Biometrics คืออะไร ทำไมโลกถึงหันมาใช้ “ตัวคุณ” แทน “รหัสผ่าน”

1. Face Recognition คืออะไร

Face Recognition (การจดจำใบหน้า) คือเทคโนโลยีที่ใช้คอมพิวเตอร์ในการ ระบุหรือยืนยันตัวตนของบุคคลจากลักษณะใบหน้า

พูดง่าย ๆ คือ สอนให้คอมพิวเตอร์ทำสิ่งที่สมองมนุษย์ทำได้โดยธรรมชาติ  จำหน้าคน

มนุษย์เราจำหน้าคนได้โดยไม่ต้องคิด เห็นหน้าแม่ก็รู้ว่าเป็นแม่ เห็นหน้าเพื่อนก็รู้ว่าเป็นเพื่อน แม้จะเปลี่ยนทรงผม ใส่แว่น หรือแก่ขึ้น สมองก็ยังจำได้ เพราะสมองไม่ได้จำแค่ “รูปร่างหน้าตา” แต่จำ โครงสร้างและความสัมพันธ์ ระหว่างส่วนต่าง ๆ ของใบหน้า เช่น ระยะห่างระหว่างตาสองข้าง สัดส่วนของจมูกกับปาก มุมของคาง

Face Recognition ทำสิ่งเดียวกัน แต่ใช้คณิตศาสตร์และ AI แทนสมอง

Face Recognition ≠ Face Detection

จุดที่มักสับสน: Face Detection กับ Face Recognition ไม่ใช่สิ่งเดียวกัน

Face Detection คือการ “หา” ว่ามีใบหน้าอยู่ตรงไหนในภาพ  ตอบคำถาม “มีหน้าคนอยู่หรือเปล่า?” ทุกครั้งที่กล้องมือถือวาดกรอบสี่เหลี่ยมรอบหน้าคุณตอนจะถ่ายรูป นั่นคือ Face Detection

Face Recognition คือการ “จำ” ว่าใบหน้านั้นเป็นของใคร  ตอบคำถาม “หน้านี้เป็นใคร?” หรือ “หน้านี้ใช่คนที่อ้างว่าเป็นจริงหรือเปล่า?”

Face Detection เป็นแค่ขั้นตอนแรกของ Face Recognition ต้องหาหน้าเจอก่อน จึงจะจำได้ว่าเป็นใคร

2. Face Recognition ทำงานอย่างไร  4 ขั้นตอน

กระบวนการ Face Recognition แบ่งเป็น 4 ขั้นตอนที่เกิดขึ้นต่อเนื่องกันในเสี้ยววินาที

ขั้นที่ 1: Face Detection  หาใบหน้าในภาพ

ขั้นตอนแรก ระบบต้อง “หา” ว่าใบหน้าอยู่ตรงไหนในภาพ ภาพหนึ่งอาจมีคนหลายคน มีวัตถุอื่น ๆ มีฉากหลังที่ซับซ้อน ระบบต้องแยกให้ได้ว่าส่วนไหนคือใบหน้า

ลองนึกภาพ: คุณเดินเข้าห้างสรรพสินค้าที่มีคนเป็นร้อย กล้อง Face Recognition ต้อง “หา” ใบหน้าทุกคนที่อยู่ในเฟรมภาพ แม้คนจะอยู่ไกล มุมเอียง หรือบังกันบางส่วน

เทคโนโลยีที่ใช้ในขั้นนี้พัฒนามาตลอด ยุคแรกใช้ Haar Cascades ซึ่งหาใบหน้าจาก pattern ของแสงเงา (เช่น บริเวณตาจะเข้มกว่าหน้าผาก) ยุคปัจจุบันใช้ Deep Learning ที่แม่นยำกว่ามาก หาหน้าได้แม้มุมเอียง แสงน้อย หรือบังบางส่วน

ผลลัพธ์ของขั้นนี้: กรอบสี่เหลี่ยมรอบใบหน้าแต่ละคนในภาพ พร้อมตำแหน่งจุดสำคัญ (landmark) เช่น ตำแหน่งตาซ้าย ตาขวา ปลายจมูก มุมปาก

ขั้นที่ 2: Face Alignment  จัดตำแหน่งให้ตรง

เมื่อหาใบหน้าเจอแล้ว ใบหน้านั้นอาจอยู่ในมุมที่ไม่ตรง เช่น หันข้างเล็กน้อย เอียงคอ ก้มหน้า ระบบต้อง “จัด” ให้ใบหน้าอยู่ในตำแหน่งมาตรฐานก่อน

ลองนึกภาพ: ถ้าคุณจะเปรียบเทียบรูปถ่ายบัตรประชาชน 2 ใบ คุณจะวางให้ตรง ให้หน้าหันไปทิศเดียวกัน ขนาดเท่ากัน แล้วค่อยเปรียบเทียบ  Face Alignment ทำสิ่งเดียวกัน

ระบบใช้ landmark points (จุดสำคัญบนใบหน้า เช่น มุมตา ปลายจมูก มุมปาก) เป็นจุดอ้างอิง แล้วหมุน ย่อ ขยาย ภาพให้ใบหน้าอยู่ในตำแหน่งมาตรฐาน ตาอยู่ระดับเดียวกัน จมูกอยู่กลาง ขนาดเท่ากันหมด

ผลลัพธ์: ภาพใบหน้าที่ “จัดตรง” แล้ว พร้อมสำหรับการวิเคราะห์

ขั้นที่ 3: Feature Extraction  ดึงลักษณะเฉพาะ

นี่คือขั้นตอนที่สำคัญที่สุด ระบบจะวิเคราะห์ใบหน้าที่จัดตรงแล้ว แล้ว “ดึง” ลักษณะเฉพาะ (features) ออกมาเป็นรหัสตัวเลข

ลองนึกภาพ: ถ้าคุณต้องอธิบายหน้าของเพื่อนให้คนอื่นฟังทางโทรศัพท์ คุณอาจบอกว่า “ตาโต จมูกโด่ง คางแหลม หน้ายาว คิ้วหนา”  คุณกำลัง “ดึงลักษณะเฉพาะ” ของหน้าเพื่อนออกมา Face Recognition ทำเช่นเดียวกัน แต่ละเอียดกว่ามากและแปลงเป็นตัวเลข

ในยุคแรก ระบบวัดระยะห่างระหว่างจุดต่าง ๆ บนใบหน้า เช่น ระยะห่างระหว่างตาสองข้าง ความกว้างของจมูก ความยาวของคาง แล้วเก็บเป็นตัวเลข

ในยุคปัจจุบัน ระบบใช้ Deep Learning โดยเฉพาะ Convolutional Neural Network (CNN) ที่เรียนรู้จากใบหน้าหลายล้านหน้า จนสามารถดึงลักษณะเฉพาะที่ซับซ้อนกว่าที่มนุษย์จะอธิบายได้ ระบบไม่ได้แค่วัดระยะห่างระหว่างตา แต่วิเคราะห์ทุกรายละเอียดของ texture โครงสร้าง สัดส่วน และความสัมพันธ์ระหว่างส่วนต่าง ๆ ของใบหน้า

ผลลัพธ์: Face Template หรือ Face Embedding ซึ่งเป็นชุดตัวเลข (เช่น 128 หรือ 512 ตัวเลข) ที่เป็นเอกลักษณ์ของใบหน้านั้น ๆ เหมือน “ลายนิ้วมือดิจิทัลของใบหน้า”

จุดสำคัญ: Template นี้ไม่ใช่ “ภาพ” ของใบหน้า ไม่สามารถนำ template ไปสร้างภาพใบหน้าคืนได้ ดังนั้นแม้ข้อมูล template รั่วไหล ก็ไม่สามารถนำไปสร้างหน้าปลอมได้

ขั้นที่ 4: Matching  เปรียบเทียบกับฐานข้อมูล

ขั้นสุดท้าย ระบบนำ template ที่สร้างจากใบหน้าที่เห็น ไปเปรียบเทียบกับ template ที่เก็บไว้ในฐานข้อมูล

การเปรียบเทียบใช้ ระยะทางทางคณิตศาสตร์ (เช่น cosine similarity หรือ Euclidean distance) วัดว่า template สองอันใกล้เคียงกันแค่ไหน ถ้าใกล้เคียงกันมากพอ (เกินค่า threshold ที่ตั้งไว้) ก็ถือว่า “ตรงกัน” (match)

ลองนึกภาพ: template เป็นเหมือน “พิกัดบนแผนที่” แต่ละคนมีพิกัดเฉพาะตัว เมื่อเห็นหน้าใหม่ ระบบจะหาพิกัดของหน้านั้น แล้วดูว่าใกล้กับพิกัดของใครในฐานข้อมูลมากที่สุด ถ้าใกล้มากพอก็ถือว่าเป็นคนเดียวกัน

ผลลัพธ์: “ตรง” (match) หรือ “ไม่ตรง” (no match) พร้อมค่า confidence score ที่บอกว่าระบบมั่นใจแค่ไหน

3. Verification vs Identification  สองวิธีใช้ที่ต่างกัน

Face Recognition ใช้ได้ 2 รูปแบบ ที่แตกต่างกันทั้งในด้านวิธีการ ความเร็ว และจุดประสงค์

Verification (1:1)  “คุณเป็นคนนี้จริงหรือเปล่า?”

ระบบรู้แล้วว่าคุณ “อ้าง” ว่าเป็นใคร (เช่น คุณกรอก username สแกนบัตร หรือเสียบ e-Passport) แล้วระบบก็แค่เปรียบเทียบหน้าคุณกับ template ของคน ๆ นั้น คนเดียว ว่าตรงกันหรือไม่

เปรียบเทียบ: เหมือนเจ้าหน้าที่ immigration ที่ดูรูปในพาสปอร์ต แล้วเทียบกับหน้าคนที่ยืนอยู่ตรงหน้า  ถามว่า “หน้านี้ใช่คนเจ้าของพาสปอร์ตนี้หรือเปล่า?”

ตัวอย่าง: ปลดล็อกมือถือด้วยหน้า (Face ID) ยืนยันตัวตนใน mobile banking สแกนหน้าตอนเข้าออฟฟิศหลังแตะบัตร

ข้อดี: เร็วมาก เพราะเปรียบเทียบแค่ 1:1 ใช้เวลาไม่ถึง 1 วินาที

Identification (1:N)  “คุณเป็นใคร?”

ระบบ ไม่รู้ ว่าคุณเป็นใคร ต้องค้นหาจากฐานข้อมูลทั้งหมด เปรียบเทียบหน้าคุณกับ template ของ ทุกคน ในฐานข้อมูล จนกว่าจะเจอ (หรือไม่เจอ)

เปรียบเทียบ: เหมือนตำรวจที่ได้ภาพจากกล้องวงจรปิด แล้วต้องหาว่าคนในภาพเป็นใคร โดยเทียบกับฐานข้อมูลใบหน้าหลายล้านคน

ตัวอย่าง: ค้นหาผู้ต้องสงสัยจากกล้องวงจรปิด ตรวจจับการลงทะเบียนซ้ำ (deduplication) ในระบบบัตรประชาชน ค้นหาคนหายจากภาพกล้อง

ข้อดี: ทรงพลังมาก ไม่ต้องรู้ล่วงหน้าว่าเป็นใคร แต่ต้องใช้ computing power มากกว่า Verification อย่างไรก็ตามเทคโนโลยีปัจจุบันสามารถค้นหาจาก 1 ล้านใบหน้าได้ในเวลาไม่ถึง 1 วินาที

เลือกแบบไหนดี

ถ้ารู้แล้วว่าคนนั้นอ้างว่าเป็นใคร → ใช้ Verification (1:1) เร็ว แม่น ง่าย

ถ้าไม่รู้ว่าคนนั้นเป็นใคร → ใช้ Identification (1:N) ทรงพลัง แต่ต้องมีฐานข้อมูลและ computing power มากกว่า

4. เทคโนโลยีเบื้องหลัง  จากยุคแรกสู่ Deep Learning

Face Recognition ไม่ได้เกิดขึ้นข้ามคืน แต่วิวัฒนาการมาตลอด 60 ปี

ยุคที่ 1 (1960s–1990s): Geometric Methods

ยุคแรกสุด นักวิจัยลองวัดระยะห่างระหว่างจุดต่าง ๆ บนใบหน้า (เช่น ระยะระหว่างตาสองข้าง ความยาวจมูก ความกว้างปาก) แล้วเก็บเป็นตัวเลข วิธีนี้ทำงานได้ในสภาพแวดล้อมที่ควบคุม (แสงดี หน้าตรง) แต่พอเปลี่ยนมุม เปลี่ยนแสง หรือแก่ขึ้น ก็จำไม่ได้

ยุคที่ 2 (1990s–2010s): Statistical Methods

เริ่มใช้วิธีทางสถิติ เช่น Eigenfaces (PCA) ที่มองใบหน้าเป็นผลรวมของ “ใบหน้าพื้นฐาน” หลาย ๆ แบบ และ Local Binary Patterns (LBP) ที่วิเคราะห์ texture ของผิวหนัง วิธีเหล่านี้ดีขึ้นมาก แต่ยังมีข้อจำกัดในสภาพแวดล้อมจริง

ยุคที่ 3 (2012–ปัจจุบัน): Deep Learning & CNN

จุดเปลี่ยนใหญ่เกิดขึ้นเมื่อ Deep Learning โดยเฉพาะ Convolutional Neural Network (CNN) ถูกนำมาใช้

CNN เป็น AI ที่ “เรียนรู้” จากข้อมูลจริง  ป้อนภาพใบหน้าหลายล้านหน้า ให้ AI เรียนรู้เองว่าลักษณะไหนสำคัญ ลักษณะไหนแยกคนได้ดี โดยไม่ต้องให้มนุษย์บอกว่า “ให้ดูตา ให้ดูจมูก ให้ดูคาง” AI ค้นพบ features ที่ซับซ้อนกว่าที่มนุษย์จะคิดออก

ผลลัพธ์: ความแม่นยำพุ่งขึ้นอย่างก้าวกระโดด จากเดิมที่ระบบจำหน้าได้ 60–70% ตอนนี้ระบบชั้นนำทำได้เกิน 99.5% ในหลาย benchmark แม่นยำกว่ามนุษย์ในบางเงื่อนไข

5. ตัวชี้วัดประสิทธิภาพ  ดูอย่างไรว่าระบบไหนแม่นกว่า

เมื่อเลือกระบบ Face Recognition ต้องรู้จักตัวชี้วัดที่ใช้เปรียบเทียบประสิทธิภาพ

FAR  False Accept Rate (อัตราการยอมรับผิด)

คำถาม: “ระบบปล่อยคนผิดเข้ามาบ่อยแค่ไหน?”

FAR วัดว่าระบบ “จำผิด” กี่ครั้ง เช่น ระบบบอกว่า “ใช่คุณ” ทั้ง ๆ ที่เป็นคนอื่น ยิ่ง FAR ต่ำยิ่งดี  FAR 0.001% หมายความว่า ใน 100,000 ครั้งที่คนแปลกหน้าพยายามเข้า ระบบจะปล่อยผ่านผิด ๆ แค่ 1 ครั้ง

FAR สำคัญมากสำหรับระบบที่เน้น ความปลอดภัย เช่น ธนาคาร data center สนามบิน

FRR  False Reject Rate (อัตราการปฏิเสธผิด)

คำถาม: “ระบบไล่เจ้าของจริงออกบ่อยแค่ไหน?”

FRR วัดว่าระบบ “จำไม่ได้” กี่ครั้ง เช่น คุณเป็นเจ้าของตัวจริง แต่ระบบบอกว่า “ไม่ใช่” ยิ่ง FRR ต่ำยิ่งดี  FRR 0.1% หมายความว่า ใน 1,000 ครั้งที่เจ้าของจริงสแกนหน้า ระบบจะปฏิเสธผิด 1 ครั้ง

FRR สำคัญมากสำหรับระบบที่เน้น ความสะดวก เช่น ปลดล็อกมือถือ เข้าออฟฟิศ

TAR  True Accept Rate (อัตราการยอมรับถูก)

TAR = 1 – FRR ตัวเลขนี้บอกว่าระบบจำเจ้าของจริงได้กี่เปอร์เซ็นต์ TAR 99.9% หมายความว่าเจ้าของจริงสแกนหน้า 1,000 ครั้ง ผ่าน 999 ครั้ง ไม่ผ่าน 1 ครั้ง

FAR กับ FRR เป็นขั้วตรงข้าม  ต้องสมดุล

จุดสำคัญ: FAR กับ FRR มักเป็น ขั้วตรงข้าม  ถ้าตั้งค่าให้ FAR ต่ำมาก ๆ (เข้มงวดมาก ไม่ยอมปล่อยคนผิดเข้า) FRR จะสูงขึ้น (ปฏิเสธเจ้าของจริงบ่อยขึ้น) และในทางกลับกัน

เปรียบเทียบ: เหมือนตั้ง “ระดับความเข้มงวด” ของ รปภ. ถ้าเข้มงวดมาก (FAR ต่ำ) แม้แต่เจ้าของบ้านก็ถูกตรวจสอบนานจนรำคาญ (FRR สูง) ถ้าผ่อนปรนมาก (FRR ต่ำ) คนแปลกหน้าอาจหลุดเข้ามาได้ (FAR สูง)

ระบบที่ดีคือระบบที่ทำให้ ทั้ง FAR และ FRR ต่ำพร้อมกัน ได้  นี่คือสิ่งที่ NIST FRVT benchmark วัด

NIST FRVT  มาตรฐานทองของ Face Recognition

NIST FRVT (Face Recognition Vendor Test) คือ benchmark มาตรฐานโลกที่ดำเนินการโดย NIST (สถาบันมาตรฐานแห่งชาติสหรัฐอเมริกา) เป็นการทดสอบอิสระที่ผู้พัฒนาส่งอัลกอริทึมไปให้ NIST ทดสอบกับชุดข้อมูลภาพจำนวนมหาศาลที่ผู้พัฒนาไม่เคยเห็น

NIST FRVT เป็นที่ยอมรับว่าเป็นตัวชี้วัดที่น่าเชื่อถือที่สุด เพราะเป็นการทดสอบโดยหน่วยงานอิสระ ไม่ใช่ผู้พัฒนาทดสอบตัวเอง

6. ความท้าทายของ Face Recognition  ปัญหาที่ยังต้องแก้

แม้เทคโนโลยีจะก้าวหน้ามาก แต่ Face Recognition ยังเผชิญความท้าทายหลายด้าน

มุมถ่าย (Pose Variation)

เมื่อคนหันหน้าไปด้านข้าง ก้มหน้า หรือเงยหน้า ลักษณะที่ระบบเห็นจะเปลี่ยนไปมาก ระบบยุคปัจจุบันรับมือกับมุมเปลี่ยนได้ดีขึ้นมากด้วย 3D face modeling แต่มุมที่เอียงมากกว่า 45 องศายังเป็นความท้าทาย

แสงสว่าง (Illumination)

แสงที่แตกต่างทำให้ใบหน้าดูเปลี่ยนไปมาก แสงจากด้านหน้ากับด้านหลังให้ภาพที่ต่างกันสิ้นเชิง เงาจากแสงด้านข้างอาจทำให้สูญเสียรายละเอียดครึ่งหน้า กล้อง NIR (Near-Infrared) ช่วยลดปัญหาได้มากเพราะไม่ขึ้นกับแสงที่ตามองเห็น

แว่นตาและหน้ากาก (Occlusion)

แว่นตา (โดยเฉพาะแว่นกันแดดที่บังตา) และหน้ากากอนามัย บังส่วนสำคัญของใบหน้า ในช่วง COVID ที่ทุกคนใส่หน้ากาก Face Recognition เผชิญวิกฤตเพราะเห็นแค่ตาและหน้าผาก

ระบบสมัยใหม่แก้ปัญหานี้ด้วยการฝึก AI ด้วยภาพคนใส่หน้ากาก ทำให้ดึง features จากส่วนที่เห็น (ตา คิ้ว หน้าผาก) ได้แม่นยำขึ้น แต่ความแม่นยำยังต่ำกว่ากรณีเห็นหน้าเต็ม

อายุที่เปลี่ยนไป (Aging)

ใบหน้าเปลี่ยนไปตามอายุ ริ้วรอยเพิ่มขึ้น ผิวหนังหย่อน โครงสร้างใบหน้าเปลี่ยนเล็กน้อย ระบบต้อง “จำ” ได้แม้ภาพที่ลงทะเบียนไว้จะถ่ายเมื่อ 10 ปีก่อน เช่น เปรียบเทียบหน้าปัจจุบันกับรูปในพาสปอร์ตที่ถ่ายไว้นาน

Demographic Bias  ความลำเอียงทางเชื้อชาติ เพศ และอายุ

เป็นประเด็นที่สำคัญมากในปัจจุบัน ระบบ Face Recognition บางรุ่นมีความแม่นยำไม่เท่ากันระหว่างกลุ่มเชื้อชาติ เพศ และวัย เช่น แม่นยำกว่ากับคนผิวขาวเพศชายวัยกลางคน แต่แม่นยำน้อยกว่ากับคนผิวสี เพศหญิง หรือผู้สูงอายุ

สาเหตุหลักคือ ข้อมูลที่ใช้ฝึก AI ไม่สมดุล  ถ้าชุดข้อมูลมีรูปคนกลุ่มหนึ่งมากกว่าอีกกลุ่ม AI ก็จะ “เก่ง” กับกลุ่มที่มีข้อมูลมากกว่า

ผู้พัฒนาที่มีจริยธรรมจะตรวจสอบ Demographic Fairness อย่างต่อเนื่อง ทดสอบกับทุกกลุ่ม แล้วปรับปรุง algorithm และชุดข้อมูลให้ยุติธรรม NIST FRVT มีการรายงาน demographic fairness แยกกลุ่มอย่างชัดเจน

7. Face Recognition กับ Liveness Detection  ป้องกันการหลอก

มีคำถามสำคัญที่ Face Recognition ต้องตอบให้ได้: “สิ่งที่เห็นอยู่ตรงหน้ากล้องเป็นคนจริง ๆ หรือเป็นของปลอม?”

ผู้ไม่หวังดีอาจพยายามหลอกระบบด้วย รูปถ่ายจากมือถือ (Print Attack), วิดีโอที่เล่นซ้ำ (Replay Attack), หน้ากากซิลิโคน 3 มิติ (3D Mask Attack), หรือแม้แต่ ใบหน้าปลอมที่ AI สร้างขึ้น (Deepfake)

Liveness Detection (หรือ Presentation Attack Detection  PAD) คือเทคโนโลยีที่ตรวจจับว่า “มีคนจริงอยู่ตรงหน้ากล้อง” ไม่ใช่ภาพหรือวิดีโอ มี 2 แบบ:

Active Liveness ให้ผู้ใช้ทำอะไรบางอย่าง เช่น หันซ้าย หันขวา กะพริบตา เพื่อพิสูจน์ว่าเป็นคนจริง

Passive Liveness ระบบวิเคราะห์เองจากภาพ โดยผู้ใช้ไม่ต้องทำอะไร แค่มองกล้อง ระบบวิเคราะห์จากรายละเอียดที่มนุษย์มองไม่เห็น เช่น การสะท้อนแสงบนผิวหนังจริง vs หน้าจอ texture ของผิวจริง vs กระดาษ ความลึกของใบหน้า 3 มิติ vs แบน 2 มิติ

Passive Liveness ได้รับความนิยมมากขึ้นเพราะสะดวกกว่า  เราจะเจาะลึกเรื่อง Liveness Detection และ Deepfake ในบทความตอนที่ 9 และ 10 ของ series นี้

8. Innovatrics  Face Recognition ที่ติดอันดับ NIST ระดับโลก

Innovatrics เป็นบริษัทเทคโนโลยี biometrics จาก Slovakia ก่อตั้งในปี 2004 พัฒนาอัลกอริทึม Face Recognition ด้วยทีมวิจัยภายใน (in-house R&D) ไม่ได้ซื้อเทคโนโลยีจากบริษัทอื่น ทำให้ควบคุมคุณภาพและ performance ได้เต็มที่

ติดอันดับ NIST FRVT อย่างสม่ำเสมอ

Innovatrics ส่งอัลกอริทึมเข้าทดสอบ NIST FRVT เป็นประจำ และติดอันดับต้น ๆ อย่างสม่ำเสมอ ยืนยันว่าเทคโนโลยีมีคุณภาพระดับโลก ไม่ใช่แค่คำกล่าวอ้าง

Demographic Fairness

Innovatrics ให้ความสำคัญกับ demographic fairness อย่างจริงจัง ทดสอบอัลกอริทึมกับทุกกลุ่มเชื้อชาติ เพศ และวัย เพื่อให้มั่นใจว่าระบบทำงานได้ดีกับทุกคน

ใช้งานจริงทั่วโลก

Face Recognition ของ Innovatrics ถูกใช้ในโครงการจริงทั่วโลก ตั้งแต่ระบบบัตรประชาชน ระบบเลือกตั้ง border control สนามบิน ไปจนถึง eKYC สำหรับธนาคารและโทรคมนาคม ให้บริการกว่า 1 พันล้านคนใน 80+ ประเทศ

ไม่มี Vendor Lock-in

ระบบของ Innovatrics ออกแบบให้ทำงานร่วมกับ hardware (กล้อง scanner) และ software ของผู้ผลิตอื่นได้ ลูกค้าไม่ถูกบังคับให้ใช้อุปกรณ์เฉพาะยี่ห้อ

สรุป

Face Recognition คือเทคโนโลยีที่ใช้คอมพิวเตอร์จดจำใบหน้าคน ทำงาน 4 ขั้นตอน:

ขั้นที่ 1: หาหน้า (Detection)  หาว่าใบหน้าอยู่ตรงไหนในภาพ

ขั้นที่ 2: จัดตรง (Alignment)  จัดใบหน้าให้อยู่ในตำแหน่งมาตรฐาน

ขั้นที่ 3: ดึงลักษณะ (Feature Extraction)  แปลงใบหน้าเป็นรหัสตัวเลข (template)

ขั้นที่ 4: เปรียบเทียบ (Matching)  เทียบ template กับฐานข้อมูล

ใช้ได้ 2 แบบ: Verification (1:1) ถามว่า “ใช่คุณหรือเปล่า?” กับ Identification (1:N) ถามว่า “คุณเป็นใคร?” วัดความแม่นยำด้วย FAR (ปล่อยคนผิดเข้า) และ FRR (ไล่เจ้าของจริงออก) โดยมี NIST FRVT เป็น benchmark มาตรฐานโลก

ความท้าทายที่ยังมีอยู่คือ มุมถ่าย แสง แว่นตา/หน้ากาก อายุที่เปลี่ยน และ demographic bias  ซึ่งผู้พัฒนาชั้นนำอย่าง Innovatrics ลงทุนแก้ไขอย่างต่อเนื่อง