Zo wordt gezichtsherkenning steeds slimmer

Vijftien jaar geleden was gezichtsherkenning nog het vrijwel exclusieve domein van veiligheidsdiensten. In reactie op de aanslagen van 11 september richtte het Amerikaanse ministerie van Defensie in 2001 bijvoorbeeld het Information Awareness Office (IAO) op. Dat spendeerde honderden miljoenen dollars aan programma’s als Combat Zones That See (CTS) en HumanID. Daarmee konden de Amerikaanse veiligheidsdiensten en strijdkrachten personen over de gehele wereld identificeren en volgen via bestaande netwerken met bewakingscamera's.

Tegenwoordig kan elke Nederlandse buurtagent ook gewoon een beroep doen op deze krachtige informatietechnologie. Zo maakte de Amsterdamse politie onlangs bekend dat agenten met speciale bodycams gaan worden uitgerust. Het is een van de 32 experimenten die Nederlandse politiediensten doen met draagbare camera’s waarmee verdachten kunnen worden vastgelegd. Toepassing is in eerste instantie nog vooral in ‘spannende situaties’, zoals bij een melding van vechtpartijen, overvallen of andere gewelddadigheden. In de toekomst wordt het zo ook echter ook mogelijk om verdachte criminelen in een vroeg stadium te identificeren.

Gespecialiseerde speurders

Daarvoor maakt de politie nu al gebruik van de zich razendsnel ontwikkelende technologie voor gezichtsherkenning. Met behulp van eveneens door de Amerikaanse FBI gebruikte software doorzoeken gespecialiseerde speurders regelmatig verschillende databanken. Momenteel beschikt de Nederlandse politie al over een ‘boevendatabase’ met foto’s van ruim 800 duizend delinquenten. Omdat er pas sinds enkele jaren een foto van arrestanten wordt gemaakt op het bureau, zal die verzameling naar verwachting binnen enkele jaren bijna verdubbelen. En daarnaast heeft de Vreemdelingenpolitie ook nog een database met alle geregistreerde Nederlandse asielzoekers.

De snel toegenomen kracht van deze technologie is te danken aan het principe van deep learning. Deze informatietechnologie maakt gebruik van een neuraal netwerk, oftewel een netwerk van processoren dat is ingericht volgens de architectuur van het menselijke brein. Net als onze hersens kan deze software ook voorspellingen doen op basis van context. Bekend voorbeeld is een door Google ontwikkeld neuraal netwerk dat de opdracht kreeg om met zijn 16.000 processors en miljard connecties kattenfilmpjes te bekijken. Door het analyseren van miljoenen video’s leerde het netwerk zichzelf aan om de katten aan hun verschillende kenmerken te herkennen.

Nieuwe toepassingsgebieden

Hoewel opsporing van terroristen en criminelen een belangrijke drijfveer is voor de ontwikkeling van deze technologie, neemt het aantal andere mogelijke toepassingsgebieden inmiddels snel toe. Een van de meest veelbelovende gebieden is de medische wetenschap. Zo ontwikkelde de Nederlandse startup Scyfer een zelflerend beeldanalyseplatform, dat helpt bij het vinden van afwijkingen in medische scans en andere afbeeldingen. Zo is deze gespecialiseerde software onder meer in staat mogelijke hersenschade herkennen in 3D MRI-scans.

Door het uitfilteren van afbeeldingen zonder afwijkingen, en het highlighten van de ontdekte abnormaliteiten, kunnen medisch specialisten sneller en gemakkelijker diagnoses stellen. Maar tegelijk wordt de software bijvoorbeeld ook gebruikt door Tata Steel om afwijkingen in opgeleverde staalplaten te ontdekken. En zijn er in de toekomst veel meer interessante mogelijkheden waarbij de Scyfer-software het werk van hooggespecialiseerde professionals kan gaan overnemen. Niet voor niets ontving deze spin-off van een UvA-onderzoeksproject ruim twee ton subsidie van het Europese stimuleringsproject FICHe om zijn technologie in de markt zetten. 

Beelddiagnose

Een andere interessante medische toepassing van beeldherkenningssoftware wordt ontwikkeld aan de Universiteit van Oxford. Daar gebruiken onderzoekers deze technologie om de diagnose van zeldzame erfelijke ziektes, met name bij jonge kinderen, te vergemakkelijken. Circa zes procent van alle mensen lijdt al dan niet bewust aan zo’n afwijking, en een aanzienlijk deel van deze ziektes brengt veranderingen aan de schedel en het gezicht met zich mee.

Bekend voorbeeld hiervan is de ziekte van Down. Ook hier leert de software weer van een grote database met foto’s, in dit geval van bekende patiënten. Naast het identificeren van bekende afwijkingen is de software ook in staat groepen patiënten met identieke kenmerken en een vooralsnog onbekende diagnose aan elkaar te koppelen. Het onderzoek naar symptomen en onderliggende oorzaken kan daardoor worden versneld.

Emotiesignalering

De technologie van de Amsterdamse startup Sightcorp is zo intelligent dat die niet alleen in staat is gezichten te herkennen, maar ook de daarop uitgedrukte emoties. Net als Scyfer is Sightcore een spin-off van een UvA onderzoeksproject, meet specifiek de faculteit Kunstmatige Intelligentie. De van daaruit ontwikkelde software kan bijvoorbeeld woede, minachting, angst, walging, blijheid, verdriet en verrassing signaleren. Dat is waardevolle informatie voor onder meer autisten, die het vaak erg moeilijk vinden om emoties bij anderen te herkennen. Dat is uiteraard vervelend, en kan bovendien ook pijnlijke situaties opleveren. Bijvoorbeeld als iemand onder droevige omstandigheden hard gaat lachen.

Met behulp van de technologie van Sightcorp hebben de Universiteiten van Amsterdam en Leiden daarom een training ontwikkeld die autisten helpt passend op getoonde emoties te reageren. Daarvoor moeten ze voor de spiegel gaan staan met een Google Glass die is voorzien van de emotieherkenningssoftware van de Amsterdamse startup. Vervolgens moeten ze passend reageren op een serie filmpjes waarin heftige emoties worden getoond. De bril laat ze hierna direct weten of ze de juiste emotie hebben getoond. Sightcorp heeft ook een online demo die je zelf kunt proberen.

In het verlengde hiervan gebruiken tientallen Amerikaanse ziekenhuizen inmiddels de technologie van de startup Emotient om pijn bij patiënten snel te kunnen signaleren. Net als bij de Nederlandse concurrenten herkent de software van de startup een brede waaier aan emoties van woede tot blijheid. Dat maakt het ook voor andere professionals een waardevolle toepassing. Niet voor niets werd Emotient begin dit jaar overgenomen door Apple.

Marketingcampagnes

Naaste concurrent Microsoft zit ondertussen niet stil. Met Project Oxford, dat eerder al deeplearning-tools voor spraakherkenning en real-time vertaling voor Cortana en Skype voortbracht, werkt het bedrijf nu aan zijn eigen software voor emotie-analyse. Zo kunnen online advertenties straks mogelijk niet alleen worden afgesteld op de (demografische) data van de internetgebruiker, maar ook op basis van diens reacties.

Verschillende multinationals, waaronder Unilever en Coca-Cola, gebruiken deze zogenaamde emotions analytics al om hun marketingcampagnes te finetunen. Vanuit privacy-overwegingen is dat een zorgwekkende ontwikkeling. Van de andere kant: al die tenenkrommende advertenties waarmee je tegenwoordig doorlopend wordt bestookt, behoren hierdoor misschien tot het verleden.