얼굴 인식의 3가지 일반적인 문제점과 해결 방법

얼굴 인식 시스템이 점점 더 대중화되고 있습니다. 다양한 업종의 기업들이 이를 활용하고 있습니다. 인식 정확도와 같은 주요 지표는 운영 비용 절감과 함께 이러한 시스템의 효율성을 측정하는 주요 매개 변수가 되고 있습니다. 얼굴인식 시스템을 사용할 때 발생하는 일반적이 3가지 문제점과 해결책에 대해 살펴보겠습니다.

얼굴 인식

사진 품질의 불균일성으로 인한 인식률 저하

데이터베이스의 사진 품질이 혼합되어 설정된 인식률에 도달할 수 없는 경우입니다. 우리는 비교 데이터베이스에 어떤 품질의 사진이 있는지 이해하지 못하며 "예/아니요" 결정 기준을 적절하게 구축할 수 없습니다. 임계값은 "눈으로" 설정하거나 일부 일반적인 권장 사항을 기반으로 설정됩니다. 그 결과 인식 시스템이 최적으로 작동하지 않고 첫 번째 및 두 번째 종류의 오류가 여러 번 증가합니다. 잘못된 비교를 처리하는 데 추가 비용이 발생합니다. 불일치 사고당 비용은 비즈니스 사례에 따라 크게 달라집니다. 올바른 사람을 놓치지 않은 경우 보안 서비스가 재식별하는 데 소요되는 시간 또는 "낯선 사람"의 침투 결과를 현지화하는 데 소요되는 시간과 노력입니다. 더 복잡한 경우(은행 거래 중 신원 확인)를 생각할 경우 이는 고객을 인식하지 못할 경우 고객을 잃을 수 있거나 사용자의 은행 계좌에 낯선 사람이 로그인될 수 있습니다. 생체 인식을 통한 은행 애플리케이션 로그인의 비즈니스 사례를 고려해 보겠습니다. 통계에 따르면, 사용자당 평균 로그인 횟수는 월 19~25회입니다. 1백만 명의 고객을 보유한 은행을 예로 들어 보겠습니다. 우리는 매달 최소 1,900만 개의 ID를 받습니다. 최고 품질의 Visa Photos 데이터세트에 대한 최고의 NIST 알고리즘은 FMR = 0.00001에서 FNMR = 0.0006을 보여줍니다. 실제로 품질이 확인되지 않은 데이터 세트가 있으면 FMR = 0.00001로 기껏해야 FNMR = 0.003을 얻을 수 있습니다. 이는 매월 45,000건이 넘는 "추가" 사고입니다. 각 사건의 비용이 평균 1달러(매우 과소평가된 수치)라면 연간 450,000달러의 "추가" 비용**이 발생합니다. 이 금액은 생체인식 시스템을 소유하는 데 드는 연간 비용에 상당합니다. 사진 품질 관리 알고리즘을 사용하여 데이터 세트를 정기적으로 확인하는 절차를 구축하고 품질이 낮은 사진을 제거하고 교체하면 생체인식 서비스의 소유 비용에 상응하는 비용 절감을 절감할 수 있습니다.

생체인식 등록 시 얼굴 이미지 품질에 대한 피드백 부족으로 고객 이탈

고객 확보에는 많은 비용이 듭니다. 그리고 때로는 통제되지 않은 환경과 충분한 품질의 얼굴 이미지를 얻기 위해 변경해야 할 사항을 신속하게 알릴 수 없기 때문에 클라이언트가 서비스 거부를 받는 경우도 있습니다. 예를 들어, 어두운 방에서 마스크를 벗는 것을 잊어버리고 인증 절차를 진행하려고 합니다. 매칭과 활성도 평가 모두 시스템이 잘못되었습니다. 그 결과 고객 충성도를 잃거나 고객을 잃게 됩니다. 대출 서비스를 위해 은행에 신규 고객 한 명을 유치하는 데 드는 비용은 최소 20달러입니다. 한 고객으로부터 은행의 평균 이익은 최소 90달러입니다. 전체적으로 각 고객은 $110의 비용과 이익 손실을 입습니다. 은행이 고객에게 원격으로 대출을 발행하는 비즈니스 사례를 생각해 보십시오. 은행이 생체 인식을 사용하여 매달 약 10,000건의 대출을 발행한다고 가정해 보겠습니다. 평균적으로 최소 9%의 고객이 부적절한 조건에서 생체 인식 인증을 통과하려고 시도합니다. 전체적으로 약 900번의 시도가 위험에 처해 있습니다. 마침내 리드의 30%를 잃었다고 가정하면, 올해 손실된 이익은 $350,000 이상이 될 것입니다. 모바일 애플리케이션에 내장된 품질 관리 알고리즘의 도움으로 우리는 고객에게 환경 문제와 필요한 조치에 대해 알려줌으로써 원하는 결과를 얻을 가능성이 크게 높아집니다. 원격 식별 관련 거래로 인한 수익이 최소 10% 이상 증가합니다.

사용하는 얼굴 이미지의 품질 안정성을 모니터링하는 메커니즘이 부족

카메라로 촬영되어 얼굴 인식 절차에 사용되는 얼굴 이미지에는 품질 관리가 없습니다. 이 경우 카메라가 낮은 품질의 이미지를 전송하기 시작하면 적절한 제어 메커니즘이 부족한 얼굴 인식 시스템으로 인해 얼굴 인식과 관련된 전체 프로세스가 저하될 수 있습니다. 각 얼굴 인식 카메라는 최상의 품질을 위해 특별히 구성되어야 합니다. 향후 얼굴 인식 절차에 대한 적합성 측면에서 설정에 대한 객관적인 품질 관리 데이터가 부족하여 향후 추가 작업이 필요합니다. 얼굴 이미지의 품질이 크게 저하되면 감지 누락 횟수가 증가하고 목록에서 사람을 올바르게 인식할 확률이 감소합니다. 연중 건물 내부에 설치된 카메라의 약 2%, 건물 외부에 설치된 카메라의 7% 이상이 외부 요인의 영향으로 인식을 위한 초기 데이터의 품질이 크게 저하되기 시작합니다. 시스템 성능이 저하되면 추가 최종 장비 설치 및 처리 용량 비용이 증가합니다. 한 프로젝트에서는 헤어스프레이 코팅으로 인해 카메라 렌즈 중 하나가 손상되었습니다. 이로 인해 얼굴 인식 횟수가 15% 감소했고, 이로 인해 대조군의 인식률도 8% 감소했습니다. 동시에, 컴퓨터 화면에서 육안으로 품질의 변화를 알아차리는 것도 문제였습니다. 품질 관리 알고리즘을 사용하면 각 카메라의 이미지 품질에 대한 통계적 평가를 구성하고 품질이 임계값 이상으로 저하되면 알림을 설정할 수 있습니다. 운영 비용을 절감하여 전체 운영 기간 동안 설치된 시스템의 품질을 보장합니다.

 

함께보면 좋은 글

얼굴 인식 대 전통 보안 기술: 정밀성, 편의성, 적응성과 통합성

얼굴 인식의 이중적인 면: 장점, 단점, 균형 잡기

공항 보안에서 얼굴 인식: 간소화, 보안 강화 및 감시 관리

얼굴 인식의 개요, 주요 기술 및 다양한 응용