تایمست مجله تکنولوژی
فناوری تشخیص چهره به عنوان یکی از شاخه‌های مهم بیومتریک، به سرعت در حال توسعه بود و بسیاری از متخصصان به آینده درخشان آن امیدوارند. با این حال، محدودیت‌های فنی این تکنولوژی در استفاده‌های روزمره به تدریج آشکار شده‌اند. از جمله این چالش‌ها می‌توان به ضعف در مقابله با جعل، نیاز به پردازش بالا، محدودیت‌های محیطی از نظر نور و زاویه قرارگیری چهره اشاره کرد.
در پاسخ به این چالش‌ها، شرکت ZKTeco نسل جدیدی از دستگاه‌های تشخیص چهره را توسعه داده که از فناوری ویزیبل لایت (visible Light) یا نور مرئی برای شناسایی افراد بهره گرفته و با سیستم‌عامل منعطف اندروید تلفیق شده‌اند. این دستگاه‌ها بر پایه جدیدترین فناوری‌های هوش مصنوعی و شبکه‌های عصبی طراحی شده و هدف آن‌ها ارائه سرعت و دقت بالا در شناسایی چهره برای کاربردهای حساس و پرتردد است.
مزایای فنی تکنولوژی Visible Light در تشخیص چهره
بر خلاف دستگاه‌های سنتی تشخیص چهره که در آن‌ها تراز دقیق چهره برای شناسایی الزامی بود، دستگاه‌های ZKTeco با بهره‌گیری از الگوریتم‌های پیشرفته یادگیری عمیق (Deep Learning)، توانایی تشخیص چهره در زوایای گسترده‌تری را فراهم کرده‌اند. این فناوری با استفاده از مدل سازی سه بعدی مبتنی بر یادگیری ماشینی، قادر است چهره را با زاویه‌ای تا ۳۰ درجه در محورهای Yaw، Pitch و Roll تشخیص دهد. این در حالی است که اغلب الگوریتم‌های موجود تنها تا زاویه ۱۵ درجه قادر به تشخیص هستند.
این دستگاه‌ها از فناوری “تشخیص چهره فعال” بهره می‌برند که به کاربران این امکان را می‌دهد که بدون نیاز به توقف یا ایستادن در برابر دوربین، به صورت خودکار شناسایی شوند. در نتیجه، سرعت تردد به میزان قابل توجهی افزایش یافته و فاصله تشخیص تا ۳ متر نیز قابل ارتقاء است. این به معنی آن است که کاربران می‌توانند بدون تشکیل صف، ورود یا خروج خود را ثبت کنند و حتی تا ۵ نفر در ثانیه قابلیت شناسایی خواهند داشت، البته مشروط به اینکه اطلاعات چهره قبلاً در حافظه دستگاه ذخیره شده باشد.
قابلیت ضد جعل (Anti-Spoofing) پیشرفته با الگوریتم CNN
دستگاه‌های تشخیص چهره ZKTeco به لطف استفاده از شبکه‌های عصبی کانولوشنی (CNN) در برابر حملات جعل مقاوم شده‌اند. این فناوری می‌تواند چهره‌های جعلی از جمله تصاویر چاپی یا ویدئوهای پخش شده از یک چهره را تشخیص دهد. این عملکرد بر اساس بررسی تفاوت‌های بافت، نورپردازی و وضوح چهره‌ها انجام می‌شود.
شناسایی چهره با عکس جعلی
در حملات مبتنی بر عکس، اغلب کل تصویر شامل چهره و پس زمینه به صورت یکپارچه حرکت می‌کند، در حالی که در شرایط واقعی، حرکت چهره و پس‌زمینه ناهماهنگ است. تکنولوژی ویزیبل لایت با بررسی جریان نوری (optical flow) و جداسازی معنایی (semantic segmentation) چهره از پس‌زمینه، قادر به تشخیص زنده بودن چهره است. دوربین، دنباله‌ای از ویدئو را ثبت کرده و از فریم‌های مختلف نمونه‌برداری می‌کند تا تفاوت حرکات چهره واقعی با تصویر جعلی را تحلیل کرده و در نهایت، زنده بودن چهره را تشخیص دهد.
شناسایی چهره با ویدئوی جعلی
در این نوع حمله، چهره جعلی در قالب یک ویدئو از طریق یک نمایشگر مانند گوشی یا تبلت پخش می‌شود. الگوریتم دستگاه با تجزیه و تحلیل دقیق بافت، وضوح و همچنین بررسی ارتباط چهره با اشیای اطراف (مانند قاب گوشی یا نمایشگر)، می‌تواند جعلی بودن آن را تشخیص دهد. سیستم هوشمند قادر است چهره‌هایی که از طریق یک وسیله دیجیتال پخش می‌شوند را شناسایی کرده و به‌عنوان جعل رد کند.
فناوری تشخیص زنده بودن (Liveness Detection)
برای افزایش امنیت و جلوگیری از حملات پیچیده‌تر، فناوری تشخیص زنده بودن به دستگاه‌های ZKTeco اضافه شده است. این قابلیت در دو حالت فعال و غیرفعال عمل می‌کند:
- تشخیص زنده بودن غیرفعال: بدون نیاز به همکاری کاربر انجام می‌شود. مثلاً دستگاه از فرد می‌خواهد چشمک بزند و سپس واکنش او را ثبت و بررسی می‌کند.
- تشخیص زنده بودن فعال: نیاز به تعامل کاربر دارد و برای مقابله با حملات رایج مانند نشان دادن عکس یا ویدئو از یک فرد طراحی شده است.
این سیستم با استفاده از قدرت یادگیری عمیق، در کمتر از یک ثانیه قادر است تشخیص دهد که چهره مقابل واقعی است یا حاصل یک حمله جعل. مدل‌های یادگیری عمیق آموزش دیده‌اند تا تفاوت‌هایی مانند بافت، نورپردازی و وضوح میان چهره انسان واقعی و تصاویر جعلی را شناسایی کنند.
کاربردهای فناوری تشخیص چهره با تکنولوژی Visible Light
فناوری تشخیص چهره با نور مرئی مبتنی بر هوش مصنوعی شرکت ZKTeco یک راهکار بیومتریک بدون تماس محسوب می‌شود که از نظر بهداشتی، بسیار مناسب‌تر از دیگر فناوری‌های بیومتریک است. این دستگاه‌ها از سیستم‌عامل اندروید بهره برده و به کاربران امکان می‌دهند روشهای شخصی سازی شده‌ای را مطابق با نیازهای نهایی خود طراحی و پیاده‌سازی کنند.
این تکنولوژی در قالب‌ها و اندازه‌های متنوع تولید شده و از انعطاف‌پذیری بالایی برخوردار است، به طوری که می‌توان آن را برای کاربردهای گوناگون در صنایع مختلف شخصی‌سازی کرد. چه در بانک‌ها، چه در مراکز آموزشی، همایش‌ها یا حتی در صنعت زیبایی فعال باشید، این پلتفرم چندمنظوره قابلیت انطباق با نیازهای گوناگون را دارد.
پلتفرم تشخیص چهره با ویزیبل لایت می‌تواند به عنوان دستگاه کنترل تردد، سیستم حضور و غیاب یا حتی سایر راهکارهای مبتنی بر این فناوری مورد استفاده قرار گیرد. به عنوان مثال، از این فناوری می‌توان به عنوان یک پنل تبلیغاتی هوشمند بهره برد که با تحلیل بیومتریک، اطلاعاتی مانند سن، جنسیت و رفتار افراد را بررسی کرده و به کسب‌وکارها کمک می‌کند تا بازار هدف خود را بهتر بشناسند. این همان مفهوم “مشتری خود را بشناس” (Know Your Client) است که از این فناوری قابل استخراج است.
از این طریق کسب و کارها می‌توانند مشتریان وفادار خود را به سرعت شناسایی کرده و خدماتی دقیق‌تر، سریع‌تر و شخصی سازی شده‌تر ارائه دهند. این کار نه تنها باعث افزایش رضایت مشتریان می‌شود، بلکه به آن‌ها حس اهمیت و خاص بودن می‌دهد.
سیستم تشخیص چهره با نور مرئی قابلیت شناسایی و پیگیری خودکار چهره‌ها در ویدیوها را دارد. پس از نصب، این سیستم به طور فعال تصاویر چهره‌ها را در فاصله‌ای حدود ۳ متر جمع آوری کرده و تطبیق و شناسایی را بر اساس حرکات انسانی انجام می‌دهد. پس از تأیید چهره، نیازی به صف ایستادن یا انتظار برای ورود و خروج وجود ندارد و روند تردد کارکنان با سرعت و دقت بیشتری انجام می‌شود.
این سیستم برای استفاده در محیط‌های مختلف مانند دفاتر، انبارها، کلینیک‌ها، کارخانه‌ها، رستوران‌ها و پروژه‌های ساختمانی کاملاً مناسب است. دیگر نیازی نیست کارکنان در صف‌های طولانی منتظر بمانند یا مقابل سیستم‌های قدیمی اثر انگشت یا چهره بایستند. تنها کافی است عبور کنند تا سیستم به صورت خودکار چهره و اطلاعات آن‌ها را شناسایی کند.
ثبت نام در این سیستم می‌تواند با عکس سلفی انجام شود. وقتی مشتریان به محل مراجعه می‌کنند، پیامک اطلاع‌رسانی به طور خودکار برای کارکنان مربوطه ارسال شده و به آن‌ها اطلاع می‌دهد که مشتریان VIP وارد شده‌اند. کارکنان نیز می‌توانند اطلاعاتی مانند نام، علاقه‌مندی‌ها و شغل این افراد را از طریق گوشی‌های خود مشاهده کنند تا خدماتی شخصی سازی شده و دقیق‌تر ارائه دهند.
فرآیند پیشرفته تشخیص چهره با ویزیبل لایت
فرآیند سنتی تشخیص چهره شامل چهار مرحله اصلی بود: تشخیص، تراز کردن، استخراج ویژگی و شناسایی. اما فناوری پیشرفته تشخیص چهره با نور مرئی، مراحل متعددی را برای دقت و امنیت بیشتر اضافه کرده است:
- تشخیص (Detection): سیستم ابتدا بررسی می‌کند که آیا چهره‌ای در تصویر یا ویدیو وجود دارد یا نه. در این مرحله، یادگیری عمیق با دقت بالا و در زمان واقعی، توانایی شناسایی چهره‌ها با اندازه‌های مختلف و در شرایط نوری متفاوت را فراهم می‌سازد.
- تخمین وضعیت (Pose Estimation): با استفاده از یادگیری عمیق، وضعیت زاویه‌ای چهره (مانند زاویه افقی، عمودی و چرخشی) به‌طور دقیق شناسایی می‌شود تا در مراحل بعدی پردازش بهتر انجام گیرد.
- بررسی کیفیت (Quality Review): تصویر چهره از لحاظ روشنایی، وضوح و وضعیت زاویه‌ای بررسی می‌شود. تصاویری که کیفیت مناسب ندارند، حذف می‌شوند تا از مصرف بیهوده منابع پردازشی جلوگیری شود.
- تراز کردن (Alignment): در این مرحله، موقعیت اجزای اصلی صورت مانند چشم‌ها، بینی و دهان، به گونه‌ای تنظیم می‌شود که الگوریتم‌های شناسایی بتوانند چهره را با دقت بالاتر پردازش کنند. این کار با استفاده از تبدیل‌های هندسی دوبعدی مانند چرخش، تغییر مقیاس و جابه‌جایی انجام می‌شود.
- استخراج ویژگی (Feature Extraction): در این مرحله ویژگیهای مهم صورت استخراج می‌شوند. یادگیری عمیق به سیستم کمک می‌کند تا ویژگی‌هایی را بیاموزد که تحت تأثیر عوامل محیطی مانند نور یا زاویه دید قرار نمی‌گیرند.
- قابلیت ضد جعل (Anti-Spoofing): این قابلیت برای مقابله با حملات جعل مانند استفاده از عکس یا ویدیو برای فریب سیستم طراحی شده است.
- شناسایی (Recognition): در این مرحله، چهره‌های تراز شده و تحلیل‌شده با اطلاعات موجود در پایگاه داده مقایسه شده و هویت فرد شناسایی می‌شود.
هدف آموزش این است که سیستم با وارد کردن تصاویر آموزشی و داده‌های مرتبط، بتواند از کوچک‌ترین پیکسل‌ها تا خطوط، لبه‌ها و ساختارهای چهره را تشخیص دهد. این فرآیند همچنین به سیستم امکان می‌دهد تفاوت بین زوایا و نور پردازی‌های مختلف را درک کرده و دقت شناسایی را افزایش دهد.
وظیفه شناسایی نیز به دو صورت انجام می‌شود: تأیید 1:1 (مقایسه یک به یک) و شناسایی 1:N (مقایسه یک چهره با چندین چهره موجود در پایگاه داده). الگوریتم‌هایی مانند طبقه بندی مبتنی بر نمایش خلوت (Sparse Representation-based Classification – SRC) برای کاهش حجم داده‌ها و افزایش سرعت پردازش استفاده می‌شوند. این روش‌ها نیاز به سخت‌افزار پیشرفته را کاهش داده و باعث می‌شوند سیستم در شرایط مختلف و حتی با منابع محدود نیز عملکرد مطلوبی داشته باشد.
عملکرد فناوری Visible Light در محیط‌های پیچیده و کاربردهای عملی
تشخیص چهره معمولاً در محیط‌هایی انجام می‌شود که پویایی بالایی دارند. در چنین فضاهایی، عواملی مانند شدت نور، زاویه صورت و فاصله تا دوربین ممکن است به طور مداوم تغییر کنند. این موضوع سال‌ها یکی از چالش‌های اساسی در حوزه تشخیص چهره بوده تا زمانی که فناوری یادگیری عمیق وارد عمل شد.
یادگیری عمیق این امکان را به سیستم‌های تشخیص چهره می‌دهد که در فرآیند آموزش، ویژگیهای کلیدی چهره‌ها را به صورت خودکار استخراج و فیلتر کنند. این ویژگی باعث می‌شود سیستم بتواند تفاوت‌های چهره‌ها را در شرایط مختلفی مانند زوایای گوناگون، نورپردازی‌های متفاوت و فاصله‌های متغیر تشخیص دهد. در نتیجه، وقتی با تصویری با کیفیت پایین یا شرایط نامساعد نوری مواجه می‌شود، می‌تواند الگوریتم‌های خود را برای کاهش تأثیر منفی این شرایط بر دقت شناسایی، تطبیق دهد و بهبود بخشد.
بررسی‌ها نشان می‌دهد که فناوری پیشرفته تشخیص چهره با استفاده از نور مرئی می‌تواند خود را با شرایط نوری مختلف، از تاریکی مطلق تا نور بسیار شدید، یعنی تا ۵۰ هزار لوکس، سازگار کند.
نسخه پیشرفته این فناوری نه تنها برای استفاده‌های عمومی مناسب است، بلکه در محیط‌های پویا و پرتغییر نیز عملکرد قابل اعتمادی ارائه می‌دهد. به ویژه، عملکرد بسیار دقیق آن در برابر جعل چهره موجب شده تا کسب و کارهایی که نیاز به امنیت سطح بالا دارند، این تکنولوژی را نسبت به گزینه‌های دیگر قابل اطمینان‌تر بدانند.
مسیرهای توسعه آینده
در حال حاضر، فناوری‌های ترکیبی جدیدی در حال توسعه هستند که از تصاویر با نور نزدیک به مادون قرمز (NIR) و نور مرئی (VIS) به صورت هم‌زمان استفاده می‌کنند. در این روش، دو نوع تصویر برای تحلیل بهتر و سازگاری بیشتر با هر دو نوع نور به کار می‌رود.
در مدل‌های آموزشی مبتنی بر یادگیری عمیق، تصویر گرفته شده با نور مادون قرمز به عنوان تصویر مرجع (لنگر) در نظر گرفته می‌شود. سپس دو تصویر دیگر با نور مرئی به مدل داده می‌شود: یکی از چهره همان فرد و دیگری از چهره فردی متفاوت. با استفاده از الگوریتمی به نام “Triplet Loss”، مدل طوری آموزش می‌بیند که فاصله بین تصویر مرجع و نمونه مثبت (چهره واقعی فرد) کاهش یابد و در مقابل، فاصله بین تصویر مرجع و نمونه منفی (چهره غیرواقعی) افزایش پیدا کند. این روش باعث می‌شود مدل هم الگوهای صحیح را یاد بگیرد و هم بتواند الگوهای اشتباه را تشخیص دهد.
ابزار توسعه نرم‌افزار (SDK) برای برنامه‌نویسان
شرکت ZKTeco ابزارهای توسعه نرم‌افزاری (SDK) و ابزارهای تنظیم متنوعی ارائه می‌دهد که از زبان‌های برنامه‌نویسی مختلف پشتیبانی می‌کنند. این ابزارها امکان توسعه نرم‌افزارهای اختصاصی را برای مهندسان فراهم می‌سازند و در عین حال کارایی و انعطاف‌پذیری بالایی دارند.
برای نمونه، فروشگاه‌ها می‌توانند از تشخیص چهره مبتنی بر نور مرئی ZKTeco استفاده کنند تا هنگام ورود مشتریان ویژه (VIP) به فروشگاه، کارکنان مطلع شوند. این SDK برای استفاده در صنایع مختلف مناسب بوده و امکاناتی کامل برای توسعه و ویرایش نرم‌افزارهای حرفه‌ای را در اختیار توسعه‌دهندگان قرار می‌دهد.
منابع:
