Mencari wajah dalam koleksi

Amazon Rekognition memungkinkan Anda menggunakan wajah masukan untuk mencari kecocokan dalam kumpulan wajah yang disimpan. Anda mulai dengan menyimpan informasi tentang wajah yang terdeteksi dalam wadah sisi server yang disebut “koleksi”. Koleksi menyimpan wajah dan pengguna individu (beberapa wajah dari orang yang sama). Wajah individu disimpan sebagai vektor wajah, representasi matematis dari wajah (bukan gambar wajah yang sebenarnya). Gambar yang berbeda dari orang yang sama dapat digunakan untuk membuat dan menyimpan beberapa vektor wajah dalam koleksi yang sama. Anda kemudian dapat menggabungkan beberapa vektor wajah dari orang yang sama untuk membuat vektor pengguna. Vektor pengguna dapat menawarkan akurasi pencarian wajah yang lebih tinggi dengan penggambaran yang lebih kuat, berisi berbagai tingkat pencahayaan, ketajaman, pose, penampilan, dll.

Setelah Anda membuat koleksi, Anda dapat menggunakan wajah input untuk mencari vektor pengguna yang cocok atau vektor wajah dalam koleksi. Pencarian terhadap vektor pengguna dapat secara signifikan meningkatkan akurasi dibandingkan dengan mencari terhadap vektor wajah individu. Anda dapat menggunakan wajah yang terdeteksi dalam gambar, video yang disimpan, dan video streaming untuk mencari vektor wajah yang disimpan. Anda dapat menggunakan wajah yang terdeteksi dalam gambar untuk mencari vektor pengguna yang disimpan.

Untuk menyimpan informasi wajah, Anda harus melakukan hal berikut:

1. Buat Koleksi - Untuk menyimpan informasi wajah, Anda harus terlebih dahulu membuat (CreateCollection) koleksi wajah di salah satu AWS Wilayah di akun Anda. Koleksi wajah ini dapat ditentukan ketika Anda memanggil operasi IndexFaces.

2. Index Faces - IndexFacesOperasi mendeteksi wajah dalam gambar, mengekstrak, dan menyimpan vektor wajah dalam koleksi. Anda dapat menggunakan operasi ini untuk mendeteksi wajah dalam citra dan menyimpan informasi fitur wajah yang terdeteksi ke dalam koleksi. Ini adalah contoh operasi API berbasis penyimpanan karena layanan menyimpan informasi vektor wajah di server.

Untuk membuat pengguna dan mengaitkan beberapa vektor wajah dengan pengguna, Anda harus melakukan hal berikut:

1. Buat Pengguna - Anda harus terlebih dahulu membuat pengguna dengan CreateUser. Anda dapat meningkatkan akurasi pencocokan wajah dengan menggabungkan beberapa vektor wajah dari orang yang sama ke dalam vektor pengguna. Anda dapat mengaitkan hingga 100 vektor wajah dengan vektor pengguna.

2. Associate Faces - Setelah membuat pengguna, Anda dapat menambahkan vektor wajah yang ada ke pengguna tersebut dengan AssociateFacesoperasi. Vektor wajah harus berada dalam koleksi yang sama dengan vektor pengguna agar dapat dikaitkan dengan vektor pengguna tersebut.

Setelah membuat koleksi dan menyimpan vektor wajah dan pengguna, Anda dapat menggunakan operasi berikut untuk mencari kecocokan wajah:

• SearchFacesByImage- Untuk mencari wajah individu yang disimpan dengan wajah dari gambar.

• SearchFaces- Untuk mencari wajah individu yang disimpan dengan ID wajah yang disediakan.

• SearchUsers- Untuk mencari terhadap pengguna yang disimpan dengan ID wajah atau ID pengguna yang disediakan.

• SearchUsersByImage- Untuk mencari terhadap pengguna yang disimpan dengan wajah dari gambar.

• StartFaceSearch- Untuk mencari wajah dalam video yang disimpan.

• CreateStreamProcessor- Untuk mencari wajah dalam video streaming.

catatan

Koleksi menyimpan vektor wajah, yang merupakan representasi matematis dari wajah. Koleksi tidak menyimpan gambar wajah.

Diagram berikut menunjukkan urutan operasi panggilan, berdasarkan tujuan Anda untuk menggunakan koleksi:

Untuk pencocokan akurasi maksimum dengan Vektor Pengguna:

Untuk pencocokan akurasi tinggi dengan Vektor Wajah individual:

Anda dapat menggunakan koleksi dalam berbagai skenario. Misalnya, Anda dapat membuat koleksi wajah yang menyimpan wajah yang terdeteksi dari gambar lencana karyawan yang dipindai dan ID yang dikeluarkan pemerintah dengan menggunakan IndexFaces dan AssociateFaces operasi. Ketika seorang karyawan memasuki gedung, citra wajah karyawan tersebut ditangkap dan dikirim ke operasi SearchUsersByImage. Jika kecocokan wajah menghasilkan skor kemiripan yang cukup tinggi (katakanlah 99%), Anda dapat mangautentikasi karyawan tersebut.

Mengelola koleksi

Koleksi wajah adalah sumber daya Amazon Rekognition utama, dan setiap koleksi wajah yang Anda buat memiliki Amazon Resource Name (ARN) yang unik. Anda membuat setiap koleksi wajah di AWS Wilayah tertentu di akun Anda. Saat suatu koleksi dibuat, koleksi tersebut terkait dengan model pendeteksian wajah versi terbaru. Untuk informasi selengkapnya, lihat Versioning model.

Anda dapat melakukan operasi manajemen berikut pada koleksi:

• Membuat koleksi dengan CreateCollection. Untuk informasi selengkapnya, lihat Membuat koleksi.

• Cantumkan koleksi yang tersedia dengan ListCollections. Untuk informasi selengkapnya, lihat Mencantumkan koleksi.

• Jelaskan koleksi dengan DescribeCollection. Untuk informasi selengkapnya, lihat Menjelaskan koleksi.

• Hapus koleksi dengan DeleteCollection. Untuk informasi selengkapnya, lihat Menghapus koleksi.

Mengelola wajah dalam koleksi

Setelah membuat koleksi wajah, wajah dapat disimpan dalam koleksi tersebut. Amazon Rekognition menyediakan operasi berikut untuk mengelola wajah dalam koleksi:

• IndexFacesOperasi mendeteksi wajah dalam gambar input (JPEG atau PNG), dan menambahkannya ke koleksi wajah yang ditentukan. ID wajah unik dikembalikan untuk setiap wajah yang terdeteksi dalam citra. Setelah wajah disimpan, Anda dapat mencari kecocokan wajah di koleksi wajah. Untuk informasi selengkapnya, lihat Menambahkan wajah ke koleksi.

• ListFacesOperasi mencantumkan wajah-wajah dalam koleksi. Untuk informasi selengkapnya, lihat Menambahkan wajah ke koleksi.

• DeleteFacesOperasi menghapus wajah dari koleksi. Untuk informasi selengkapnya, lihat Menghapus wajah dari koleksi.

Mengelola pengguna dalam koleksi

Setelah Anda menyimpan beberapa vektor wajah dari orang yang sama, Anda dapat meningkatkan akurasi dengan mengaitkan semua vektor wajah tersebut ke dalam satu vektor pengguna. Anda dapat menggunakan operasi berikut untuk mengelola pengguna Anda:

• CreateUser- Operasi membuat pengguna baru dalam koleksi dengan ID pengguna unik yang disediakan.

• AssociateUsers- Tambahkan 1 - 100 ID wajah unik ke ID pengguna. Setelah mengaitkan setidaknya satu ID wajah ke pengguna, Anda dapat mencari kecocokan terhadap pengguna tersebut dalam koleksi Anda.

• ListUsers- Daftar pengguna dalam koleksi.

• DeleteUsers- Menghapus pengguna dari koleksi dengan ID pengguna yang disediakan.

• DisassociateFaces- Menghapus satu atau lebih ID wajah dari pengguna.

Menggunakan ambang kesamaan untuk mengaitkan wajah

Penting untuk memastikan bahwa wajah yang dikaitkan dengan pengguna semuanya berasal dari orang yang sama. Untuk membantu, UserMatchThreshold parameter menentukan kepercayaan kecocokan pengguna minimum yang diperlukan untuk wajah baru yang akan dikaitkan dengan yang UserID mengandung setidaknya satu FaceID sudah. Ini membantu memastikan bahwa FaceIds yang terkait dengan hakUserID. Nilai berkisar dari 0-100 dan nilai default adalah 75.

Panduan untuk menggunakan IndexFaces

Berikut ini adalah panduan untuk menggunakan IndexFaces dalam skenario umum.

Aplikasi keamanan kritis atau publik

• Panggil IndexFacesdengan gambar yang hanya berisi satu wajah di setiap gambar dan kaitkan ID Wajah yang dikembalikan dengan pengenal untuk subjek gambar.

• Anda dapat menggunakan DetectFacessebelum pengindeksan untuk memverifikasi hanya ada satu wajah dalam gambar. Jika terdeteksi lebih dari satu wajah, lakukan peninjauan lalu kirim ulang citra tersebut dengan citra yang hanya menampilkan satu wajah. Tindakan ini mencegah pengindeksan yang tidak disengaja pada beberapa wajah dan mengaitkannya dengan orang yang sama.

Aplikasi berbagi foto dan media sosial

• Anda harus memanggil IndexFaces tanpa batasan citra yang menampilkan beberapa wajah dalam kasus penggunaan seperti album keluarga. Dalam kasus tersebut, Anda perlu mengidentifikasi setiap orang di setiap foto dan menggunakan informasi tersebut untuk mengelompokkan foto berdasarkan orang-orang yang ditampilkan dalam citra tersebut.

Penggunaan umum

• Indeks beberapa gambar berbeda dari orang yang sama, terutama dengan atribut wajah yang berbeda (pose wajah, rambut wajah, dll), buat pengguna, dan kaitkan wajah yang berbeda dengan pengguna tersebut untuk meningkatkan kualitas pencocokan.

• Sertakan proses tinjauan agar pencocokan yang gagal dapat diindeks dengan pengenal wajah yang benar untuk meningkatkan kemampuan pencocokan wajah berikutnya.

• Untuk informasi tentang kualitas citra, lihat Rekomendasi untuk citra input perbandingan wajah.

Mencari wajah dan pengguna dalam koleksi

Setelah Anda membuat koleksi wajah dan menyimpan vektor wajah dan/atau vektor pengguna, Anda dapat mencari koleksi wajah untuk kecocokan wajah. Dengan Amazon Rekognition, Anda dapat mencari wajah dalam koleksi yang cocok dengan:

• ID wajah yang disediakan (SearchFaces). Untuk informasi selengkapnya, lihat Mencari wajah dengan ID wajah.

• Wajah terbesar dalam gambar yang disediakan (SearchFacesByImage). Untuk informasi selengkapnya, lihat Mencari wajah dengan gambar.

• Wajah dalam video yang tersimpan. Untuk informasi selengkapnya, lihat Mencari video yang disimpan untuk wajah.

• Wajah dalam video streaming. Untuk informasi selengkapnya, lihat Bekerja dengan acara video streaming.

Anda dapat menggunakan CompareFaces operasi untuk membandingkan wajah dalam gambar sumber dengan wajah di gambar target. Ruang lingkup perbandingan ini terbatas pada wajah yang terdeteksi pada citra target. Untuk informasi selengkapnya, lihat Membandingkan wajah dalam gambar.

Berbagai operasi Penelusuran yang terlihat dalam daftar berikut membandingkan wajah (diidentifikasi baik oleh gambar input FaceId atau gambar) dengan semua wajah yang disimpan dalam koleksi wajah tertentu:

• SearchFaces

• SearchFacesByImage

• SearchUsers

• SearchUsersByImage

Menggunakan ambang batas kemiripan untuk mencocokkan wajah

Kami memungkinkan Anda untuk mengontrol hasil dari semua operasi pencarian (CompareFaces, SearchFaces, SearchFacesByImage, SearchUsers, SearchUsersByImage) dengan memberikan ambang kesamaan sebagai parameter input.

FaceMatchThreshold, adalah atribut input ambang kesamaan untuk SearchFaces danSearchFacesByImage, dan mengontrol berapa banyak hasil yang dikembalikan berdasarkan kesamaan dengan wajah yang dicocokkan. Atribut ambang kesamaan untuk SearchUsers dan SearchUsersByImage isUserMatchThreshold, dan mengontrol berapa banyak hasil yang dikembalikan berdasarkan kesamaan dengan vektor pengguna yang dicocokkan. Atribut ambang batas adalah SimilarityThreshold untukCompareFaces.

Respons dengan nilai atribut respons Similarity yang lebih rendah dari ambang batas tidak dikirimkan. Ambang batas ini penting untuk dikalibrasi untuk mengalibrasi kasus penggunaan karena dapat menentukan jumlah positif palsu yang disertakan dalam hasil kecocokan Anda. Hal ini mengendalikan penarikan ulang hasil pencarian Anda—semakin rendah ambang batas, semakin tinggi penarikan ulangnya.

Semua sistem machine learning bersifat probabilistik. Anda harus menggunakan penilaian Anda dalam mengatur ambang batas kemiripan yang tepat, tergantung pada kasus penggunaan Anda. Misalnya, jika Anda ingin membangun aplikasi foto untuk mengidentifikasi anggota keluarga yang mirip, Anda dapat memilih ambang batas yang lebih rendah (misalnya 80%). Di sisi lain, untuk kasus penggunaan penegak hukum yang banyak, sebaiknya gunakan nilai ambang batas tinggi 99% atau lebih untuk mengurangi kesalahan identifikasi yang tidak disengaja.

Selain FaceMatchThreshold danUserMatchThreshold, Anda dapat menggunakan atribut Similarity respons sebagai sarana untuk mengurangi kesalahan identifikasi yang tidak disengaja. Misalnya, Anda dapat memilih untuk menggunakan ambang batas rendah (seperti 80%) untuk mendapatkan hasil yang lebih banyak. Kemudian Anda dapat menggunakan atribut respons Kesamaan (persentase kesamaan) untuk mempersempit pilihan dan memfilter respons yang tepat dalam aplikasi Anda. Sekali lagi, dengan menggunakan kemiripan yang lebih tinggi (seperti 99% dan lebih) dapat mengurangi risiko kesalahan identifikasi.