研究:即便是最好的人臉識別算法也會受到口罩幹擾

2021-01-15 太平洋電腦網

據外媒報導，研究人員發現，口罩不僅能有效防新冠肺炎等空氣傳播疾病的傳播，還能成功阻止面部識別算法。 美國國家標準與技術研究所(NIST)在周一發布的一份報告中指出，口罩甚至還能給最先進的面部識別算法造成障礙。 至於錯誤率，從5%到50%不等，具體多少則取決於算法的能力。

這些結果令面部識別行業感到不安。在新冠病毒大流行期間，因為人們開始佩戴口罩，人臉識別行業一直在忙著開發僅通過眼睛和鼻子識別人的算法。

口罩是限制疾病傳播的必要工具，美國政府要求民眾戴上這些防護工具。然而這些口罩給面部識別軟體帶來了麻煩，進而使得科技公司不得不做出調整。比如 蘋果 已經推出了一項技術更新，從而使得Face ID可以在人們戴著面罩的情況下有效。

人臉識別算法依賴於獲取儘可能多的個人圖像數據點，而口罩往往會帶走大量有價值的識別信息。該研究發現，雖然人臉識別算法面臨的挑戰已經夠多，像不適當的光線、糟糕的角度都能欺騙到它，而口罩則讓情況變得更糟。

研究發現，當看到人們戴著面具的圖像時，一種算法的錯誤率從0.3%上升到5%。據悉，該研究測試了89種人臉識別算法對口罩的有效性。

這項測試著眼於算法的「一對一」匹配能力--本質上是將一張人的照片跟另一張人的照片進行對比，但他們都戴上了面具。為此，NIST使用了600萬張圖片進行研究並使用了數字遮罩，而覆蓋層則有不同的變化。

研究還發現，鼻子被遮住的部位越多，口罩對算法的阻礙性就越強。研究還顯示，黑色面罩比藍色面罩更容易騙過算法。

NIST表示，這是圍繞面部識別和口罩進行的一系列測試中的第一個。該機構計劃在今年夏天晚些時候測試專門為覆蓋物創建的算法，其希望算法能在檢測戴口罩的人方面有所改進。。

「隨著疫情的到來，我們需要了解人臉識別技術是如何處理佩戴口罩的面部的，」NIST研究人員Mei Ngan表示，「我們已經開始關注在大流行之前開發的算法如何受到戴口罩的受試者的影響。」

【來源：cnBeta.COM】

相關焦點

  • 戴口罩人臉識別準確性取得重大突破
    近日，NIST在一份報告中指出，新冠病毒大流行以來，蒙面（戴口罩）人臉識別的準確性已經大幅提升。「來自開發人員的一些較新算法在性能上比之前的要好得多。有些新算法的準確性比舊算法提高了10倍。」該研究的作者之一NIST的Mei Ngan透露。
  • 黑客如何用一副紙眼鏡,就「弄瞎」人臉識別算法?
    人臉識別可以簡單地理解為把密碼寫在臉上，刷臉就是刷卡。破解了人臉識別功能，就是破解了身份認證的唯一性。黑客佩戴眼鏡之後，會被人臉識別算法誤認為手機主人，解鎖手機。為什麼只戴一副列印的紙眼鏡，就可以「弄瞎」手機的人臉識別算法？先講解步驟，再給出前沿學術論文的解釋。
  • 開箱即用的人臉識別算法大盤點
    從上面的流程可以看到，一個真正work的人臉識別系統，是包含多個流程的。在多數場合，中間還需要加一個"活體檢測"的步驟，也就是判斷人臉是真的人臉，還是別人拿照片或者視頻錄像假冒的；如果你是從視頻中檢測人臉，還需要加一個"人臉質量分"判斷，也就是判斷一個視頻序列中哪個人臉質量最好，然後將最好的這個人臉送入到人臉識別系統。
  • 辨真假 | 關於人臉識別的這些傳說,真?假?
    近日，有關「人臉識別」系統的各種報導受到廣泛關注。前有國內「人臉識別第一案」宣判；後有「94歲老人被抱起做人臉識別」「為躲人臉識別戴頭盔看房」。一時間，圍繞「人臉識別」系統的法律問題、執法監管以及實踐應用等討論讓這項黑科技愈發可疑，「人臉識別系統想安就能安」「設置人臉識別會增加銀行卡盜刷風險」「人臉信息一旦洩露無法挽回」「戴口罩也能被人臉識別」……這些說法孰真孰假？「真真」為您查證事實，解惑「人臉識別」問題。
  • 人臉識別核心算法及技術解析
    1、在檢測到人臉並定位面部關鍵特徵點之後，主要的人臉區域就可以被裁剪出來，經過預處理之後，饋入後端的識別算法。識別算法要完成人臉特徵的提取，並與庫存的已知人臉進行比對，完成最終的分類。我們在這方面的主要工作包括：本文引用地址：http://www.eepw.com.cn/article/201710/368495.htm　　· 基於LGBP的人臉識別方法　　問題：　　統計學習目前已經成為人臉識別領域的主流方法，但實踐表明，基於統計學習的方法往往會存在「推廣能力弱」的問題
  • 人臉識別技術理論
    人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在於是否擁有尖端的核心算法，並使識別結果具有實用化的識別率和識別速度；「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現
  • 在人臉識別的「統治」陰影之下……
    人臉識別系統的算法決定其用途人臉識別科技的優劣在於其算法的質量。也就是說，它也是一種發揮自己被賦予的既定功能的技術。例如，目前冠狀病毒肆虐，人們為了避免病毒傳播，常會將臉遮擋起來，這是人臉識別技術的發明者們正在努力去適應的新世界。
  • 依圖NIST奪冠,解密人臉識別算法原理
    依圖科技其實是第二次獲得NIST比賽人臉識別冠軍，去年6月NIST官方公布的測試結果中，依圖在千萬分之一誤報下達到識別準確率95.5%，是當時全球工業界在此項指標下的最好水平。今年依圖將這一指標提升到了接近極限的水平，即在千萬分之一誤報下的識別準確率已經接近99%。
  • 人臉識別技術介紹和表情識別最新研究
    早在二十世紀初期，人臉識別已經出現，於二十世紀中期，發展成為獨立的學科。人臉識別真正進入應用階段是在90年代後期。人臉識別屬於人臉匹配的領域，人臉匹配的方法主要包括特徵表示和相似性度量。人臉識別通用的流程主要包括人臉檢測、人臉裁剪、人臉校正、特徵提取和人臉識別。人臉檢測是從獲取的圖像中去除幹擾，提取人臉信息，獲取人臉圖像位置，檢測的成功率主要受圖像質量，光線強弱和遮擋等因素影響。
  • 紅外人臉識別和3D結構光人臉識別有什麼區別
    導讀 人臉識別技術有靜態和動態人臉識別之分，也有2D和3D人臉識別之分，還有可見光和紅外光人臉識別之分。其中紅外人臉識別和3D人臉識別的結構光人臉識別的媒介是紅外光。
  • 關於faceID——近紅外人臉識別技術的分析介紹
    各類人臉識別方法的關鍵都在於，提取人臉數據中與身份相關的本質特徵，同時消除其中受非身份因素影響的部分，非身份因素一般包括：環境光照、姿態、表情、飾物等。其中，光照問題在實際應用中最為重要，用戶普遍要求人臉識別系統能適應不同的光照環境。 一般的人臉識別系統都採用普通的可見光人臉圖像進行識別，這類系統容易受到環境光線變化的影響，在識別之前往往需要採用一些預處理算法對光照進行處理。
  • COVID大流行推動人臉識別技術應用
    最近的例子是俄羅斯利用面部識別軟體來維持封鎖限制，而在法國，監控程序顯然已經過測試，其最終目標是在指示封鎖時利用視頻監控攝像頭來決定居民是否遵守社會距離規則和戴口罩。 隨著人臉識別技術投資的增加和創新的發展，我們看到人臉識別在某些用例（包括新用例）中的採用正在擴大。在這裡，COVID大流行已證明是一個關鍵的驅動因素。
  • 人臉識別技術面臨的困難與挑戰
    雖然人臉識別技術的便捷性受到認可，但受訪者對其安全性感受一般，很多時候遭遇強制要求使用現象，受訪者表示在交通安檢、實名登記、開戶銷戶、支付轉帳等多個場景中遇到過強制要求人臉識別，即沒有指紋、密碼、刷卡、籤到等其他替代方案的情形。
  • 不同的人臉識別算法解析
    導讀 在人臉識別領域，有一些比較經典的算法，例如特徵臉法（Eigenface）、局部二值模式法、Fisherface等，不過在這裡選擇了一個目前應用比較廣泛且流行的方法作為示例
  • 既要高精度也要高性能,人臉識別主流算法大合集
    在系列文章的第一篇一文看懂人臉識別技術發展脈絡中，回顧了人臉識別算法的發展歷程，介紹了人臉識別算法從傳統機器學習算法到現在的深度學習算法的演進歷程。接下來，我們將詳細介紹一下人臉識別常見的應用方式，以及現在主流的人臉識別算法。1.
  • 「照片脫敏」：新照片隱私技術能擊敗人臉識別AI算法
    一秒鐘之內，人眼只能掃描幾張照片而計算機卻能執行數十億次（人臉識別）計算。隨著社交媒體的爆炸式增長，圖像已成為網際網路上的新社交貨幣。如今，Facebook和Instagram等主流社交媒體都在自動為照片中的用戶添加標籤，而Google Photos可以使用Google自己的圖像識別技術識別照片中的用戶並進行分組。
  • 人臉識別系統的幾個過程淺析
    人臉識別系統的幾個過程淺析 　　人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展得到提高，而真正進入初級的應用階段則在90年後期；最近幾年隨著以深度學習為主的人工智慧技術進步，人臉識別技術得到了迅猛的發展。
  • 基於小波包變換和壓縮感知的人臉識別算法
    壓縮感知理論的出現和發展，給人臉識別帶來了新的啟發，使得基於稀疏表示的人臉識別技術得到了廣泛研究。傳統的基於稀疏表示的人臉識別是利用壓縮感知超完備庫下的稀疏表示，將訓練圖片直接構造為冗餘字典，再求解重構算法下的最優稀疏線性組合係數，然後根據這些係數來對人臉圖像進行分類。
  • 虹軟開放平臺算法上新 助力全面拓展人臉識別細分化場景
    在其賦能之下，刷臉門禁、刷臉考勤、刷臉公交、人臉識別智慧垃圾桶、人臉識別智能廁紙機等各行業領域的創新應用層出不窮，深有百花齊放之勢。而伴隨著應用的大規模爆發，不同行業、不同業務場景對於人臉識別算法、硬體產品也有了更細分化需求。
  • 應用層下的人臉識別(三):人臉比對
    這兩個特性使人臉1:n能迅速落地於公安追捕逃犯，但時其難度要遠高於人臉1:1 。（其通常會受到光照變化、人臉姿態的影響——比如側臉、低頭、逆光現象，會大大提升人臉漏報率。）人臉1:n中「n」的大小（人臉庫照片的數量）會影響人臉識別的準確率和比對速度，所以比對人臉庫規模會設置的相對較小。3.