行動裝置導入臉孔辨識 資安娛樂加值
- DIGITIMES企劃
-
過去，在嵌入式應用平台，運算資源、硬體資源過低是可預見的開發問題，但實際上現在新一代行動裝置產品，已將嵌入式系統的硬體規格不斷提升，原有主流1GHz的嵌入式處理器，2013、2014年主流產品已經朝2GHz系統外頻的倍數提升，而原有800MB~1GB的系統記憶體，目前主流產品已有2GB系統記憶體產品規格推出，嵌入式運算產品的硬體平台性能與資源已漸能與個人電腦相抗衡。
原本在資源相對較寬裕的桌上型電腦平台，臉孔辨識技術已有相當成熟的發展成果，主要應用領域多在電腦資料安全、取代電腦登入密碼等資安應用為主，相同地，在智慧型行動電話、平板電腦這類高度可攜式的產品，若也能將臉孔辨識整合實踐設計，即可將腦人的資安密碼、裝置登入密碼改用臉孔辨識技術替代，將為產品的使用經驗大幅加分。
臉孔辨識用途多 不僅限於資安應用
而臉孔辨識其實也不光僅有資訊安全應用，新一代的設計方案，已可將臉孔辨識與更生活化的應用進行整合，例如，新款中/高階數位相機，大多在嵌入式影像處理系統內追加臉孔自動辨識、追焦功能，這是臉孔辨識最入門的應用方式，而更進階的數位攝影應用，則可將臉孔辨識功能作連結，與臉部微笑表情動作快門直接連動，自動拍攝出最佳照片。
臉孔辨識除數位相機、攝影機等嵌入式硬體系統整合應用外，在智慧型手機、平板電腦結合個人資訊保護的臉孔辨識登入應用，也是相當常見的設計方案。但在這類嵌入式應用環境中，同樣遭遇到的問題是必須在嵌入式系統極有限的尺寸、功耗條件、成本要求下提供較高的嵌入式系統視覺功能應用，而這類應用也可延伸至汽車安全、安全監控、互動遊戲等應用開發需求。
影像擷取品質 左右臉孔辨識使用效益
而在產品中整合臉孔辨識的關鍵，首先須先定義辨識的臉孔資訊深度，若只是如數位相機的臉孔自動對焦用途，在使用者利用數位相機進行構圖時，嵌入式系統可在旁同步進行畫面中的人臉圖像辨識，同時透過多組人臉進行估算最佳的光圈/快門/ISO(感光度)組合，若只是需要系統辨識出人臉即可，在分析的運算負荷就不會太高，但若是要利用臉孔特徵辨識取代系統登入、資料安全保護用途，那臉孔辨識的資料量與複雜度就會相對提升，設計方向截然不同。
對於如數位相機微笑快門設計需求，嵌入式系統辨識CCD或CMOS感光器上的臉部偵測，所要求的運算速度要快，分析結果可以有容錯空間，辨識感光元件上臉部圖像的目的在輔助對焦，速度決定使用體驗。
至於針對資安系統、系統登入系統的取代性臉孔辨識，對分析臉孔的準確度要求就會高於速度要求，特徵辨識的容錯率必須要求更高。至於嵌入式系統導入的臉孔辨識技術方案，針對不同的應用情境，所使用的臉孔分析演算法就大不相同，這在嵌入式裝置部署臉孔辨識技術時，也必須深入考量。
不同臉部辨識開發取向 演算法與辨識邏輯差異大
在以性能、速度優先的臉部辨識嵌入式設計要求，多半可以針對單禎圖片或式影像串流畫面進行嵌入式系統即時分析、運算，並產生對應的執行程序，例如資安監控攝影機內嵌的入侵主動感測、遺留物主動偵測等，為了維持嵌入式設備原有的即時影音數據傳輸量，嵌入式系統介入分析影像與執行對應產生的系統回應，其反饋速度就是要快，否則將造成附加功能卻影響了核心應用功能的窘境。
而對於嵌入式人臉辨識的開發挑戰，除了先前提到的系統記憶體、運算效能與影像傳輸頻寬等限制外，最大個關鍵就在演算法的架構方面，如果是以一定畫素下的人臉縮圖為例，這類小圖的區塊灰階組合就有數十萬種，由於人臉的構成其實是有高度複雜度的，要利用數據明確描述一張臉是有極高難度的，必須建構極高的3D空間，再搭配以統計模型為分析基礎的辨識方法。
持續優化臉孔比對演算法 提升辨識應用效益
另外，嵌入式人臉分析、臉孔比對演算法，必須克服的挑戰相當多，例如，人所處的姿態差異就會造成辨識樣本與比對數據產生極大誤差，像是正面、側面、顛倒或是臉部側傾等圖像差異，若參照的數據統計模型不佳，比對失敗的比例就會相當地高，另外人臉也有結構化的差異變化，例如，使用者是否有蓄鬍、配戴眼鏡、臉部表情、臉部外傷等變化時，辨識機制與演算法是否能提供一定程度的樣本容錯。
影響辨識品質的另一關鍵在於影像擷取的品質，例如嵌入式行動裝置若要整合臉孔辨識功能，通常使用情境是機主自行進行臉部驗證，但實際上智慧型手機、平板電腦的設備前方鏡頭，通常僅有130~200MP解析度，取像品質若因為鏡頭拾取畫面呈現細節不佳，在圖像進行系統分析比對時則會產生極大誤差。另外，造成成像品質劣化的原因也相當多，例如使用者持握裝置拍攝產生搖晃、拍攝時處於環境弱光或是逆光，都會影響成像品質進而降低了分析比對的正確率。
優化臉孔分析效能 增加產品加值體驗
為了加速嵌入式系統的臉孔辨識分析回應速度，減少因嵌入式系統效能產生的限制，必須用更有效率的方法進行功能整合，因此多數嵌入式臉孔辨識方案，會將分析比對程序進行切割，利用高度差異化的特徵來加速比對速度。例如利用多層次的特徵分類程序，將人臉特徵進行數據化進而快速比對分析，先排除擷取圖像非人臉的樣本畫素，僅針對人臉部分進行分析比對，利用多層特徵比對處理進行每種特徵的快速篩選、比對。
雖然比對特徵越多、分類越複雜，也代表著辨識成果更精確，但實際上比對程序過多、過雜，也代表著耗用嵌入式系統功耗與性能資源越多，這並非產品開發者所樂見，必須在有限的資源內進行最大化的臉孔特徵比對，必須利用大量的實驗與演算法優化，才能將關鍵的分析效能與實用性做最大平衡設計。
實際上，為了減省臉部分析耗用過多資源，在嵌入式的臉部特徵比對方面也有相當多取巧設計，例如，一般臉孔辨識進行前會先針對畫面圖像，進行非人臉區的排除分析，避免分析能量耗用在非人臉區塊，而新的嵌入式臉部分析已在拍攝前先在畫面中繪製人臉拍攝參考線，透過使用者拍攝時即自覺改善拍攝臉部歪斜、側傾問題，同時也能讓嵌入式系統直接避開分析畫面中非人臉部位，大幅節省資源。但拍攝時改善了非人臉區塊的比對速度，但實際拍攝時也會出現臉孔前傾或後仰造成的圖像比對誤差，這部份則可在拍攝參考線追加建議眼部參考線與建議嘴部參考線，讓操作者的拍攝品質更臻完美，利於快速比對分析。
功能，利用臉部辨識取代行動裝置的登入密碼。(Google)
