얼굴 인식의 단점: 1. 오류가 발생하여 사람들의 판단 결과에 영향을 미칠 수 있습니다. 2. 정보의 신뢰성과 안정성이 약합니다. 3. 얼굴에 포함된 정보의 양이 상대적으로 적고, 그 변화가 복잡합니다. 4. 개인의 내부 변화와 외부 환경의 변화는 수집 시 얼굴 정보의 안정성에 영향을 미칩니다.
이 튜토리얼의 운영 환경: Windows 7 시스템, Dell G3 컴퓨터.
기술적인 관점에서 볼 때, 얼굴은 사용자의 적극적인 협조 없이 수집할 수 있는 유일한 생체정보입니다. 지문, 장문, 홍채, 정맥, 망막 등 기타 생체 특징의 수집 과정은 사용자의 적극적인 협조가 필요합니다. 즉, 사용자가 수집을 거부할 경우 고품질의 특징 정보를 얻을 수 없습니다. 사회심리학적 관점에서 볼 때, 얼굴을 통해 신원을 식별하는 것은 사람들의 시각적 인식 경험과 일치하며 사용자가 쉽게 받아들입니다. 예를 들어 지문이나 홍채를 채취할 때 사생활 유출이 걱정되지만, 매일 거리에서 수백 대의 감시 카메라에 찍혀도 침해감을 느끼지 않는다. 신원 식별. 그럼 안면인식 기술의 단점에 대해 이야기해보겠습니다.
얼굴 인식의 기술적 단점
얼굴 인식 기술에도 오류가 있으며 이는 사람들의 판단 결과에 영향을 미칩니다.
얼굴 인식의 한 가지 단점은 정보의 신뢰성과 안정성이 약하다는 것입니다.
인간의 얼굴에 포함된 정보의 양은 지문, 홍채 및 기타 생물학적 특성에 비해 상대적으로 적으며 변화의 복잡성도 충분하지 않습니다. 예를 들어 두 사람의 지문이나 홍채가 기본적으로 동일하다면 완전히 겹치려면 수십, 심지어 수백 비트가 필요할 것이다. 하지만 사람의 얼굴이라면 십여 개의 비트가 겹치는 것만으로도 충분합니다. 세계 곳곳에서 비슷한 얼굴을 많이 찾을 수 있습니다. 그러므로 사람의 얼굴에 대한 인식도는 그다지 높지 않고, 그렇게 독특하지도 않습니다.
또한, 개인 자신의 내부 변화와 외부 환경의 변화는 수집 시 얼굴 정보의 안정성에 영향을 미치게 됩니다. 기존 얼굴인식 기술과 비교하면 현재의 얼굴인식 기술은 향상됐지만 구체적인 적용은 아직 완벽하지 않다. 보수적으로 보면 얼굴인식 기술의 정확도는 99%에 이를 수 있을 것으로 추정된다.
얼굴 인식의 기술적 어려움
1. 조명 문제
조명 변화는 얼굴 인식 성능에 영향을 미치는 가장 중요한 요소입니다. 이 문제의 해결 정도는 실무의 성공 여부와 관련이 있습니다. 얼굴인식 과정. 인간 얼굴의 3D 구조로 인해 빛에 의해 드리워진 그림자는 원래 얼굴 특징을 강화하거나 약화시킵니다. 특히 밤에는 조명 부족으로 인한 얼굴 그림자로 인해 인식률이 급격히 떨어지므로 시스템이 실제 요구 사항을 충족하기 어렵습니다. 동시에, 이론과 실험은 동일한 개인의 서로 다른 조명으로 인한 차이가 동일한 조명 하에서 서로 다른 개인 간의 차이보다 더 크다는 것을 증명합니다. 조명 문제는 머신 비전, 특히 얼굴 인식 분야의 오래된 문제입니다. 조명 문제를 해결하기 위한 솔루션에는 3차원 영상 얼굴 인식과 열화상 얼굴 인식이 있습니다. 그러나 이 두 기술은 아직 성숙되지 않았으며 인식 결과도 만족스럽지 않습니다.
2. 자세 문제
얼굴 인식은 주로 사람의 얼굴 표현 특성을 기반으로 하며, 자세로 인한 얼굴 변화를 식별하는 방법이 이 기술의 어려움 중 하나가 되었습니다. 자세 문제는 3차원 수직 좌표계에서 3개 축을 중심으로 머리를 회전함으로써 발생하는 얼굴 변화와 관련이 있으며, 이미지 평면에 수직인 두 방향의 깊이 회전으로 인해 얼굴 정보가 부분적으로 손실됩니다. 이는 자세 문제를 얼굴 인식의 기술적 문제로 만듭니다. 자세에 관한 연구는 상대적으로 적으며, 현재 대부분의 얼굴 인식 알고리즘은 주로 정면 및 준정면 얼굴 이미지에 중점을 두고 있으며, 피치 또는 좌우 얼굴 이미지가 심할 경우 얼굴 인식 알고리즘의 인식률도 저하됩니다. 급격한 감소.
3. 표정 문제
울음, 웃음, 화남 등 표정의 큰 변화도 얼굴 인식의 정확성에 영향을 미칩니다. 기존 기술은 이러한 측면을 꽤 잘 처리합니다. 입을 벌리거나 과장된 표정을 짓는 경우에도 컴퓨터는 3차원 모델링과 자세 및 표정 교정 방법을 통해 이를 교정할 수 있습니다.
4. 가려짐 문제
비협조적인 조건에서 얼굴 이미지 수집의 경우 가려짐 문제는 매우 심각한 문제입니다. 특히 감시 환경에서는 모니터링 대상이 안경, 모자, 기타 액세서리를 착용하는 경우가 많아 수집된 얼굴 이미지가 불완전할 가능성이 높으며 이는 이후의 특징 추출 및 인식에 영향을 미치고 심지어 실패하는 얼굴 감지 알고리즘에도 영향을 미칩니다.
5. 연령의 변화
연령의 변화에 따라 사람은 10대에서 청년, 노인으로 변하고 외모도 크게 변하여 인식률이 저하될 수 있습니다. 연령대에 따라 얼굴 인식 알고리즘의 인식률도 다릅니다. 이 문제의 가장 직접적인 예는 신분증 사진의 식별입니다. 우리나라의 신분증 유효 기간은 일반적으로 20년입니다. 이 20년 동안 모든 사람의 외모는 필연적으로 크게 변하기 때문에 식별에 있어서도 큰 어려움이 있습니다. . 질문.
6. 얼굴 유사성
개인마다 큰 차이는 없습니다. 모든 얼굴의 구조는 비슷하며, 심지어 얼굴 기관의 구조와 생김새도 매우 유사합니다. 이러한 특성은 위치 파악을 위해 얼굴을 사용하는 경우에는 유리하지만, 사람을 구별하기 위해 얼굴을 사용하는 경우에는 불리합니다. 특정 연예인을 흉내내기 위한 메이크업이나 성형수술 등 인적 요인은 이 문제를 더욱 어렵게 만든다. 특히 쌍둥이 문제의 경우, 안면인식 시스템이 정확하게 쌍둥이를 식별할 수 있는지 여부가 학계에서 논란의 대상이 되고 있다. 일부 전문가들은 안면인식 기술로는 쌍둥이를 전혀 구별할 수 없다고 생각한다.
7. 동적 인식
비협조적인 얼굴 인식의 경우 움직임이나 잘못된 카메라 초점으로 인해 얼굴 이미지가 흐려지면 얼굴 인식 성공률에 심각한 영향을 미칩니다. 이러한 어려움은 지하철, 고속도로 검문소, 역 검문소, 슈퍼마켓 소매치기 방지 및 국경 검문소와 같은 보안 및 모니터링 식별 사용에서 분명히 두드러집니다.
8. 얼굴 위조 방지
인식을 위한 얼굴 이미지를 위조하는 주요 속임수 방법은 3차원 모델을 구축하거나 일부 표정을 접목하는 것입니다. 얼굴 위조 방지 기술이 향상되고 3D 얼굴 인식 기술, 카메라 및 기타 지능형 컴퓨팅 비전 기술이 도입되면서 식별을 위한 위조 얼굴 이미지의 성공률이 크게 낮아질 것입니다.
9. 샘플 부족
얼굴 인식 분야에서는 현재 통계 학습 기반의 얼굴 인식 알고리즘이 주류를 이루고 있지만, 통계 학습 방법에는 많은 훈련이 필요합니다. 고차원 공간에서 얼굴 이미지의 분포는 불규칙한 다양체 분포이므로, 얻을 수 있는 샘플은 얼굴 이미지 공간의 아주 작은 부분만 샘플링합니다. 작은 샘플에서 통계적 학습 문제를 해결하는 방법은 추가 연구로 남아 있습니다. . 연구. 또한, 현재 훈련에 참여하고 있는 얼굴 이미지 데이터베이스는 기본적으로 외국인의 이미지이고, 중국인과 아시아인의 얼굴 이미지 데이터베이스가 거의 없어 얼굴 인식 모델 훈련이 더욱 어렵다.
10. 이미지 품질 문제
얼굴 이미지는 다양한 수집 장비로 인해 획득된 얼굴 이미지의 품질도 다를 수 있습니다. 특히 해상도가 낮고 노이즈가 많으며 품질이 낮은 경우에는 더욱 그렇습니다. 얼굴 이미지(예: 휴대폰 카메라로 촬영한 얼굴 이미지, 원격 모니터링으로 촬영한 이미지 등)에서 얼굴 인식을 효과적으로 수행하는 것은 주의가 필요한 문제입니다. 마찬가지로 고해상도 이미지가 얼굴 인식 알고리즘에 미치는 영향에 대한 추가 연구가 필요합니다. 이제 얼굴 인식을 수행할 때 일반적으로 동일한 크기, 매우 유사한 해상도의 얼굴 이미지를 사용하므로 이미지 품질 문제는 기본적으로 해결될 수 있지만 현실에서는 더 복잡한 문제에 직면하여 여전히 계속해야 합니다. 처리를 최적화합니다.
얼굴 인식의 안전 위험
최근 몇 년 동안 얼굴 인식 기술은 점점 더 혁신적이고 획기적인 발전을 이루었으며 다양한 산업에서 구현되는 응용 프로젝트는 모두에게 분명하지만 현재 기술은 여전히 기술을 따라잡을 수 없습니다. 예를 들어, 올해 새로운 코로나 바이러스 공격으로 인해 우리나라의 많은 얼굴 제품이 마스크를 착용한 상태에서 사람을 스캔하고 식별할 수 없게 되었는데, 이후 주요 제조업체에서는 즉시 알고리즘을 업데이트했습니다. 또한 시간은 우리에게 미래의 불확실성, 확실성 앞에서 기술은 정적으로 머물 수 없으며 지속적인 혁신과 돌파구가 필요하다는 사실을 상기시켜주었습니다.
또한 다양한 조명과 각도에서 얼굴을 더 잘 인식하는 방법은 무엇입니까? 어떻게 명확하고 정확하게 신원을 판별할 것인지와 같은 문제는 여전히 해결해야 할 기술적 문제점입니다.
2012년에 실시된 연구에 따르면 공급업체인 Cognitec이 제공하는 얼굴 알고리즘은 백인보다 아프리카계 미국인을 식별하는 데 5~10% 더 나쁜 것으로 나타났습니다. 또한 연구원들은 중국, 일본 및 한국에서 개발된 얼굴 인식 모델이 백인과 백인을 구별하는 데 어려움이 있음을 발견했습니다. 백인과 동아시아인. 올해 2월 MIT 미디어랩 연구진은 마이크로소프트, IBM, 중국 제조업체인 메그비(Megvii)의 안면인식 기술이 밝은 피부의 여성을 식별하는 데 최대 7%의 오류율이, 어두운 피부의 여성을 식별하는 오류율이 최대 7%에 달한다는 사실을 지적했다. 남성은 12%, 검은 피부의 여성은 35%에 달했습니다.
알고리즘 오류의 예는 훨씬 더 많습니다. 최근 연구 결과에 따르면 런던 경찰청이 배포한 시스템은 실제로 사용될 때마다 최대 49개의 허위 일치 항목을 생성한 것으로 나타났습니다. FBI는 지난해 안면인식 기술에 대한 하원 감독위원회 청문회에서 범죄 용의자를 식별하는 데 사용되는 알고리즘에 최대 15%의 오류율이 있다고 인정했습니다. 또한 버지니아 대학교 연구원들이 진행 중인 연구에 따르면 잘 알려진 연구 이미지 컬렉션인 ImSitu와 COCO(Facebook, Microsoft 및 스타트업 MightyAI에서 구축)가 스포츠, 요리 및 기타 다양한 분야에서 낮은 성능을 보였습니다. 활동 설명에는 분명한 성별 편견이 있습니다. 예를 들어 쇼핑 이미지는 일반적으로 여성과 관련이 있는 반면 코칭 이미지는 남성과 관련이 있는 경우가 많습니다.
다양한 조명과 각도에서 얼굴을 더 잘 인식하는 방법은 무엇입니까? 어떻게 명확하고 정확하게 신원을 판별할 것인지와 같은 문제는 여전히 해결해야 할 기술적 문제점입니다.
그러나 편견 문제가 해결되고 안면인식 시스템이 모든 사람에게 공정하고 공평하게 운영될 수 있다고 해도 여전히 실패할 위험이 있습니다. 다른 많은 인공지능 기술과 마찬가지로, 편향 요인을 완전히 제거하더라도 안면인식 솔루션은 대개 어느 정도의 오류가 존재합니다. 모든 도구는 선과 악을 위해 사용될 수 있으며, 도구 자체가 강력할수록 그로 인해 얻을 수 있는 이점이나 해로움이 더욱 분명해집니다.
관련 지식이 더 궁금하시다면FAQ칼럼을 방문해 주세요!
위 내용은 얼굴인식의 단점은 무엇인가요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!