Dasar-dasar pengenalan wajah

Sejak dahulu kala, wajah manusia telah menjadi standar paling sederhana untuk identifikasi. Jadi, tidak mengherankan jika melihatnya sebagai teknik identifikasi biometrik yang paling nyaman. Tidak seperti metode biometrik lainnya seperti ucapan, sidik jari, geometri tangan, sidik telapak tangan, menganalisis wajah tidak memerlukan kerja sama aktif dari objek yang bersangkutan. Pengenalan wajah dapat dilakukan dari foto, video, atau pengambilan langsung.

Pengenalan wajah adalah istilah luas yang diberikan untuk proses mengidentifikasi atau memverifikasi orang dalam foto dan video. Metode ini terdiri dari deteksi, penyelarasan, ekstraksi fitur, dan pengenalan.

Meskipun memiliki beberapa tantangan praktis, pengenalan wajah dapat digunakan secara luas di berbagai bidang seperti perawatan kesehatan, penegakan hukum, reservasi kereta api, keamanan, otomatisasi rumah, dan kantor.

Dalam postingan ini, Anda akan menemukan hal berikut:

• Apa itu pengenalan wajah?
• Klasifikasi luas dari algoritme pengenalan wajah
• Berbagai tahapan sistem pengenalan wajah
• Ikhtisar blok penyusun pengenalan wajah
• Tinjau SDK pengenalan wajah

Apa itu pengenalan wajah?

Pengenalan wajah adalah teknik identifikasi biometrik di mana perangkat lunak menggunakan algoritma pembelajaran mendalam untuk menganalisis fitur wajah individu dan menyimpan data. Perangkat lunak kemudian membandingkan berbagai wajah dari foto, video, atau tangkapan langsung ke wajah yang tersimpan di database dan memverifikasi identitas. Biasanya, perangkat lunak mengidentifikasi sekitar 80 titik nodal yang berbeda pada wajah seseorang. Titik nodal berfungsi sebagai titik akhir untuk mendefinisikan variabel wajah individu. Variabelnya meliputi – bentuk bibir, mata, panjang dan lebar hidung, dan kedalaman rongga mata.

Popularitas pengenalan wajah dibandingkan dengan teknik biometrik lainnya berasal dari fakta bahwa teknik ini biasanya cenderung lebih akurat dan tidak terlalu mengganggu.

Klasifikasi algoritme pengenalan wajah Pengenalan wajah adalah teknik mengenali wajah yang sudah terdaftar di database. Sistem pengenalan wajah secara luas terlibat dalam dua tugas – verifikasi dan Identifikasi .

Verifikasi dimaksudkan untuk menjawab pertanyaan, “Apakah dia orang yang dia klaim?” Ketika seseorang mengaku sebagai orang tertentu, sistem verifikasi menemukan profilnya di database. Ini membandingkan wajah orang tersebut dengan yang ada di profil yang ada di database untuk memeriksa apakah mereka cocok. Ini adalah sistem pencocokan 1-ke-1 karena sistem harus mencocokkan wajah individu dengan wajah tertentu yang sudah ada di profil tertaut. Dengan demikian, verifikasi lebih cepat daripada identifikasi dan lebih akurat.

Dalam pengenalan wajah, sistem mencoba untuk memeriksa wajah masukan terhadap semua wajah yang ada di databasenya. Ini adalah sistem pencocokan 1-ke-n.

Berbagai tahapan sistem pengenalan wajah

Mari kita bicara tentang dua tahap sistem pengenalan wajah:pendaftaran dan pengakuan .

Pada tahap pertama atau tahap pendaftaran, satu set wajah yang dikenal didaftarkan. Ekstraktor fitur kemudian menghasilkan vektor fitur unik untuk setiap wajah yang terdaftar. Vektor fitur dihasilkan berdasarkan karakteristik wajah yang unik dari masing-masing wajah. Vektor fitur yang diekstraksi, yang unik untuk setiap wajah, menjadi bagian dari database terdaftar dan dapat digunakan untuk referensi di masa mendatang.

Pada tahap pengenalan, citra masukan diberikan kepada ekstraktor fitur untuk melakukan pengenalan wajah. Di sini juga, ekstraktor fitur menghasilkan vektor fitur yang unik untuk gambar wajah masukan. Vektor fitur ini kemudian dibandingkan dengan vektor fitur yang sudah tersedia di database. Blok 'klasifikasi berbasis fitur' membandingkan jarak antara karakteristik wajah input wajah dan wajah terdaftar database. Saat wajah yang terdaftar memenuhi kriteria yang cocok, klasifikasi berbasis fitur akan mengembalikan ID wajah yang cocok yang ditemukan di database.

Blok bangunan sistem pengenalan wajah

Komponen utama sistem pengenalan wajah adalah:deteksi wajah, deteksi tengara, deteksi keaktifan, modul pengenalan wajah (pengenalan wajah, identifikasi wajah/verifikasi wajah).

Pada permulaan, gambar atau bingkai dari aliran video dikirim ke modul deteksi wajah tempat wajah dideteksi dari gambar input. Sebagai output, ia mengirimkan koordinat kotak pembatas untuk wajah yang terdeteksi. Menariknya di sini adalah bahwa meskipun detektor wajah melokalisasi wajah gambar dan membuat kotak pembatas untuk setiap wajah, itu tidak menjamin keselarasan wajah yang tepat dan kotak yang diikat wajah tunduk pada jitter. Dengan demikian, diperlukan tahap pra-pemrosesan wajah untuk mendapatkan vektor wajah yang efektif. Tahap ini membantu dalam meningkatkan kemampuan deteksi wajah sistem.

Pra-pemrosesan wajah dilakukan di blok deteksi landmark, yang mengidentifikasi lokasi titik referensi (juga disebut sebagai titik tengara fiducial) pada wajah seperti mata, hidung, bibir, dagu, rahang. Landmark wajah yang terdeteksi ini kemudian dikompensasikan untuk perubahan spasial di wajah. Ini dilakukan dengan mengidentifikasi struktur geometris wajah dan memperoleh perataan kanonik berdasarkan berbagai transformasi seperti rotasi penskalaan translasi. Ini menghasilkan kotak pembatas ketat dari wajah dengan koordinat kanonik yang dinormalisasi.

Sebelum kami mengirim wajah yang disejajarkan ke modul pengenalan wajah, penting untuk memeriksa spoofing wajah untuk memastikan bahwa wajah diambil dari umpan langsung gambar atau video dan bukan wajah palsu untuk mendapatkan akses yang tidak sah. Detektor keaktifan melakukan pemeriksaan ini.

Gambar tersebut kemudian dikirim ke blok berikutnya, yaitu blok pengenalan wajah. Blok ini melakukan serangkaian tugas pemrosesan sebelum pengenalan wajah berhasil diselesaikan. Langkah pertama adalah pemrosesan wajah, yang diperlukan untuk menangani variasi intra-kelas dalam wajah input. Ini adalah langkah penting karena kami tidak ingin modul pengenal wajah terganggu oleh variasi seperti pose yang berbeda, ekspresi, perubahan iluminasi, dan oklusi yang ada pada gambar wajah masukan. Setelah variasi intraclass pada wajah input diselesaikan, langkah pemrosesan penting berikutnya adalah ekstraksi fitur. Fungsi ekstraktor fitur telah dibahas di atas.

Langkah terakhir dari modul pengenalan wajah adalah langkah pencocokan wajah, dimana dilakukan perbandingan antara vektor fitur yang diperoleh pada langkah terakhir dengan vektor wajah yang terdaftar di database. Pada langkah ini, kesamaan dihitung, dan skor kesamaan dihasilkan yang selanjutnya digunakan untuk identifikasi wajah atau verifikasi wajah sesuai kebutuhan.

Contoh SDK pengenalan wajah

Kami akan menggunakan solusi perangkat lunak SDK pengenalan wajah berlisensi dari PathPartner untuk menunjukkan cara menerapkan sistem deteksi wajah dan pengenalan wajah yang akurat. Terdiri dari pembelajaran mesin dan algoritme visi komputer, SDK memungkinkan Anda melakukan enam tugas penting pengenalan wajah.

SDK hadir dalam dua varian:

1. Varian kompleksitas rendah dengan ukuran model serendah 10 MB, cocok untuk perangkat akhir dengan memori dan daya pemrosesan rendah.
2. Varian kompleksitas tinggi dengan ukuran model 90MB yang cocok untuk perangkat edge layanan lengkap.

Algoritme dioptimalkan pada berbagai platform tertanam dari Texas Instruments, Qualcomm, Intel, Arm, NXP dan dapat bekerja lebih lanjut pada platform server cloud.

Mengembangkan sistem pengenalan wajah berbasis CNN

Pendekatan berbasis CNN lebih disukai daripada pendekatan berbasis non-CNN untuk mengurangi upaya memerangi tantangan seperti oklusi dan kondisi pencahayaan yang berbeda. Proses pengenalan mencakup langkah-langkah berikut:

Pengumpulan data

Kumpulan data yang tersedia untuk umum tidak mencakup semua parameter evaluasi yang penting untuk pengenalan wajah. Oleh karena itu, hal ini memerlukan pembandingan terperinci pada sejumlah dataset standar dan internal yang mencakup berbagai variasi yang dapat digunakan untuk analisis wajah. Variasi berikut didukung dalam SDK ini:pose, iluminasi, ekspresi, oklusi, jenis kelamin, latar belakang, etnis, usia, mata, penampilan.

Desain model pembelajaran mendalam

Kompleksitas model tergantung pada aplikasi pengguna akhir. SDK ini diimplementasikan dalam sistem pemantauan pengemudi (DMS) dan sistem kehadiran cerdas.

Sistem pemantauan pengemudi:untuk menilai kewaspadaan dan fokus pengemudi secara real-time, komputasi tepi diperlukan. Oleh karena itu, diperlukan sistem yang kuat dan kompleksitas rendah. Di sini, model pembelajaran mesin digunakan untuk deteksi wajah dan regresi tengara serta model CNN yang dangkal dan dalam untuk estimasi dan klasifikasi.

Pelatihan dan pengoptimalan

Modul sudah dilatih sebelumnya pada dataset yang disiapkan pada awalnya. Solusinya diuji pada berbagai kumpulan data sumber terbuka seperti FDDB, LFW, dan kumpulan data khusus yang dikembangkan sendiri.

Mengatasi berbagai tantangan

1. Variasi pencahayaan – untuk mengatasi masalah yang disajikan karena variasi kondisi iluminasi, dua pendekatan diadopsi. Salah satunya adalah konversi gambar seperti RGB ke NIR menggunakan pendekatan berbasis gantt. Yang lainnya adalah melatih model dengan data RGB dan menyempurnakannya dengan gambar NIR pada input.
2. Variasi pose dan ekspresi – jika gambar wajah tersedia dari tampilan non-frontal, tampilan kanonik gambar wajah perlu diturunkan dari satu atau beberapa gambar yang tersedia. Ini dicapai dengan memperkirakan perubahan pose sehubungan dengan sudut kepala berdasarkan titik-titik tengara dan kemudian menggunakan operasi miring, peregangan, pencerminan, dan operasi lain untuk mendapatkan arah depan. Hal ini memungkinkan sistem pengenalan wajah untuk menampilkan representasi invarian pose dan secara signifikan meningkatkan akurasi pengenalan wajah. Untuk memerangi efek karena perbedaan ekspresi, perataan wajah dilakukan pada tahap pra-pemrosesan.
3. Oklusi – saat ini, SDK sedang dilatih untuk mendeteksi wajah bertopeng. Dalam hal ini, model sedang dilatih untuk hanya bekerja dengan data dari sekitar mata dan dahi; namun, pendekatan ini memberikan hasil terbaik dalam lingkungan yang tidak terkendali seperti pengaturan kantor ketika sejumlah orang terdaftar dalam sistem.
4. Variasi tampilan – perbedaan gaya rambut, penuaan, dan penggunaan kosmetik dapat menyebabkan perbedaan besar dalam penampilan individu. Dengan demikian, menurunkan akurasi pengenalan wajah untuk sebagian besar. Untuk mengatasi masalah ini, SDK menggunakan skema representasi dan pencocokan yang kuat terhadap perubahan tampilan.

Kesimpulan

Saat ini pengenalan wajah dianggap sebagai yang paling alami dari semua pengukuran biometrik. Pembelajaran mendalam telah menjadi komponen utama dari sebagian besar algoritma pengenalan wajah yang sedang dikembangkan. Algoritma pengenalan wajah melihat kemajuan eksponensial. Menurut laporan NIST baru-baru ini, peningkatan besar dalam akurasi pengenalan telah dibuat dalam lima tahun terakhir (2013-2018) dan melampaui peningkatan yang dicapai pada periode 2010-2013.

Terlepas dari beberapa tantangan praktis, teknologi pengenalan wajah sedang banyak digunakan di berbagai industri seperti ritel, otomotif, perbankan, perawatan kesehatan, pemasaran, dan banyak lagi. Selain meningkatkan akurasi dalam mengenali seseorang, algoritme pengenalan wajah memperluas cakupannya dalam mendeteksi emosi dan perilaku wajah.