چگونگی عملکرد دستگاه تشخیص چهره با ماسک

نانوتایم مدل XFace320

شیوع کرونا ویروس در یکسال گذشته، تاثیرات بسیاری بر روی سبک زندگی مردم تمام جهان گذاشته است. این تاثیر نه تنها بر روی کسب و کارها بوده است بلکه بر روی تکنولوژی های بکار گرفته شده در صنایع نیز نمود داشته است. یکی از صنایع مورد تاثیر از این ویروس، طراحی و ساخت دستگاه های حضور و غیاب و کنترل تردد است. در اوایل شیوع کرونا، به دلیل شائبه انتقال این ویروس از سطوح، اکثر مراکز و سازمان ها به منظور فراهم آوردن سطح ایمنی، اقدام به تعویض دستگاه های ساعت زنی اثر انگشتی و خرید دستگاه حضور غیاب تشخیص چهره نمودند. روش های احراز هویت بیومتریک بدون نیاز به تماس از جمله شناسایی چهره و عنبیه  از امن ترین روش ها می باشد. اما به دلیل مشکلاتی از جمله استفاده از ماسک که منجر به پنهان شدن بخش زیادی ازچهره زیر پوشش ماسک می شد، دستگاه های شناسایی چهره را دچار مشکل نموده و این دستگاه ها را ناکارآمد کرده است.

اما همچنان مشکلاتی بر سر راه استفاده از این دستگاه ها وجود داشت، بخصوص در محل های پر تردد و مراکز درمانی بهداشتی که همچنان ریسک ابتلا به بیماری با برداشتن ماسک زیاد بود. اما دنیای تکنولوژی به دنبال سازگاری با شرایط حاکم بر دنیا می باشد و به همین دلیل اقدام به تولید دستگاه های حضور و غیاب تشخیص چهره نموده که با بهرمندی از هوش مصنوعی امکان تشخیص چهره با ماسک را نیز فراهم می آورد.

احراز هویت با ماسک به عنوان یک راهکار اجرایی و بهداشتی در مقابله با ویروس کرونا و سایر ویروس های ناشناخته می باشد. در ادامه قصد داریم تکنولوژی مورد استفاده در دستگاه های حضور و غیاب تشخیص چهره با ماسک را معرفی کنیم. دستگاه حضور و غیاب تشخیص چهره با ماسک مدل xf100 یکی از انواع دستگاه های برند نانوتایم با قابلیت تشخیص چهره با ماسک است.

چگونگی شناسایی چهره با ماسک

قبل از آشنایی با الگوریتم شناسایی چهره با ماسک ابتدا باید با مفاهیم یادگیری ماشین(Machine learning) و یادگیری عمیق (deep learning) آشنا شویم.

یادگیری ماشین (Machine learning) چیست؟

در یادگیری ماشین سعی بر این خواهد بود که با تکرار یک عمل به ماشین (کامپیوتر) آموزش دهیم تا کار خاصی رو انجام دهد. این کار همانند آموزش به یک کودک می باشد. به عنوان مثال تعداد خیلی زیادی عکس چهره با ماسک و تعداد خیلی زیادی عکس چهره بدون ماسک (این تصاویر می تواند در فضاهای مختلفی گرفته شده باشد،  به عنوان مثال تصویر چهره  با ماسک و بدون ماسک در پارک، فرودگاه …) سپس یک مدل (الگوریتم) طراحی می کنیم و به کامپیوتر تک تک تصاویر را به صورت کامل نشان می دهیم. نهایتا بعد ازاینکار امکان تمایز چهره بدون ماسک و با ماسک برای کامپیوتر فراهم می شود. و به این ترتیب در صورت ارائه عکس جدید به سیستم کامپیوتری امکان تشخیص چهره فرد با ماسک و بدون ماسک فراهم می شود. آموزش دادن یک مدل یا همون training یک مدل را میتوان بصورت یک فرآیند یادگیری دید که مدل ما همونطور که در بالا توضیح دادیم قدم به قدم با داده جدید و نا آشنا مواجه می شود و در هر گام یکسری پیش بینی هایی را انجام میدهد. به این ترتیب که مثلا عکس چهره با ماسک هست یا خیر، سپس نتیجه پیش بینی را دریافت میکند تا بداند تا چه میزان این پیش بینی صحیح انجام شده است.

نتیجه پیش بینی که بصورت یه بازخورد به مدل ارائه می شود، در قالب یک خطا بر اساس یه اندازه ای ارائه شده و این اندازه میتونه شامل چیزای مختلفی باشد. اما معمولا فاصله بین پاسخ صحیح و پاسخ غلط هست. در واقع فرآیند یادگیری ماشین یک فرآیند رفت و برگشتی است.

به این معنی که اگر ما بخواهیم نتیجه یک پیش بینی که غلط بوده را درست کنیم، نیاز به تغییر یک یا چندین پارامترها را خواهیم داشت. در این صورت ممکن است سیستم نتیجه یک پیش بینی راکه قبلا درست پیش بینی کرده بوده است را اشتباه پیش بینی کند. برای همین معمولا یک مدل رو برای تعداد زیادی داده تکرار می کنیم تا به کارایی خوبی برسیم. این فرآیند پیش بینی و تنظیم سیستم آنقدر تکرار می شود تا مدل را به مدل بهتری نتوان تبدیل کرد.

در اینجا مفهوم مهندسی ویژگی اهمیت پیدا می کند مهندسی ویژگی یعنی استخراج الگوهای مناسب از داده ها که به مدلهای یادگیری ماشین کمک می کند تا راحت تر بین دسته ها یا کلاسهای موجود مختلف در داده ها تمایز قائل شوند. یعنی اینکه شما سعی کنید  در داده هایی که دارید یک سری الگوی مشترک پیدا کنید و بعد از همون الگوها برای دسته بندی و یا انجام کار خاصی روی آن داده ها استفاده کنید.

یادگیری عمیق چیست؟

همانطور که گفته شد ما در مهندسی ویژگی نیازمند الگوریتم هایی هستیم که به طور خودکار بتوانند الگوهای مشترک در داده را تشخیص داده و آنها را استخراج کنند.

در اینجا مفهوم یادگیری عمیق (deep learning) در رابطه با تشخیص چهره و شناسایی چهره مطرح می شود، در یادگیری عمیق روش های مختلفی داریم یکی از این روش ها استفاده از شبکه های عصبی کانولوشن هست. اساس کار این شبکه ،لایه کانولوشن می باشد. لایه های کانولوشنی (convolutional layers) در پیدا کردن ویژگی های موجود در تصاویر خیلی خوب عمل کرده و اگه تعدادی از این لایه ها رو پشت سر هم قرار بدیم بطور حیرت آوری، سلسله مراتبی از ویژگی های غیر خطی بدست خواهیم آورد.

مثلا برای تشخیص ویژگی های چهره یعنی در لایه های ابتدایی مثلا گوشه ها، خط ها و لبه ها و بعد از اون به ترتیب ویژگی های سطح بالاتر در نظر گرفته می شوند. به عنوان مثال اگر تصویر ورودی ما تصویر یک صورت باشد ویژگی هایی مثل بینی، چشم ها، گونه ها و صورت در لایه های بعدی (بالاتر) در نظر گرفته شده و سپس لایه های نهایی از این ویژگی های تولید شده برای دسته بندی ویژگی های مشترک در داده ها استفاده می شوند.

جدیدترین و پیشرفته ترین روش های تشخیص صورت با ماسک، با استفاده از یادگیری عمیق (deep learning) طراحی شده است. از معروف ترین الگوریتم های پیشرفته تشخیص شی در یادگیری عمیق می توان به:  YOLO v3،YOLO V4  و R-CNN سریع اشاره کرد.

سه الگورتیم فوق قابلیت شناسایی شخص با ماسک و بدون ماسک را دارا است. این الگوریتم ها به گونه ای طراحی شده است که قابلیت شناسایی افراد حتی در حین حرکت را نیز دارا می باشد. در این روش ها با قرار گرفتن کادر سبز در اطراف چهره با ماسک و کادر قرمز در اطراف چهره های بدون ماسک، چهره تشخیص و سپس با داده های پایگاه داده مورد تطبیق قرار می دهد و احراز هویت فرد انجام می شود.

قابلیت تشخیص زنده چیست؟ (What is live facial recognition)

از دیگر تکنولوژی های بکار رفته در دستگاه های کنترل تردد LFR یا همان تشخیص چهره زنده می باشد. این تکنولوژی شرایطی را فراهم می آورد تا اگر چندین نفر به طور همزمان در مقابل دستگاه قرار دارند، تشخیص چهره به صورت خودکار انجام شود و تطابق بین تصویر ایستاده در مقابل دستگاه  و الگوهای ذخیره شده در پایگاه داده صورت گرفته و به این ترتیب تردد افراد ثبت شود. در این حالت ابتدا چهره افراد مقابل دستگاه اسکن می شود.  سپس نرم افزار دستگاه، از ویژگی های صورت ، مانند فاصله بین چشم و زاویه فک چهره نقشه برداری کرده و مجموعه یکتا از داده های بیومتریک ایجاد می کند تا این مجموعه داده با پایگاه داده ای که از افرادی که باید شناسایی شوند مقایسه می شود.

همانطور که اشاره شد، دستگاه حضور غیاب نانوتایم مدل xf100 با بهره مندی از تکنولوژی (deep learning) امکان شناسایی افراد با ماسک حتی در حین حرکت را دارد. از دیگر مزایای این دستگاه می توان به قابلیت احراز هویت فرد از فاصله دو متری و همچنین چند نفر به طور همزمان اشاره کرد ، که می تواند به طور قبل توجهی در جلوگیری از هدر رفت وقت در زمان ثبت تردد ها تاثیر گذار باشد.

دستگاه فوق دارای قابلیت WDR ( Wide Dynamic Range)  می باشد که در اصلاح به طیف گستره پویا نیز نامیده می شود. این قابلیت این امکان را می دهد که در شرایط نوری با کنتراست بالا که تفاوت زیادی در مناطق کم نور و روشن در میدان دید وجود دارد، امکان تشخیص چهره توسط دستگاه وجود داشته باشد. توجه داشته باشید که در قسمت بالایی دستگاه یک LED در نظر گرفته شده است تا در صورت کاهش نور محیط، امکان تنظیم نور برای تشخیص چهره امکان پذیر باشد.