|
|
|
|
| 在科技相關產業應用中，物聯網（IoT）概念已蔚然成形，並與大數據、人工智慧（AI）等熱門趨勢相互連結，形成AIoT（AI+IoT）的新興發展，由感測器偵測環境資訊後，將資料傳輸至雲端伺服器，透過大數據資料庫與AI深度學習，形成種種「智慧」應用，為使用者提供更有效率和快速的服務。去年Apple iPhoneX發售，導入人臉辨識AI技術方案，再度掀起各產業對人臉辨識技術的關注。除了手機Face ID身分驗證以外，人臉辨識技術在門禁、監控、金融、零售產業的應用也勢不可擋。 |
|
| |
滿街都是攝影機：以人臉辨識迎接數位影像時代
一項新興技術從成熟到廣泛應用，中間可能經過漫長的時間。要導入最新技術，除了最初建置的設備成本以外，還需考量技術的實用性和大眾接受度，以及轉換新技術所能帶來的效益。就身分識別技術而言，辨識的準確率是連動各項應用的先決條件，尤其在追求高度安全性的門禁、金融或資訊科技等領域，必須排除任何可能招致危險的因子。生物辨識的優勢，即在於其獨一無二的個人生理特徵，既不會遺失，也不用額外攜帶，相對於其他識別方式（如密碼或識別卡）更方便取得，也擁有較高強度的安全防護。
在眾多生物辨識當中，人臉辨識由於是以攝影機為媒介，屬於非接觸型的技術，與指紋或虹膜等識別方式相較，不需近距離直接接觸，所以能做到行進間辨識、同時辨識多人、區域監控識別等延伸應用。有鑑於攝影機和後端處理電腦設備在過去幾十年來長足的進步，高畫素攝影機逐漸普及，高品質的影像和硬體處理效能不再是難以取得的「高端設備」，攝影機的價格也親切許多，因此對使用者來說，建置人臉辨識系統的門檻也隨之降低。
除此之外，在研發產業的長期努力下，人臉辨識技術的精準度和速度大幅提升，早期容易發生的種種辨識錯誤已不復存在。以NEC為例，經由美國NIST國際標準評比，NEC系統於定點辨識的準確率高達99.2%，且軟體辨識引擎能夠在0.3秒鐘比對完160萬筆資料，而在以色列的AI新創公司Anyvision與NVIDIA合作，開發能裝載至攝影機的人臉辨識軟體，在前端設備即能處理基本的分析比對工作；這些進步的新技術，無論在精準度、速度、整合能力都有絕佳的表現。辨識系統的優化，象徵著更多新穎而領先的應用服務，比如金融業的ATM/VTM和VIP身分辨識，以攝影機確認使用者身分，針對使用者需求，進一步提供深入的專業服務。在零售產業可藉由人臉辨識分析客群、停留時間、受關注的商品，形成更精準的商業行銷模式，或者近來引爆話題的Amazon Go、X-Store等無人商店，亦是透過商品影像辨識與人臉辨識完成結帳和支付等流程。結合AI影像辨識分析、資料傳輸與大數據（Big Data），人臉辨識技術逐漸被廣泛使用，成為詢問度最高的辨識方案。
人臉辨識技術基礎需知
關於人臉辨識技術的核心與功能，最簡單也重要的概念是──人臉辨識是確認身分的一種識別方式。以「身分識別」為基礎，並以影像為分析素材，透過AI深度學習訓練，整理歸納出軟體識別引擎的特殊演算法，查找影像間的關聯性（相似度），最後得出識別結果。在科技或動作電影中不時出現的情節，比如尋找嫌疑犯、進入銀行金庫、確認區域內人員身分等等，都是辨識技術常見的延伸應用。在電影裡大多會以兩張照片重疊的視覺效果來確認身分相似度，然而，生物辨識雖是以影像為媒介，但那只是為了取得人類身體數值的特徵參數，並非是以肉眼可見的視覺影像作為辨識對象。以人臉辨識來說，首先會在動態攝影機的連續畫格（Frame）中偵測並挑出屬於「人臉」的影像，將該臉部影像轉換成電腦可識別的特徵值（Face data），再從資料庫中分析篩選，比對出符合的特徵值。由於系統實際所辨識的對象不是客觀的「影像」，而是由影像得來的特徵值，且演算法各有不同，因此就算使用同一張照片，各間廠商所開發的人臉辨識系統，不論是分析效能（速度）或最終辨識結果（準確率）也會有所差異。
另一方面，人臉辨識技術也受限於其所得到的分析素材，亦即臉部影像畫面的清晰度。以門禁而言，在設定能通過的名單時，必須先建置影像特徵資料庫，再根據現場攝影機擷取到的影像特徵相互比對，因此照片的畫質、臉部的拍攝角度和光線、臉部被遮蔽的範圍等因素都會影響到最終辨識結果。舉例來說，當人員通過門禁時戴著墨鏡、口罩或安全帽，或者辨識環境的光線不足，現場攝影機雖然能擷取到人臉影像，但因臉部五官被遮蔽，無法取得正確的特徵值，自然會導致辨識失敗。拍攝角度或環境的光線問題，能透過攝影機的鏡頭、架設位置、補光燈來解決，只有先滿足素材和合適的環境條件，人臉辨識系統才能發揮最大的效果。
 新一代研發技術：特製專屬的「人臉地圖」
在臉部影像中擷取可供分析辨識的特徵，是人臉辨識技術的關鍵。一般來說，電腦要進行影像辨識，需要透過多層的晶片網路運算，取得既定的模式化標準，比方說第一層先抽取畫格中的局部圖形，辨識出各種不同的形狀，可能是眼睛、鼻子、嘴巴等五官，再將這些形狀組合起來，成為完整的數值。NEC技術部資深總監紀駿德指出，許多廠商在採集臉部特徵時，會針對固定的幾個特徵點進行資料比對，但NEC的採集方式是以整張臉為範圍，進行多區域的混合比對分析。簡單來說，就是將人臉當作是一張地圖，地圖上存在著不同形狀的物件，每個小物件在地圖中都有特定座標，標示物件的位置和距離，所以不僅只是採集幾個特定的特徵點，而是透過整張臉的區域和相對位置進行特徵計算。假設眼睛具有可供辨識的基礎形狀，而兩眼間的距離、眼睛到鼻子的距離、鼻子到嘴巴的距離等等，這些不同區域的小數值結合起來，就形成了獨一無二的特徵值。由於採用全臉作為辨識區域，即使稍微遮擋臉部的某些部分，依然能夠透過其他範圍的比對來完成辨識。
 類3D立體影像模擬技術
早期的人臉辨識多以2D圖像為主，以一般攝影機擷取平面影像的臉部特徵，這樣的作法較容易受到光線和角度影響，且不能完全排除以影印照片騙過辨識器的可能。若採用3D人臉辨識系統，以3D感測技術擷取人臉的立體特徵，如五官大小、距離及深淺等，建立3D模型，便可保留最完整的臉部特徵。例如iPhoneX的Face ID便是通過TrueDepth攝影鏡頭和傳感器，將3萬個雷射點投射至臉部，透過反射回來的位置和距離，建立臉部輪廓和立體深度模型，但相對地，硬體成本也較為昂貴。
另一方面，若是將3D技術應用在辨識系統最初所登錄的圖像資料庫，則能夠加強攝影機捕捉角度的不足，增加辨識的精準度。紀駿德指出，就一般的動態辨識而言，以攝影機擷取移動中的人物，可能產生各種角度的影像，使辨識引擎比對資料庫時，無法達到最好的效果。若能將最初登錄於資料庫的照片模擬成3D立體人像，使用者只要提供一張照片，系統軟體就能模擬人臉在各個方向角度所產生的特徵值，這樣一來，即使人員並非以全正面的角度經過攝影機，也能完成辨識。
AI深度學習：人臉辨識技術的地域性經驗
人臉辨識系統的核心為AI技術，需要不斷輸入影像資料，透過資料蒐集進行正確／錯誤的調校，進而完善系統的分析能力，投入的資料量和分析次數愈多，最後所產生的結果會更加準確。根據IBM所發布該公司的人臉辨識研究數據，黑人女性的辨識錯誤率比白人男性高了4%，究其原因，除了深色人種的臉部特徵因光源、色調等問題較難擷取之外，最重要的是，辨識系統的資料庫缺乏深色人種的資料集，導致辨識錯誤率上升。不可諱言的，人臉辨識技術的開發仍是以市場為導向，因此使用辨識系統的對象群體（如歐洲、美國的科技公司或工廠），會影響AI系統的資料蒐集和學習訓練，造成辨識上的失誤。針對這樣的現象，使用者在挑選相關系統及技術時，也必須留意設備提供商的地區適用性，確認該系統對特定族群是否有足夠的使用與分析經驗。
以身份辨識為基礎，形成多元應用
如前所述，人臉辨識技術如今已廣泛應用在多種不同領域。在安防監控領域，人臉辨識技術能有效預防犯罪，透過監視及身分辨識分析，甚至能協助追緝犯人；比如中國的「天網」監控系統，根據實測，在資料庫存入特定人物的照片後，只要7分鐘，就能透過攝影機及辨識系統找到該人物的具體位置。而在前述的醫療、零售、金融等領域，也都能依據各自需求，形成特殊的技術應用。
在建築大樓，人臉辨識技術不僅能應用在門禁，只要發揮想像空間，一樣能形成各種和「個人身分」有關的智慧連動設定。個人的「身分」除了具體的識別「ID」以外，也和其他的空間、事件、物品相互連結，例如你所居住的大樓、電梯樓層、你的公司、你常去的健身中心，以及你的信箱、銀行帳戶、身體健康數值，甚至包含個人的喜好和習慣──你喜歡的音樂、溫度、亮度、顏色等等，一旦確認了使用者的身分，空間就能依據該使用者的喜好來變化。對追求舒適、方便的智慧建築及智慧家庭領域來說，身份辨識可以說是這些應用的基礎，而非接觸性的人臉辨識技術，由於以攝影機為媒介，因此能夠在使用者沒有意識到的情況下，快速完成身分驗證，並整合其他設備功能，提供更輕鬆而體貼的生活空間。 |
|
| |
| ※本文圖文非經授權不得轉載，洽詢授權，請E-Mail至contact@aimag.tw[ iBT數位建築雜誌聲明 ]※ |
|
