Forskare vid USC Information Sciences Institute (ISI) i Kalifornien har nyligen genomfört en studie som undersökte om man kan förbättra ansiktsigenkänningsverktyg genom att komplettera blockerade ansikten med hjälp av artificiella neurala nätverk (ANN). Deras studie härstammar från IARPA Odin forskningsprojekt, som syftar till att identifiera sanna och falska ansikten i bilder, i slutändan för att förbättra prestandan för biometriska autentiseringsverktyg.

Ansiktsstängningar (dvs. ett föremål som täcker eller skärmar en persons ansikte) kan resultera i en betydande förlust av information och därmed hindra utförandet av verktyg för ansiktsigenkänning. När du försöker kringgå biometriska identifieringsverktyg, därför, angripare bär ibland solglasögon, halsdukar, hattar eller andra föremål som kan förvirra algoritmer för ansiktsigenkänning.

"Den grundläggande tanken bakom vår studie är att en angripare kan försöka använda ocklusioner, som solglasögon, tatueringar i ansiktet, etc. för att undvika ansiktsidentifiering, "Wael AbdAlmageed, huvudutredaren för studien, berättade TechXplore. "Väsentligen, vår idé är att om vi faktiskt kan upptäcka dessa ocklusioner, ta bort dem och slutföra ansiktet, som om det inte finns någon ocklusion, vi kommer i huvudsak att göra de efterföljande ansiktsidentifieringsalgoritmerna bättre och mer exakta. Så det huvudsakliga målet är att förbättra biometrisk autentisering och mäta effekten av ansiktsluckningar på biometriska system. "

Även om de senaste åren forskare har försökt utveckla mer robusta modeller för ansiktsigenkänning, de flesta av dessa kan fortfarande inte hantera ocklusioner. Vissa studier har försökt förbättra dessa modellers prestanda genom att ta itu med frågan om ocklusioner under träning. Istället för att ta detta tillvägagångssätt, AbdAlmageed och hans kollegor bestämde sig för att undersöka potentialen hos modeller som automatiskt kan slutföra delvis skymda eller täckta ansikten.

"Vi försökte visa att borttagning av tilltäppningar och komplettering av de saknade delarna av ansiktet förbättrar noggrannheten hos alla algoritmer för ansiktsigenkänning, "Sa AbdAlmageed.

Forskarna utvecklade en ansiktsavslutande kodare-avkodare baserad på en konvolutionsoperatör med en grindmekanism. De tränade sedan denna modell på flera bilder av ockluderade ansikten.

AbdAlmageed och hans kollegor undersökte effekterna av realistiska ocklusioner på ansiktsigenkänningsmodellernas prestanda genom att göra 3D-objekt på olika ansiktsdelar och undersöka hur de påverkade igenkänningen av personen i en given bild. De testade effektiviteten av deras kodare-avkodare för generativ ansiktsfyllnad i omfattande experiment med hjälp av datasetet Labeled Faces in the Wild (LFW) och dess variant LFW-BLUFR. Deras resultat tyder på att ansiktsfärdigställande delvis kan förbättra ansiktsuppfattningsförmågan hos maskinsyn när de behandlar ockluderade ansiktsbilder.

"Det viktigaste fyndet är att upptäcka ocklusioner, att ta bort dem och fylla de saknade delarna av ansiktet är mycket kritiska steg mot säkrare biometriska system, "Sa AbdAlmageed." Tyvärr, dessa är mindre chartrade områden än själva ansiktsigenkänningen, men jag tror att vårt arbete försöker öka medvetenheten om forskarsamhället för att lösa dessa mycket hårda forskningsproblem. "

Studien utförd av AbdAlmageed och hans kollegor introducerar en livskraftig lösning för att ta itu med de negativa effekterna av ansiktsluckningar på prestandan av verktyg för ansiktsigenkänning. I framtiden, deras tillvägagångssätt kan i slutändan främja datorsyn och verktyg för biometrisk autentisering.

"Vi arbetar nu med algoritmer för att upptäcka olika typer av ocklusioner som i huvudsak slutför vår pipeline, "AbdAlmageed sa." Detta kommer att ge oss en möjlighet att testa och utvärdera vårt system i verkliga scenarier som vi gör i IARPA Odin-programmet. "

© 2019 Science X Network