な顔認識の場合、動きや不正確なカメラの焦点によって引き起こされる顔画像のぼやけは、顔認識の成功率に重大な影響を与えます。この困難さは、地下鉄、高速道路の検問所、駅の検問所、スーパーマーケットのスリ対策、国境検査などのセキュリティおよび監視識別の使用において明らかに顕著です。
8. 顔の偽造防止
認識用に顔画像を偽造するための主流の欺瞞方法は、3 次元モデルを構築するか、いくつかの表現を移植することです。顔の偽造防止技術の向上、3D顔認識技術、カメラ、その他のインテリジェントコンピューティングビジョン技術の導入により、偽造顔画像の識別成功率は大幅に低下します。
9. サンプルの不足
現在、顔認識分野では統計学習に基づく顔認識アルゴリズムが主流ですが、統計学習手法には多くのトレーニングが必要です。高次元空間における顔画像の分布は不規則多様体分布であるため、得られるサンプルは顔画像空間のごく一部のみであり、少ないサンプルの下での統計学習の問題をどのように解決するかはさらなる課題である勉強した、研究した。また、現在トレーニングに参加している顔画像データベースは基本的に外国人の画像であり、中国人やアジア人の顔画像データベースは非常に少ないため、顔認識モデルのトレーニングがより困難になっています。
10. 画質の問題
顔画像のソースは多様である可能性があり、収集機器の違いにより、特に解像度が低い場合、取得される顔画像の品質も異なります。携帯電話のカメラで撮影された顔画像や遠隔監視で撮影された画像など、ノイズが多く画質の悪い顔画像に対して、どのように効率的に顔認証を行うかが課題となっている。同様に、高解像度画像が顔認識アルゴリズムに与える影響についてもさらなる研究が必要です。さて、私たちが顔認識を行う際には、通常、同じサイズで非常に近い解像度の顔画像を使用するため、画質の問題は基本的には解決できますが、実際にはさらに複雑な問題に直面しており、引き続き改善を続ける必要があります。処理を最適化します。
顔認識の安全リスク
近年、顔認識技術はますます革新的かつ画期的なものとなり、広く使用されています。このプロジェクトは誰にとっても明らかですが、急速に変化する社会の変化と市場の需要に現在のテクノロジーはまだ追いついていません。たとえば、今年の新型コロナウイルスの攻撃により、私の国では多くの美顔製品が使用できなくなりました。その後、大手メーカーはすぐにアルゴリズムを更新しましたが、今回はまた、将来の不確実性を前にしてテクノロジーは静的なままではいられず、継続的な革新と画期的な進歩が必要であることを思い出させます。
さらに、さまざまな照明や角度の下で顔をよりよく認識するにはどうすればよいでしょうか? ID を明確かつ正確に判断する方法などの問題は、依然として解決する必要がある技術的な問題点です。
2012 年に実施された調査では、ベンダーの Cognitec が提供する顔アルゴリズムは白人よりもアフリカ系アメリカ人の識別が 5% ~ 10% 劣っていたことが示されました。2011 年には、一部の研究者は顔認識モデルが中国、日本、および中国で開発されたことを発見しました。韓国は白人と東アジア人の区別が難しい。今年2月、MITメディアラボの研究者らは、マイクロソフト、IBM、中国のメーカーMegviiの顔認識技術には、肌の色が白い女性の識別で最大7%の誤り率があり、肌の色が濃い女性の識別では最大7%の誤り率があると指摘した。男性は 12%、肌の色が濃い女性の偽陽性率は 35% に達しました。
アルゴリズムエラーの例は他にもたくさんあります。最近の調査結果では、ロンドン警視庁が導入したシステムが、実際に使用されるたびに最大 49 件の誤った一致を生成したことが明らかになりました。昨年の顔認識技術に関する下院監視委員会の公聴会で、FBIは犯罪容疑者の特定に使用されるアルゴリズムの誤り率が最大15%だったことを認めた。さらに、バージニア大学の研究者らによる進行中の研究では、ImSitu と COCO (COCO は Facebook、Microsoft、スタートアップ MightyAI が共同で構築した) という 2 つの有名な研究画像コレクションが、スポーツ、料理、およびスポーツのパフォーマンスが低いことが判明しました。説明には明らかな性別による偏見があります (たとえば、ショッピングの画像は一般に女性に関連付けられ、コーチングの画像は男性に関連付けられることが多い)。
さまざまな照明や角度の下で顔をよりよく認識するにはどうすればよいでしょうか? ID を明確かつ正確に判断する方法などの問題は、依然として解決する必要がある技術的な問題点です。
ただし、たとえ偏見に対処し、顔認識システムがすべての人にとって公平かつ公平な方法で動作したとしても、失敗する潜在的なリスクは依然として存在します。他の多くの人工知能テクノロジーと同様、バイアス要因が完全に排除されたとしても、顔認識ソリューションには通常、ある程度の誤差が含まれます。すべてのツールは善にも悪にも使用でき、ツール自体が強力であればあるほど、それがもたらす利益や害がより明らかになります。
関連知識の詳細については、FAQ 列をご覧ください。
以上が顔認証のデメリットは何ですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。