En intressant fråga är om FRS skulle kunna fungera i en öppen miljö om det går att kontrollera de två viktigaste parametrarna? Ur teoretisk syn- vinkel bör detta vara genomförbart i en öppen miljö där specifika platser är kontrollerade. Till exempel kan ett företag skapa kontrollerade zoner i en öppen miljö där FRS skulle kunna fungera i stort sett automatiskt. Systemet skulle övervaka att rätt personer får tillträde där de har behörighet samt neka tillträde för personer som inte har behörighet att vistas i området. I korridorer och vid dörrar kan man göra miljön optimal för avläsning av personers ansikten för att få en så pass bra kvalitet på indata att den skulle kunna vara nästan ofelbar.
De olika studierna som har studerats i litteraturstudien påvisar att i kontrollerade miljöer blir matchningsresultaten väldigt bra. W. Zhao nämner att kvaliteten på videoinspelningar och bilder har stor betydelse [12]. Därför bör det gå att motverka dålig bildkvalitet genom att införa bra kameror som ger bilder av hög kvalitet och som har en viss rörelseförmåga (horisontellt och vertikalt) i de kontrollerade zonerna. Dessutom går det att kontrollera miljön i de olika zonerna när det gäller ljusskärpa. Man kan även införa klädkodex angående attiraljer såsom solglasögon och huvudbonader som kan störa FR-systemet. Det går även alltid att
uppdatera databasen genom att införa ett fotobås som anställda kan fotografera sig i vid tidsintervaller eller om de har ändrat sitt utseende till exempel om en anställd har skaffat helskägg. Eftersom antalet bilder per person i databasen ökar matchningsprocenten är det ett utmärkt kom- plement [9], se tabell 6.
Företaget skulle även utan problem kunna fylla databasen med många var- ierande bilder av de anställdas ansikten för att kunna matcha mot dessa. Bilder kan tas av de anställda vid olika tillfällen i samma miljö som avläsningarna sker i realtid när de rör sig runt i företagets lokaler i olika vinklar. Detta skulle bidra till ökad säkerhet genom att behovet av passerkort och koder skulle elimineras. Passerkort och koder kan lätt tappas bort, stjälas och missbrukas. Dessutom skulle företaget kunna ställa krav på att vissa attiraljer, kepsar osv. inte får bäras på grund av att de kan påverka matchningen av en person och därmed göra så att en anställd inte får tillträde till ett område där de får vistas.
Det finns dock ett stort problem med systemet. Systemet fungerar på tre sätt. Först kontrolleras ifall det finns ett ansikte på bilden som systemet mottager. Program kan inte avgöra om det är en bild på en ”levande” person eller ett fotografi som någon håller upp framför huvudet. Om en obehörig person får tillgång till en bild av en anställd från databasen skulle personen kunna använda denna bild till att generera en perfekt matchning. Fotografiet ger ett positivt utslag om det finns ett ansikte att utläsa. Nästa steg är att följa ansiktet. Även spårningsfunktionen hade fungerat och följt ansiktet eftersom det finns ett ansikte och spårningsfunktionen inte kan skilja på en bild och ett riktigt ansikte. Steg tre går ut på att matcha ansiktet mot databasen.
Eftersom applikationen inte vet om indata kommer från en bild i bilden eller en levande person i bilden behövs en specifik kontroll för att göra bedömningen av detta, för att inte släppa in en obehörig person. Denna kontroll kan naturligtvis införas i applikationen eller läggas som ett extra program. Eftersom många FR utgår från 2D, behövs någon form av 3D- avläsning för att systemet inte skall luras. En algoritm som gör 3D- ansiktsnät av 2D-bilder hade antagligen inte kunnat avgöra om det är en bild i bilden eller ett riktigt ansikte. En ren 3D-skanningsfunktion hade varit ett måste. Den hade kunnat kombineras med 2D-skanning för optimal kontroll. Detta är ett måste för att upptäcka missförhållanden i profilerna ifall en person viker en bild av en persons ansikte runt huvudet. Om bilden skulle vara vikt runt huvudet skulle inte de punkter som plockats ut till algoritmen stämma eftersom bilden blir oval och då skulle inte bilden matchas mot databasen.
Det finns några andra ställen där FR skulle fungera för myndigheter [7]. Eftersom det krävs fotografier till pass, körkort och brottsregistret finns det stora möjligheter att införa en standard för hur dessa bilder tas så att miljön är densamma (ljusförhållande, vinklar osv.) Eftersom dessa bilder sedan är de bilder som finns på till exempel körkort och pass är det lätt att göra bra avläsningar med till exempel en handskanner som kan kontrollera att bilden matchar den bild som finns knuten till ett personnummer. Vid en trafikkontroll skulle det gå att skapa en kontrollerad miljö som matchar den standard som finns när bilden till exempel tas till ett pass och körkort. Det skulle inte vara omöjligt att installera ett liknande fotobås i ett större fordon som kan närvara vid trafikkontrollen. Detta skulle underlätta kontrollen av föraren. Detta skulle hindra en person från att utge sig för att vara en annan person genom att ha ett manipulerat fotografi på körkortet. Detsamma gäller vid passkontroller där personer som kliver fram till pass- kontrollen stiger in i en kontrollerad zon. I zonen fångar kameror personens ansikte från alla håll samt att passfotot kan lagras och matchas mot bilder i en databas på samma sätt som vid en trafikpoliskontroll. Så länge det går att kontrollera kvaliteten på indata och kvaliteten och kvantiteten av bilder på personer i databasen kan hållas uppdaterade skulle det teoretiskt gå att införa FRS som ett fungerande system i dessa fallen. Dock finns det ett problem med automatiska system eftersom de måste ha perfekta matchningar och inga ”false positives” får förekomma. Detta innebär att systemet inte får acceptera lägre matchningsprocent än 100%. Skulle det finnas en önskan att sänka matchningsprocenten av ansiktena kommer det att öka antalet ”false positives”. Detta innebär att personer som inte är den som eftersöks kan ge en positiv träff i match- ningen. Därför måste det finnas någon som övervakar matchningarna och kan hjälpa systemet att kontrollera och verifiera matchningarna.
Däremot att införa ett Facial Recognition System i en helt okontrollerad miljö som i till exempel en vänthall på en tågstation verkar orimligt med dagens metoder och teknik. Eftersom det finns så många faktorer som kan påverka parametrarna skulle matchningsprocenten bli för låg. Det skulle också indirekt påverka integriteten för de personer som skulle bli anhållna på grund av felmatchningar eller matchningar med låg matchningsprocent. Det motverkar i sin tur FRS som av naturen är ett passivt övervaknings- system vars syfte är att kontrollera personer på avstånd och minska inskränkningar i den personliga integriteten hos människor.
Även om man skulle kombinera 2D + 3D algoritmer, använda program som ändrar skalor, roterar bilder, gör matchningar utan att ha alla mate- matiska variabler till sitt förfogande samt använda sig av olika filter, skulle inte resultaten bli tillräckligt bra för att vara användbara i en helt okon-
parametrar som tillsammans skapar stor oreda när det gäller att avläsa de punkter som behövs för att på rätt sätt kunna använda dem i algoritmerna. Till exempel kan fel belysning göra att avläsningen av en punkt blir fel och FAR (false acception rate) kan teoretiskt ge matchning mot ett annat ansikte [8]. Algoritmer som använder sig av att mäta avståndet mellan till exempel iris och näsa kan vara problematiska när glasögon döljer en persons irispunkt som behövs för att göra en korrekt avläsning.
Att identifiera personer med hjälp av fingeravtryck är något som används i nuläget och anses pålitligt [17]. Dock har även fingeravtryck som identi- fieringsmetod ifrågasatts och vissa påpekar bristen av forskning även inom detta område [18]. Inom FRS i okontrollerad miljö kan en person med glasögon i starkt ljus ge en matchningsprocent på ca 72% [9]. Eftersom fingeravtryck anses ligga nära 100% i träffsäkerhet och även det ifrågasätts lär troligtvis inte FRS i öppen miljö anses tillräckligt tillförlitligt för att användas automatiserat.
Antagligen kommer FRS någon gång i framtiden att kunna fungera i en öppen miljö men vägen dit är fortfarande lång. Däremot fungerar över- vakningskameror som ett bra komplement för att övervaka områden för att se om det händer specifika saker såsom rån, våldsbrott, olyckor med mera i en öppen miljö och kunna förhindra detta. Detta kräver dock att det finns en central där personer övervakar videoflödet.
6 Slutsatser och vidare forskning
Undersökningarna visar att FRS har stora problem att hantera indata som är av dålig kvalitet. Med kvalitet avses upplösning, kontrast, ljusför- hållande och om bilden är komplett eller ofullständig i form av att den har vissa partier av ansiktet dolda (se tabell 11). Kvaliteten av indata och antalet bilder av en person i databasen har en stor påverkan på match- ningsprocenten vilket ställer stora krav på att man kan kontrollera miljön där ansiktsavläsningar genomförs. Det är också av betydelse att data- baserna hålls uppdaterade och innehåller tillräckligt stort antal bilder på personer för att göra resultaten tillförlitliga (se tabell 10). FRS i sin nuvarande form tampas med stora problem när indata inte kan kontrolleras och därför lämpar sig inte systemet för en helt allmän och okontrollerad miljö.
Tabell 10: [9][10] Visar sambandet mellan antalet bilder av en person i databasen och ökad matchningsprocent, från två olika studier där LBP algoritmen har använts. Båda visar på bättre matchningsprocent med ökat antal bilder per person i databasen.
Databaser/Metod Antalet bilder per
person LBP
2 87,9% 3 93,2% Förklädnad 1 63,4% 2 72,9% 3 81,1% Syntetisk, Förklädnad 1 81,4% 2 88,3% 3 94,1% MSM 3 75,81% 4 78,70% MMD 3 4 80,09% 75,81% AHM 3 4 83,80% 73,23%
Tabell 11: [9] Påvisar bildkvalitetens betydelse. Till exempel påverkan på grund av dolda partier, ljusförhållande i ett ansikte. Matchningsprocenten blir sämre och går nästan ner till ca 55%.
Databaser Hur ansiktena är dolda Matchningsprocent
LBP
AR
Uttryck med ljusvariationer 86,5% Glasögon med
ljusvariationer 69,2%
Skarfs med ljusvariationer 55,4%
Förklädnad Inga variationer 80,5% Olika förklädnads variationer 61,9% Syntetisk, Förklädnad Inga variationer 98,0% Hår stilar 94,8% Skägg + mustasch 83,5% Glasögon 84,9% Mössa 93,1%
Läppar, ögonbryn, näsa 96,8%
Ålder och rynkor 94,4%
Multipla variationer 63,5%
För att systemet skall kunna användas i öppen miljö bör det finnas zoner som är kontrollerade för att få en så bra kvalitet på data som möjligt. I dagsläget försöker personer hantera problemen med bristande bildkvalitet, genom att tillämpa olika algoritmer, filter och program. Problemet med detta är att det påverkar data som sänds in för jämförelse och i vissa fall baseras uträkningar på antagningar. Det hade varit intressant om vidare
undersökningar görs angående att införa kontrollerade zoner i öppen miljö där förhållandena är gynnsamma för FRS.
FRS i sin nuvarande form med otaliga varianter av algoritmer och under- sökningsmetoder bör kunna dra nytta av alla olikheter mer än att bara kombinera 2D- och 3D-avläsningar (se tabell 9). Undersökningar visar att modifikationer i lägre upplösningar kan förbättra resultaten. Resultaten blir också bättre om bilderna i databaserna är uppdaterade och databasen innehåller ett bildgalleri av bra kvalitet med tillräckligt många bilder. Detta bör man dra nytta av i fortsatta undersökningar för att utveckla FRS till att ge en högre matchningsprocent.
Jag tycker det även borde införas en standard för hur FRS skall testas. Till exempel att det skall finnas ett satt antal bilder av varje individ samt att det bör finnas ett minimikrav på ett visst antal individer inlagda i databasen. Detta skulle kunna ge en fingervisning om hur till exempel 1-10 bilder påverkar matchningsprocenten, FAR och FRR. Varje enskild eller kombination av algoritmer skulle sedan kunna mätas mot samma måttstock för att få ut för- och nackdelar med varje algoritm. Även de olika metoderna bör kombineras som 2D och 3D för att få ut de optimala matchningarna. Bilderna bör också vara tagna inom de tre vanligaste förekommande upplösningar som används för övervakning av övervaknings- och digitalkameror. Det bör även finnas specifika angivna anvisningar som är realistiska att följa angående hur en bild skall tas. Dessa kan till exempel gälla avstånd, ljusförhållande och andra faktorer som går att påverka vid fotografering, till exempel för körkort, pass och registrering, vid ett företag eller myndighet.