به زبان ساده یک الگوریتم تطابق چهره در حقیقت مجموعه‌ای از قوانین است که رایانه برای بازشناسی چهره در یک تصویر و سپس مقایسه این چهره با چهره‌های دیگر و تشخیص مطابقت آنها، استفاده می‌کند.
انواع الگوریتم تطابق چهره
می‌توانیم این الگوریتم‌ها را به دو دسته تقسیم کنیم:
- الگوریتم‌های یادگیری ماشین کلاسیک که از توصیف‌گرهای جزییات قابل ساخت استفاده می‌کنند.
- روش‌های مبتنی بر یادگیری عمیق (Deep Learning).
در ادامه تمامی این واژه‌ها و اصطلاحات همراه با مثال توضیح داده شده‌اند:
توصیف‌گر جزییات
برای استخراج ویژگی‌های چهره در تصویر به کار برده می‌شوند. این ویژگی‌ها به عنوان اطلاعات ورودی برای الگوریتم‌های یادگیری ماشین به کار برده می‌شوند. از جمله این کاربردها می‌توان به موارد زیر اشاره کرد:
- بردارهای ویژه/ تحلیل مولفه‌های اصلی
- بافت‌نگارهای الگوهای باینری محلی (LBPH)
- فیشِرفیس‌ها (Fisherfaces)
- تبدیل ویژگی مقیاس نابسته (SIFT)
- توصیف‌گر قوی سرعت دهنده (SURF)
برخی از این توصیف‌گرها می‌توانند برای ایجاد یک الگوریتم تطابق چهره، با یکدیگر ترکیب شوند، مثلا ترکیب بردار ویژه و LBPH.
الگوریتم‌های یادگیری ماشین
الگوریتم‌های یادگیری ماشین با توصیف‌گرهای جزییات ترکیب می‌شوند تا عملیات تطابق چهره را انجام دهند. آنها برای آموزش به یک مدل بازشناسی چهره، از داده‌های ورودی که از این توصیف‌گرها گرفته‌اند، استفاده می‌کنند. در اینجا نمونه‌هایی از الگوریتم‌های یادگیری ماشینی که برای این کاربرد استفاده می‌شود را می‌بینید:
- شبکه‌های عصبی
- ماشین بردار پشتیبانی
- نزدیک‌ترین همسایه
- درخت‌های تصمیم‌گیری
روش‌های یادگیری عمیق
جدیدترین روش برای بازشناسی چهره و تطابق تصویر هستند.
چه الگوریتم‌هایی در بازشناسی چهره استفاده می‌شوند؟
مدل‌های بازشناسی چهره مختلف، الگوریتم‌های متفاوتی را برای انجام وظایف خود به کار می‌برند. برخی برنامه‌ها از الگوریتمی استفاده می‌کنند که جزییات چهره را با ویژگی‌های بارزی که از یک تصویر از آن استخراج کرده‌اند، شناسایی می‌کند.
این الگوریتم مکان قرارگیری و شکل چشم، فک و سایر اجزای صورت را بررسی می‌کند. داده‌های به دست آمده از این بررسی، بعدا برای جستجوی تصاویری که ویژگی‌های مشابهی دارند، استفاده می‌شود.
از سوی دیگر، سایر الگوریتم‌ها با نرمال‌سازی یک گالری از تصاویر چهره و سپس فشرده سازی داده چهره مشخص کار می‌کنند. تنها داده‌های مورد نیاز برای بازشناسی چهره ذخیره خواهند شد. نتیجه نهایی یک بررسی، با پایگاه داده‌ای از جزییات چهره‌ای مقایسه می‌شود. این سیستم را می‌توان جزو اولین سیستم‌های بازشناسی چهره موفق به شمار آورد.
الگوریتم‌های بازشناسی چهره را می‌توان به دو دسته کلی تقسیم کرد:
- روش هندسی
که بر نگاه کردن بر جزییات چهره‌های مختلف تمرکز می‌کند. - روش تصویری
که تصویر ارائه شده را به مقادیر مجزایی تقسیم می‌کند.
این مقادیر، بعدا با مقادیر تمپلیت‌ها مقایسه می‌شوند تا تفاوت‌ها حدف شوند. در برخی مقالات، الگوریتم‌ها بر اساس دو نوع دسته بندی می‌شوند:
- کلی نگر
روش کلی نگر بر شناسایی کلی چهره متمرکز است. - جزئی نگر
روش جزئی نگر، چهره را به بخش‌های مختلف تقسیم کرده و هر کدام را به طور جداگانه بررسی می‌کند.
نرم‌افزارهای بازشناسی یا تشخیص چهره از الگوریتم‌هایی متفاوت، با قواعدی متفاوت استفاده می‌کنند. برخی از آنها از بردارهای ویژه یا تحلیل مولفه‌های اصلی و برخی از تحلیل مبَیِن‌های خطی، تطابق گراف‌های کشسان و مدل مارکوف پنهان استفاده می‌کنند. همه این الگوریتم‌ها مزایا و معایب خود را دارند، و انتخاب آنها به ترجیح شخصی کاربری بستگی دارد که می‌خواهد از سیستم بازشناسی چهره استفاده کند.
فناوری بازشناسی چهره یا الگوریتم تطابق چهره در چه مواردی استفاده می‌شود؟
فناوری بازشناسی چهره کاربردهای متنوعی دارد، از جمله:
۱) مشتری‌ات را بشناس (KYC)
ارائه دهندگان خدمات مالی، به طور قانونی مجازند که اقدامات ضد پولشویانه (AML) را اتخاذ کنند، و یکی از آنها KYC (مشتری‌ات را بشناس) است. این به این معنی است که آنها نیاز دارند بدانند که با چه کسانی همکاری می‌کنند و هر کدام از این افراد ممکن است چه مخاطراتی به همراه داشته باشند.
در این حوزه، فناوری بازشناسی چهره برای تایید هویت یک مشتری (یا فردی که ممکن است مشتری باشد) استفاده می‌شود و سعی دارد به این سوال پاسخ دهد: “آیا این شخص همان کسی است که ادعایش را دارد”؟
تایید هویت معمولا با استفاده از یک الگوریتم هوش مصنوعی انجام می‌شود، که یک عکس سلفی از کاربر را با عکس موجود در پرونده هویتی او تطابق می‌دهد. سپس مشخص می‌کند که آیا دو عکس منطبقند یا خیر.
۲) تایید پرداخت
با افزایش محبوبیت پرداخت از طریق تلفن همراه و شروع به کار دستورالعمل پرداخت ۲ (Payment Services Directive 2 یا PSD2) در اتحادیه اروپا از اواخر ۲۰۱۹، تایید پرداخت بیومتریک روز به روز اهمیت بیشتری پیدا می‌کند. برای مثال، PSD2 برای بسیاری از پرداخت‌های با مبدا مشتری، احراز هویت دومعیاری را اجباری کرده است. در عمل، این بدین معناست که نیاز به احراز هویتِ بیومتریک افزایش خواهد یافت.
تطابق چهره در تایید پرداخت قطعا آسان خواهد بود. زیرا مشتریان می‌توانند به آسانی با تلفن همراه هوشمند خود عکس سلفی بگیرند تا با تصویرشان در پایگاه داده ارائه دهنده خدمت، تطبیق داده شود.
بازشناسی چهره می‌تواند برای پرداخت در فروشگاه‌ها نیز استفاده شود. یعنی چهره مشتریان در حین خروج از فروشگاه اسکن شود. کالاها می‌توانند با استفاده از چیپ‌های RFID برچسب زده و ردیابی شوند، و اطلاعات بانکی خریداران به همراه تصاویرشان در پایگاه داده ذخیره شود. همه این‌ها در کنار هم سبب می‌شود که مبلغ خرید بتواند از حساب خریدار کسر شود، بدون آنکه نیاز باشد تا مراحل خرید سنتی را در صندوق طی کند.
۳) کنترل دسترسی
در حیطه کنترل دسترسی‌ها، فناوری بازشناسی چهره به یک دوربین متصل می‌شود که از فردی که قصد کسب مجوز برای ورود به اتاق، ساختمان، رویداد، نرم‌افزار یا دستگاه را دارد، عکس می‌گیرد. سپس این تصویر را با تصاویر موجود در پایگاه داده از چهره افرادی که مجوز ورود دارند، مقایسه می‌کند.
اگر دو تصویر مشابه بودند، مجوز دسترسی صادر می‌شود. یکی از مزایای فناوری بازشناسی چهره در این حیطه، این است که بسیاری از افراد با این فناوری آشنا هستند. زیرا امروزه از این فناوری در باز کردن قفل گوشی‌های هوشمند جدیدتر و سیستم‌های امنیتی هوشمند منازل، مانند فناوری Ring و Nest نیز استفاده می‌شود.
یک مطالعه نشان می‌دهد که در ایالات متحده، از هر چهار آگهی تبلیغاتی، سه مورد از بازشناسی چهره برای شناسایی افراد محلی و مسافران خارجی استفاده می‌کنند. این امر نشان می‌دهد ظرفیت عظیمی برای استفاده از بازشناسی چهره در حیطه کنترل دسترسی وجود دارد.
۴) گروه بندی چهره ها
این مورد به فرآیند دسته‌بندی چهره‌های یکسان یا مشابه توسط فناوری بازشناسی چهره اشاره می‌کند. با استفاده از این روش می‌توانید تمام عکس‌های سلفی خود، عکس‌های دوست صمیمیتان و… را دسته‌بندی کنید.
۵) نظارت
فروشگاه‌ها، فرودگاه‌ها و… با استفاده از فناوری بازشناسی چهره، می‌توانند افرادی را که در لیست سارقان، مجرمان و مظنونین به ترور قرار دارند را شناسایی کنند. این کاربردها نیازمند یک فناوری شناخت چهره سازگار با ویدیو هستند که فعلا Sightcorp از آن پشتیبانی نمی‌کند.
