臉部辨識與人工智慧的事實

Amazon Rekognition 可讓您輕鬆地在應用程式新增高度準確的影像和影片分析。與許多先進技術一樣,了解臉部辨識的運作原理以及其用途十分重要。讓我們來看看一些最常見的問題。

什麼是臉部辨識?

臉部辨識是一種從影像或影片中識別人物的系統。這項技術已經存在了幾十年,但在過去的幾年裡,它的應用越來越明顯和普及,因為它現在為創新解決方案提供技術支援,例如個人照片應用程式和行動裝置的二次認證。為了了解這些新功能,我們首先要討論臉部辨識的工作原理。

臉部分析功能 (例如 Amazon Rekognition 中提供的功能) 讓使用者能夠辨識影像或影片中人臉的位置及這些臉部的屬性。例如,Amazon Rekognition 可分析睜眼或閉眼、情緒和頭髮顏色等的屬性。這些偵測到的屬性可以方便讓客戶利用中繼資料標籤 (例如、快樂、眼鏡、年齡範圍),在幾秒鐘內整理或搜尋數百萬張影像或識別人物 (也就是使用來源影像或者唯一識別符進行臉部辨識)。

客戶如何使用臉部辨識?

臉部辨識在許多應用程式和行業垂直領域都很實用。今天,我們看到這項技術幫助新聞機構識別重要活動的名人、為行動應用程式提供次要身份驗證、自動為媒體和娛樂公司建立影像和影片檔案的索引,以及讓人道主義團體識別和拯救人口走私受害者。

例如,Marinus Analytics 利用人工智慧和 Amazon Rekognition,為代理商提供工具,例如 Traffic Jam,幫助他們識別和定位人口走私的受害者。調查人員透過使用影像分析,在幾秒鐘內自動搜尋數百萬筆記錄來節省寶貴的時間。這在以前,調查人員需要分析每一筆記錄。

另一個例子是 Aella Credit,這是一家位於西非的金融服務公司,透過行動應用程式,為新興市場的個人提供金融服務。利用 Amazon Rekognition 的臉部偵測和比較能力,Aella Credit 可以提供身份驗證,無需任何人為干預。這種臉部辨識的簡單應用,能為更多的人提供更好的金融服務。您可以在這裡找到 Amazon Rekognition Customers 的其他客戶使用案例。

我該如何負責任地應用臉部辨識?

使用臉部辨識時絕不能違反個人權利,包括隱私權,或對需要由人類進行分析的情景做出自主決定。例如,當銀行在財務應用程式中使用 Amazon Rekognition 等工具來驗證其客戶身份時,銀行應一律的清楚讓客戶知道自己會使用該技術,並要求客戶批准這些條款和條件。關於公共安全和執法,我們認為政府可以自由地與執法機構合作擬定面部識別技術可接受的使用政策,既保護公民的權利,又能讓執法部門保護公眾的安全。

在所有公共安全和執法案例中,像 Amazon Rekognition 這樣的技術只能用於縮小潛在比對領域。Amazon Rekognition 為官員快速提供一系列潛在的面孔,以便做進一步的人工分析。鑑於公共安全使用案例的嚴重性,人體判斷是增強臉部辨識的必要條件,臉部辨識軟體的使用應得到監控。

正如 Matt Wood 博士所言:“機器學習是一個非常有價值的工具,可以幫助執法機構。雖然人們擔心它被用於其他目的,但我們不能因為溫度可能會被設定錯誤,造成比薩餅被烤焦,便因此扔掉烤箱。然而,從公共安全角色來看,政府權衡得失並規定執法機構應當符合的溫度 (或信任度),是一種很合理的想法。”

臉部辨識在 Amazon Rekognition 中如何運作?

使用機器學習和電腦視覺技術建置 Rekognition 臉部比對。其運作方式如下:(1) 找到包含臉部的輸入影像的部分。(2) 擷取包含頭部的影像區域,對齊該區域,使臉部處於「正常」垂直位置,並且輸出裁剪後的臉部影像。(3) 將每張裁剪後的臉部影像轉換為「臉部向量」(從技術上來說,這是臉部影像的數學表示)。請注意,SearchFaces 搜尋的集合是臉部向量集,而不是臉部影像集。(4) 比較來源和目標臉部向量,並傳回系統針對臉部向量給出的相似度分數。如需 API 呼叫的詳細資訊,請參閱開發人員文件

什麼是相似度分數和相似度閾值?

相似度分數是 Amazon Rekognition 分析時,影像中兩張臉是同一個人的可能性的統計量度。例如,接收到 95% 相似性分數的影像,表示在 Rekogniton 所有分析的臉部中,該影像與被搜尋的臉部具有 95% 的相似性。相似性分數越高意味著兩個影像來自同一身份的可能性越大。也就是說,即使 99% 的相似性也不能保證它是一個十拿九穩的吻合。

這是因為 Rekognition 使用所謂的機率系統,其中無法做到百分百的準確度,而是使用預測。

這就是相似性閾值派上用場的地方。相似性閾值,是使用 Rekognition 的應用程式願意接受臉部吻合的最低相似性分數。閾值的選擇對傳回的搜尋結果具有根本性影響。客戶可以提供的錯誤識別 (有時稱為“誤報”) 的數量,是閾值設定的直接結果。客戶將根據他們的需求和應用程式的使用案例來選擇適當的設定。

至於高度準確的臉部相似性比對,我們建議使用 99% 的閾值設定。例如,在公共安全和執法案例中,通常關鍵的第一步是協助縮小範圍並允許人們根據自己的判斷來迅速審查和考慮選項。

另一方面,許多案例不需要人工審查 Amazon Rekognition 回應。例如,具有員工識別證以及由 Amazon Rekognition 識別之高度 (99%) 相似性的臉部的次要因素身份驗證。或者個人照片收集應用程式,其中可以容忍一些不正確的比對,可以接受 80% 的較低閾值。客戶可以根據使用案例和需求的具體情況,調整相似度閾值。

什麼是名人辨識 API? 這與面部搜尋相同或不相同?

名人偵測旨在識別不同電影場景和環境中的潛在知名人士。由於名人經常扮演不同的角色 (不同的裝扮、假髮和其他扭曲的外觀),這個 Amazon Rekognition 功能已通過預先標記的資料訓練,可傳回特定名人清單中最有可能吻合的人物。按照設計,這種使用案例允許更多的誤報,而且不應用於公共安全或執法使用案例。 

相比之下,Rekognition 的臉部搜尋功能旨在告訴您兩個面孔之間的精確相似程度 - 它可以針對精確比對進行優化,並用於安全和公共安全應用,例如尋找失踪兒童並與父母團圓, 授權員工進入建築物,或識別和營救人口走私受害者。

這兩個功能所使用的基礎技術完全不同,它們能解決的問題以及它們所服務的客戶,也完全不同。

臉部辨識安全?

是。讓我們來看看一些關於臉部辨識及其運作方式的常見誤解。

首先,有些人認為人們可以比機器更好地比對臉部照片。然而,美國國家標準與技術研究院 (NIST) 最近分享了一項臉部辨識技術的研究,該技術使用的模型,比 Amazon Rekognition 使用的模型至少落後兩年,並得出結論:即使是較舊的技術也可能勝過人類臉部辨別功能。

其次,與所有機率系統一樣,僅僅存在誤報並不意味著臉部識別存在缺陷。相反,它強調需要遵循最佳實務,例如為指定的使用案例設定的合理相似性閾值。此外,該技術的優點之一是它會不斷學習和改進,因此可以隨著時間的推移而減少誤報次數。

如今,許多成功的客戶,如 Thorn、VidMob、Marinus Analytics 和 POPSUGAR,都在以簡單的方式使用臉部辨識功能,而且具有強大的影響力。

如何開始臉部辨識?

我要如何報告可能濫用 Amazon Rekognition 的行為?

如果您懷疑有人以濫用或違法的方式使用 Amazon Rekognition,以至於侵犯您或其他使用者的權利,請舉報此使用行為,AWS 將會調查此問題。 

進一步了解 Amazon Rekognition

按一下這裡