1 顔画像識別技術の動作原理と動作特性
1.1 我が国の顔画像識別技術は世界のトップランナー
1.2 顔画像識別技術の動作原理
1.2.1 顔画像の検出と正規化
1.2.2 ディープニューラルネットワークによる顔画像からの特徴抽出
1.2.3 顔画像の照合
1.3 顔画像識別技術の動作特性
1.3.1 照合速度は超高速
1.3.2 顔画像の品質と識別精度との関係
顔画像の緻密さ / 顔画像の鮮明さ / 顔の撮影角度 / 顔の表情 / 顔の経年変化 / 顔の整形手術 / メガネ等のアクセサリーの有無
2 ディープニューラルネットワークによる識別精度の向上
2.1 ディープニューラルネットワークの仕組み
2.2 ディープニューラルネットワークの動作
2.2.1 学習フェーズ
2.2.2 推論フェーズ
2.3 顔画像識別への適用
2.3.1 ディープニューラルネットワークによる識別用特徴ベクトルの生成
2.3.2 GPUによるディープニューラルネットワークの実装
2.3.3 ディープニューラルネットワークで識別精度が向上する理由
3 米国立標準技術研究所の「顔認識技術に係るベンダーテスト」
3.1 2013年実施のベンダーテストと2018年実施のベンダーテストの概要
3.1.1 両ベンダーテストにおける参加企業等
3.1.2 両ベンダーテストで用いたMugshot画像とWebカメラ画像の品質
3.1.3 Mugshot画像とWebカメラ画像の識別精度の違い
3.2 2018年実施のベンダーテスト結果の分析
3.2.1 ディープニューラルネットワークが識別精度向上の源
3.2.2 顔の経年変化に対する識別特性
3.2.3 真横顔に対する識別特性
3.2.4 同一人物の複数ショット照合による識別精度の向上
3.3 ベンダーテストの結果から、高精細デジタル監視カメラの活用が鍵
4 法務省の「日本人出帰国審査における顔認証技術に係る実証実験」
4.1 実証実験の概要
4.2 静止中撮影実験
4.3 歩行中撮影実験
4.4 実証実験の結果から、監視カメラ側の工夫が鍵
5 監視カメラの動作原理と動作特性
5.1 我が国の監視カメラ技術は世界のトップランナー
5.2 高精細デジタル監視カメラの機能と性能
5.2.1 誤り訂正機能
5.2.2 3次元ノイズリダクション機能
5.2.3 ワイドダイナミックレンジ機能
5.2.4 最低被写体照度
5.3 デジタル監視カメラの2つのタイプ
5.3.1 ネットワークカメラ
5.3.2 HD-SDIカメラ
5.4 デジタル監視カメラ選定上の留意点
5.4.1 高速シャッター撮影が可能か?
5.4.2 プログレッシブスキャン方式か?
6 顔画像識別技術と監視カメラを組み合わせた「機械の目」の特性
6.1 本人発見率と他人誤認率はトレードオフの関係
6.2 顔画像識別技術の性能の発揮は監視カメラ次第
6.3 他人誤認率を低減しつつ本人発見率を高める方法
7 「機械の目」の活用~被疑者写真検索システム
7.1 システムの概要と構成~オフラインシステム
7.2 システムに求める要件
7.3 検索精度は、遺留顔画像の品質次第
7.4 システムの発見率向上方策
7.4.1 最も品質の良い遺留顔画像の選択と切り出し
7.4.2 遺留顔画像の鮮明化処理
7.4.3 監視カメラの高精細デジタル化
7.4.4 「人の目」による確実な確認
8 「機械の目」の活用~ターゲット発見システム
8.1 システムの概要と構成~オンラインシステム
8.2 ターゲットを発見するためのポイント
8.2.1 顔画像を捉えてから発見の警報を出すまでの所要時間は秒の単位
8.2.2 他人誤認率を極力低減した上で本人発見率を向上
8.2.3 「人の目」による迅速確実な確認
9 顔画像識別における「人の目」の特性
9.1 「機械の目」の特性との違い
9.2 被疑者写真検索システムやターゲット発見システムの課題
9.3 「人の目」による顔の異同判断
9.3.1 顔の細部形状の異同判断が苦手で「印象」が判断を左右
9.3.2 感情に伴う表情を造り出す部位によく注目
9.3.3 「平均顔」からのずれが大きい部位によく注目
9.4 「人の目」が顔を記憶する特性~「再生」
9.4.1 「再生」は意識レベルの特性
9.4.2 「再生」で犯人の似顔絵を作成
9.4.3 犯人の似顔絵と実物との対比
9.4.4 顔画像識別技術は似顔絵が苦手
9.5 「人の目」が顔を記憶する特性~「再認」
9.5.1 「再認」は無意識レベルの特性
9.5.2 「再認」は非常に高精度