集创堂【特工局】是以兴趣为导向,收集行业最新信息,关注行业发展动态的组织。
成员共有7位,局长袁唯(意大利米兰DOMUS设计学院 交互设计硕士),队员乌龙(美术指导)、叶苏(纽约大学Tandon学院 数字媒体硕士)、正月正(品牌设计总监)、石头(产品经理)、Klaus(UI/UX设计师)、王烨林(UI/UX设计师)。
本期特工局带来的是“人脸识别”的发展报告,报告共分为三个部分:市场调研、产品案例、交互及技术,本文是第三部分:交互及技术。
本期“人脸识别”调研报告参与资料搜索整合的还有集创堂43期的学员:L.T、罐头、July、可可、加班羊、習、Healer、忘忧草、暖暖、拯救兔宝宝、 Olivia、小念、小火苗、吃兔子的萝卜、烟花散、二月、嗨哥、伊丹,非常感谢大家的付出!
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
Face ID支付当流程
1.使用iPhone X靠近POS机,感应弹出Apple Pay界面并提示验证Face ID,然后“刷脸”完成支付。
2.双击iPhone X的侧边键调出Apple Pay界面,先验证Face ID(刷脸),然后将手机靠近POS机完成支付。
农行刷脸取款流程
1.点击农行ATM右上角“刷脸取款”;
2.按照操作规范,脸部对准摄像头;
3.输入手机号或者身份证号;
4.输入取款金额和密码;
5.ATM吐钞,完成取款。
农行需要建立一个数据库,并储存用户的人脸信息。在取款时,ATM采集用户人脸信息并与数据库当中的千万张人脸比对,挑出唯一一张人脸之后,用户输入手机号码或身份证号码进行交易确认,最终完成提款。
1.光照问题(解决光照问题的方案有三维图像人脸识别和热成像人脸识别。但这两种技术还远不成熟,识别效果不尽人意)
2.姿态问题 (针对姿态的研究相对比较的少,目前多数的人脸识别算法主要针列正面、准正面人脸图像,当发生俯仰或者左右侧而比较厉害的情况下( 人脸偏转角度大于30度),人脸识别算法的识别率也将会急剧下降)
3.表情问题(面部幅度较大的哭、笑、愤怒等表情变化同样影像着面部识别的准确率)
4.遮挡问题(带着眼镜、帽子等遮挡饰物等)
5.年龄变化
6.人脸相似性(双胞胎、韩国整容等)
7.动态识别 (运动导致面部图像模糊或摄像头对焦不正确)
8. 人脸防伪
9.图像质量问题 (低分辨率、噪声大、质量差的人脸图像)
10.样本缺乏
1 、纸片翻拍,通过打印用户的照片进行攻击
应对措施:对于纸片翻拍,由于纸片上的人脸是静态的,利用随机数字唇语,让用户读数字,就可以很好的拦截。
2、用户戴面具
应对措施:对于用户戴面具,由于其攻破成本较高,现在还未出现实际case,我们也提前进行了研发布防,主要利用人说话时,面部会存在比较自然的微动,而面具则没有这样的规律来防范。
3、各式各样的假体攻击
应对措施: 用多光谱的方法,包括紫外、近红外、热红外成像,这是我们肉眼不可见,但是在各种光谱情况下的成像,它可能能分辨出。
3、屏幕翻拍,一些3D建模技术可以驱动用户的单张照片或视频做出系统要求的摇头、张嘴、眨眼等动作
对于屏幕翻拍,具有成本低,可以通过软件批量执行的特点,对于活体的挑战最大,这种攻击,仍然有很多线索可以利用:
a. 翻拍的视频一定会通过显示设备播放出来,显示设备存在一些和真人不同的图像特征;
b.合成的视频与真人相比,会存在一些瑕疵;
c.如果是直接拿到了用户的一段视频,其嘴型变化完全符合给定的随机数字的概率很低
以上这些,用大量数据就可以学习到伪造视频和真人视频之间的区别,加上各种方法的融合,就能将拦截成功率提高到非常高的水平。
1、人脸采集:人脸识别的前置步骤,即获取到人脸图片,用于对比、识别、属性分析等操作。
2、人脸分析:包括人脸图片的加工处理,特征抽取与对比,结果返回等一系列操作,也是通常理解为的人脸识别操作。
人脸识别技术的4个步骤:人脸检测,活体检测,人脸特征提取,人脸匹配识别。
1、人脸检测:在动态的视频流或者图像中检测到人脸的位置。广泛应用于地产,安防,交通等领域
2、活体检测:用户根据系统指令交互式配合作出所要求的姿态,动作,表情,比如眨眼等。支付宝的
刷脸支付就是使用的人脸活体检测
3、人脸特征提取:对人脸进行特征建模的过程。
4、人脸匹配和识别:通过人脸特征的提取,与数据库里面存储的特征模版进行搜索与匹配。
1.手机:APP场景下的绝大部分使用场景,摄像头、屏幕、数据处理一体化,除了APP产品,也可以用于快速构建demo,验证业务流程的首选。
2.平板:相对于手机,屏幕更大,功能更聚焦,业务产品的UI定制更方便,常规的签到、考勤、柜台支付、会员识别等也是不错的设备选择。
3.USB摄像头+开发板:更灵活的配置选型,可拓展性强,可根据不同场景需求进行灵活调整,对于逆光等核心问题场景处理效果更好。
4.网络摄像头+开发板:中远场识别、检测人数不是很多的无感知识别场景,可拓展性强,但布设复杂度高,多人场景下性能有限。
5.人脸抓拍一体机:远场场景识别,检测人数较多的无感知识别场景,通常用于视频监控、人流量统计、安防布控等,摄像头成本较高,但多人检测性能最好。
数据收集
抛开隐私这一点,人脸识别的好处是无感和非接触,也因此人脸识别的线下应用的优势在于数据收集。收集数据的方法,目前看到的做法要么在某个屏幕前自动拍摄人脸,要么在小程序里自拍。
数据应用
通过人脸识别抓取的数据,丰富了CRM数据库。以上数据可以应用于全渠道的精细化营销,例如公众号,小程序,APP和线下屏幕,这些渠道基于人脸识别中收集的数据(以及其他渠道的数据),可以千人千面的方式服务于用户。
甚至线下屏幕可以通过识别人脸,基于收集的数据,作个性化的交互。人脸识别也可以应用于支付,通过识别人脸,找到用户之前绑定的openid,调用免密代扣接口实现刷脸支付。
反馈闭环
所有的数据应用,都需要做效果的收集完成闭环,这样才能指导后续的数据收集以及数据应用。
人脸采集,有5个质量指标,分别为遮挡、模糊度、光照、完整版、姿态,其中,姿态是最重要的一个指标
1、 遮挡
人脸中各个部位的遮挡程度判断,可以分为:左眼、右眼、鼻子、左脸颊、右脸颊、嘴巴、下巴共7个区域。
a.可识别的图片,虽然有一部分被遮挡,但达不到阀值,不影响识别;
b.不可识别的图片,由于眼睛被严重遮挡,达到了遮挡阀值,影响了识别。
2、模糊度
人脸的模糊程度,取值范围:0~1,0是最清晰,1是最模糊,通常 小于0.7 即可认为是符合条件。
3、光照
人脸部分光照的灰度值,反映脸部的光照情况,取值范围[0~255],0表示光照不好。人脸过暗对于识别会有显著影响,所以通常在所有质量校验中,要优先保持人脸的光照充足。
人脸采集过程中,常遇到的光线问题,一般分为以下几种:
a.对比度过低
b.过曝光
c.欠曝光
d.过亮
e.过暗
f.阴阳脸
g.逆光
所有问题中,逆光往往是最严重的问题,大部分的人脸采集设备是在白天作业,摄像头在逆光情况下,采集到的脸部光照会很暗,导致识别不到人脸或者识别效果差。这种情况,通常可以有以下几种应对措施:
补光灯:在摄像头旁边添加一个补光灯,用于提高脸部光线强度,此方案也可以同时保证夜间门禁等场景的光线问题;
调整设备角度:在满足识别体验的角度情况下,避免镜头对着逆光位置(如阳光、室内大灯等);
添置遮罩物件。
4、姿态
姿态角分为x、y、z,用于表示人脸在空间三维坐标系内的角度,常用于判断识别角度的界限值;
从姿态角度来看,这三个值的绝对值越小越好,这样代表人脸足够正视前方,最利于实际注册/识别使用。
5、完整性
指图片中的人脸是否完整.
识别技术应用尚未成熟,误判风险难以消除。
一是缺乏能充分适应各种干扰环境的人脸预处理算法。特别在移动互联网下,个人影像数据的拍摄环境更加复杂多变,对于人脸识别算法精度的考验更大。
二是受深度学习框架中的软件漏洞、生成恶意样本、训练数据遭受污染等影响,用于比对的模板数据库产生遗漏或者误差.
三是人工智能系统在辅助决策过程中存在计算错误,产生错误信息。
1、依图科技
2、云从科技
3、商汤科技
4、旷视科技
5、猎户星空
6、格灵深瞳
7、腾讯优图
8、百度人脸识别
9、海鑫智圣
10、飞搜科技
11、川大智胜
12、易子微科技
13、科大讯飞
14、大华技术
15、海康威视
16、智诺科技
17、厦门瑞为
18、神思电子
19、汉王科技
20、赛为智能
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
提供活体检测、身份查询、人脸比对等多项组合能力,快速完成用户身份核实,确保「真人」且为「本人」。
方案构成
1、活体检测
提供离在线活体检测,可定制检测动作。有效抵御视频、彩照、3D模型等活体作弊手段。
2、身份证OCR
对身份证正反面文字信息进行有效识别。同时提供身份证照质量控制技术,并自动完成截图操作。
3、人脸质量检测
对人脸的光照、模糊度、遮罩、姿态等条件进行快速实时检测,并捕获质量最佳人脸。
4、人脸对比
提供业界效果最优的人脸1:1对比验证功能,为用户提供金融级效果的对比服务。
完结。