ออกแบบระบบจดจำใบหน้า เนื่องจากความสามารถของอัลกอริธึมการจดจำใบหน้าอัตโนมัติยังคงเพิ่มสูงขึ้นอย่างต่อเนื่อง จำนวนแอปพลิเคชันการจดจำใบหน้า (FR) จึงถูกปรับใช้ ไม่ว่าจะเป็นการใช้ FR เพื่อปลดล็อกโทรศัพท์ สร้างสายสืบเพื่อช่วยระบุตัวอาชญากรที่มีความรุนแรง ช่วยให้ผู้มีรายได้น้อยสามารถเปิดบัญชีธนาคารออนไลน์ได้ หรือดำเนินการจัดการผู้มาเยี่ยมที่ศาล แอปพลิเคชันการจดจำใบหน้าจำนวนมากขึ้นเรื่อยๆ พัฒนาโดยผู้รวมระบบที่แตกต่างกันหลายสิบราย อย่างไรก็ตาม ขึ้นอยู่กับแอพพลิเคชั่น สถาปัตยกรรมระบบและข้อกำหนดของซอฟต์แวร์ที่แตกต่างกันจะมีความจำเป็น และขึ้นอยู่กับสถาปัตยกรรม ข้อกำหนดของอัลกอริทึมที่แตกต่างกันจะเกิดขึ้น บทความนี้จะกล่าวถึงข้อกำหนดเหล่านี้ในแอปพลิเคชันการจดจำใบหน้าต่างๆ เพื่อให้ผู้อ่านสามารถเลือกอัลกอริทึม FR ที่เหมาะสมเมื่อสร้างระบบ FRแอปพลิเคชั่นจดจำใบหน้ามีสามกรณีการใช้งานหลักสำหรับเทคโนโลยี FR:
การยืนยันตัวตน
การยืนยันตัวตน (1:1) เป็นกระบวนการตรวจสอบบุคคลกับตัวตนที่ถูกอ้างสิทธิ์ ตัวอย่างเช่น บุคคลดังกล่าวจะอ้างสิทธิ์ในระบบว่าตนคือ “John Doe” ระบบจะถ่ายภาพบุคคล (“การนำเสนอ” บนใบหน้า) สร้าง
เทมเพลต FR จากภาพถ่าย และเปรียบเทียบกับเทมเพลตในไฟล์สำหรับ “John Doe”
หากข้อมูลระบุตัวตนที่นำเสนอตรงกับข้อมูลระบุตัวตนอ้างอิง จึงจะอนุญาตให้เข้าถึงได้ นี่อาจหมายความว่าประตูเปิดออก มีการเข้าถึงบัญชีธนาคาร หรือโทรศัพท์ถูกปลดล็อก เป็นสิ่งสำคัญที่จะต้องทราบว่าใบหน้าสามารถเป็นหนึ่งในหลายปัจจัยการตรวจสอบที่ใช้สำหรับการยืนยันตัวตน (เช่น รหัสผ่าน หรือโทเค็น)ใช้กรณี
การเข้าถึงบัญชีธนาคาร
การเข้าถึงสิ่งอำนวยความสะดวกที่ปลอดภัย
ปลดล็อกโทรศัพท์
การยื่นแบบแสดงรายการภาษีการค้นหาที่ขับเคลื่อนโดยนักวิเคราะห์
การค้นหาโดยนักวิเคราะห์ (1:N) คือกระบวนการค้นหาภาพใบหน้า (“โพรบ”) ด้วยตนเองกับฐานข้อมูลของเทมเพลต FR ที่ประมวลผลล่วงหน้า (“แกลเลอรี”) ตัวอย่างเช่น ในการสืบสวนคดีอาชญากรรม ภาพของผู้ต้องสงสัยอาจได้มาจากหลายแหล่ง เช่น ภาพนิ่งจากกล้องวงจรปิด ภาพถ่ายออนไลน์ หรือภาพที่พยานจับได้ ภาพถ่ายการสอบสวนของผู้ต้องสงสัยอาชญากรนี้จะถูกอัปโหลดด้วยตนเองเพื่อค้นหา ในทางกลับกัน เทมเพลตจะถูกสร้างขึ้นจากอิมเมจโพรบ จากนั้นจะถูกนำไปเปรียบเทียบกับเทมเพลตทั้งหมดในฐานข้อมูล
แกลเลอรี
หลังจากเปรียบเทียบโพรบกับแกลเลอรีแล้ว ภาพที่ตรงกันมากที่สุดในแกลเลอรีจะถูกนำเสนอต่อนักวิเคราะห์เพื่อการตัดสินด้วยตนเองกระบวนการนี้ใช้แรงงานมาก เนื่องจากระบบ FR เป็นเพียง
เครื่องมือกรองที่จะลดขนาดของฐานข้อมูล ต้องใช้เวลาและความพยายามอย่างมากสำหรับกระบวนการตัดสินด้วยตนเองใช้กรณี
การระบุตัวตนของโจรปล้นธนาคารจากกรอบกล้องวงจรปิด
การระบุตัวผู้โจมตีจากโปรไฟล์การหาคู่ออนไลน์ของพวกเขา
การระบุผู้ต้องสงสัยชนแล้วหนีจากกล้องโทรศัพท์มือถือของผู้ยืนดูการค้นหาอัตโนมัติ
1:N+1
การค้นหาอัตโนมัติ (1:N+1) มักดำเนินการในแอปพลิเคชันที่มีปริมาณงานสูง เช่น การคัดกรองนักท่องเที่ยวหรือการวิเคราะห์วิดีโอ ตัวอย่างเช่น การสืบสวนการค้ามนุษย์อาจต้องใช้การวิเคราะห์รูปภาพและวิดีโอหลายเทราไบต์เพื่อระบุตัวตนของบุคคลต่างๆ ที่มีอยู่ (ทั้งเหยื่อและผู้กระทำผิด) ขั้นตอนนี้เกี่ยวข้องกับการสร้างเทมเพลตสำหรับทุกอิมเมจอินพุตที่ประมวลผล หรือในกรณีของวิดีโอสตรีมมิงแบบสด เทมเพลตจะถูกสร้างขึ้นในอัตราเฟรมวิดีโอประมาณห้า (5) เฟรมต่อวินาที (FPS) สำหรับวิดีโอ หลังจากสร้างเทมเพลตแล้ว เทมเพลตมักจะถูกจัดกลุ่มเป็นข้อมูลประจำตัวต่างๆ ที่มีอยู่ ขั้นตอนการจัดกลุ่มและการติดตามนี้เกี่ยวข้องกับการเปรียบเทียบเทมเพลตทั้งหมด หากไม่มีความเร็วในการเปรียบเทียบเทมเพลตที่มีประสิทธิภาพและอัลกอริทึมการทำคลัสเตอร์ กระบวนการนี้อาจใช้เวลานานมากและโดยทั่วไปจะเพิ่มขึ้นอย่างทวีคูณตามเวลาตามฟังก์ชันของจำนวนเทมเพลตที่คลัสเตอร์ ข้อมูลระบุตัวตนแบบคลัสเตอร์แต่ละรายการ หรือแต่ละเทมเพลตหากไม่มีการดำเนินการจัดกลุ่ม ระบบจะค้นหาจากแกลเลอรีรายการเฝ้าดูที่มีอยู่
เทมเพลตโพรบใด ๆ ที่ตรงกับเทมเพลตแกลเลอรีเกินเกณฑ์ความคล้ายคลึงกันที่กำหนดไว้ล่วงหน้าจะทริกเกอร์การแจ้งเตือนการจับคู่ข้อมูลประจำตัวหรือในกรณีของการคัดกรองผู้โดยสารสำหรับแอปพลิเคชันการค้นหาอัตโนมัติ ผู้ควบคุมกล้องจะจับภาพเพียงภาพเดียว หรือสตรีมวิดีโอสดของผู้โดยสารจะถูกจับภาพและกลั่นกรองโดยอัตโนมัติจนเหลือเพียงภาพถ่ายตัวแทนเพียงภาพเดียว ในกรณีของภาพเดียว ภาพใบหน้าจะถูกจับภาพ วิเคราะห์ความสอดคล้องด้านคุณภาพ (เช่น การใช้มาตรวัดคุณภาพอัตโนมัติและ/หรือการตรวจสอบความสอดคล้องของ ICAO) และนำไปสร้างเทมเพลต ในกรณีของวิดีโอถ่ายทอดสด FPS ห้า (5) ถึงสิบ (10) จำเป็นต้องถูกจับและสร้างเทมเพลต ตามด้วยการติดตามตัวตนและการจัดกลุ่ม และสุดท้ายคือการเปรียบเทียบเทมเพลตจากลำดับการรวบรวมล่าสุด และอาจใช้ข้อจำกัดเชิงพื้นที่และเวลา เทมเพลตสำหรับผู้โดยสารแต่ละคนที่ได้รับการคัดกรองนั้นสามารถเปรียบเทียบได้กับหลายแกลเลอรี เช่น รายการผู้โดยสารหรือไม่มีรายการบิน เทมเพลตโพรบใด ๆ ที่ตรงกับเทมเพลตแกลเลอรีเกินเกณฑ์ความคล้ายคลึงกันที่กำหนดไว้ล่วงหน้าจะทริกเกอร์การแจ้งเตือนการจับคู่ข้อมูลประจำตัว หรือในกรณีของรายการผู้โดยสาร หากข้อมูลประจำตัวผู้โดยสารที่แสดงไม่ตรงกับบุคคลใด ๆ ในรายการ จะมีการแจ้งเตือนการจับคู่เกิดขึ้นใช้กรณี ออกแบบระบบจดจำใบหน้า
การเข้าถึงบัญชีธนาคาร
การเข้าถึงสิ่งอำนวยความสะดวกที่ปลอดภัย
ปลดล็อกโทรศัพท์
การยื่นแบบแสดงรายการภาษีข้อควรพิจารณาเกี่ยวกับฮาร์ดแวร์ประสิทธิภาพอัลกอริทึมบทความอันดับหนึ่งก่อนหน้านี้ได้ให้ข้อมูลเชิงลึกที่สำคัญเกี่ยวกับเมตริกประสิทธิภาพต่างๆ ที่ส่งผลต่อการปรับใช้ของอัลกอริทึม FR สำหรับผู้อ่านใหม่ เราขอแนะนำให้อ่านบทความเหล่านั้น โดยเฉพาะ
บทความเริ่มต้นในหัวข้อนี้ เพื่อสรุปเมตริกเหล่านี้:
- ความเร็วในการสร้างเทมเพลตคือเวลาที่ต้องใช้ในการประมวลผลภาพใบหน้าหรือเฟรมวิดีโอในขั้นต้น
- ขนาดเทมเพลตคือหน่วยความจำที่จำเป็นในการแสดงลักษณะใบหน้าของภาพใบหน้าที่ประมวลผล
- ความเร็วในการเปรียบเทียบเป็นเวลาที่จำเป็นในการวัดความคล้ายคลึงกันระหว่างเทมเพลตใบหน้าสองแบบ
- ขนาดไบนารีคือจำนวนหน่วยความจำที่จำเป็นในการโหลดไฟล์โมเดลและไลบรารีซอฟต์แวร์ของอัลกอริทึม
ประสิทธิภาพของอัลกอริทึม FR ในเมตริกเหล่านี้จะกำหนดว่าสามารถทำงานบนระบบฮาร์ดแวร์ที่กำหนดได้หรือไม่ และทั่วทั้งอุตสาหกรรม FR มี ความแตกต่าง อย่างมากในการวัดประสิทธิภาพระหว่างผู้จำหน่ายต่างๆ กราฟิกต่อไปนี้แสดงให้เห็นว่าเมตริกต่างๆ มีอิทธิพลต่อปริมาณความเร็วของ CPU หรือหน่วยความจำที่จำเป็นสำหรับระบบฮาร์ดแวร์ได้อย่างไร:
ส่วนประกอบฮาร์ดแวร์ทรัพยากรฮาร์ดแวร์และเครือข่ายที่แตกต่างกันอาจมีหรือต้องการสำหรับแอปพลิเคชันที่กำหนด ส่วนประกอบทางสถาปัตยกรรมทั่วไปคือ:
- เซิร์ฟเวอร์ถาวร / เดสก์ท็อป – ปริมาณต่ำ ต้นทุนสูง พลังประมวลผลและหน่วยความจำสูง โดยทั่วไประบบเหล่านี้จะโฮสต์ไลบรารี FR และ/หรือซอฟต์แวร์ระบบ โดยทั่วไประบบเหล่านี้จะมีโปรเซสเซอร์ x64 ระดับเซิร์ฟเวอร์และโปรเซสเซอร์ GPU ที่เป็นไปได้
- อุปกรณ์แบบเอ็ม เบ็ดเด็ด – อุปกรณ์ต้นทุนต่ำและมีปริมาณมากพร้อมพลังการประมวลผลและหน่วยความจำที่จำกัด ซึ่งสามารถโฮสต์ไลบรารี FR ที่ขอบหรือทำงานเป็น “ไคลเอนต์แบบบาง” ที่ส่งภาพไปยังเซิร์ฟเวอร์หรือระบบคลาวด์สำหรับการประมวลผล โดยทั่วไปแล้ว ระบบเหล่านี้จะมีโปรเซสเซอร์ ARM ระดับโมบายล์และอาจมีหน่วยประมวลผลประสาท (NPU)
- คลาวด์ที่ปรับขนาดได้ – อาร์เรย์ของทรัพยากรเซิร์ฟเวอร์ที่สรุปผ่านระบบการจัดการทรัพยากรคลาวด์
- เครือข่าย – ช่องทางการสื่อสารระหว่างอุปกรณ์ เครือข่ายจะมีจำนวนแบนด์วิธที่แตกต่างกันไปขึ้นอยู่กับคุณสมบัติ
ขึ้นอยู่กับแอปพลิเคชันและทรัพยากรฮาร์ดแวร์ที่มีอยู่ จำเป็นต้องใช้สถาปัตยกรรมระบบ FR ที่แตกต่างกัน และขึ้นอยู่กับสถาปัตยกรรมที่ใช้ ข้อกำหนดประสิทธิภาพของอัลกอริทึม FR ที่แตกต่างกันจะเกิดขึ้น นี่เป็นเพราะความแตกต่างในการประมวลผลและทรัพยากรหน่วยความจำในระบบฮาร์ดแวร์ที่แตกต่างกันเหล่านี้:
โปรดทราบว่าบทความนี้ไม่ได้ครอบคลุมถึงการเร่ง GPU โดยเฉพาะ ไม่ว่าจะผ่าน GPU ที่เปิดใช้งาน NVIDIA CUDA หรือ Neural Processing Unit (NPU) แบบฝังตัว แต่ผู้อ่านสามารถกำหนดส่วนประกอบฮาร์ดแวร์ดังกล่าวให้กับหมวดหมู่ “โปรเซสเซอร์” ความแตกต่างหลักคือการเร่ง GPU โดยทั่วไปจะลดต้นทุนปริมาณงานสำหรับแอปพลิเคชันที่ขึ้นกับ CPU
ทั้งนี้บริษัทเคแอนด์โอ จึงได้มุ่งเน้นการจัดการแก้ไขปัญหา จัดการเอกสาร ด้านเอกสารขององค์กรมาอย่างยาวนาน และ ให้ความสำคัญกับด้านงานเอกสาร ต่อลูกค้าเป็นอย่างดี จนถึงปัจจุบันก็ได้ความยอมรับจากองค์กร ขนาดใหญ่ ขนาดกลาง และขนาดเล็กมากมาย จึงใคร่ขออาสาดูและปัญหาด้านเอกสารให้กับองค์กรของท่านอย่างสุดความสามารถ เพราะเราเป็นหนึ่งในธุรกิจ ระบบจัดเก็บเอกสาร ที่ท่านไว้ใจได้
Face-sso (By K&O) หากท่านสนใจ เครื่องสแกนใบหน้ารุ่นต่างๆ หลากหลายรุ่น หรือ ติดตั้งระบบสแกนใบหน้า สามารถติดต่อสอบถามได้โดยตรง เรามีแอดมินคอยคอบคำถาม 24 ชั้วโมงที่ Line OA เครื่องสแกนใบหน้า สามารถ ขอราคาพิเศษได้ ตามงบประมาณที่เหมาะสม สอบถามได้สบายใจทั้ง เรื่องค่าบริการ ราคา และ งบประมาณ มั่นใจเพราะเป็นราคาที่สุด คุ้มค่าที่สุด
หากท่านมีความสนใจ บทความ หรือ Technology สามารถติดต่อได้ตามเบอร์ที่ให้ไว้ด้านล่างนี้
Tel.086-594-5494
Tel.095-919-6699
