روش ها و کاربردهاي مختلف تشخيص چهره

نویسنده: مهندس سرور بهبهاني، مهندس محمد كريمي مريداني دانشجوي دكتري مهندسي پزشكي (بيوالكتريك)، دانشگاه آزاد اسلامي واحد علوم و تحقيقات

چهره نقش اساسي را در شناسايي افراد و نمايش احساسات آن ها در سطح جامعه دارد. توانايي انسان در تشخيص چهره ها قابل توجه است. انسان مي تواند هزاران چهره به ياد سپرده را در طول عمرخود تشخيص دهد و در يک نگاه چهره هاي آشنا را حتي پس از سال ها جدايي شناسايي کند. اين مهارت در مقابل تغييرات در شرايط ديداري مانند حالت چهره، سن و همچنين تغييراتي در عينک، ريش يا سبک مدل موها ايستادگي مي کند.

تشخيص چهره يک موضوع مهم در کاربردهايي همچون سيستم هاي امنيتي، کنترل کارت اعتباري و شناسايي مجرمان شده است. براي مثال، قابليت مدل کردن يک چهره خاص و تميز دادن آن از يک تعداد فراوان از مدل هاي چهره ذخيره شده، شناسايي مجرمان را به صورت گسترده اي بهبود خواهد بخشيد.
اگرچه درست است که انسان ها در تشخيص چهره توانا هستند اما نحوه کدينگ و دي کدينگ چهره ها در مغز انسان کاملا آشکار نيست. تشخيص چهره انسان براي بيش از بيست سال مورد مطالعه قرار گرفته است. توسعه يک مدل محاسباتي براي تشخيص چهره کاملا دشوار است و دليل آن پيچيدگي چهره ها و ساختار چند بعدي بينايي است. بنابراين تشخيص چهره يک فعاليت سطح بالا در بينايي کامپيوتر است و مي تواند بسياري از تکنيک هاي بينايي اوليه را در بر گيرد.
مرحله اول تشخيص چهره انسان، استخراج ويژگي هاي آشکار از تصاوير چهره است. در اينجا يک سوال به وجود مي آيد که تا چه اندازه ويژگي هاي چهره، قابليت اندازه گيري را دارند. بررسي هاي محققان در چندين سال گذشته بر آن اشاره دارد که ويژگي هاي خاصي از چهره براي شناسايي چهره ها توسط انسان تشخيص داده مي شود.

مسائل اساسي در طراحي سيستم تشخيص الگو

به طور کلي طراحي يک سيستم تشخيص الگو چندين مسئله اصلي را در بر مي گيرد:
ابتدا بايد در مورد نمايش داده هاي ورودي تصميم گرفته شود. چرا که بايستي اشيائي که قرار است مورد تشخيص قرار گيرند، اندازه گيري شود. هر کميت اندازه گيري شده يک ويژگي الگو يا شيء را توصيف مي کند و مجموعه اين ويژگي ها در يک بردار قرار مي گيرند. اين بردار الگو که داده ورودي را توصيف مي کند، بايستي قالب بندي شود. بردارهاي الگو همه يا بخشي از اطلاعات اندازه گيري شده موجود را در مورد الگوها در بر مي گيرد. مجموعه الگوهاي متعلق به کلاسي يکسان به گروهي از نقاط در يک فضاي اندازه گيري شده نگاشت مي شوند. يک مثال ساده از اين مورد در شکل (1) براي دو کلاس w1 و w2 نشان داده شده است.
دومين مسئله در تشخيص الگو، استخراج ويژگي ها يا صفات خاصي از داده ورودي دريافت شده و کاهش ابعاد بردارهاي الگو است. اين مورد اغلب به عنوان مسئله پيش پردازش و استخراج ويژگي معرفي مي شود. عناصر ويژگي براي همه کلاس هاي الگو مشترک هستند و مي توانند حذف شوند.
اگر يک مجموعه کامل از ويژگي هاي تشخيص براي هر کلاس از داده هاي اندازه گيري شده تعيين شود، تشخيص و دسته بندي الگوها، دشواري کمتري را در برخواهد داشت. تشخيص خودکار ممکن است به يک فرآيند تطبيق ساده يا يک جدول جستجو کاهش يابد. به هر حال در بسياري از مسائل تشخيص الگو، در عمل، تعيين يک مجموعه کامل از ويژگي هاي تشخيص اگر غيرممکن نباشد دشوار است.
نکته سوم در طراحي سيستم تشخيص الگو تعيين رويه هاي تصميم بهينه است که در فرآيند شناسايي و دسته بندي مورد نياز واقع مي شود. پس از آن که داده هاي مشاهده شده از الگوها جمع آوري شد و در فرم نقاط الگو يا بردارهاي اندازه گيري در فضاي الگو بيان شد، ماشيني براي تصميم گيري نياز است که اين داده به کدام کلاس الگو تعلق دارد. بهتر است سيستم قادر به تشخيص M کلاس مختلف الگو باشد. در اين صورت فضاي الگو مي تواند ناحيه باشد که هر کدام نقاط الگوي يک کلاس را در بر مي گيرد.
مسئله تشخيص حالا مي تواند به عنوان توليد کننده ي محدوده هاي تصميم که M کلاس را روي بردارهاي اندازه گيري از همديگر جدا مي کند در نظر گرفته شود. به طور کلي، اين محدوده هاي تصميم به وسيله توابع تصميم تعيين مي شوند.

يادگيري و تمرين دادن
توابع تصميم به روش هاي متنوعي قابل توليد هستند. زماني که دانش قبلي در مورد الگوهايي که بايد تشخيص داده شوند، موجود باشد، تابع تصميم براساس اين اطلاعات ممکن است با دقت تعيين شود. زماني که تنها دانشي کيفي در مورد الگوها موجود باشد، حدس هايي مستدل از فرم هاي تابع تصميم مي توان داشت. در اين مورد محدوده هاي تصميم ممکن است از پاسخ صحيح دور شود. وضعيت کلي تر آن است که دانش قبلي کمي در مورد الگوهاي مورد تشخيص موجود باشد. در اين شرايط ماشين هاي تشخيص الگو با استفاده از يک رويه يادگيري يا تمرين دادن طراحي بهتري خواهند داشت. به صورت ابتدائي، توابع تصميم موقت فرض مي شوند و از طريق دنباله اي از مراحل تمريني تکراري ، اين توابع تصميم به سمت فرم هاي بهينه و راضي کننده پيش مي روند.
تمرين و يادگيري فقط در طول فاز طراحي سيستم تشخيص الگو انجام مي شود. هنگامي که نتايج قابل قبول با مجموعه الگوهاي تمريني به دست آمد، سيستم براي وظيفه اجرائي واقعي خود بر روي نمونه هاي محيطي به کار گرفته مي شود. کيفيت کارآئي تشخيص به طور گسترده اي به وسيله ي تشابه الگوهاي تمريني و داده هاي واقعي که سيستم در طول عمليات مواجه خواهد شد، تعيين مي شود.

تشخيص الگوي نظارت شده و بدون نظارت
در بسياري موارد، الگوهاي نماينده از هر کلاس موجود است. در اين وضعيت ها، تکنيک هاي تشخيص الگوي نظارت شده، کاربردي است. پايه هاي اين رويکرد، مجموعه اي از الگوهاي تمريني شناخته شده براي دسته بندي و پياده سازي يک رويه يادگيري مناسب هستند.
در برخي کاربردها، فقط مجموعه اي از الگوهاي تمريني شناخته نشده براي دسته بندي، ممکن است موجود باشد. در اين موقعيت ها، تکنيک هاي تشخيص چهره بدون نظارت کاربرد دارد. همان طور که در بالا بيان شد، تشخيص الگوي نظارت يافته به وسيله اين موضوع که دسته صحيح هر الگوي تمريني مشخص است، معرفي مي شود. در مورد بدون نظارت، به هر حال، با مسئله يادگيري در کلاس هاي الگوي ارائه شده در داده ها، مواجه هستيد. اين مسئله همچنين به عنوان يادگيري بدون آموزگار شناخته مي  شود.

کليات يک سيستم تشخيص الگو

بلوک دياگرام يک سيستم تشخيص الگوي تطبيقي در شکل (2) نشان داده شده است. تشخيص صحيح به ميزان اطلاعات موجود در اندازه گيري ها و نحوه استفاده از اين اطلاعات وابسته خواهد بود. در برخي کاربردها، اطلاعات زمينه براي بدست آوردن تشخيص دقيق الزامي است. براي نمونه، در تشخيص کاراکترهاي دست نويس خميده و دسته بندي اثر انگشت ها، اطلاعات زمينه با اهميت است. زماني که قصد طراحي، يک سيستم تشخيص الگو است که در مقابل اعوجاج مقاوم باشدو همچنين در مقابل انحرافات الگويي بزرگ انعطاف پذير بوده و نيز قابليت خود تنظيمي را داشته باشد، با مسئله تطبيق دادن مواجه شده ايم.
تشخيص چهره يک عمل تشخيص الگو است که به طور خاص بر روي چهره ها انجام مي شود. اين عمل عبارت است از دسته بندي يک چهره به عنوان  شناخته شده و ناشناس پس از مقايسه با چهره هاي ذخيره شده افراد شناخته شده.
مدل هاي محاسباتي تشخيص چهره بايستي پاسخگوي چندين مسئله دشوار باشد. اين سختي از آنجا ناشي مي شود که چهره ها بايستي به گونه اي ارائه شوند که اطلاعات موجود در چهره را براي تشخيص يک چهره خاص از ديگر چهره ها به بهترين نحو به کار برند. در اين مورد، چهره ها باعث يک مسئله دشوار مي شوند چرا که همه چهره ها از آنجا که مجموعه ويژگي هاي يکساني مانند چشم، بيني و دهان دارد، مشابه با يکديگر است.

کليات يک سيستم تشخيص چهره عام

شکل(3) کليات يک سيستم تشخيص چهره عام را نشان مي دهد. اين کليات، ويژگي هايي از سيستم تشخيص الگوي عام که قبلا بحث شد، در بر دارد.
شش بلوک عملياتي اصلي وجود دارد که مسوليت هاي آن ها در زير آمده است:
بلوک دستيابي
اين نقطه ورود به فرايند تشخيص چهره است. اين بلوکي است که تصوير چهره مورد نظر به سيستم ارائه مي شود. به عبارت ديگر، در اين بلوک، از کاربر درخواست مي شود تا يک تصوير چهره به سيستم تشخيص چهره ارائه کند. يک ماژول دريافت مي تواند تصوير چهره را از چندين محيط متفاوت تحويل بگيرد: يک تصوير چهره ممکن است يک فايل تصوير بر روي يک ديسک مغناطيسي باشد، ممکن است به کمک يک اسکنر از روي کاغذي اسکن شده باشد.
بلوک پيش – پردازش
در اين ماژول، به وسيله تکنيک هاي بينايي ، تصاوير چهره نرمال سازي مي شوند و اگر نياز بود ، براي افزايش کارائي تشخيص سيستم بهبود مي يابند. برخي يا تمام مراحل پيش – پردازش زير ممکن است در يک سيستم تشخيص چهره، پياده سازي شوند:
1- نرمال سازي اندازه ي تصوير
اين کار معمولا انجام مي شود تا اندازه تصوير گرفته شده به يک اندازه تصوير پيش فرض مانند 256*256  تغيير کند. اين اندازه تصوير همان اندازه تصويري است که سيستم تشخيص چهره با آن کار مي کند.
2- تعديل هيستوگرام
اين معمولا بر روي تصاوير خيلي تاريک يا خيلي روشن براي بهبود کيفيت تصوير و بهبود کارآئي تشخيص چهره انجام مي شود که گستره کنتراست تصوير را اصلاح مي کند که به عنوان نتيجه برخي ويژگي هاي مهم چهره آشکارتر مي شوند.
3- فيلترينگ ميانه
براي تصاوير داراي نويز، به خصوص تصاويري که از طريق دوربين عکاسي گرفته شده است ميانه مي تواند تصوير را بدون از دست رفتن اطلاعات تميز کند. البته فيلترينگ ميانه در تصاويري که داراي نويز فلفل نمکي است کارايي بالايي دارد.
4- فيلترينگ بالا گذر
استخراج کننده هاي ويژگي اي که مبتني بر روي کليات چهره هستند، ممکن است از تصويري که لبه يابي روي آن صورت گرفته است نتيجه ي بهتري بدهند. فيلترينگ بالا گذر بر روي جزئياتي مانند لبه ها تاکيد دارند که در نتيجه کارآئي تشخيص لبه را افزايش مي دهد.
5- حذف کردن پس زمينه
به منظور دست يابي به خود اطلاعات چهره، پس زمينه چهره قابل حذف است. اين موضوع براي سيستم هاي تشخيص چهره اي مهم تر است که اطلاعات موجود در کل تصوير، استفاده مي شود.
همچنين توجه داشته باشيد که در حذف پس زمينه، بلوک پيش – پردازش بايد قادر به تعيين محدوده چهره باشد.
6- نرمال سازي چرخشي و انتقالي
در برخي موارد، ممکن است بر روي تصوير چهره اي کار شود که سر شخص، چرخش يا انتقال يافته باشد. سر، نقش کليدي در تعيين ويژگي هاي چهره بازي مي کند. به خصوص براي سيستم هاي تشخيص چهره اي که مبتني بر چهره هاي تمام رخ هستند، ممکن است مطلوب باشد که بلوک پيش پردازش وجود چرخش يا انتقال را مشخص کند و اگر ممکن بود،  به نرمال سازي انتقال ها و چرخش ها در مکان سر بپردازد.
7- نرمال سازي نور پردازي
تصاوير چهره گرفته شده در شرايط نوري متفاوت مي تواند کارايي تشخيص چهره را پايين بياورد به خصوص براي سيستم هاي تشخيص چهره ي مبتني بر آناليز جزء اصلي که اطلاعات کل تصوير براي تشخيص مورد استفاده قرار مي گيرد.
بلوک استخراج ويژگي
پس از انجام پيش – پردازش (در صورت لزوم)، تصوير چهره نرمال شده به منظور پيدا کردن ويژگي هاي کليدي اي که قرار است براي دسته بندي از آن ها استفاده شود، به ماژول استخراج ويژگي فرستاده  مي شود. به عبارت ديگر، اين ماژول مسوول ايجاد يک بردار ويژگي است که به خوبي تصوير چهره را ارائه کند.
بلوک دسته بندي
در اين بلوک، با کمک يک دسته بند الگو، ويژگي هاي استخراج شده از تصوير چهره با آن هايي که در  پايگاه داده چهره ذخيره شده اند مقايسه مي شود. پس از انجام اين مقايسه، تصوير چهره به نا شناس و شناخته شده دسته بندي مي شود.
مجموعه هاي آموزش
مجموعه هاي آموزش در طول فاز يادگيري فرآيند تشخيص چهره استفاده مي شوند. بلوک هاي استخراج ويژگي و دسته بندي به منظور بدست آوردن کارايي بهينه تشخيص به وسيله استفاده از مجموعه هاي آموزش، پارامترهايشان را تنظيم مي کنند.
پايگاه داده چهره
پس از آن که يک چهره به عنوان ناشناخته دسته بندي شد، تصاوير چهره مي تواند با بردارهاي ويژگي شان براي مقايسه هاي بعدي به پايگاه داده اضافه شوند. ماژول دسته بندي به طور مستقيم از پايگاه داده چهره استفاده مي کند.
بلوک هاي استخراج ويژگي و دسته بندي، دو بلوکي هستند که باعث وجه تمايز بين بيشتر سيستم هاي تشخيص چهره متفاوت مي شوند. تقريبا مي توان گفت که تفاوت کارايي سيستم هاي تشخيص چهره، در امر تشخيص چهره ها از کارايي اين دو بلوک آن ها متاثر است. در ادامه بعدي به چهار روش از روش هاي متفاوتي که سيستم هاي تشخيص چهره در اين دو بلوک به کار مي برند، پرداخته مي شود.
به زبان تئوري اطلاعات، در تشخيص چهره اطلاعات داخل يک تصوير چهره، با حداکثر کارايي استخراج و کدگذاري مي شوند و سپس با يک پايگاه داده از مدل هايي که به صورت مشابه کدگذاري شده اند مقايسه مي شوند. يک رويکرد ساده براي استخراج اطلاعات موجود در يک تصوير چهره، به دست آوردن اختلاف در مجموعه ي تصاوير چهره است سپس مي توان با استفاده از اين اطلاعات به کدگذاري و مقايسه ي تصاوير چهره افراد پرداخت.
به زبان رياضي، اجزاي اصلي توزيع چهره ها، يا بردار – ويژه هاي ماتريس کواريانس مجموعه تصاوير چهره، به گونه اي رفتار مي کنند که يک تصوير به عنوان يک نقطه يا بردار در يک فضاي با تعداد ابعاد بسيار بالا در نظر گرفته مي شود.
بردار ويژه ها مي توانند به عنوان مجموعه اي از ويژگي ها فرض شوند که باهم اختلاف بين تصاوير چهره ها را مشخص مي کند. در اينجا چون بردار    ويژه ها در مورد تصاوير چهره هستند، چهره – ويژه ناميده مي شوند.
هر چهره اي مي تواند دقيقا به وسيله ترکيب خطي چهره – ويژه ها ارائه شود. همچنين هر چهره مي تواند با استفاده از بهترين چهره – ويژه ها، آن هايي که بيشترين مقادير ويژه را دارند، تقريب زده شود.
M  چهره- ويژه بهترين ، يک زير فضاي M بعدي را به وجود مي آورد که فضاي چهره همه تصاوير ممکن ناميده مي شود.
kirby و Sirovich تکنيکي را براي ارائه تصاوير چهره ها به طور کارا با استفاده از آناليز جزء اصلي توسعه دادند آن ها بهترين مختصات سيستم را براي فشرده سازي تصوير محاسبه کردند که هر محور مختصات واقعا يک تصوير است که آن را تصوير – ويژه ناميدند. آن ها بيان کردند، حداقل در تئوري ، هر مجموعه اي از تصاوير به صورت تقريبي مي تواند به وسيله ذخيره کردن يک مجموعه ي کوچک از وزن ها براي هر چهره و مجموعه اي کوچک از تصاوير استاندارد (تصوير – ويژه ها) بازسازي شود. وزن ها ي توصيف کننده هر چهره به وسيله تصوير کردن هر تصوير چهره بر روي تصوير – ويژه ها به دست مي آيند.
در ادامه روشي که توسطA.Pentland  و M.Turk براي توسعه يک سيستم تشخيص چهره ي مبتني بر رويکرد چهره – ويژه پيشنهاد شده تشريح خواهد شد.
آن ها بيان کردند که تعداد زيادي از تصاوير چهره به وسيله مجموع وزن داده شده مجموعه کوچکي از ويژگي هاي خاص يا چهره – ويژه ها بازسازي مي شوند. شايد يک روش کارا براي يادگيري و تشخيص چهره ها، به دست آوردن ويژگي هاي خاص به وسيله تجربه و تشخيص چهره ها به وسيله مقايسه وزن هاي ويژگي هاي مورد نياز براي بازسازي تقريبي آن ها با وزن هاي مرتبط باچهره هاي شناخته شده باشد. بنابراين، هر چهره به وسيله مجموعه کوچکي از ويژگي ها يا وزن هاي تصوير – چهره مورد نياز براي توصيف و بازسازي آن ها مشخص مي شود.

کليات سيستم تشخيص چهره

سيستم تشخيص چهره ارائه شده در طول فرآيند تشخيص چهره از سه فاز اصلي عبور مي کند. سه واحد عملياتي اصلي در اين فازها قرار گرفته اند و آن ها در شکل (4) ترسيم شده اند.
ويژگي هاي اين فازها به همراه سه واحد عملياتي در زير ارائه شده اند:

 فاز شکل دهي پايگاه داده چهره
در اين فاز، دريافت و پيش- پردازش تصاوير صورتي که قصد دارند به پايگاه داده چهره اضافه شوند، انجام مي پذيرد.
تصاوير در يک پايگاه داده چهره در سيستم ذخيره مي شوند که اين پايگاه داده چهره را کتابخانه ي چهره مي نامند چون در آن زمان خصوصيات پايگاه داده رابطه اي را ندارد. کتابخانه چهره در ابتدا خالي است. به منظور شروع فرآيندهاي تشخيص چهره، در ابتدا کتابخانه خالي چهره با چهره ها پر مي شود. فرض شودسيستم تشخيص چهره بر روي تصاوير 256*256 کار مي کند. به منظور انجام عمليات تبديل اندازه و بهبود تصاوير، يک بلوک پيش – پردازش در سيستم وجود دارد. اين بلوک به صورت خودکار هر تصوير چهره را به تصوير 256*256 ( در صورت لزوم) تبديل مي کند. ديگر عمليات پيش – پردازش که قبلا ذکر شد نيز در اين بلوک قرار دارد. در کتابخانه چهره براي هر چهره نياز به دو عنصر است:
يک عنصر همان تصوير چهره است (که البته مي توان فشرده سازي نيز روي آن انجام داد هر چند سرعت کم تر مي شود) و ديگري بردار وزن ها مربوط به هر تصوير چهره است. بردار وزن ها عناصر کتابخانه چهره خالي هستند تا زماني که يک عمليات تمرين انتخاب شود و چهره – ويژه ها تشکيل شوند.

  فاز آموزش
پس از اضافه کردن تصاوير چهره ها به کتابخانه چهره، سيستم براي انجام تمرين و تشکيل چهره – ويژه ها آماده است. تصاوير چهره اي که بايد در آموزش حضور داشته باشند از کتابخانه چهره انتخاب مي شود. از آنجايي که عناصر کتابخانه چهره نرمال شده است، هيچ گونه عمل پيش-پردازشي در اين مرحله صورت نمي پذيرد. پس از انتخاب مجموعه آموزش، چهره– ويژه ها تشکيل و براي استفاده هاي بعد، ذخيره مي شوند. چهره – ويژه ها از روي مجموعه آموزش محاسبه مي شوند و فقط  M تصوير مربوط به بيشترين مقادير ويژه نگهداري مي شوند. اين M تصوير چهره فضاي چهره  M بعدي را نشان مي دهند. همان طور که چهره هاي جديد تجربه مي شوند، چهره ويژه ها به روز رساني يا دوباره محاسبه مي شوند. وزن هاي مربوطه در فضاي وزن  M بعدي براي هر عضو کتابخانه محاسبه مي شود (به وسيله تصوير کردن تصوير چهره آن بر روي فضاي چهره اي که به وسيله ي چهره – ويژه ها به وجود آمده است). اکنون بردار وزن مربوط به هر عضو کتابخانه که در ابتدا خالي بود، به روز رساني مي شود. سيستم حالا براي فرآيند تشخيص آماده است.

 فاز تشخيص و يادگيري

 پس از انتخاب يک مجموعه آموزش و به وجودآوردن بردارهاي وزن عناصر تصوير چهره، اکنون سيستم آماده فرآيند تشخيص چهره است. کاربر فرآيند تشخيص را با انتخاب يک تصوير آغاز مي کند. بر اساس درخواست کاربر و اندازه تصوير دريافتي، مراحل پيش – پردازش براي نرمال سازي اين تصوير با مشخصات کتابخانه چهره صورت مي پذيرد. هنگامي که تصوير نرمال مي شود، بردار وزن آن به کمک چهره – ويژه ها که قبلا در فاز آموزش ساخته و ذخيره شده بود، ساخته مي شوند. پس از به دست آوردن بردار وزن، با بردار وزن هر عضو کتابخانه چهره مقايسه مي شود. همچنين کاربر يک آستانه شباهت را معين مي کند که بر اساس آن سيستم تصاويري که کمتر از اين آستانه با تصوير چهره ورودي شباهت داشته است به عنوان تطابق ارائه نمي کند. اگر حداقل يک تصوير چهره وجود دارد که در تشابه با تصوير ورودي مقدار آستانه را بر آورده کند، تصوير چهره به عنوان شناخته شده معرفي مي شود. اگر هيچ تصويري مقدار آستانه را برآورده نکند، تصوير به عنوان تصوير شناخته نشده معرفي  مي شود. پس از آن که تصوير به عنوان ناشناخته معرفي شد، تصوير چهره جديد به همراه بردار وزن آن مي تواند به کتابخانه چهره اضافه شود تا بعدا مورد استفاده قرار گيرد (يادگيري براي تشخيص).

شناسايي چهره
سيستم بازشناسي چهره، مردم را از روي چهره شان شناسايي مي کند. برخلاف سيستم ها سنتي شناسايي، سيستم بازشناسي چهره يک فرد قابل قبول را از چهره اش انتخاب مي کند و نه از روي بررسي يک شماره شناسايي معتبر يا يک کليد يا از روي شناسه و رمز عبور. مزاياي امنيتي استفاده از چنين امکانات بيومتريکي براي چک کردن هويت و شناسايي فرد به شرح زير است. اين روش عدم کاربردي بودن گم شدن يا دزديده شدن کارت هاي شناسايي را برطرف کرده است. احتمال خطاي وارد کردن رمزهاي عددي را کاهش داده است. در موقعيت هايي که کنترل دسترسي به ساختمان يا اتاقي به صورت خودکار است، ناظر يا اپراتور مي تواند از مزاياي اين روش استفاده کند. سيستم هاي بازشناسي چهره امروزه استفاده هاي فراواني را به خود اختصاص داده است.

کنترل دسترسي

در بسياري از سيستم هاي کنترل دسترسي، مانند دسترسي آفيس يا ورود به رايانه، تعداد افرادي که قرار است شناسايي شوند بسيار اندک و محدود است. تصاوير چهره ها نيز تحت شرايط خاصي گرفته مي شود. سيستم هاي مبتني بر بازشناسي چهره در اين گونه کاربردها مي تواند بدون همکاري زيادي از طرف کاربر دقت بالايي در عملکرد خود داشته باشند. براي مثال، نيازي به لمس کردن شيء با انگشت يا کف دست يا حضور چشم روبروي يک شناساگر براي شناسايي فرد نيست. زماني که اين روش با ديگر روش ها تعيين هويت مانند تعيين اثر انگشت يا تشخيص چشم تلفيق مي شود، سيستم بازشناسي چهره مي تواند دقت بالاتري را کسب کند. اين گونه کاربردها امروزه توجه هاي زيادي را به خود جلب کرده است. (شکل 5)

امنيت

امروزه بيش از هر زمان ديگري، امنيت يکي از مهم ترين نگراني ها در فرودگاه ها و براي خطوط هواپيمايي و کارمندان و مسافران است. سيستم امنيت فرودگاه امروزه از سيستم و تکنولوژي بازشناسي چهره استفاده مي کند. شکل زير يک سيستم امنيتي ساده فرودگاه را نشان مي دهد که از سيستم شناسايي چهره کارمندان استفاده کرده است.
حتي اين امکان نيز وجود دارد که نور کنترل شده و جهت مناسب را به سيستم امنيتي اضافه کرد. در مجموع کارايي بيشتر اين سيستم هاي بازشناسي هنوز با رد کردن هويت هاي زيادي مواجه نشده است. رضايتمندي کاربران در اين نوع کاربردها نيز بعضا بسيار پايين است. (شکل 6)

سيستم هاي نظارتي
همانند سيستم هاي امنيتي در مکان هاي عمومي، سيستم هاي نظارتي نيز از سيستم هاي بازشناسي چهره استفاده مي کنند که مجددا سطح رضايت کاربران پايين است  (اگر پايين تر از سطح رضايت کاربران در سيستم هاي امنيتي نباشد) شرايط خارج از کنترل نور، جهت چهره ها و ديگر فاکتور هايي از اين قبيل سبب شده است که استفاده از سيستم هاي بازشناسي چهره در بحث نظارت چالش برانگيزتر شود.

کارت هاي هوشمند
کارت هوشمند يک ريزپردازنده تعبيه شده يا يک حافظه در درون خود دارد که قدرت محاسبه و پرداش را براي انجام بسياري از کارها فراهم مي کند. کارت هاي حافظه در ساده ترين حالت تنها اطلاعات را ذخيره مي کنند. يک کارت ريزپردازنده از سوي ديگر مي تواند اطلاعات را بر روي حافظه خودش ذخيره، حذف و يا تغيير دهد. همچنين يک کارت ريزپردازنده در درون خود يک سيستم با ويژگي هاي امنيتي نيز دارد. کارت هاي هوشمند بدون تماس شامل آنتن کوچک هستند که سبب مي شوند کارت خوان آن ها را از يک فاصله مشخص شناسايي کند و بخواند. قابليت قابل حمل بودن و قابل به روز رساني شدن، کارت هاي هوشمند را در سراسر جهان بسيار پر استفاده کرده است.
کاربرد تکنولوژي بازشناسي چهره در کارت هاي هوشمند، به صورت خلاصه يک ترکيب دوتايي است. کارت هاي هوشمند مي توانند ويژگي هاي رياضي چهره ها را در طول مرحله ثبت نام ذخيره کنند. ويژگي هاي ذخيره شده در طول مرحله شناسايي و تعيين هويت براي مقايسه با چهره تصوير برداري شده از عکس از روي کارت خوانده مي شوند. اگر اين مشخصات با مشخصات عکس تصوير برداري شده مطابقت داشت، فرد مي تواند ويژگي هاي جديد چهره اش را که از تصوير گرفته شده توليد شده است بر روي کارتش به روز رساني کند.

اجراي قانون
به وسيله يک برنامه بازيابي و بازشناسي چهره، کارآگاهان مي توانند يک مظنون را به سرعت پيدا کنند. تکنولوژي بازشناسي چهره يک قدرت مضاعف را به آژانس هاي اعمال قانون داده است تا بتوانند به سرعت و با استفاده از اطلاعات ناکاملي که از يک مظنون يا مجرم دارند، مشخصات کامل آن و هويتش را بازيابي کنند. با در نظر گرفتن سختي به دست آوردن يک تصوير با کيفيت مناسب از چهره مجرمان، کارايي سيستم مورد نظر کمي پايين خواهد بود. با اين وجود، بازشناسي خودکار چهره نقش بسيار مهمي را در کمک به سازمان هاي پليسي ايفا مي کند.
از ديگر کابردهاي بازشناسي چهره استفاده آن در سيستم هاي پايگاه داده چهره ها، سيستم هاي مديريت سيستم هاي چندرسانه و تعامل انسان و کامپيوتر است.

تشخيص چهره از راه دور
اغلب سيستم‌ها و الگوريتم‌هاي تشخيص چهره موجود، تنها زماني کارا است که سوژه  در فاصله چندين ده متري دوربين قرار گرفته باشد. افزايش فاصله مؤثر در سيستم‌هاي تشخيص چهره، دغدغه و نيروي محرکه جديدي در کاربردهاي  نظارتي است.  در سناريوهاي تشخيص چهره از دور، تصاوير چهره اغلب مات و محو خواهند بود، ممکن است تعداد پيکسل‌هاي کافي در محدوده چهره موجود  نباشد و  همچنين ممکن  است تنوع نورپردازي و ژست‌هاي فراواني داشته باشند  يا در  برابر اين  تصاوير  موانعي وجود داشته باشد. در سناريوهاي تشخيص  چهره از  دور، ثبت  نشانه‌هاي  صورت با کيفيت مناسب و کافي جهت انتقال به  موتور  تشخيص چهره خود  چالشي  بزرگ ‌محسوب‌مي‌شود. اين مشکل به خصوص زماني  که حسگر  و سوژه متحرک  باشند،  شديدتر خودنمايي مي‌کند. در چنين حالتي  ابتدا بايد  ويديو را تثبيت و  استوار  کرد تا بتوان چهره را پيش از تشخيص  ردگيري کرد.

تشخيص چهره مبتني بر ويديو
تشخيص چهره بر‌اساس ويديو يا VFR (VideoFace Recognition) مي‌تواند هويت فرد يا افرادي را که در يک ويديو وجود دارند بر پايه مشخصات چهره تعيين کند. روند معمول FVR روي يک ويديوي چهره مشخص، براي تشخيص چهره از خصوصيات مقطعي (موقتي) حرکت صورت در ترکيب با تغيير ظاهر فرد استفاده مي‌کند. اين روند به طور معمول شامل توصيف مقطعي صورت براي تشخيص، ساخت يک مدل سه بعدي با تفکيک‌پذيري فوق‌العاده بالا [سوپر رزولوشن تکنيکي براي افزايش دقت تصوير است] از چهره يا يادگيري ساده تغييرات ظاهر شخص از روي فريم‌هاي مختلف ويديو است.

فاکتورهاي عمومي‌سازي سيستم (تعميم)
قابليت تعميم سيستم براي وضعيت‌هاي متفاوت است، نورپردازي و حالت چهره به ترکيب انتخاب شده بستگي دارد. VFR به طور معمول در سناريوهاي نظارتي کاربرد  دارد که در آن‌ها ممکن است شرايط تهيه يک فريم مناسب از چهره، که شرط  اصلي و غالب روش‌هاي مبتني بر تصوير ثابت است وجود نداشته باشد. يک سيستم VFR به طور معمول خوراک‌هاي ويديويي خود را از يک يا چند دوربين دريافت مي‌کند، چهره را از داده‌هاي ورودي تفکيک و ردگيري کرده و نمونه‌هايي را براي توصيف خصوصيات چهره‌هاي موجود در ويديو استخراج مي‌کند. در نهايت اين نمونه‌ها با نمونه‌هاي ثبت‌شده سوژه‌ها در پايگاه داده سيستم مقايسه مي‌شود. اين مرحله‌ها فاز مرحله آزمايش سيستم را تشکيل مي‌دهند.
در طي روند ثبت نام يا آموزش سيستم، ترتيبي از مراحل مشابه روي چندين  ويديوي متفاوت از هر شخص، تکرار خواهد شد. سپس محققان نمونه ترکيبي مرتبط  به هر فرد را در پايگاه داده سيستم ذخيره مي‌کنند. تفاوت روش‌هاي مختلف VFR در  نمونه‌هايي است که هريک براي توصيف چهره‌هاي متحرک استفاده  مي‌کنند. يک سيستم ايده‌آل VFR تمام اين مراحل را بدون مداخله انسان  انجام خواهد داد.

ترکيب اطلاعات
يکي از بزرگ‌ترين چالش‌هاي پيش‌روي سيستم‌هاي VFR نياز به استفاده مؤثر از اطلاعات- هم فضايي و هم‌زماني- موجود در يک ويديو و ترکيب آن‌ها براي عمومي‌سازي (Generalization) بهتر هر سوژه و همچنين درک تمايز بين سوژه‌هاي مختلف جهت بهبود قابليت تشخيص هويت است. طرح‌هاي ارائه شده براي استفاده و ترکيب اطلاعات مي‌توانند شامل گستره وسيعي از حالت‌ها مانند انتخاب ساده فريم‌هاي مناسب که محققان بعدها آن ‌را در سيستم‌هاي تشخيص هويت مبتني بر تصاوير ثابت به کار مي‌برند تا تخمين ساختار کامل سه‌بعدي چهره باشند که مورد آخر را مي‌توان براي عمومي‌سازي در شرايط مختلف نور، ژست و ساير پارامترها به‌کار برد.  انتخاب انجام‌شده به نيازهاي عملياتي سيستم بستگي کامل دارد. به عنوان  نمونه، در کاربردهاي نظارتي، دقت تصاوير چهره براي تخمين مناسب فرم چهره کافي نيست. بنابراين، استفاده از اين روش، قابليت تشخيص سيستم را کاهش  مي‌دهد. همچنين روش انتخاب تصويرهاي منفرد، نمي‌تواند عمومي‌سازي قيافه  را در مواجهه با  تغييرات ژست پياده کند و در نتيجه، به حالت‌هايي نيازدارد که ژست سوژه در ويديوي مورد نظر شباهت‌هايي با ويديو‌هاي ثبت شده داشته باشد.
بخش امنيت نيروي دريايي و ساير کاربردهاي امنيتي، به راهکارهاي قابل اعتمادي نياز دارند که بتواند توالي‌هاي ويديويي را استخراج کند.  تشخيص چهره مبتني بر ويديو، در طي نه سال اخير توجه زيادي را به خود جلب کرده است. در  مراحل اوليه توسعه، تحقيقات در زمينه VFR بايد با کمبود  داده‌هاي  ويديويي دست و پنجه نرم مي‌کرد.
در برنامه مسابقات بزرگ  بيومتريک چندگانه  که توسط   مؤسسه استاندارد و فناوري امريکا (NIST)  برگزار شد، نزديک به 4489 سکانس ويديويي براي توسعه و ارزيابي و امتيازبندي روش‌هاي تطابق ويديو به ويديو در اختيار شرکت کنندگان قرار گرفت. براي هرچه مؤثرتر‌شدن چنين اقداماتي، اين مشکلات بايد حل شوند: ردگيري و نرمال‌سازي ژست چهره‌هاي متحرک به صورت بي‌درنگ، نرمال‌سازي نورپردازي، جبران کيفيت  پايين تصاوير چهره با تکيه بر تکنيک‌هاي افزايش کيفيت و ردگيري و تشخيص همزمان. همچنين الگوريتم‌هاي داراي قابليت سازگاري با تصاوير چندين گالري و  سکانس‌هاي  کاوش  ويديويي بايد توسعه داده شوند.

تشخيص چهره در شبکه دوربين‌ها

شبکه‌هاي چنددوربيني به راه‌حل‌هايي بسيار معمول براي کاربردهاي نظارتي مقياس وسيع تبديل شده‌اند. در اختيار داشتن شبکه‌اي از دوربين‌ها که بتواند تصاوير متعددي از چهره افراد تهيه کند، به توسعه‌دهندگان کمک خواهد کرد تا با روش‌هاي قدرتمندتري به توصيف چهره بپردازند. چنين وضعيتي اين احتمال را که تصوير فردي با ژستي  از رو‌به‌رو يا تقريبا از رو‌به‌رو ثبت شود، نيز افزايش خواهد داد. اما براي استفاده از اطلاعات اين ديدهاي مختلف، بايد بتوان وضعيت سر فرد را برآورد کرد. اين کار مي‌تواند به صورت صريح و از طريق محاسبه و تبديل ژست واقعي فرد به يک حالت تخميني قابل قبول انجام شود يا به صورت ضمني و از طريق يک الگوريتم انتخاب ديد انجام پذيرد. (شکل 7)
اما  تعيين  وضعيت دقيق سر سوژه به خصوص زماني که کيفيت تصاوير پايين باشد يا کاليبراسيون هر دو دوربين داخلي و خارجي از دقت کافي جهت ترکيب مناسب چند ديد مختلف برخوردار نباشد، بسيار مشکل خواهد بود. اين مشکل زماني که سوژه در فاصله دوري از دوربين‌ها قرار دارد نيز وجود خواهد داشت. همچنين مشکلات ديگري نظير ردگيري در چند ديد مختلف، ارائه و تفسير مناسب از تصاوير چهره چند ديدي و تشخيص چهره چند ديدي هم در انتظار راه حل به سر مي‌برند و در نهايت اين موضوع ‌که آيا الگوريتم‌هاي مورد نياز بايد متمرکز يا توزيع‌شده باشند، خود مسئله حياتي ديگري است.

منابع
[1]. www.up.medrik.net
[2]. www.robabnaz22.persianblog.ir
3- محمدصادق علي اکبريان، سيستم بازشناسي چهره از ديدگاه الگوشناسي آماري، سمينار درس شناسايي آماري الگو، دانشگاه صنعتي اصفهان، دانشکده برق و کامپيوتر-گروه هوش مصنوعي. سال 1392.