Waarom lijkt gezichtsherkenning minder betrouwbaar bij warme binnenverlichting?

Warm binnenlicht kan de betrouwbaarheid van gezichtsherkenning verminderen, omdat spectrale verschuivingen en ongelijkmatige schaduwen de gezichtskenmerken veranderen die door de camera en het model worden gecodeerd.

Een camera bij de ingang van een woning kan een bewoner bij een raam met daglicht herkennen, maar bij nacht aarzelen onder een plafondlamp van 2700 K. De persoon is niet veranderd; de vastgelegde kleurverhoudingen, belichting en schaduwgeometrie wel. Dat is van belang wanneer de opgeslagen referentieafbeeldingen onder helderder, neutraler licht zijn verzameld.

Warm licht verandert meer dan alleen de algehele kleur

Een warme lamp bevat minder energie met korte golflengten dan daglicht en kan een ongelijkmatige spectrale verdeling hebben. De witbalans van de camera kan ervoor zorgen dat de muur neutraal lijkt, terwijl huidkanalen en fijne contrasten toch verschuiven. Herkenningsembeddings worden opgebouwd uit die lokale patronen, niet uit een menselijke beoordeling dat het gezicht er nog steeds vertrouwd uitziet.

Experimenten van NIST naar belichting en focus toonden aan dat de prestaties van gezichtsherkenning gevoelig blijven voor belichting en dat veranderingen in randdichtheid door belichting konden worden verklaard, en niet alleen door focus. Een warme kleur is daarom slechts één zichtbare aanwijzing voor een bredere verandering in de opnamekwaliteit.

Het gevolg is een grotere afstand tussen de live-embedding en de ingeschreven template. Een drempel die is afgestemd op het afwijzen van vreemden kan de bewoner dan ook afwijzen; een lagere drempel kan het gebruiksgemak herstellen, maar ook het aantal foutieve overeenkomsten verhogen. Meer belichting is niet automatisch beter als hoge lichten uitbijten of bewegingsonscherpte toeneemt.

Schaduwen en automatische belichting veranderen stabiele kenmerken

Plafondarmaturen creëren schaduwen rond oogkassen, neus en kin die afwijken van frontale belichting bij het inschrijven. Automatische belichting kan het gemiddelde beeld helderder maken, terwijl één kant van het gezicht ruisig blijft. De detector kan nog steeds een kader rond een gezicht tekenen, maar de uitlijning van herkenningspunten en de embedding binnen dat kader worden minder stabiel.

Moderne systemen zoals ArcFace-embeddings verbeteren de scheiding tussen identiteiten in de embeddingruimte, maar hun marge elimineert een slechte invoerkwaliteit niet. Als uitlijningspunten verschuiven doordat één oog of de rand van een wang wordt afgeschermd, verandert de genormaliseerde uitsnede die aan de herkenner wordt aangeboden.

Opeenvolgende frames kunnen daardoor afwisselend worden geaccepteerd en afgewezen, zelfs als de persoon stil blijft staan. De instabiliteit volgt veranderingen in belichting, hoofdhoek en schaduwpositie. Meestal is het informatiever om de uitgelijnde gezichtsuitsneden te bekijken dan de aantrekkelijke voorbeelden van het volledige beeld te vergelijken.

Wanneer warme verlichting niet de belangrijkste oorzaak is

De verklaring met warm licht schiet tekort wanneer het gezicht te weinig pixels beslaat, de sluitertijd te lang is of de lens onscherp is. Compressie, tegenlicht, overgangen van het infraroodblokk filter en een verouderde inschrijf-template kunnen de kleurtemperatuur overheersen. Twee lampen met dezelfde Kelvinwaarde kunnen bovendien zeer verschillende spectra hebben.

Onderzoek naar de keuze van beeldsensoren toont aan dat sensor- en brandpuntskeuzes de herkenningskwaliteit beïnvloeden, vooral wanneer de afstand tot het onderwerp verandert. Een groter, scherper gezicht kan beter presteren dan een kleurperfect maar te weinig bemonsterd gezicht. Kleurcorrectie kan ontbrekende ruimtelijke details dus niet compenseren.

Het mechanisme is niet overtuigend als fouten ook optreden bij neutraal licht van hoge kwaliteit of eerder samenhangen met afstand dan met de toestand van de lamp. Het rechtvaardigt ook niet dat de overeenkomstdrempel wordt aangepast voordat de prestaties tegenover imitators zijn gemeten. Verlichting verandert de invoerverdeling; dat bewijst niet dat het herkenningsmodel zelf defect is.

-15% OFF

ZimaBoard 2 - Mini-thuisserver voor jouw grote idee

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Vergelijk verlichting zonder de overeenkomstdrempel te wijzigen

Maak op dezelfde afstand en in dezelfde houding opnamen van een vaste bewoner bij daglicht, warm licht en warm licht met een zachte frontale invulverlichting. Houd de cameramodus, resolutie, sluiterinstellingen en herkenningsdrempel gelijk. Vergelijk de grootte van het gezichtskader, de uitlijning van herkenningspunten, onscherpte, overbelichte pixels en embeddingafstand in ten minste twintig frames per situatie.

Voer de vergelijking uit met één gedeeld lokaal model, zodat elk voorbeeld dezelfde modelversie en opgeslagen referentieset gebruikt. Bewaar de uitgelijnde gezichtsuitsneden in plaats van schermafbeeldingen van het dashboard; die uitsneden laten zien of kleur, schaduwen of geometrie veranderden voordat de overeenkomst werd bepaald.

Wijs warme verlichting alleen aan als oorzaak wanneer de embeddingafstand en acceptatie consequent verbeteren bij neutraal of frontaal licht, terwijl de gezichtsgrootte en beweging stabiel blijven. Als de resultaten in plaats daarvan de afstand, sluitertijd of focus volgen, onderzoek die variabelen dan eerst. Schrijf het gezicht pas opnieuw in nadat je de lichtomstandigheid hebt gekozen die normaal gebruik het best vertegenwoordigt.