• Info@SaminRay.Com
  • 88866172 021
744

فناوری تشخیص چهره چیست؟

تشخیص چهره یکی از فناوری‌های پرکاربرد در حوزه هوش مصنوعی و پردازش تصویر است. این فناوری با استفاده از الگوریتم‌هایی که برای شناسایی و تفکیک ویژگی‌های چهره بکار می‌روند

تشخیص چهره یکی از فناوری‌های پرکاربرد در حوزه هوش مصنوعی و پردازش تصویر است. این فناوری با استفاده از الگوریتم‌هایی که برای شناسایی و تفکیک ویژگی‌های چهره بکار می‌روند، به تشخیص هویت فردی از طریق تصاویر چهره می‌پردازد. فاصله بین چشم‌ها، اندازه بینی و شکل دهان از جمله ویژگی‌های چهره است که عموماً توسط این فناوری مورداستفاده قرار می‌گیرد. درحالی‌که مزایای فناوری تشخیص چهره واضح است، نگرانی‌هایی در مورد حفظ حریم خصوصی، نظارت و احتمال سوءاستفاده نیز وجود دارد. منتقدان نگران هستند که تشخیص چهره می‌تواند برای ردیابی حرکات افراد، نقض آزادی‌های مدنی، ایجاد تبعیض و سوگیری استفاده شود. در این مقاله به معرفی تاریخچه، فناوری‌ها، کاربردها و چالش‌های فناوری تشخیص چهره پرداخته خواهد شد.

تاریخچه:

پیشینه فناوری تشخیص به اواسط قرن بیستم باز می‌گردد، زمانی که محققان برای اولین‌بار شروع به بررسی امکان استفاده از رایانه برای تشخیص چهره انسان کردند. برخی از اولین پیش‌گامان در این زمینه Woody Bledsoe، Helen Chan Wolf و Charles Bisson بودند که در دهه 1960 شروع به آزمایش الگوریتم‌های تشخیص چهره کردند. Bledsoe و تیم او از اولین کسانی بودند که از رایانه برای تجزیه‌وتحلیل و شناسایی ویژگی‌های کلیدی صورت انسان مانند فاصله بین چشمها و شکل دهان استفاده کردند. آن‌ها آزمایش‌های متعددی را بین سال‌های 1964 و 1966 انجام دادند تا دقت الگوریتم‌هایشان را آزمایش کنند، با استفاده از مجموعه‌ای از عکس‌های چهره انسان که به‌صورت دستی با داده‌های مربوط به ویژگی‌های کلیدی صورت هر فرد حاشیه‌نویسی کرده بودند.

در دهه 1970، فناوری تشخیص چهره به حدی پیشرفت کرد که در کاربردهای محدودی مانند شناسایی داوطلبان در مسابقات Super Bowl و ردیابی کودکان گمشده مورداستفاده قرار گرفت. بااین‌حال، هنوز هم یک زمینه نسبتاً خاص بود، و بیشتر تحقیقات بر روی بهبود دقت و قابلیت اطمینان این الگوریتم‌های اولیه متمرکز بود.

در دهه‌های بعد، پیشرفت‌های به‌دست‌آمده در فناوری سخت‌افزار و نرم‌افزار سبب سرعت‌بخشیدن توسعه فناوری تشخیص چهره گردید. یکی از مؤثرترین پیشرفتها در دهه 1990 رخ داد، زمانی که محققان شروع به آزمایش با شبکه‌های عصبی کردند، نوعی از الگوریتم یادگیری ماشینی که به رایانه‌ها اجازه می‌داد الگوها و ویژگی‌های پیچیده‌تری از چهره انسان را بیاموزند.

در سال‌های بعد نیز تکنیک‌های جدید برای تشخیص چهره ظهور کردند در سال ۲۰۰۲ اولین تکنیک مبتنی بر شبکه‌های عصبی برای تشخیص چهره ارائه شد که این نوع روش‌ها با توسعه معماری شبکه‌های عصبی،  پیشرفت‌های چشمگیری داشتند و در نهایت موجب شد که الگوریتم‌های تشخیص چهره در بعضی از کاربردها عملکرد تحسین برانگیزی از خود به نمایش بگذارند. از جمله این نوع الگوریتم‌ها می‌توان به تکنیک DeepFace  اشاره کرد که در سال 2011 بر اساس شبکه‌های عصبی عمیق توسعه داده شد.

فناوری‌ها:

این الگوریتم‌ها مبتنی بر پردازش ویژگی‌هایی که در چهرة انسان وجود دارند، چهره‌ها را تشخیص و آن‌ها را با یکدیگر مقایسه می‌کنند. به‌طورکلی روش‌های مرسوم در تشخیص چهره را می‌توان به دودسته تشخیص چهره 2D و 3D تفکیک کرد. تشخیص چهره 2D که معمولاً در سیستم‌های امنیتی مانند دوربین‌های نظارتی و سیستم‌های تشخیص چهره در گوشی‌های هوشمند مورداستفاده قرار می‌گیرند، مبتنی بر تصاویر دوبعدی چهره هستند. معمولاً این فناوری‌ها از الگوریتم‌های مختلفی مانند تبدیل فوریه، فیلتر گابور، ویژگی‌های هرمی، شبکه عصبی و ماشین بردار پشتیبان استفاده می‌کنند. تشخیص چهره 3D با اتکا بر تصاویر سه‌بعدی چهره، عمدتاً در سیستم‌های احراز هویت برای امنیت فیزیکی و امنیت سایبری استفاده می‌شود. این نوع روش‌ها بر اساس دوربین‌های لیزری و شبکه عصبی، معادل سه‌بعدی از چهره ایجاد می‌کنند.

یکی از اصلی‌ترین الگوریتم‌های تشخیص چهره، الگوریتم Eigenface است که بر اساس PCA پیاده‌سازی شده است. در این روش با استفاده از PCA هر تصویر چهره به یک بردار تبدیل می‌شوند سپس با استفاده از الگوریتم‌های شباهت‌سنجی، چهره‌ها (بردارها) با یکدیگر مقایسه می‌شوند و درصورتی‌که مقدار شباهت بیشتر از یک حد آستانه باشد، چهره تشخیص داده می‌شود. یکی دیگر از الگوریتم‌های تشخیص چهره، الگوریتم Fisherface  است. این الگوریتم با استفاده از تحلیل بردار ویژه فیشر، تصویر چهره را در فضایی جدید معادل‌سازی می‌کند و در آن فضا چهره‌های مختلف از یکدیگر جدا می‌شوند. میزان دقت گزارش شده از این الگوریتم در کاربردهای متعدد قابل‌قبول است.

یکی از روش‌های پیشرفته در تشخیص چهره، الگوریتم‌های مبتنی بر شبکه‌های عصبی کانولوشنی یا CNN هستند. در این نوع روش‌ها، تصویر چهره به‌عنوان ورودی به یک شبکه عصبی کانولوشنی داده می‌شود و این شبکه با کمک‌گرفتن از لایه‌های کانولوشنی و لایه‌های تکراری، ویژگی‌های مهم تصویر چهره را استخراج می‌کند. سپس با استفاده از لایه‌های fully connected، این ویژگی‌ها به برداری از ویژگی‌های مختلف تبدیل می‌شوند. در نهایت با استفاده از یک تکنیک شباهت‌سنجی، چهره‌ها با یکدیگر مقایسه خواهند شد و درصورتی‌که شباهت بیشتر از یک حدنصاب باشد، چهره شناسایی می‌شود. یکی دیگر از ابزارهای پیشرفته در الگوریتم‌های تشخیص چهره، شبکه‌های عصبی بازگشتی یا RNN هستند. در این نوع روش‌ها تصویر چهره به‌صورت توالی‌ای از فریم‌های تصویر، به‌عنوان ورودی به یک شبکه عصبی بازگشتی داده می‌شود و این شبکه با استفاده از لایه‌های بازگشتی، ویژگی‌های مهم تصویر چهره را به‌صورت متوالی استخراج می‌کند. در نهایت مانند همة الگوریتم‌های تشخیص چهره، با کمک‌گرفتن از یک معیار شباهت‌سنجی، چهره‌ها با یکدیگر مقایسه می‌شوند.

مقایسه روش‌های تشخیص چهره، امری بسیار پیچیده و وابسته به شرایط و موارد مختلفی است که هر کدام از روش‌ها در آنها ممکن است عملکرد بهتری داشته باشد. بااین‌حال، در زیر به مقایسه‌ کلی بین چند روش پرکاربرد تشخیص چهره صورت‌گرفته است.

شبکه عصبی پیچشی(CNN): این نوع روش‌ها به دلیل دقت بالا در تشخیص چهره، سرعت پردازش مناسب و همین‌طور مقاومت در برابر تغییرات محیطی، از محبوبیت زیادی برخوردار هستند. با استفاده از شبکه‌های پیچشی عمیق، الگوریتم‌های تشخیص چهره در شرایط مختلف قابل‌استفاده خواهند بود.

الگوریتم Attention-based: این روش از شبکه‌های عصبی عمیق استفاده می‌کند و متمرکز بر ویژگی‌های مهم مکانی و زمانی تصویر هستند. این نوع روش‌های تشخیص چهره دقت و سرعت تشخیص بالاتری در شرایط نامساعد روشنایی صحنه و همین‌طور پس‌زمینه پویا دارند.

کاربردها

موارد استفاده از فناوری تشخیص چهره متنوع است و به‌سرعت درحال‌رشد است. در این بخش به چند مورد اشاره شده است.

امنیت و اجرای قانون: تشخیص چهره می‌تواند برای شناسایی مظنونان و مجرمان با مقایسه چهره آنها با پایگاه‌داده‌های موجود مجرمان شناخته شده استفاده شود. همچنین می‌تواند در سیستم‌های کنترل دسترسی استفاده شود تا اطمینان حاصل شود که فقط پرسنل مجاز اجازه ورود به مناطق محدود را دارند.

کنترل مرز: تشخیص چهره می‌تواند روند شناسایی مسافران در فرودگاه‌ها و گذرگاه‌های مرزی را سرعت بخشد و به فرایند اخذ مجوز ورود آنها به کشور کمک شایانی کند.

بازاریابی و خدمات مشتری: تشخیص چهره را می‌توان برای شناسایی مشتریان ثابت در تنظیمات خرده‌فروشی استفاده کرد و به کسب‌وکارها اجازه می‌دهد تا پیشنهادها و تبلیغات شخصی را بر اساس خریدهای قبلی و مرور سابقه ارائه دهند.

ایمنی محل کار: تشخیص چهره می‌تواند برای نظارت بر حضوروغیاب کارکنان و ردیابی حرکات آنها در اطراف محل کار برای اهداف ایمنی و امنیتی استفاده شود.

دستگاه‌های شخصی: برخی از تلفن‌های هوشمند و سایر دستگاه‌های شخصی اکنون از تشخیص چهره به‌عنوان روشی برای احراز هویت و کنترل دسترسی استفاده می‌کنند.

تشخیص پزشکی: تشخیص چهره می‌تواند برای تشخیص برخی از بیماری‌ها مانند اختلالات ژنتیکی و ناهنجاری‌های صورت استفاده شود.

کمک‌های بشردوستانه: تشخیص چهره می‌تواند در شرایط اضطراری برای کمک به شناسایی افراد مفقود شده و پیوند مجدد آنها با خانواده‌هایشان استفاده شود.

مراجع

https://www.nec.co.nz/market-leadership/publications-media/a-brief-history-of-facial-recognition/

https://en.wikipedia.org/wiki/Facial_recognition_system

https://www.thalesgroup.com/en/markets/digital-identity-and-security/government/inspired/where-facial-recognition-used

 

وبلاگ

برچسب های مطالب