AIサービスを利用して顔認証してみた③

2021年6月10日

1. はじめに
2. 設計ポイント
- 2.1. サーバレス・マネージドサービスの利用
- 2.2. マイクロサービス思考
3. 構築ポイント
4. さいごに

はじめに

こんにちは。呉屋です。
今回は、前回投稿したサービスの設計・構築方法について紹介します。
このシリーズ最後となります。

構築したものは、Webサイトから人物画像をAI分析して、類似人物を検出するサービスです。
詳細はこちらを参照ください。
　AIサービスを利用して顔認証してみた②

AWS構成図は、以下となります。

設計ポイント

現在、新たな技術・サービスに対し、実現可能なのか・市場効果がありそうか検証を行っています。
その際、なるべく時間をかけずに作り、周りの意見をもらって改善するというプロセスを繰り返しています。
視点が違うアイディアをもらうことで「こうしたらもっと良くなる」「この技術と連携したら面白そう」など具体的なイメージを掴みやすく、楽しみながら作れます！

コスパよく作る上で考慮したポイントを紹介します。

サーバレス・マネージドサービスの利用

　サーバ「EC2」を利用する場合、ある程度の処理時間・負荷予測が必要です。
　また、OSのパッチ・ミドルウェアのアップデートといった様々な運用が発生します。
　しかし、サーバレス「Lambda」はその考慮が一切不要となります。
　処理分のリクエストや負荷状態によって自動でスケーリングしてくれます。

　次に、マネージドサービスです。
　AWSには「セキュリティ責任共有モデル」でお客様（アカウント管理者）との間で責任の切り分けが定義されています。
　ここはAWS側で責任もつけど、ここはお客様側で責任もって下さいというものです。
　今回は、Lambda・S3といったマネージドサービスを利用することで、インフラ面の管理をできるだけAWS側にもっていくように設計しました。
　セキュリティ責任共有モデルを以下に示します。
　オンプレだと、メーカー？ベンダー？お客様？どちらになるか比べてみて下さい。

マイクロサービス思考

　マイクロサービス思考とは、用途・目的毎に小さく作り、それを組み合わせる考え方です。
　これにより「変化に強く、柔軟性の高い」サービスになります。
　サービス（アプリ、DB、ネットワーク）が密接だと、複雑化されてブラックボックスになりますよね。
　昔からある基幹系システムは、なかなか改修できず、このようなケースになっていることがあります。
　本サービスは、柔軟性をもたせ、他でも活用しやすい設計にしました。
　また、今回のインプットはWebサイトとなりますが、IoT機器からも可能な仕組みにします。

構築ポイント

各処理の構築方法について紹介します。
上記の設計工程のとおり、全てマネージドサービスを利用して、用途毎にサービスを作りました。

S3でWebサイト構築

　画像ファイルのアップロードを行うWebサイトです。

　画面描写の「html」ファイルと処理実行の「JavaScript」ファイルを用意します。
　フレームワークは「Vue.js」を使用しました。
　私自身触れたことはありませんでしたが、LINEアプリでも使用されている人気のフレームワークです。
　作成した２つのファイルをS3にアップロードします。

　最後にWebサイトのホスティング設定を行います。

　これでWebサイトの完成です！
　Webサーバーを構築する場合、ApacheやNginxが必要ですが、S3を利用すれば簡単です！　

　次にセキュリティ対応として、S3の「バケットポリシー」で制限します。

　①アクセスは、社内ネットワークのみ許可
　②必要なS3アクションのみ許可

　以上がWebサイトの構築設定でした。
　次は実行処理についてです。

Lambdaで画像をS3にアップロード

　Lambdaを使って、Webから送られてきた画像ファイルをS3にアップロードします。
　苦労した点は「画像ファイルがバイナリ形式でBase64にエンコードされているので、デコードすること」です。
　うーん、意味不明ですよね（笑）

　Base64とは、64進数を意味する言葉で全てのデータをアルファベット(a~z, A~z)と数字(0~9)、一部の記号(+,/)の64文字で表すエンコード方式です。
　使用する必要性は、画像などのバイナリデータを文字列に置き換えてHTMLに埋め込むことで、受け取り側での誤解釈を防ぎ安全に通信してHTTPリクエストの回数を減らすことができるためです。

　つまり、Webサイトからバイナリ形式で送られてくるので、受け取り側のLambdaで変換する必要があります。
　Lambdaは、Pythonコードで記述しました。

　変換した後、アップロード先のS3フォルダとファイル名を設定してOKです。
　この辺りは、ググると例が多くあったので順調にいきました！
　（エラーハンドリングとか改善すべき点は多いです。。。）

import json
import boto3
import base64
from datetime import datetime, timezone

def lambda_handler(event, context):
    # 画像保存場所の設定
    s3 = boto3.resource('s3')
    bucket = s3.Bucket('XXXXX')
    folder = 'XXXXX/'

    # バイナリがBase64にエンコードされているので、ここでデコード
    imageBody = base64.b64decode(event['body-json'])
    # アップロードした画像ファイル名は処理実行時間とする
    TextTime = datetime.now().strftime('%Y-%m-%d-%H-%M-%S')
    # 必要な部分だけを切り取る
    images = imageBody.split(b'\r\n',4)
    
    # S3にアップロードする
    key = folder + TextTime +".jpg"
    bucket.put_object(
        Body = images[4],
        Key = key
    )
    
    # ファイル名をレスポンス値で使いやすいように別名で保存
    filename = TextTime +".jpg"
    # 画像名を Web側で取得するための戻り値
    return {
        'isBase64Encoded': False,
        'statusCode': 200,
        'headers': {'Access-Control-Allow-Origin' : '*' ,
        'Content-Type' :'application/json'},
        'body': '{"filename":"'+ filename + '"}',
        'filename' : filename,
    }

LambdaでRekognitionの比較分析

　Lambdaを使って、S3画像とコレクション画像をRekognitionで比較分析します。
　ポイントは、RekognitionのAPIを理解して使うことです。

　以下のAPIが用意されています。

　①物体とシーンの検出（DetectLables API）
　　⇒イメージ内の物体やシーンおよびコンセプトを検知
　　　（例：動物園、キリン）

　②顔の分析（DetectFaces API）
　　⇒属性（性別、感情、顔の特徴）を検知
　　　（例：男、笑顔）

　③顔の比較（CompareFaces API）
　　⇒２つの画像内の顔が同一人物であるかを検知
　　　（例：類似度〇％）

　④顔の認識（IndexFaces/SearchFacesByImage API）
　　⇒顔コレクションの中から個人（アイデンティティ）を検知
　　　顔コレクションとは、顔の特徴ベクトルの検索可能なインデックス

　今回は、アップロードされた画像から似た顔を検出するサービスのため、④のAPIを使用しました！
　予めコレクションに認証したい人物を登録しておき、ファイルをパラメータ指定するだけで分析できます！
　また、類似度も簡単に表示できました！

import boto3
import json
import math

BUCKET='XXXXX'
COLLECTION_ID='XXXXX'
# 返却する画像数
MAX_FACES=5

# 類似度の丸め
digit = 4
digit10 = 10 ** (digit - 1)

def lambda_handler(event, context):
    
    if event['file_name'] != '':
        file_name= "XXXXX/" + event['file_name']
    else:
        file_name = "dummy"
    
    if event['similarity'] != '':
        similarity=int(event['similarity'])
    else:
        # 類似度のデフォルト値
        similarity=80
    
    # Rekognition接続用クライアント作成
    client=boto3.client('rekognition')
    
    response=client.search_faces_by_image(
        Image={
            "S3Object": {
                "Bucket": BUCKET,
                "Name": file_name,
			}
		},
		MaxFaces=MAX_FACES,
		CollectionId=COLLECTION_ID,
		FaceMatchThreshold=similarity,
	)
    
    # レスポンス用配列
    result = []
    
    faceMatches = response['FaceMatches']
    
    # 一致する顔がヒットした場合
    if len(faceMatches) >= 1:
        # ヒットした顔画像分だけループ
        for matchFace in faceMatches:
            res_similarity = matchFace['Similarity']
            res_fileName = matchFace['Face']['ExternalImageId']
            res_json = { "FileName" : res_fileName, "Similarity" : str(math.floor(res_similarity * digit10) / digit10) + "%" }
            result.append(res_json)
        return(result)
    else:
        return({ "FileName" : "No Matched Faces...", "Similarity" : "-"})

API GatewayとLambdaの連携

　API Gatewayを利用して、作成したLambdaをAPIとして公開できるようにします。
　これにより、Webサイトからhttps通信でLambdaが実行できます。

　API Gateway作成後にLambdaを紐づけると、以下のようになります。
　エンドポイントURLが作成されるので、これをWebサイトから使用します。
　この連携は、サーバレス開発を行う中で何度も使用しますので、チュートリアル等で試すことをおすすめします。

さいごに

このように全てAWSサービスを利用して作ることができました。
チーム内で試行錯誤したり、周囲の意見もらったりしてカタチにできました！

現在、気軽に開発できる環境が多くあります。
技術力がなくても、アイディアさえあれば、サービスは作れます。
私も次は「IoT」に挑戦してみたいと思います！

みなさんも頭の中の構想をアウトプットしてはいかがでしょうか(^o^)/

AWSAI,Rekognition

Posted by keikgoya