Nejnavštěvovanější odborný web
pro stavebnictví a technická zařízení budov
estav.tvnový videoportál

Rozpoznávání obličejů

Lidská tvář hraje důležitou roli v naší sociální interakci a dokresluje osobnosti lidí. Použití tváře jako klíče k bezpečnosti s využitím biometrické technologie rozpoznání obličeje získalo v posledních několika letech díky svému potenciálu značnou pozornost.

Ve srovnání s jinými biometrickými systémy, jako je otisk prstu, zobrazení krevního řečiště nebo duhovky oka, má rozpoznávání obličejů nesporné výhody, protože snímání identifikačních znaků osoby může probíhat ve větší vzdálenosti od snímacího zařízení.

Hovoříme-li o rozpoznání obličejů, je třeba rozlišit dva základní případy, a to zda se rozpoznání děje s interakcí identifikované osoby nebo bez ní. V prvním případě se osoba aktivně účastní procesu rozpoznání obličeje a zastaví se například ve vymezeném prostoru před snímacím zařízením, kde vyčká rozhodnutí. Těchto zařízení se nejčastěji využívá v systémech kontroly vstupu jako alternativa ke klasickým čtečkám karet nebo otisků prstů.

Pokud je třeba provést rozpoznání obličeje bez interakce identifikované osoby, v živém videu nebo v záznamu s množstvím osob, je úloha daleko náročnější a budeme se jí dále věnovat. Pro tyto účely lze využít standardní IP kamery, které jsou připojeny do speciálního software s databází zájmových osob. Výkonově náročný biometrický algoritmus vyhledá v obraze jednotlivé obličeje, provede biometrickou analýzu a porovná výsledek s databází. To vše se provádí v reálném čase. Podobně jako u jiných biometrických systémů je výsledkem porovnání určitá míra shody porovnávaného vzorku s obsahem databáze. Operátor je upozorněn na případy, kdy míra shody překročí přednastavený práh pravděpodobnosti identifikace osoby. Snímky mohou být zaznamenány a archivovány pro pozdější detailnější analýzu.

Obecně platí, že pro rozpoznání obličejů v živém videu lze použít standardní kamerové systémy, ale v praxi však ve většině případů nevyhovuje umístění kamer, neboť byly navrženy jako přehledové nebo s jinou konkrétní funkcí. Je proto třeba v mnoha případech doplnit samostatné kamery určené pouze pro detekci obličejů. Pro úspěšnost rozpoznání je třeba dodržovat několik základních pravidel.

Technické podmínky pro rozpoznávání obličejů

  1. Viditelnost obličeje - části obličeje, jako jsou oči, nos a ústa by neměly být zakryty. Obličej musí být dostatečně osvětlen, ale nesmí být přesvětlen např. přímým slunečním světlem nebo reflektorem.

  2. Rozlišení kamery – pro systémy rozpoznávání obličeje je vyžadován digitální obraz tváře, který má minimálně 40 pixelů mezi zorničkami očí. Optimální vzdálenost je však 80-100 pixelů. Pokud bude hodnota nižší než 40 pixelů, prudce klesá úspěšnost identifikace (nikoliv rozpoznání) osoby.

  3. Počet obličejů v jednom snímku - snímek video streamu může obsahovat více tváří.
    S ohledem na rozlišení kamery a požadavek na minimální počet obrazových bodů mezi zorničkami očí lze snadno odvodit, kolik obličejů „se vejde“ do snímku kamery s různým rozlišením, až do mezní hodnoty stanovené podle dostupného výpočetního výkonu.

    Rámec 650 pixelů na obrázku zhruba představuje normální rozlišení analogové CCTV kamery a přibližnou velikost tváře v obraze, pokud je 100 pixelů mezi očima.  Je však nutné uvažovat, jaká úloha rozpoznávání obličejů je v konkrétním projektu řešena. Zda je požadováno rozpoznávání nebo identifikace. Tomu odpovídá i návrh serverového hardware, který dokáže úlohu zvládnout v požadovaném čase a kvalitě.

  4. Úhel natočení obličeje – mezi úlohy rozpoznávání obličeje patří zjednodušeně řečeno rozpoznání kontur obličeje, jako jsou oči, koutky úst, kořen nosu a jejich vzájemný poměr vzdáleností. Čím více takových bodů odpovídá uloženému vzoru v databázi, tím přesnější je identifikace osoby.

    Svou roli hraje natočení obličeje, které je optimálně menší než +/- 15stupňů horizontálně a +/- 15 stupňů vertikálně. Při překročení těchto hodnot dochází k defomaci poměru vzdáleností obličejových kontur a tím se znepřesňuje výsledek identifikace.

Měření výkonnosti rozpoznávacích algoritmů

Na trhu existuje množství produktů s různými algoritmy. Není výjimkou, že dva různí výrobci software používají stejný algoritmus s různě nastavenými parametry. Pro účely měření výkonu a kvality algoritmů pro rozpoznávání obličejů zavedl americký institut NIST (US National Institute for Standards and Technology) metodiky, které testují schopnosti software různých výrobců. Testy jsou prováděny na velmi rozsáhlých databázích, které obsahují více než 1,8 milionů osob a jejich fotografií.

Algoritmy rozpoznávání lze nastavit mnoha způsoby a pro různé podmínky. NIST měří desítky technických parametrů v různých světelných konfiguracích, ale pro vyhodnocení celkové úspěšnosti rozpoznávání jsou tyto klíčové hodnoty:

FMR (False Match Rate)
FMR je procento snímků, kde došlo k nalezení osoby v databázi, ale osoba ve skutečnosti databázi nebyla.

FNMR (False Non-Match Rate)
FNMR je procento snímků, kde nedošlo k nalezení osoby v databázi, ale osoba v databázi byla.

Vyhodnocení schopností algoritmů různých výrobců je publikováno v přehledných tabulkách, podle kterých se mohou uživatelé rozhodovat při návrhu koncového systému.

Spolupráce Siemens a NEC

Je zřejmé, že výkonnost, rychlost a efektivnost biometrického algoritmu je klíčová pro celkovou úspěšnost systému rozpoznání obličejů. Po pečlivém zkoumání možností jednotlivých systémů zvolila společnost Siemens, s.r.o. za svého partnera společnost NEC a její systém NeoFace Watch. Algoritmus systému byl vyvíjen společností NEC v průběhu posledních 25 let a je použit v mnoha projektech po celém světě, což dává záruku spolehlivosti a kvalitního řešení.


Siemens, s.r.o.
logo Siemens, s.r.o.

Systémy automatizovaného řízení budov, systémy řízení energetických systémů, systémy řízení kotelen a předávacích stanic CZT. Přístroje pro měřicí a regulační techniku, integrované systémy budov, konzultace, projekty, software, dodávky na klíč, projekty ...