За последние десять лет московское метро претерпело значительные изменения в плане технологий оплаты. Теперь проезд можно оплатить, приложив не банковскую карту, а используя биометрические системы. Распознавание лиц также позволяет открыть счет в банке онлайн, вести операции на криптобирже или сдать экзамен дистанционно. Эти нововведения улучшили комфорт нашей повседневной жизни, но вносят в нее и новые угрозы, такие как возможность мошенничества с использованием дипфейков. Татьяна Дешкина, заместитель директора по развитию продуктов в VisionLabs, поделилась своими взглядами на существующие уязвимости в таких технологиях и способы их преодоления.
Среди всех биометрических систем идентификации Россия традиционно активно развивала технологии распознавания лиц. Теперь, благодаря системам вроде Face ID, интерес к этой технологии просыпается во всем мире. Потенциал роста этой индустрии огромен: текущий объем глобального рынка составляет более $4,9 млрд и, по прогнозам, к 2033 году может увеличиться до $25,4 млрд. Несмотря на значительный интерес к распознаванию лиц, до массового коммерческого использования эта технология шла более полувека.
Как появилась технология Face ID?
1960-е: Американский математик Вуди Бледсо и его команда разрабатывают методы идентификации лиц. Основной процесс был ручным: ученые выделяли на фотографиях ключевые точки лица, такие как глаза, нос, рот и брови, и измеряли расстояния между ними. Этот метод был трудоемким, и точность результатов напрямую зависела от качества ручной разметки.
1970-е: Появление первых попыток автоматизации процесса. Задачей поиска ключевых точек и их разметки начали заниматься компьютерные алгоритмы. Хотя эти ранние системы далеко не были идеальными, они положили основу для последующих разработок в области компьютерного зрения и машинного обучения.
1990-е: Для распознавания лиц стали широко использовать методы машинного обучения, такие как PCA (метод главных компонент) и LDA (линейный дискриминантный анализ). В большинстве случаев модели автоматически создавали признаки на основе входного изображения, что привело к существенному увеличению точности и скорости распознавания.
В 2001 году был внедрен алгоритм Виола-Джонса, основанный на каскадах Хаара. Эти каскады, применяясь к изображению, формировали набор признаков для обнаружения лица. Система анализировала простые признаки и измеряла степень вариации между различными частями изображения, например, разницу в яркости между глазами и щеками. Долгое время этот метод оставался одним из наиболее эффективных для задач детекции лиц.
С 2012 года в область распознавания лиц вступили глубокие нейронные сети, что открыло новую эру в этой технологии. В 2015 году Google представил FaceNet — первую высокоточную глубокую нейронную сеть для распознавания лиц. С тех пор появились новые, более эффективные архитектуры нейронных сетей, расширились массивы данных для обучения, и развивались вычислительные ресурсы и методы обучения. Нейросети стали способны обучаться на основе больших объемов изображений, выделяя сложные признаки лиц и достигая высокой точности и скорости распознавания.
Как работает сегодня Face ID?
Современные системы распознавания лиц используют разделение каждого этапа обработки изображения на отдельные нейронные сети с конкретной задачей. Это значительно повышает точность и эффективность всего процесса. Например, одна сеть отвечает за обнаружение лица на фотографии, другая — за определение ключевых точек для правильной ориентации изображения, а третья проверяет, действительно ли это лицо принадлежит настоящему человеку, чтобы исключить мошенничество с фото или видео.
Основное отличие этой технологии с точки зрения машинного обучения заключается в задаче распознавания лиц в открытом множестве (open-set). Другими словами, система должна уметь работать с изображениями тех людей, которых она не встречала во время своего обучения. Для этого нейронная сеть анализирует изображение и создает уникальный биометрический шаблон — математическое представление характеристик конкретного лица. При попытке идентификации или верификации сеть сравнивает новый шаблон с уже имеющимися в базе, чтобы найти совпадение или подтвердить уникальность лица.
Где применяется технология Face ID?
Технология распознавания лиц находит применение в различных отраслях, включая безопасность, медицину, ритейл и финансовый сектор. В банковской сфере она используется для онбординга клиентов, подтверждения операций и предоставления удаленных услуг через мобильные приложения, а также в банкоматах и терминалах.
В ритейле распознавание лиц применяется для анализа эмоций, отслеживания маршрутов клиентов, аналитики посещаемости и движения покупателей, а также для биометрического эквайринга. Например, с 2023 года в магазинах "Пятерочка" и "Перекресток" стала доступна оплата улыбкой на 15 тысячах касс самообслуживания в более чем 4 100 магазинах. Еще одним значительным примером внедрения технологии является система биометрической оплаты в московском метро (ранее известная как FacePay). С момента запуска этой системы ей воспользовались 92 миллиона раз, к ней подключилось более 330 тысяч пользователей, и в 2024 году планируется расширение на шесть других городов России.
Еще одним значимым сегментом рынка является безопасность. Здесь применяются системы контроля и управления доступом, вход по биометрии в системы с чувствительными данными и создание безопасных городов. На производстве умные алгоритмы помогают сократить очереди на проходных, вести учет рабочего времени, предотвратить проникновение несанкционированных лиц и обеспечить мониторинг посещения определенных зон.
Комментарии
Отправить комментарий