Facial Recognition

Yüz tanıma, bir kişinin yüz görüntüsünü kayıtlı yüzlerle karşılaştırarak kişiyi tanımlayan veya doğrulayan bir biyometrik teknolojidir. Modern sistemler her yüzü genellikle yüz izi adı verilen bir sayı vektörü olan gömüye dönüştürmek için derin öğrenme kullanır; iki yüzün aynı kişiye ait olup olmadığına da gömülerinin benzerliğine göre karar verir. Telefonların kilidini açar, yolcuların havaalanı kapılarından daha hızlı geçmesini sağlar ve çevrimiçi banka hesabı açan müşterileri doğrular. Bir kişinin bilgisi olmadan yüzü yakalanabildiği için bilgisayarlı görü alanında en sıkı düzenlemelere tabi uygulamalardan biridir.

Yüz Tanıma Nasıl Çalışır#

Bir tanıma sistemi her görüntüde dört aşama yürütür:

1. Tespit: Yüz tespit modeli her yüzü bulur ve sınırlayıcı kutusunu ve birkaç yüz işaret noktasını döndürür.
2. Hizalama: Başın duruşu ve mesafesinden kaynaklanan değişkenliği büyük ölçüde gidermek için yüz döndürülür, ölçeklenir ve gözler, burun ve ağız sabit konumlara gelecek şekilde kırpılır.
3. Bir CNN ile kodlama: Ağ, hizalanmış kırpımı sabit uzunlukta bir gömüye dönüştürür.
4. Kosinüs benzerliğiyle eşleştirme: Yeni gömü, kayıtlı gömülerle karşılaştırılır ve eşik değeri eşleşme olup olmadığını belirler. Büyük ölçekli dağıtımlarda kayıtlı yüz izleri hızlı arama için bir vektör veritabanında saklanır.

Yüz algılama bir nesne algılama problemidir. WIDER FACE gibi bir yüz veri kümesinde ince ayar yapılmış bir Ultralytics YOLO26 modeli, uç cihaz kameralarında gerçek zamanlı çalışabilir ve sonraki aşamalara yüz kutularını aktarabilir. Derin öğrenmeden önce sistemler, elle tasarlanmış özelliklere dayanıyordu; bunlar yüz işaret noktaları arasındaki mesafelerden Eigenfaces ve yerel ikili örüntülere uzanıyordu. Öğrenilmiş gömmeler bunların yerini aldı; çünkü ışıklandırma, ifade ve yaş değişiklikleri karşısında çok daha kararlı kalırlar. FaceNet, 2015'te doğrudan üçlü kayıp ile kompakt 128 boyutlu gömmeler eğitti; ArcFace gibi marja dayalı kayıplar artık farklı kişilerin gömmelerini birbirinden daha da uzaklaştırıyor. Eşleştirme aşaması iki farklı soruya yanıt verir:

Doğrulama (1:1), bir telefonun sahibini kontrol etmesi gibi, bir yüzün iddia edilen kimliğe ait olup olmadığını yanıtlar. Tanımlama (1:N), bir erişim kontrol sistemi yüzü kayıtlı her çalışanla karşılaştırdığında olduğu gibi tüm galeride arama yapar. OpenCV Zoo modelleri işlem hattının tamamını birkaç satırda çalıştırır; bu kod bir görüntüdeki yüzleri kaydeder, ardından aynalanmış bir kopyadaki yüzleri bu galeriyle karşılaştırıp tanımlar.

import urllib.request

import cv2

# Download OpenCV Zoo's face detector (YuNet), face recognizer (SFace), and a test image
zoo = "https://github.com/opencv/opencv_zoo/raw/main/models"
urllib.request.urlretrieve(f"{zoo}/face_detection_yunet/face_detection_yunet_2023mar.onnx", "yunet.onnx")
urllib.request.urlretrieve(f"{zoo}/face_recognition_sface/face_recognition_sface_2021dec.onnx", "sface.onnx")
urllib.request.urlretrieve("https://ultralytics.com/images/bus.jpg", "bus.jpg")
img = cv2.imread("bus.jpg")
detector = cv2.FaceDetectorYN.create("yunet.onnx", "", (img.shape[1], img.shape[0]))
recognizer = cv2.FaceRecognizerSF.create("sface.onnx", "")

# Enroll each detected face as an aligned 128-D embedding
gallery = [recognizer.feature(recognizer.alignCrop(img, face)) for face in detector.detect(img)[1]]

# Identify the faces of a mirrored copy against the gallery (SFace match: cosine >= 0.363)
mirror = cv2.flip(img, 1)
for face in detector.detect(mirror)[1]:
    probe = recognizer.feature(recognizer.alignCrop(mirror, face))
    print([round(recognizer.match(probe, g, cv2.FaceRecognizerSF_FR_COSINE), 2) for g in gallery])

[0.87, 0.06] ve [0.09, 0.89] çıktısını verir: Aynalanmış her yüz, kendi kayıtlı gömüsüne karşı 0,363 eşiğinin çok üzerinde, diğer kişinin gömüsüne karşı ise çok altında puan alır.

Yüz Tanıma ve İlgili Terimler#

• Yüz algılama: Bir görüntüde yüzlerin nerede olduğunu bulur, ancak kime ait olduklarını belirlemez; yüz tanımanın ilk aşamasıdır ve kamera otomatik odaklamasını ve yüz bulanıklaştırmayı da sağlar.
• Yüz analizi ve duygusal bilişim: Kimlik belirlemeden ifade, baş duruşu veya yaş gibi özellikleri tahmin eder.
• Nesne yeniden tanımlama (Re-ID): İnsanları kameralar arasında kıyafet gibi tüm vücut görünümlerine göre eşleştirir. Arkadan görünüşte ve düşük çözünürlükte çalışır, ancak yalnızca kısa zaman aralıklarında etkilidir.

Gerçek Dünya Uygulamaları#

• Cihaz kilidi açma: Telefonlar sahiplerini saniyenin çok küçük bir bölümünde doğrular; Apple'ın Face ID özelliği, basılı bir fotoğrafın taklit edemeyeceği bir derinlik haritası oluşturmak için 30.000'den fazla kızılötesi nokta yansıtır.
• Seyahat ve sınır kontrolü: Otomatik e-kapılar, yolcunun canlı fotoğrafını e-pasaport çipinde saklanan fotoğrafla karşılaştırır.
• Kimlik doğrulama: Bankalar ve çevrimiçi hizmetler, hesap açılırken bir özçekimi devlet tarafından verilmiş kimlikteki fotoğrafla karşılaştırır ve buna canlılık kontrolleri ekler.
• Fotoğraf düzenleme: Fotoğraf uygulamaları, kullanıcıların bir aile üyesinin tüm fotoğraflarını bulabilmesi için kişisel arşivdeki yüzleri gruplar.

Doğruluk, Yanlılık ve Sahtecilik#

Her sistem iki hata arasında denge kurar: yanlış eşleşme yanlış kişiyi kabul eder, eşleşmeme ise doğru kişiyi reddeder; benzerlik eşiği bu dengeyi belirler. Eskiden FRVT olarak bilinen NIST Yüz Tanıma Teknolojisi Değerlendirmesi (FRTE), ticari algoritmaları milyonlarca görüntü üzerinde kıyaslar. 99 geliştiricinin 189 algoritmasını inceleyen 2019 tarihli çalışması, algoritmaların çoğunda yanlış pozitif oranlarında demografik farklılıklar buldu; bu, algoritmik yanlılığın temel örneklerinden biridir. Tanıma fotoğraflar, ekran tekrarları ve maskelerle de aldatılabilir. Bu nedenle üretim sistemleri; derinlik sensörleri, kızılötesi veya ince hareket analizi kullanan ve genellikle canlılık tespiti adı verilen sunum saldırısı tespitini ekler.

Gizlilik ve Düzenlemeler#

Yüz izleri biyometrik veridir; bu nedenle yasalar bunları yüksek derecede hassas kişisel veriler olarak ele alır. GDPR uyarınca bir kişiyi tanımlamak için kullanılan biyometrik veriler, açık bir yasal dayanak gerektiren özel bir kategoridir. Illinois Biyometrik Bilgi Gizliliği Yasası da şirketlerin yüz izi toplamadan önce yazılı onay almasını zorunlu kılar. AB Yapay Zekâ Yasası daha da ileri gider: 2 Şubat 2025'ten itibaren, internetten veya CCTV'den alınan görüntülerin hedef gözetmeyen biçimde taranmasıyla yüz tanıma veritabanları oluşturulmasını ve kolluk kuvvetlerinin kamuya açık alanlarda gerçek zamanlı uzaktan biyometrik tanımlama yapmasını, dar kapsamda tanımlanmış birkaç durum dışında yasaklamıştır.