Распознавание по лицу

Распознавание человека по лицу — самый популярный в России способ биометрической идентификации. За три года доля «лицевых» технологий в общем объеме отечественного биометрического рынка выросла более чем в шесть раз и достигла без малого 50%. Камеры с функцией распознавания лица используются повсеместно — в мобильных приложениях, биоэквайринге, охранных системах и СКУД. 

Как работает технология идентификации по лицу

Представьте: вы идете по улице или заходите в офис, и вдруг замечаете знакомого.

Прежде чем вы улыбнетесь (или, наоборот, сделаете вид, что полностью погружены в свои мысли), ваш мозг за долю секунды успеет решить несколько сложнейших когнитивных задач:

• «засечёт» в поле зрения движущийся комплекс цветных пятен, опознает в нем человека;
• как следует изучит его внешние признаки и выделит уникальные черты;
• сопоставит их с «каталогом» людей в памяти, найдет совпадения и примет решение, кто перед вами;
• даст команду телу: протянуть руку для рукопожатия, перейти на другую сторону улицы или молча пройти мимо… 

По сути любая задача по идентификации сводится к этим этапам: детектировать объект идентификации (например, лицо), изучить его, выявить уникальные черты и сопоставить с каталогом образцов в базе данных.

Мозг живого существа решает задачи такого уровня сложности почти мгновенно, однако обычная компьютерная программа с ними не справится. 

Для решения задач по распознаванию лиц используют нейронные сети или, как их чаще называют, нейросети. Искусственная нейронная сеть — это математическая модель, построенная по образцу сети биологических нервных клеток. Элементы такой сети — нейроны — мельчайшие вычислительные единицы — своего рода «нано-процессоры», каждый из которых получает информацию, производит над ней простые вычисления и передает ее дальше.  В разветвленных и сложных нейросетях нейроны группируются в «слои», причем нейрон каждого слоя может получать информацию от всех нейронов предыдущего слоя, а передавать, соответственно, – всем нейронам следующего.

Архитектура нейронной сети намного сложнее обычного программного кода: обрабатывая поток входящей информации, нейроны постоянно взаимодействуют между собой, поэтому коэффициенты связи между ними со временем меняются. Похожие процессы происходят и в мозге живого существа, когда он накапливает опыт решения каких-то задач, поэтому в программировании нейросетей этот процесс называют обучением или тренировкой.

В технологиях распознавания сложных образов чаще всего используются так называемые свёрточные нейронные сети, нейроны которых, подобно клеткам зрительной коры головного мозга, активируются и реагируют на прямые линии под разными углами.

Свёрточная сеть способна к «глубокому обучению» — пропуская через себя большой массив примеров, она учится обнаруживать отличительные черты объектов, находит взаимосвязи между ними и применяет полученный опыт для обнаружения новых объектов.

Свёрточная нейросеть сама программирует себя обнаруживать объекты определенного типа и замечать их отличительные черты. 

На практике обученная нейросеть способна в режиме реального времени успешно детектировать лицо в массиве оптической информации, нормализовать его (то есть «достраивать до образца» лицо, повернутое под углом, недостаточно освещенное или искаженное мимикой), выявлять его отличительные черты и — в зависимости от поставленной задачи — верифицировать обладателя лица в режиме «один к одному» или идентифицировать его в режиме «один ко многим».

Архитектура и поведение сверточных нейросетей имеют два потрясающих следствия

Во-первых, чем дольше нейросеть работает, тем лучше она справляется с задачами.  Чем больший массив примеров она пропустила через себя, тем точнее она детектирует каждый новый объект. Обученные нейросети безошибочно определяют лицо человека.

Во-вторых, нейросеть с успехом распознает именно те образы, на которых она обучена.

Этот тезис превосходно иллюстрируют события сегодняшнего дня. Пандемия COVID-19 бросила биометрической отрасли новый вызов. Алгоритмы, натренированные на распознавание обычного лица, теперь должны справляться с распознаванием лица, закрытого маской. Национальный институт стандартов и технологий (NIST) США провел серию исследований, чтобы выяснить, насколько хорошо алгоритмы распознавания лиц работают в условиях масочного режима. Специалисты NIST протестировали 89 алгоритмов, созданных еще до начала пандемии, на 6 млн фотографий в режиме верификации. В результате выяснилось, что алгоритмы, которые в обычных условиях распознавали лица с точность в 99,7%,  ошибаются в среднем с вероятностью от 20% до 50%.

Результат, что и говорить, в целом разочаровывающий. На этом фоне занимательно, что в России одним из следствий пандемии стал бум биометрических технологий. Компании, которые раньше не решались применять биометрию в СКУД и УРВ, наконец, осознали ее преимущества, такие как гигиеничность, бесконтактность, скорость и удобство распознавания. Простейшие устройства для биометрической идентификации (по сути — планшеты с фотокамерой), тепловизоры и «коронавизоры» производства КНР хлынули на отечественный рынок.

Закономерным результатом повсеместных попыток внедрения китайского «железа» и софта стало разочарование в самой технологии. Потребители убедились, что такие устройства отличаются ненадежностью конструкции, непрочностью корпуса, с трудом интегрируются в систему; натренированное на лицах азиатов ПО не справляется с идентификацией европейцев; безопасность хранения биометрических данных вызывает массу вопросов. 

Самое печальное здесь то, что внедряя дешевое, сомнительное оборудование, разработанное фирмами-однодневками в КНР, потребители делают вывод о технологии в целом, тогда как в действительности, настоящая качественная биометрия — это сложнейшая отрасль знания и она не имеет ничего общего с подобного рода поделками. 

Пандемия отчетливо показала, что для того, что сделать надежное биометрическое устройство, нужен прежде всего опыт и глубокие знания в области программирования нейросетей. 

Ни одно китайское устройство, скопированное с какого-то неизвестного западного образца, не прошедшее тесты и скрывающее принципы своей работы, не справится с задачей распознавания лица — тем более, лица в маске. 

Как устройства по распознаванию лиц защищены от подлога

Алгоритм нейросети обучается на фотографиях, однако в реальной практике устройство распознавания по лицу ни в коем случае не должно реагировать на фото- или видео-изображение и другие подделки. В противном случае, злоумышленнику хватило бы фотографии президента, распечатанной из Википедии, чтобы проникнуть в супер-секретный правительственный бункер.

Комплекс мер, защищающих биометрическую систему от подлога, называется анти-спуфингом. В современных устройствах реализовано несколько типов анти-спуфинговых мер — в первую очередь тех, которые позволяют убедиться в том, что перед камерой настоящий человек, а не фотография, видеоролик или силиконовый муляж. Это называется liveness detection, дословно — «распознавание живого».

Где нужна биометрия по лицу

На современном уровне развития технологий идентификация по лицу становится одним из самых надежных методов подтверждения личности, решая задачи учета рабочего времени сотрудников, первичного кадрового делопроизводства, а еще применяется в биоэквайринге.

В сфере ритейла его перспективы особенно широки: лицо как универсальный идентификатор может использоваться: 

• для оплаты на кассах и в вендинговых автоматах;

• для учета предпочтений постоянных клиентов кафе;

• для предоставления скидок постоянным покупателям;
  

• для подтверждения возраста покупателя алкоголя

и т.д.