Homepage Cyberwar Cybersecurity Cyberspace C-Spionage C-Sabotage Gefährdung Kriminalität Computer Kommunikation mod. Systeme Der Mensch Beratung Bildung Fachberichte Information Kryptologie Emission Verschlüsselung Forschung Begriffe Recht Technik Verschiedenes
Künstliche Intelligenz  Wie funktioniert das ? Anwendungsbeispiele Politik Realisierung M i l i t ä r Unternehmen  Finanzen Chancen und Risiken aus der Forschung Quo vadis
Künstliche Intelligenz

Die höhere Qualität der Problemlösung

Stimm-erkennung
Beispiele für die Stimmerkennung mit Hilfe der Methoden der künstlichen Intelligenz -
Trend bei Elektronikmesse CES Sprachsteuerung setzt sich durch

Bilderkennung
Künstliche Intelligenz erkennt und überführt Verbrecher an ihren Tattoos
 

Identifizierung von Gesichtern in Video-Bildern ist große
Herausforderung, NIST Report zeigt

Künstliche Intelligenz, NASA-Daten verwendet, um achten Planeten
Kreisen weit entfernten Stern zu entdecken

Maschine übertrumpft Mensch: KI versteht Sprachen besser als Menschen

 

 

 

 
 
N I S T

Identifizierung von Gesichtern in Video-Bildern ist große Herausforderung, NIST Report zeigt


5. April 2017
Freigeben
Facebook Google Plus Twitter 
shutterstock_119145274_blurry_people_walkingcartens.jpg

Kredit: © Artens/Shutterstock
In Film und Fernsehen können Computer eine Person in einer überfüllten Arena aus winzigen, körnige Videobildern schnell identifizieren. Aber das ist oft nicht die Realität, wenn es um die Identifizierung der Bank Raub Täter aus Sicherheit Kamera Video, Erkennung von Terrorverdächtigen in einem überfüllten Bahnhof oder gewünschten Personen zu finden, bei der video-Archiv Suche.
Um video Gesichts Identifikation für diese und andere Anwendungen voranzutreiben, führte das National Institute of Standards and Technology (NIST) einen großen öffentlichen Test, bekannt als das Gesicht von Video Bewertung (fünf). Die fünf Projekt hat nun eine ressortübergreifende Bericht detailliert seine Ergebnisse und mit dem Ziel, Hilfestellung für Entwickler der Technologie veröffentlicht.
Der Bericht zeigt, dass video Gesichtserkennung eine schwierige Herausforderung ist. Immer die besten und genauesten Ergebnisse für jede gewünschte Anwendung erfordert gute Algorithmen, einer speziellen konstruktiven Aufwand, ein interdisziplinäres Team von Experten, beschränkter Größe Bilddatenbanken und Feldtests, richtig kalibrieren und die Technologie zu optimieren.
FÜNF lief 36 Prototyp Algorithmen von 16 kommerziellen Anbietern auf 109 Stunden Videobilder auf einer Vielzahl von Einstellungen getroffen. Die Videobilder enthalten harten Match Bilder von Personen an Smartphones, Hüte zu tragen oder einfach nur Lust von der Kamera entfernt. Beleuchtung war manchmal ein Problem, und einige Gesichter tauchte nie auf das Video, weil sie, z. B. durch eine große Person vor ihnen gesperrt wurden.
NIST verwendet Algorithmen Gesichter aus dem Video zu Datenbanken mit Fotografien von bis zu 48.000 Personen bevölkert. Leute in den Videos waren nicht erforderlich, um in die Richtung der Kamera sehen. Ohne diese Anforderung, die Technologie muss für große Veränderungen in der Erscheinung eines Gesichtes auszugleichen und ist oft weniger erfolgreich. Dem Bericht zufolge die auch für die genauere Algorithmen unterwirft können überall von rund 60 Prozent der Zeit zu mehr als 99 Prozent, je nach Video oder Bild Qualität und der Algorithmus Fähigkeit zum Umgang mit den gegebenen Szenario identifiziert werden.
"Unsere Untersuchungen ergeben, dass die Videobilder Qualität und andere Eigenschaften die Genauigkeit des Gesichts Identifikation, stark beeinflussen können", sagte der leitende Autor Patrick Grother, der einige der NIST Biometrie-Standards und Bewertung der Aktivitäten leitet. Im Video, viele Gesichter sind klein, ungleichmäßig beleuchteten oder nicht nach vorn gerichtete – drei kritische Punkte für die präzise Identifizierung von Personen da die Algorithmen nicht sehr wirksam sind auf diese Faktoren zu kompensieren.
In traditionellen Gesichtserkennung Auswertungen, die NIST seit den 1990er Jahren durchgeführt hat, vergleichen Algorithmen ein Foto das Gesicht einer Person gegen eine Datenbank oder Galerie, der Millionen von Portraitfotos. Heutigen Match Preise für Porträtaufnahmen können 99 Prozent in einigen Anwendungen überschreiten. Aber in der neuen Studie NIST Galerien nur 48.000 begrenzt, da die unteren Gesicht Qualität in Video Erkennungsgenauigkeit untergräbt.
NIST Maß auch "falsch Positive" Ergebnisse ein Algorithmus in denen fälschlicherweise ein Gesicht aus dem Video mit einem Bild in der Galerie entspricht. Der Bericht stellt fest, dass Anwender von Identifikationstechnologien Gesicht dieses Problem vor allem in überfüllten Einstellungen beachten müssen, in dem die überwiegende Mehrheit der Personen in dem Video fehlt möglicherweise, aus der Galerie.
Dem Bericht zufolge Genauigkeit in diesen Video-basierte Anwendungen nähern kann, die noch-Foto Gesichtserkennung, sondern kann nur wenn Bildsammlung verbessert werden. Zu diesem Zweck bietet der Bericht Anleitungen für eine breite Gruppe von betroffenen mit der Technologie von Algorithmus Entwickler Systemdesigner. Darüber hinaus kann der Bericht politischen Entscheidungen über den Einsatz dieser Systeme informieren.
Algorithmus Entwürfe können durch erfordert hohes Maß an Genauigkeit zu falschen Treffern nach der Anleitung verbessert werden. Begrenzung der Galerie Größe und verwenden nur qualitativ hochwertige Bilder sind andere Vorschläge. Beispielsweise wenn Sie video Algorithmen zur Steuerung des Zugriffs auf ein sicheres Gebäude oder Verkehrsmittel verwenden, empfiehlt Grother halten nur die notwendigen Personen in der Galerie. Verwenden nur gute Fotos für den Abgleich ist ein weiterer wichtiger Punkt.
Der Bericht unterstützt auch mit einem multidisziplinären Team von Experten, um Design-Systemen, die qualitativ hochwertige Videobilder zu erfassen. Experten in Videografie bestimmen optimale Beleuchtung und Optik, Kamera, Montage und Positionierung.
Das NIST-Dokument enthält Anleitungen für Forscher, die bei die Bereitstellung von video Gesicht Identifikationssystemen Beurteilung. Genauigkeit, wie wichtig es ist, ist nicht der einzige Faktor, wenn man den Einsatz von video Gesichtserkennung zu analysieren nach Grother. Andere Interessen umfassen Kosten für Rechenleistung Zeit und trainiert Gesichtserkennung Experten zur Verfügung, um sicherzustellen, dass die Spiele korrekt sind. Außerdem müssen Implementierer Netzwerkinfrastruktur und Skalierbarkeit, d. h. die Möglichkeit seiner Software einfach auf kleine Datasets sowie Großunternehmen arbeiten zu studieren.
"Ob Video für eine bestimmte Gesichts Identifikation Anwendung geeignet ist, erfordert Quantitative Analyse und Design – und die fünf Bericht zielt darauf ab, diese Prozesse zu informieren" Grother sagte.
Bericht: P. Grother, G. Quinn und M. Ngan. Gesicht im Video Bewertung (fünf) Gesichtserkennung nichtkooperativer Themen, 2. März 2017. NIST Interagency Bericht 8173. DOI: 10.6028/NIST. IR.8173

https://www.nist.gov/news-events/news/2017/04/identifying-faces-video-images-major-challenge-nist-report-shows