تشخیص چهره

//تشخیص چهره

تشخیص چهره


تشخیص چهره: انسان يا کامپیوتر (قسمت اول)

تحقیق در زمینه تشخیص چهره فرصت‌های مطالعاتی را فراهم می‌آورد که دانشمندان و مهندسان را برای چند سال آینده به چالش خواهد کشید. به عنوان نمونه، ایجاد یک سیستم تشخیص چهره قدرتمند می‌تواند در پروژه‌های مرتبط با امنیت ملی، تعامل انسان و کامپیوتر و بسیاری از موارد دیگر به کار برده شود. اين مطلب يكي از مقالات بخش ويژه نشريه ماهنامه شبكه در شماره 116 با عنوان امنيت بيومتريك مي‌باشد. جهت دريافت اين بخش ويژه به بخش پرونده‌هاي ويژه سايت مراجعه نمائيد.
تحقیقات درباره چگونگی درک چهره توسط انسان، یافته‌های جالب فراوانی را در پی داشته است که مي‌تواند در طراحی سیستم‌های کاربردی و عملی، كمك مفيدي باشد1. کارایی تشخیص چهره علاوه بر کاربردهای مرتبط با تعیین و مقایسه هویت نظیر کنترل دسترسی، امور قضایی، صدور مجوزها و مدارک هویتی و نظارت در زمینه‌هایی نظیر تعامل انسان و کامپیوتر، واقعیت مجازی، بازیابی اطلاعات از پایگاه‌های داده، مالتی مدیا و سرگرمی‌های کامپیوتری نیز به اثبات رسیده است(2-4). شکل 1 شمای کلی یک سیستم معمول تشخیص چهره را نشان می‌دهد که شامل سه بخش اساسی کشف چهره (Face Detection)، استخراج الگوها (Feature Extraction) و تشخیص چهره (Face Recognition) است.

شكل 1- نمای کلی سیستم‌های تشخیص چهره، که شامل سه بخش اساسی کشف چهره، استخراج الگو و تشخیص چهره است.

مانند هر مسئله تشخیص الگوی دیگری، تفاوت الگوی ناشی از نورپردازی، ژست، قیافه و… در واحد استخراج الگو، با تبدیل الگوها به حالت‌های یکنواخت و مقاوم در برابر تغییر یا با تعیین قوانینی برای این واحد که در تمام حالت‌ها قابل استفاده باشند، مدیریت می‌شوند. در طراحی سیستم‌های تشخیص چهره دست‌كم سه وظیفه مهم سیستم را همواره باید در نظر داشت:
مقایسه: در این حالت سیستم تعیین می‌کند که آیا شخصی که از او تصوير‌برداری شده با هویت مورد ادعا مطابقت دارد یا خیر.
تشخیص هویت: سیستم هویت یک فرد را از روی تصویر چهره تعیین می‌کند.
کنترل فهرست مراقبت: سیستم از روی تصویر چهره تعیین می‌کند که آیا فرد مورد نظر در فهرست وجود دارد یا خیر و اگر وجود دارد هویت او را مشخص می‌کند.
شكل 2 این سه عملکرد را نمایش می‌دهد. دشواری کار و دقت سیستم در حالت‌های تشخیص هویت و فهرست مراقبت به اندازه پایگاه داده یا فهرست مراقبت بستگی دارد.

شكل 2- این دیاگرام ساختار سه وظیفه اساسی تشخیص چهره مقایسه، کنترل فهرست مراقبت و تشخیص هویت را نشان می‌دهد.

چرا تشخیص چهره دشوار است

شرایط ثبت تصویر نظیر وضعیت چهره نسبت به دوربین، نورپردازی، حالت‌های چهره و تعداد پیکسل‌ها در ناحیه چهره و همچنین روند طبیعی پیر شدن انسان می‌تواند تغییرات زیادی را بر تصویر چهره انسان تحمیل کند. تغییرات دیگری هم ممکن است از طریق تغییر قیافه، پوشش‌هایی نظیر کلاه یا عینک آفتابی و موی صورت به وجود آید. همچنين روند پیری در برخی افراد باعث افزایش یا کاهش وزن می‌شود که خود بعد جدیدی بر تنوع و حالت‌های مختلف چهره انسان می‌افزاید. همان‌گونه که شكل 3 نشان می‌دهد، حتی وقتی بر سوژه واحدی تمرکز می‌کنیم، دامنه تنوع تصاویر چهره بسیار وسیع خواهد بود. چالش اصلی سیستم‌های تشخیص چهره، تعیین هویت یک فرد در عين وجود تمام این تنوع‌ها و تفاوت‌ها است.

درک چهره

از آنجا كه انسان در تشخیص چهره مهارت فوق‌العاده‌ای از خود نشان می‌دهد، طراحان سیستم‌های تشخیص چهره باید از فاکتورهای تأثیرگذار در ادراک چهره توسط انسان آگاهي داشته باشند. انجام پژوهش‌های گسترده در این زمینه به مدت دست‌كم سه دهه‌1، یافته‌هايي اساسی را به ارمغان آورده که می‌توان آن‌ها را به پنج دسته تقسیم کرد:

تشخیص

انسان‌ها می‌توانند قیافه‌های آشنا را حتی در تصاویر با کیفیت بسیار پایین تشخیص دهند که این قابلیت بخشی از توانایی تحلیل فضایی انسان است. قابلیت تحمل تغییر و تبدیل چهره با افزایش میزان آشنایی افزایش می‌یابد، اما اطلاعات با فرکانس بالا (تکرار شونده و مداوم) به تنهایی برای انجام یک تشخیص چهره خوب کافی نیست.

جزء به جزء در برابر کلی

در حالی‌که طبیعت فرآیند تشخیص چهره توسط انسان، جزء به جزء است، اما الگوهای چهره به صورت کلی مورد بررسی قرار می‌گیرند. از میان تمام مشخصات و الگوهای چهره، ابروها یکی از مهم‌ترین عوامل تشخیص هستند. به نظر می‌رسد تناسبات شکلی و فرمی نیز در جهت‌های طولی و عرضی مستقل باشند.

نگاه به ابروها

در میان خصوصیات و الگوهای مختلف چهره، ابروها به لحاظ اهمیت در هنگام تشخیص چهره با چشم‌ها قابل مقایسه‌اند‌1. برای تشریح اهمیت ابروها در تشخیص چهره دلایل متعددی وجود دارد.نخست به نظر می‌رسد ابروها در انتقال احساسات و سایر علائم غیرکلامی بسیار مهم هستند. چون بخش تصویری سیستم ممکن است از قبل برای کنترل ابروها جهت تشخیص و تفسیر این علائم برنامه‌ریزی شده باشد، این برنامه‌ریزی می‌تواند برای استفاده در عملیات تشخیص چهره نیز گسترش یابد. دوم به دلایل متعدد، ابروها می‌توانند یکی از خصوصیات یا الگوهای پایدار چهره باشند. چون ابروها به طور عادی از مشخصه‌های به نسبت بزرگ و با کنتراست صورت هستند می‌توانند در برابر تغییرات ناشی از کاهش کیفیت تصویر صورت پایدار بمانند. همچنين از آنجا كه ابروها روی یک برآمدگی (برجستگی که حدقه چشم را از پیشانی جدا می‌کند) قرار دارند، به نسبت سایر اجزاي صورت کمتر تحت تأثیر تغییرات نورپردازی و سایه‌ها قرار می‌گیرند.

طبیعت نشانه‌ها

به نظر می‌رسد فرم چهره به شیوه‌ای کاریکاتور گونه که بر رنگ‌بندی، فرم و حرکت تمرکز دارد، کدگذاری می‌شود. تماشاي طولانی مدت يك چهره می‌تواند به آثار جانبی سطح بالای متعددی منجر شود که ممکن است به سادگی تغییر یک چهره با شكلي متضاد با چهره اولیه یا به پیچیدگی یک ضدچهره با هویتی مشخص و بدون تغییر شکل مشخصي باشد و در نتیجه، امکان کدگذاری بر‌اساس نمونه را به ذهن متبادر می‌کند. نشانه‌های رنگ بندی دست‌كم به اندازه سایر نشانه‌ها مهم هستند. نشانه‌های رنگی به خصوص زمانی که نشانه‌های فرمی کیفیت مناسبی ندارند، نقش مهمی را بر عهده دارند، درحالی‌که وارونگي حاصل از قطبیدگی نور، به احتمال به علت ناتوانی سيستم در استفاده از نشانه‌های رنگی، به شدت کارایی سیستم تشخیص چهره را کاهش می‌دهد.

رشد تصاعدی

سیستم بصری انسان با ترجیح ابتدایی برای تشخیص الگوهای شبیه صورت شروع به کار می‌کند. در ادامه و در چند سال نخست زندگی، سیستم از حالت تشخیص تکه تکه به راهکار کلی‌نگری ارتقا می‌یابد.

پشتوانه‌های عصبی

به نظر می‌رسد، سیستم بینایی انسان پاره‌ای منابع عصبی متخصص را به ادراک چهره اختصاص می‌دهد. مدت زمان پاسخ‌گویی به چهره‌ها (شناخت چهره) در ناحیه اینفروتمپورال کورتکس (Infero-temporal cortex) 120میلی‌ثانیه است که نشان دهنده نوعی پردازش بازخورد به جلو [feed-forward: نوعی سیستم تشخیص لایه‌ای که خروجی هر لایه به لایه بعدی منتقل می‌شود، نه به لایه‌هاي قبلی. بنابراین، فاقد حلقه بازخورد است] است. به احتمال فرآیندهای تشخیص چهره و درک حالت چهره توسط سیستم‌های متفاوتی انجام می‌شود.


تشخیص چهره: انسان يا کامپیوتر (قسمت دوم)

تحقیق در زمینه تشخیص چهره فرصت‌های مطالعاتی را فراهم می‌آورد که دانشمندان و مهندسان را برای چند سال آینده به چالش خواهد کشید. به عنوان نمونه، ایجاد یک سیستم تشخیص چهره قدرتمند می‌تواند در پروژه‌های مرتبط با امنیت ملی، تعامل انسان و کامپیوتر و بسیاری از موارد دیگر به کار برده شود. اين مطلب يكي از مقالات بخش ويژه نشريه ماهنامه شبكه در شماره 116 با عنوان امنيت بيومتريك مي‌باشد. جهت دريافت اين بخش ويژه به بخش پرونده‌هاي ويژه سايت مراجعه نمائيد.

آیا کامپیوترها بهتر از انسان‌ها هستند؟

مطالعات اخیر نشان داده، کامپیوترها در زمینه تشخیص چهره از روی تصاویر ثابت چهره گرفته شده است از رو‌به‌رو و با نورپردازی‌های متفاوت می‌توانند انسان را مغلوب کنند‌1. این نتیجه تا چه حد عمومیت دارد؟ انسان در زمینه شناختن چهره‌های آشنا بسیار موفق‌تر است، اما ما در مورد توانایی‌هایمان در شناخت چهره‌های نا آشنا کمی زیاده‌روی کرده‌ایم. در عین حال حتی زمانی که با تشخیص چهره افراد نا ‌آشنا مواجه باشیم، انسان‌ها قوی‌ترین سیستم تشخیص چهره ممکن را در اختیار دارند. سیستم تشخیص چهره انسان بسیار بهتر از نمونه‌های کامپیوتری می‌تواند با ترکیبات مختلف ژست، نورپردازی، تار شدن و کاهش کیفیت تصویر هماهنگ شود.
در یک ویدیو با کیفیت پایین، انسان‌ها به طور ذاتي الگوهای زمانی و بدنی را با هم ترکیب می‌کنند. کاری که محققان پیش‌رو فعلی تازه متوجه آن شده‌اند. یکی از کارهای اخیر نشان داده که ترکیب انسان و کامپیوتر می‌تواند به تولید یک سیستم تشخیص چهره تقریباً کامل منجر شود (مقاله «ترکیب انسان و الگوریتم‌های مقایسه چهره»، نوشته اِي. جي. اُتول و ديگران، مجله IEEE Trans ويژه‌نامه سيستم‌ها، انسان و سايبرنتيك سال 2007.

شكل 3 – حالت‌هاي متنوع چهره يك شخص واحد

بررسی جديدترين فناوري‌ها

گام نخست در هر سیستم تشخیص چهره خودکار، کشف صورت در یک تصویر است.

کشف صورت

هنگامی که صورت تشخیص داده شد، بخش استخراج الگو اطلاعاتی را به دست می‌دهد که می‌تواند به یک سیستم طبقه‌بندی چهره منتقل شود. با توجه به نوع سیستم طبقه‌بندی، این خصوصیات و الگوها می‌توانند شامل مشخصات موضعی مانند بافت و نقاط ثابت یا از اجزای چهره مانند چشم و بینی و دهان باشند5.
یکی از پرکاربردترین و قوی‌ترین الگوریتم‌های تشخیص چهره توسط بل‌ویولا و مایکل جونز6 طراحی شده است. آن‌ها برای تشخیص اشیا، شیوه‌ای مبتنی بر یادگیری ماشینی را معرفی‌کردند که در آن از طریق ترکیب تعداد زیادی یادگیرنده ضعیف، یک سیستم طبقه‌بندی‌کننده قوی آموزش داده می‌شود. برای مسئله‌ای که تنها نیازمند دو دسته است و با نمونه‌های تمرینی برچسب‌دار، یک الگوریتم یادگیری آدابوست (Adaboost يا Adaptive Boosting)، می‌تواند تعداد اندکی از مشخصه‌های بصری را انتخاب كند تا بیشترین دقت طبقه‌بندی فراهم شود.شكل 4 نمونه‌ای از عملکرد الگوریتم معمول کشف چهره و خصوصیت را نشان می‌دهد.

شكل 4- نمونه‌ای از سیستم کشف چهره و استخراج خصوصیات (شكل از هانکیو مون و همکاران؛ مقاله پردازش شكل، مجله IEEE Trans.، ويژه‌نامه پردازش تصوير شماره نوامبر 2002).

سال‌های نخست

در اواخر دهه هشتاد و اوایل دهه نود میلادی، استفاده از شیوه‌های متعلق به زیرشاخه تشخیص چهره ساکن (Still-Face) نظیر تحلیل اجزاي اصلی يا PCA (سرنامPrincipal Component Analysis)، تحلیل جداکننده‌های خطی يا LDA (سرنام Linear Discriminant Analysis) و روندی ساختار‌گرا به نام انطباق گراف الاستیک يا EGM (سرنامElastic Graph Matching) به تحقیقات در زمینه تشخیص چهره رونق بخشید. از آن زمان تحقیقات زیادی در زمینه توسعه و بهبود این الگوریتم‌ها صورت گرفته است. در آزمون فناوري تشخیص چهره FRET (سرنام Facial Recognition Technology) که در اواخر سال 1996 و اوایل 1997 روی الگوریتم‌های تشخیص چهره انجام شد7، بهترین کارایی مربوط به روش‌های LDA و EGM بود، یعنی الگوریتم‌هایی که از تحلیل‌های شبه فضای احتمالات مشتق شده بودند. مشکل‌ترین آزمون FRET تشخیص چهره فرد بر‌‌اساس تصاویری بود که با فاصله زمانی حداقل هجده ماهه گرفته‌شده‌بودند. جدول‌1 خلاصه نتایج سری آزمون‌های FRVT (سرنام Face Recognition Vendor Test) را نشان می‌دهد که از اوایل سال 2000 توسط انستیتوی ملی استاندارد و فناوري NIST (سرنام National Institute of Standard and Technology) آغاز شده است.

ژست، نورپردازی و حالت چهره

محققان توانسته‌اند مشکل تشخیص چهره در وضعیت‌های مختلف ژست، نورپردازی و حالت‌های مختلف PIE (سرنام Pose ,Illumination ,Expression) چهره را حل کنند. تلاش‌های قبلی شامل استفاده از روش بسط چهره آیگن [‌نسخه‌ای از تصویر چهره که معادلات ریاضی Eigenvector و Eigenspace بر آن اعمال شده است] می‌شد که در این روش فضاهای آیگن متفاوتی ایجاد شده و هریک از این فضاها اطلاعات متفاوتی از چهره را در زاویه‌های دید مختلف ثبت می‌کرد و برای حل مشکل تفاوت ژست‌ها، از ساخت یک مدل سه بعدی و استخراج نماهای دو بعدی برای هر ژست استفاده می‌شد. برای کنترل حالت‌های متفاوت ژست و نورپردازی، محققان مدل سه‌بعدی قابل تغییری8 را پیشنهاد کردند که در آن ترکیب خطی مجموعه‌ای از نمونه‌های چهره پارامترهای لازم را برای بافت و فرم چهره فراهم می‌کند. این پارامترها از طریق جفت کردن مدل سه‌بعدی روی تصویر ورودی تخمین زده می‌شوند.
به این ترتیب، شیوه مبتنی بر مدل سه‌بعدی قابل تغییر توانست در تشخیص تصاویر چهره‌ای که از روبه‌رو گرفته نشده بودند، نرخ تشخیص بالایی را از خود نشان دهد. حالت‌های فرعی زیادی از این شیوه با درجه‌های گوناگون موفقیت عرضه شده‌اند. اغلب این شیوه‌های مبتنی بر مدل سه‌بعدی، به محاسبات سنگین نیاز دارند و به طور معمول باید تعداد کمی از مشخصات و الگوها به صورت دستی انتخاب شوند. در کنار توسعه شیوه‌های مبتنی بر مدل سه‌بعدی قابل تغییر، روش‌هایی برای نرمال‌سازی نورپردازی باعث جلب توجه محققان عرصه بینایی کامپیوتری شد. تلاش‌های اولیه برای کاهش اثر نورپردازی شامل حذف تعداد کمی از نخستين مقادیر آیگن مربوط به بسط اجزاي اصلی صورت مي‌شده که این کار با استفاده ازسمت و جهت تغییر طیف رنگی به عنوان یک مشخصه یا ساخت یک زیر فضای نمونه با نام مخروط نورپردازی (Illumination Cone) برای ثبت تصویر شیء لامبرتی محدب انجام می‌شد. مدل‌های همسازهای کروی ابعاد پایین(Low-Dimensional Spherical Harmonics Representations) نیز برای تشخیص چهره در شرایط نوری متفاوت مؤثر شناخته شده‌اند. همچنین از طریق توسعه روش مبتنی بر مدل سه‌بعدی قابل تغییر، روش‌هايي پیشنهاد شده‌اند که می‌توانند الگویی از چهره را تولید کنند که نسبت به تغییرات نور ثابت باشد. پیشنهاد دیگر عبارت است از استفاده از محاسبه و ساخت یک تصویر خود تقسیمی که از طریق تقسیم تصویر اصلی بر کپی ملایم شده آن (کپی که در آن شدت تیره و روشن‌ها کاهش یافته است) به دست می‌آید و در نتیجه نسبت به تغییرات نورپردازی حساس نخواهد بود. این روش نوعی الگوریتم استریو فتومتریک عمومی است که امکان تغییر شکل‌های درون گروهی را فراهم می‌آورد. در تحقیقات جدیدتر، محققان الگوریتم فیلتر اتفاقی (Stochatic) و غیر‌ایستایی را توسعه داده‌اند که برای تخمین نقشه‌های بازتابی (Albedo) تشخیص چهره غیر حساس به نورپردازی استفاده مي‌شود. شكل 5 نمونه تخمین این نقشه‌ها و مدل‌های سه‌بعدی را از یک تصویر واحد نشان می‌دهد. اما بيشتر محققان بر این نکته توافق دارند که این روش‌ها نسبت به روش‌های زیر فضای آیگن و… در تشخیص چهره با نورپردازی‌های متفاوت، موفق‌تر عمل می‌کنند، اما همه آن‌ها روی مجموعه داده‌های کنترل شده نظیر مجموعه B در دانشگاه ییل یا مجموعه PIE جمع‌آوری شده در دانشگاه کارنگی ملون آزمایش شده‌اند. طراحی روش‌هایی که در برابر تغییرات نورپردازی در محیط‌های کنترل نشده مقاوم و قدرتمند باشند، هنوز مسئله‌ای حل نشده به شمار می‌رود. تحلیل و تشخیص حالت‌های چهره در تحقیقات مربوط به تعامل انسان و کامپیوتر بسیار مورد مطالعه قرار گرفته است9. هویت و حالت چهره ممکن است با سیستم‌های جداگانه‌ای پردازش شوند. برای تشخیص خودكار حالت‌های چهره روش‌های بسیاری موجود است كه اغلب آن‌ها برای حالت‌های کلی و مقیاس بالای چهره مانند شادی، عصبانیت، تعجب و ترس مؤثر هستند3. یکی از زمینه‌هایی که فعالیت تحقیقاتی در آن دنبال می‌شود و توسط برنامه تلویزیونی «به من دروغ بگو» (Lie to Me) به فرهنگ عامه مردم هم نفوذ کرده، تحلیل و تشخیص حالت‌های مقیاس کوچک چهره است.

شكل 5- نمونه‌های استخراج نقشه‌های بازتابی غیر حساس به نورپردازی و مدل‌های سه بعدی از روی تصاویری که از اینترنت دانلود شده‌اند. در هر ردیف، تصویر سمت چپ از اینترنت دانلود شده است. دو تصویر بعدی مدل سه بعدی بازسازی شده را از دو زاویه دید مختلف نشان می‌دهند. آخرین مجموعه تصاویر از طریق ترکیب تصاویر جدید حاصل از مدل سه بعدی بر اساس ژست‌های مختلف به دست آمده‌اند (از مجموعه تصاویر سوما بیسواز و سایرین (Soma Biswas et al) – مقاله هوش ماشینی و تحلیل الگو

تشخیص چهره: انسان يا کامپیوتر (قسمت سوم)


تشخیص چهره: انسان يا کامپیوتر (قسمت سوم)

تحقیق در زمینه تشخیص چهره فرصت‌های مطالعاتی را فراهم می‌آورد که دانشمندان و مهندسان را برای چند سال آینده به چالش خواهد کشید. به عنوان نمونه، ایجاد یک سیستم تشخیص چهره قدرتمند می‌تواند در پروژه‌های مرتبط با امنیت ملی، تعامل انسان و کامپیوتر و بسیاری از موارد دیگر به کار برده شود. اين مطلب يكي از مقالات بخش ويژه نشريه ماهنامه شبكه در شماره 116 با عنوان امنيت بيومتريك مي‌باشد. جهت دريافت اين بخش ويژه به بخش پرونده‌هاي ويژه سايت مراجعه نمائيد.

جدول 1- خلاصه ارزيابي‌هاي FVRT

تشخیص چهره طی روند پیری

یکی از جنبه‌های مشکل و ترسناک تشخیص چهره، یعنی «پیری» از این جهت چالش برانگیز است که باید تمام حالت‌های مختلف دیگر را نیز پوشش دهد. زمانی که تصاویر چهره فرد در فاصله‌هاي زمانی چندساله گرفته شوند، ژست، حالت چهره یا نورپردازی به سادگی ممکن است تغییر کند. همچنین خصوصیات بافت پوست نیز ممکن است در اثر آرایش، کاهش یا افزایش وزن، ریزش مو، استفاده از عینک و… نیز تغییر کند. تغییراتی که به واسطه پیری در چهره رخ می‌دهند، به فاکتورهای محیطی فراوانی نظیر تشعشع خورشیدی، دخانیات، مصرف داروها و میزان استرس وابسته هستند10. فاکتورهای بیولوژیکی و محیطی می‌توانند باعث تسریع یا تأخیر روند پیری شوند. پیری باعث بروز تغییراتی هم در بافت نرم و هم در بافت سخت صورت خواهد شد. از بین رفتن حالت الاستیک بافت صورت، تغییر حجم صورت و تغییر در بافت صورت نیز در اثر پیری رخ خواهد داد. روند پیری به شدت غیرقابل پیش‌بینی است، اما به نظر می‌رسد یک سری تغییرات وجود دارد که به یک الگوی ساده تصاعدی در طول زمان وابسته است.
همچنين جابه‌جایی در نشانه‌های چهره به خوبی تغییرات شکلی ناشی از افزایش سن را به‌خصوص در سنین دو تا هجده سال توصیف و مشخص خواهد کرد. برای سوژه‌های مسن‌تر، میزان تغییر در بافت صورت بیش از میزان تغییر فرم و شکل صورت است. تحقیقات پژوهشگران در زمینه‌های بینایی کامپیوتری و فیزیک-روان‌شناسی (Psychophysics) نیز به مطالعات ریخت شناسی چهره و تغییرات چهره در طول زمان کمک کرده است. روش‌های فیزیک-روان‌شناسی شامل بررسی و استنتاج منحنی تغییرات قابلیت کشسانی صورت و نتایج آن‌ها و همچنین تغییر در فرم و میزان چین و چروک‌های صورت و عمیق‌تر یا کم‌رنگ‌تر شدن آن‌ها است. محققانی که در زمینه بینایی کامپیوتری فعالیت می‌کنند روش‌های مختلفی را بر پایه زیرفضاها، مدل‌های سه بعدی و یادگیری ماشینی برای تشخیص چهره در طی روند پیری پیشنهاد داده‌اند11. شكل ‌6 نمونه‌هایی از نتایج پیش‌بینی قیافه بر اساس مدل رشد چهره-جمجمه را نشان می‌دهد.

شكل 6- نمونه‌هایی از نتایج پیش‌بینی قیافه بر اساس مدل رشد چهره-جمجمه را نشان می‌دهد11. ستون نخست تصاویر اصلی کودکان و دومین ستون، تغییرات تخمینی ناشی از رشد آن‌ها را نشان می‌دهد. ستون سوم قیافه پیش‌بینی شده توسط الگوریتم تغییر سن و ستون چهارم تصویر واقعی کودکان در سن مورد نظر را نشان می‌دهد.

تشخیص چهره بر‌اساس ویدیو

تشخیص چهره بر‌اساس ویدیو يا VFR (سرنام Video Face Recognition) می‌تواند هویت فرد یا افرادی را که در یک ویدیو وجود دارند بر پایه مشخصات چهره تعیین كند. روند معمول FVR روی یک ویدیوی چهره مشخص، برای تشخیص چهره از خصوصیات مقطعی (موقتی) حرکت صورت در ترکیب با تغییر ظاهر فرد استفاده می‌کند. این روند به طور معمول شامل توصیف مقطعی صورت برای تشخیص، ساخت یک مدل سه بعدی یا یک با تفكيك‌پذيري فوق‌العاده بالا [ سوپر رزولوشن تكنيكي براي افزايش دقت تصوير است] از چهره یا یادگیری ساده تغییرات ظاهر شخص از روی فریم‌های مختلف ویدیو است.

فاکتورهای عمومی‌سازی سیستم (تعمیم)

قابلیت تعمیم سیستم برای وضعیت‌های متفاوت است، نورپردازی و حالت چهره به ترکیب انتخاب شده بستگی دارد. VFR به طور معمول در سناریوهای نظارتی کاربرد دارد که در آن‌ها ممکن است شرایط تهیه یک فریم مناسب از چهره، که شرط اصلي و غالب روش‌های مبتنی بر تصویر ثابت است؛ وجود نداشته باشد. یک سیستم VFR به طور معمول خوراک‌های ویدیویی خود را از یک یا چند دوربین دریافت می‌کند، چهره را از داده‌های ورودی تفکیک و ردگیری کرده و نمونه‌هایی را برای توصیف خصوصیات چهره‌های موجود در ویدیو استخراج می‌كند. در نهایت این نمونه‌ها با نمونه‌های ثبت‌شده سوژه‌ها در پایگاه داده سیستم مقایسه می‌شود. این مرحله‌ها فاز مرحله آزمایش سیستم را تشکیل می‌دهند.
در طی روند ثبت نام یا آموزش سیستم، ترتیبی از مراحل مشابه روی چندین ویدیوی متفاوت از هر شخص، تکرار خواهد شد. سپس محققان نمونه ترکیبی مرتبط به هر فرد را در پایگاه داده سیستم ذخیره می‌کنند. تفاوت روش‌های مختلف VFR در نمونه‌هایی است که هریک برای توصیف چهره‌های متحرک استفاده مي‌كنند. یک سیستم ایده‌آل VFR تمام این مراحل را بدون مداخله انسان انجام خواهد داد.

ترکیب اطلاعات

یکی از بزرگ‌ترین چالش‌های پیش‌روی سیستم‌های VFR نیاز به استفاده مؤثر از اطلاعات- هم فضایی وهم‌زمانی- موجود در یک ویدیو و ترکیب آن‌ها برای عمومی‌سازی (Generalization) بهتر هر سوژه و همچنین درک تمایز بین سوژه‌های مختلف جهت بهبود قابلیت تشخیص هویت است. طرح‌های ارائه شده برای استفاده و ترکیب اطلاعات می‌توانند شامل گستره وسیعی از حالت‌ها مانند انتخاب ساده فریم‌های مناسب که محققان بعدها آن‌را در سیستم‌های تشخیص هویت مبتنی بر تصاویر ثابت به کار می‌برند تا تخمین ساختار کامل سه‌بعدی چهره باشند که مورد آخر را می‌توان برای عمومی‌سازی در شرایط مختلف نور، ژست و سایر پارامترها به‌کار برد. انتخاب انجام‌شده به نیازهای عملیاتی سیستم بستگی کامل دارد. به عنوان نمونه، در کاربردهای نظارتی، دقت تصاویر چهره برای تخمین مناسب فرم چهره کافی نیست. بنابراین، استفاده از این روش، قابلیت تشخیص سیستم را کاهش می‌دهد. همچنین روش انتخاب تصویرهای منفرد، نمی‌تواند عمومی‌سازی قیافه را در مواجهه با تغییرات ژست پیاده کند و در نتیجه، به حالت‌هایی نیازدارد که ژست سوژه در ویدیوی مورد نظر شباهت‌هایی با ویدیو‌های ثبت شده داشته باشد.

تشخیص چهره: انسان يا کامپیوتر (قسمت چهارم)


تشخیص چهره: انسان يا کامپیوتر (قسمت چهارم)

تحقیق در زمینه تشخیص چهره فرصت‌های مطالعاتی را فراهم می‌آورد که دانشمندان و مهندسان را برای چند سال آینده به چالش خواهد کشید. به عنوان نمونه، ایجاد یک سیستم تشخیص چهره قدرتمند می‌تواند در پروژه‌های مرتبط با امنیت ملی، تعامل انسان و کامپیوتر و بسیاری از موارد دیگر به کار برده شود. اين مطلب يكي از مقالات بخش ويژه نشريه ماهنامه شبكه در شماره 116 با عنوان امنيت بيومتريك مي‌باشد. جهت دريافت اين بخش ويژه به بخش پرونده‌هاي ويژه سايت مراجعه نمائيد.

مدل‌سازی خصوصیات چهره

مدل‌سازی مؤثر خصوصیات چهره هر سوژه از روی داده‌های ویدیویی، تنها زمانی امكان‌پذير می‌شود که تغییرات ظاهر چهره در طول مدت ویدیو را بتوان به درستی بر‌اساس فاکتورهای مختلف نظیر ژست، نور و حالت چهره دسته‌بندی كرد. برخلاف سناریوهای مبتنی بر تصویر ثابت، این تغییرات به طور ذاتی در سیستم‌های VFR وجود دارند و برای بهره‌برداری از اطلاعات افزوده موجود در داده‌های ویدیویی باید آن‌ها را نیز مدنظر قرار داد.
همچنين، با در نظر گرفتن طبیعت داده‌های ورودی، VFR معمولاً با مسئله «ردگیری» مواجه است که خود چالش بزرگی به شمار می‌آید. در بيشتر مواقع دقت ردگیری سیستم به در اختیار داشتن مدل قابل اعتمادی از قیافه و ظاهر بستگی دارد، اما نتایج تشخیص سیستم معمولاً به دقت تعیین محل چهره در ویدیوی ورودی بستگی دارد. محققان، سیستم‌های VFR موجود را بر‌اساس متد ترکیبی ردگیری و تشخیص طراحی کرده‌اند. این متد عبارت است از ترکیب یک الگوریتم تطابق گراف خصوصیات چهره در طول محور زمان با یک روش مبتنی بر مدل سه بعدی یا مدل‌های پنهان ماکاروف یا نمودار احتمالات تنوع ظاهری. جدول 2 خلاصه‌ای از روش‌های موجود را نشان می‌دهد.

جهت دهی تحقیقات آینده

اگرچه حجم عظیمی از سابقه‌هاي آزمایش و پژوهش در زمینه درک چهره توسط انسان وجود دارد، اما بسیاری از موارد اساسی هنوز حل نشده باقی مانده‌اند.

اطلاعات مربوط به پیکربندی

نخست ما باید دقیقاً تعیین کنیم که چه اطلاعاتی در رابطه با پیکره (شکل کلی) چهره برای تشخیص آن مهم است. در بيشتر تحقیقات سعی شده با تمرکز بر تفاوت بین روش‌های تشخیص چهره مبتنی بر خصوصیات چهره و روش‌های مبتنی بر پیکره چهره از این مسئله صرف نظر شود. به طور مشخص در این میان چیزی از کلیت چهره (Face Gestalt) اهمیت فوق‌العاده‌ای دارد، اما ما هنوز دقیقاً نمی‌دانیم که چگونه این مفهوم کلی را جمع‌بندی و مشخص کنیم. کدام یک از ابعاد و خصوصیات چهره می‌تواند در این سیستم نشانه‌گذاری به ما کمک کند؟

نقش آشنا بودن چهره

در وحله بعدي ما باید به این نتیجه برسیم که چگونه آشنا بودن چهره بر نحوه درک و تصور ما از چهره تأثیر می‌گذارد. فرآیند تشخیص چهره در انسان، می‌تواند با کاهش دقت تصویر افراد آشنا، بسیار بهتر از افرادی که فقط با آن‌ها آشنایی مختصری داریم، کنار بیاید. این امر ما را به این نتیجه می‌رساند که تصور درونی (ذهنی) ما از چهره افراد با افزایش میزان آشنایی، تغییرات زیادی را متحمل خواهد شد و در نتیجه سؤالات متعددی را پیش روی ما قرار خواهد داد. ماهیت این تغییرات چیست؟ آیا تغییر فرآیند کدگذاری از حالت مبتنی بر جزئیات به حالت کل گرا نتایج بهتری را فراهم خواهد آورد؟ چگونه می‌توان از این تغییرات برای افزایش قدرت و قابلیت سیستم در برابر تغییر شکل‌ها بهره برد؟

انتظارات از بالا به پایین

[در روش طراحی یا پردازش بالا به پایین، ابتدا شمای کلی طرح یا محصول ایجاد یا شناخته می‌شود، سپس مراحل بعدی بدون جزئیات توصیف شده و هرکدام جداگانه پردازش می‌شود. این روند تا رسیدن به جزئیات لازم ادامه می‌یابد. در روش پایین به بالا، از ابتدا تمام زیرسیستم‌های اولیه با جزئیات کافی طراحی و ساخته شده و از اتصال آن‌ها به یکدیگر سیستم سطح بالاتر ساخته می شود و این روند تا رسیدن به سیستم پیچیده نهایی ادامه می‌یابد].
سوم ما باید تصمیم بگیریم که انتظارات مدل بالا به پایین چه نقشی در سیستم تشخیص بازی خواهد کرد. به خاطر داشته باشید که زمان تأخیر نورون‌های انتخابی در تشخیص چهره انسانی، در ناحیه اینفروتمپورال کورتکس (Infero-Temporal Cortex) بیش از صد میلی ثانیه بود. با درنظر گرفتن ایده‌های معمول کدگذاری تناوبی [Rate Codingکه فرآیندی مربوط به واکنش نورون‌ها در برابر محرک‌های تکراری است] این تأخیر پایین ما را به این فکر می‌اندازد که شايد، فرآیند پردازش چهره ذاتاً باید به شدت مبتنی بر سیستم بازخورد به جلو (Feed Forward) باشد. در چنین صورتی، انتظارات و توقعات قبلی چگونه می‌تواند بر محاسبه هویت تأثیر بگذارد؟ همچنين، تحت چه شرایطی تأثیرات روش بالا به پایین می‌تواند به سیستم‌های تشخیص چهره معمول کمک کند؟ پاسخ به این سؤالات نه تنها نوید آشکار‌کردن فرآیند تشخیص چهره در مغز را با خود به همراه دارد، بلکه نشانه‌ها و راهنمایی‌هایی را برای توسعه راهبردهاي مؤثرتر و ارائه‌هایی مناسب کاربرد در سیستم‌های مبتنی بر بینایی کامپیوتری را نیز فراهم خواهد کرد.

تشخیص چهره از راه دور

اغلب سیستم‌ها و الگوریتم‌های تشخیص چهره موجود، تنها زمانی کارا هستند که سوژه در فاصله چندین ده متری دوربین قرار گرفته باشد. افزایش فاصله مؤثر در سیستم‌های تشخیص چهره، دغدغه و نیروی محرکه جدیدی در کاربردهای نظارتی است. در سناریوهای تشخیص چهره از دور، تصاویر چهره اغلب مات و محو خواهند بود، ممکن است تعداد پیکسل‌های کافی در محدوده چهره موجود نباشد و همچنین ممکن است تنوع نورپردازی و ژست‌های فراوانی داشته باشند یا در برابر این تصاویر موانعی وجود داشته باشد. در سناریوهای تشخیص چهره از دور، ثبت نشانه‌های صورت با کیفیت مناسب و کافی جهت انتقال به موتور تشخیص چهره خود چالشی بزرگ‌محسوب‌می‌شود. این مشکل به خصوص زمانی که حسگر و سوژه متحرک باشند، شدیدتر خودنمایی می‌کند. در چنین حالتی ابتدا باید ویدیو را تثبیت و استوار کرد تا بتوان چهره را پیش از تشخیص ردگیری کرد.

تشخیص چهره مبتنی بر ویدیو

بخش امنیت نیروی دریایی و سایر کاربردهای امنیتی، به راهکارهای قابل اعتمادی نیاز دارند که بتوانند توالی‌های ویدیویی را استخراج کنند. تشخیص چهره مبتنی بر ویدیو، در طی نه سال اخیر توجه زیادی را به خود جلب کرده است. در مراحل اولیه توسعه، تحقیقات در زمینه VFR باید با کمبود داده‌های ویدیویی دست و پنجه نرم می‌کرد. در برنامه مسابقات بزرگ بیومتریک چندگانه که توسط مؤسسه استاندارد و فناوري امریکا (NIST) برگزار شد(http://face.nist.gov/mbgc)، نزديك به 4489 سکانس ویدیویی برای توسعه و ارزیابی و امتیازبندی روش‌های تطابق ویدیو به ویدیو در اختیار شرکت کنندگان قرار گرفت. برای هرچه مؤثرتر‌شدن چنین اقداماتی، اين مشکلات باید حل شوند: ردگیری و نرمال‌سازی ژست چهره‌های متحرک به صورت بي‌درنگ، نرمال‌سازی نورپردازی، جبران کیفیت پایین تصاویر چهره با تکیه بر تکنیک‌های افزایش کیفیت و ردگیری و تشخیص همزمان. همچنین الگوریتم‌های دارای قابلیت سازگاری با تصاویر چندین گالری و سکانس‌های کاوش ویدیویی باید توسعه داده شوند.

تشخیص چهره در شبکه دوربین‌ها

شبکه‌های چنددوربینی به راه‌حل‌هایی بسیار معمول برای کاربردهای نظارتی مقیاس وسیع تبدیل شده‌اند. در اختیار داشتن شبکه‌ای از دوربین‌ها که بتواند تصاویر متعددی از چهره افراد تهیه کند، به توسعه‌دهندگان کمک خواهد کرد تا با روش‌های قدرتمندتری به توصیف چهره بپردازند. چنین وضعیتی اين احتمال را كه تصویر فردي با ژستی از رو‌به‌رو یا تقریباً از رو‌به‌رو ثبت شود، نیز افزایش خواهد داد. اما برای استفاده از اطلاعات این دیدهای مختلف، باید بتوانیم وضعیت سر فرد را برآورد کنیم. این کار می‌تواند به صورت صریح و از طریق محاسبه و تبدیل ژست واقعی فرد به یک حالت تخمینی قابل قبول انجام شود یا به صورت ضمنی و از طریق یک الگوریتم انتخاب دید انجام پذیرد. اما تعیین وضعیت دقیق سر سوژه به خصوص زمانی که کیفیت تصاویر پایین باشد یا کالیبراسیون هر دو دوربین داخلی و خارجی از دقت کافی جهت ترکیب مناسب چند دید مختلف برخوردار نباشد، بسیار مشکل خواهد بود. این مشکل زمانی که سوژه در فاصله دوری از دوربین‌ها قرار دارد نیز وجود خواهد داشت. همچنين مشکلات دیگری نظیر ردگیری در چند دید مختلف، ارائه و تفسیر مناسب از تصاویر چهره چند دیدی و تشخیص چهره چند دیدی هم در انتظار راه حل به سر می‌برند. و در نهايت اين موضوع ‌كه آيا الگوریتم‌های مورد نیاز باید متمرکز یا توزیع‌شده باشند، خود مسئله حیاتی دیگری است

تحقیق در زمینه تشخیص چهره فرصت‌های مطالعاتی را فراهم می‌آورد که دانشمندان و مهندسان را برای چند سال آینده به چالش خواهد کشید. به عنوان نمونه، ایجاد یک سیستم تشخیص چهره قدرتمند می‌تواند در پروژه‌های مرتبط با امنیت ملی، تعامل انسان و کامپیوتر و بسیاری از موارد دیگر به کار برده شود. اين مطلب يكي از مقالات بخش ويژه نشريه ماهنامه شبكه در شماره 116 با عنوان امنيت بيومتريك مي‌باشد. جهت دريافت اين بخش ويژه به بخش پرونده‌هاي ويژه سايت مراجعه نمائيد.

تشخیص چهره در وب 2

در چند سال گذشته، ماجول‌های تشخیص چهره به بسیاری از نرم‌افزارها نظیر، پیکاسای گوگل و iPhoto افزوده شده است. این ماجول‌ها برای تشخیص چهره‌های موجود در گالری تصاویر فرد یايك شبکه اجتماعي برنامه‌ریزی شده‌اند. آن‌ها همچنین امکان تصحیح چهره‌هایی را که اشتباه برچسب‌گذاری شده‌اند، نیز فراهم می‌کنند. بازخورد دریافتی از کاربران، به تشخیص سریع نقاط ضعف سیستم‌های خودکار تشخیص چهره و تعیین زمینه‌های نیازمند سرمایه‌گذاری تحقیقاتی کمک خواهد کرد. بسیاری از مشکلات موجود در شبکه‌های دوربینی چند‌دیدی، در وب 2 هم وجود خواهند داشت. اگرچه مواردی هم مختص این کاربری ویژه وجود دارد، نظیر الگوریتم‌های استنتاج با توانایی برچسب‌گذاری صحیح چهره‌ها در بین مخاطبان موجود در شبکه‌های همپوشان اجتماعی.

تشخیص چهره: آیا نوع پوست هم مهم است؟

رنگ و زمختی پوست می‌تواند از طریق استخراج رنگ‌بندی‌های پوست، خصوصیات شفافیت پوست و الگوهای ناهمواری سطحی؛ امکان دسته‌بندی سریع افراد را در گروه‌های سنی و نژادی مختلف فراهم کند. این خصوصیات می‌تواند به غربال کردن و کاهش تعداد نامزدهاي انطباق با نمونه موردنظر کمک کند.
خال‌ها، کک و مک و جراحات، خصوصیات موضعی پوست هستند که در صورت وجود و ماندگاری، نشانه‌های شناختی قدرتمندی را برای تشخیص چهره فراهم می‌کنند، زیرا امکان اين‌كه این نشانه‌های موضعی در افراد مختلف یکسان باشد، بسیار اندک است. اختلالات و موارد غیرعادی موجود در پوست، سطوح ماندگاری متفاوتی دارند. نشانه‌هایی نظیر خال‌ها و کک و مک معمولاً دائمی هستند، درحالی‌که اغلب خراش‌ها، جوش‌ها و قرمزی‌های پوست گذرا و ناپایدارند. اما چالش اساسی، اندیشیدن تمهیدی است برای فائق آمدن بر مشکل تنوع ظاهر پوست در اثر عواملی نظیر میزان گردش خون در پوست و تفاوت‌های نورپردازی.
زمختی و زبری پوست را می‌توان به دو بخش موضعی و سرتاسری تقسیم کرد. چروک‌های پیشانی و گوشه چشم، نمونه‌های زبری موضعی سطح پوست هستند. فاکتورهای سنی و سلامتی مختلف می‌توانند باعث ایجاد زبری و ناهمواری سرتاسری در بدن شوند که اغلب سطح وسیعی از صورت را نیز خواهد پوشاند. زبری سطح پوست، اغلب در تصاویر با کیفیت متوسط یا بالا قابل رؤیت است. مزیت این خصوصیات، ظاهر به نسبت پایدار و بدون تغییر آن‌ها در برابر فاکتورهای مزاحم نظیر تغییر حالت چهره، تغییر نورپردازی و وضعیت سر است.

تشخیص چهره در طی فرآیند پیری

الگوریتم‌های تخمین سن موجود، تنها برای تعیین سن در محدوده‌های چندین ساله استفاده مي‌شوند. ترکیب چهره مسن‌تر برای سوژه‌های بین دو تا هجده سال اغلب از طریق تغییرات شکلی تعیین می‌شود، در حالی‌که برای افراد بالغ، تغییرات شکل و بافت هردو اثرگذار بوده و در این میان تغییرات بافت به شدت مؤثرتر هستند. در یکی از تحقیقات اخیر11، محققان خلاصه گزارشی از شیوه‌های متفاوت ساخت تصویر مسن‌تر افراد بالغ ارائه کردند. یکی از این مدل‌ها مشتمل بر تغییرات شکلی و بافتی بود.
با درک اين‌كه تغییر خصوصیات الاستیک ماهیچه‌های صورت، عامل اصلی تغییر شکل صورت در طی روند پیری افراد بالغ است، محققان با استفاده از مدل‌های فیزیکی که عملکرد ماهیچه‌های متفاوت صورت را توصیف می‌کردند، مدل تغییر شکل چهره را ایجاد کردند. برخی از محققان11‌‌با طبقه بندی ماهیچه‌های صورت به یکی از دسته‌های خطی، صفحه‌ای و اسفنکتر، برای هر یک مدل تغییراتی را پیشنهاد کرده‌اند. آن‌ها این تغییر شکل‌ها و جابه‌جایی‌های خصوصیات چهره را از طریق ترکیب خطی مشاهده‌شده در هر یک از ماهیچه‌های صورت مدل‌سازی کرده‌اند.
مدل تغییرات بافت، به طور خاص برای توصیف چین و چروک‌های صورت در نواحی از پیش تعیین شده نظیر پیشانی و ناحیه لب‌ها و بینی طراحی شده است. شكل‌‌7 چیدمان ماهیچه‌های صورت و همچنین مدل فشاری پیش‌بینی شده برای هر یک از انواع ماهیچه‌ها را نشان می‌دهد. با این حال، هنوز کارایی این روش ترکیبی در تشخیص چهره طی فرآیند پیری باید مورد ارزیابی قرار گیرد. روش جایگزین دیگر، که بر مدل‌های شبیه‌ساز پیری تکیه ندارد، به سادگی جست‌وجو می‌کند که آیا دو صورت موجود که از لحاظ سنی متفاوت هستند، به یک فرد مربوط است یا خیر. برای کاربردی شدن این روش ما باید خصوصیات مستقل از سن صورت را استخراج کنیم.

شكل 7- تصويري از چيدمان ماهيچه‌هاي صورت به همراه مدل‌فشاري پيشنهادي براي هر يك. مدل تغييرات بافت به طور خاص براي تشخيص چين و چروك صورت در نواحي از پيش تعيين شده طراحي شده است.
تلاش‌های اخیر بیشتر به سمت سیستم‌های غیر تولیدی (Nongenerative) متمایل بوده‌ است. هدف آن‌ها استخراج معیارهایی برای اندازه‌گیری پیوستگی جابه‌جایی مشخصه‌های صورت در تصاویر سنین مختلف یک سوژه مشخص و سپس مقایسه آن با داده‌های چهره‌های سنین مختلف سوژه‌های متفاوت است. طراحی نحوه ارائه و قوانین تصمیم‌گیری مناسب برای تشخیص چهره طی فرآیند پیری، هنوز مسئله‌ای حل‌نشده محسوب می‌شود.

چهره و سایر خصوصیات بیومتریک

الگوریتم‌های تشخیص چهره برای تثبیت کارایی و قدرت، اغلب در ترکیب با سیستم‌های تشخیص اثرانگشت، عنبیه، گام و صدا به‌کار برده شده‌اند. این امر به زمینه پژوهشی جدیدی شده منجر است: سیستم‌های چندوضعیتی یا بیومتریک چندگانه. یکی از چالش‌های مهم ترکیب الگوریتم‌ها یا سیستم‌های بیومتریک، ساخت و طراحی روش‌های کارا و قدرتمند ترکیب است.در این زمینه به شدت از تئوری و طراحی‌های سیستم‌های طبقه‌بندی چندگانه استفاده شده است. اگرچه محققان نمونه‌های متعددی از ترکیب‌های چهره -انگشت، چهره-گام، چهره-صدا و چهره-عنبیه را طراحی کرده و توسعه داده‌اند، اما هنوز بیومتریک چندگانه که در آن چهره یکی از شاخصه‌های تشخیص هویت است، در دوران ابتدایی خود به سر می‌برد12.
ادامه تحقیقات در زمینه تشخیص چهره، پروژه‌های بسیار مهمی را در زمینه‌هایی نظیر امنیت ملی، تعامل انسان و کامپیوتر و بسیاری کاربردهای ساده دیگر، برای دانشمندان و مهندسان به ارمغان خواهد آورد. زمینه‌هایی که از دید ما قابل تعقیب هستند، عبارتند از: تشخیص چهره از طریق سکانس‌های ویدیویی غیر تحمیلی، ترکیب تأثیرات آشنا بودن چهره در الگوریتم‌ها، مدل‌سازی اثرات پیری و توسعه مدل‌های بیولوژیک احتمالی برای توانایی تشخیص چهره در انسان.

۱۳۹۲-۸-۱۷ ۱۲:۰۷:۱۶ +۰۳:۳۰آبان ۱۷ام, ۱۳۹۲|عمومی دسته بندی ها|برچسب ها:٪ s |۱ ديدگاه

يك ديدگاه

  1. فاطمه حسینی فروردین ۳۱, ۱۳۹۵ در ۶:۳۲ ب.ظ - پاسخ دادن

    با سلام
    در مطالب بالا نوشته شده ، شکل ۱ یا شکل ۲ریالولی هیچ شکل و تصویری وجود نداره پس این شکلا کجان لطفا مشخص کنید

ثبت ديدگاه

پرداخت

1-پرداخت آنلاین
برای پرداخت آنلاین از لینک زیر استفاده کنید
پرداخت آنلاین
2- پرداخت آفلاین
برای پرداخت آفلاین مبلغ مورد نظر را به یکی از شماره کارت
6037997245888723بانک ملی