Научная методология и архитектура конфиденциальности
Detect Face Shape объединяет клиническую краниофациальную антропометрию и локальное компьютерное зрение для объективной оценки геометрии лица.
Гарантия биометрической конфиденциальности без серверов
Полное выполнение на стороне клиента через WebAssembly и WebGL
Большинство сервисов требуют загрузки фотографий высокого разрешения на удаленные серверы, где нейросети обрабатывают и сохраняют их. Это создает серьезные риски для конфиденциальности биометрии.
detectfaceshape.app работает по архитектуре без сохранения на сервере:
- Бинарные файлы модели Google MediaPipe Face Landmarker и среда WASM выполняются строго в изолированной песочнице вашего браузера.
- Все загружаемые фотографии и кадры камеры декодируются на закадровом холсте в оперативной памяти браузера и удаляются сразу после классификации.
- Никакие изображения, биометрические координаты или векторные данные не передаются по сети. Вы можете отключить интернет после загрузки страницы, и сервис продолжит работать.
Краниофациальная антропометрия и ключевые ориентиры
Классификация лиц в detectfaceshape.app опирается на медицинскую антропометрию Лесли Г. Фаркаса. Вместо догадок алгоритм извлекает 4 точных параметра из 468 анатомических координат:
Трихион (10) — Ментон (152)
Вертикальное расстояние от линии роста волос до кончика подбородка, определяющее удлиненность лица.
Зигион слева (234) направо (454)
Максимальное расстояние между скуловыми дугами, определяющее главную горизонтальную ось лица.
Фронтотемпорале слева (127) направо (356)
Ширина лба между висками, имеющая решающее значение для определения сердцевидной и треугольной формы.
Гонион слева (58) направо (288)
Расстояние между углами нижней челюсти, определяющее квадратную и треугольную форму лица.
Академические источники и цитаты
- Farkas, L. G. (1994). Anthropometry of the Head and Face (2nd ed.). New York: Raven Press. Стандартизированные измерения пропорций лица и нормативные краниофациальные показатели для разных популяций.
- Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., & Guo, B. (2021). Swin Transformer: Hierarchical Vision Transformer using Shifted Windows. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 10012–10022.
- Lugaresi, C., et al. (2019). MediaPipe: A Framework for Building Perception Pipelines. arXiv preprint arXiv:1906.08172. Google Research.