پایگاه اطلاع رسانی ایران رصد به نقل از سایت NIST، مطالعات جدید درباره فناوری تشخیص چهره پس از شروع همه‌گیری COVID-19 ایجاد شد. این مطالعات نشان می‌دهد که برخی از توسعه‌دهندگان نرم‌افزار پیشرفت قابل‌توجهی در تشخیص چهره‌های دارای نقاب‌دار و ماسک داشته‌اند. فناوری تشخیص چهره به سرعت در حال پیشرفت است و در امنیت و زیست‌سنجی، بازاریابی، آموزش، تحقیقات جنایی و بسیاری از زمینه‌های دیگر کاربرد دارد.

این یافته‌ها که توسط موسسه ملی استاندارد و فناوری (NIST) تهیه شده است. در گزارش جدیدی به نام تست تشخیص چهره فروشنده در حال انجام است. این اولین مطالعه این سازمان است که عملکرد الگوریتم‌های تشخیص چهره را که پس از فرارسیدن همه‌گیری کرونا توسعه داده‌اند، اندازه‌گیری می‌کند. گزارش قبلی تأثیر چهره‌های نقاب‌دار را بر الگوریتم‌های ارسال شده قبل از مارس ۲۰۲۰ بررسی کرد و نشان داد که نرم‌افزارهای موجود قبل از همه‌گیری اغلب با چهره‌های نقاب‌دار مشکل بیشتری دارند.

خطای عملکردی نرم افزارهای تشخیص چهره

برخی از الگوریتم های جدیدتر توسعه دهندگان به طور قابل توجهی بهتر از الگوریتم های قبلی خود عمل کردند. Mei Ngan از NIST، یکی از نویسندگان این مطالعه، گفت: در برخی موارد، میزان خطا بین الگوریتم‌های قبل و بعد از کووید به میزان ۱۰ کاهش می‌یابد. در بهترین حالت، الگوریتم‌های نرم‌افزاری بین ۲.۴ تا ۵ درصد از مواقع روی صورت‌های نقاب‌دار خطا می‌کنند، که برابر با خطای عملکردی این نرم افزارها در سال ۲۰۱۷ در عکس‌های بدون ماسک واست.

مطالعه جدید عملکرد ۶۵ الگوریتم جدید ارائه شده را به الگوریتم هایی که در سری قبلی روی صورت های نقاب دار آزمایش شده بودند اضافه می کند و نتایج تجمعی را برای ۱۵۲ الگوریتم کلی ارائه می دهد.

این تیم با استفاده از همان مجموعه ۶.۲ میلیون تصویری که قبلاً انجام داده بود، دوباره توانایی الگوریتم‌ها را برای انجام تطبیق «یک به یک» آزمایش کردند، که در آن یک عکس با عکس دیگری از یک فرد مشابه مقایسه می‌شود. این همان عملکرد فعلی تشخیص چهره در باز نمودن قفل تلفن همراه است.

برخی از یافته های این گزارش عبارتند از:

وقتی هم تصویر جدید و هم تصویر ذخیره شده از چهره های دارای ماسک باشند، نرخ خطا بالاتر می رود. به استثنای چند مورد قابل توجه، زمانی که صورت در هر دو عکس مسدود شده بود، نرخ تطابق کاذب ۱۰ تا ۱۰۰ برابر بیشتر از زمانی بود که تصویر ذخیره شده اصلی یک چهره بدون پوشش را نشان می داد. تلفن‌های هوشمند اغلب از تطبیق یک به یک برای امنیت استفاده می‌کنند. اگر تصویر ذخیره‌شده مربوط به یک فرد دارای نقاب‌ باشد، احتمال اینکه یک غریبه با موفقیت قفل گوشی را باز کند، بسیار بیشتر است.

سطح پوشانده شده چهره

هرچه یک ماسک چهره بیشتری را بپوشاند، میزان خطای الگوریتم بیشتر می‌شود. با ادامه روند گزارش جولای ۲۰۲۰، ماسک های با شکل‌ گرد (که فقط دهان و بینی را می‌پوشانند) خطاهای کمتری نسبت به ماسک‌های پهنی که روی گونه‌ها کشیده می‌شوند، ایجاد می‌کنند. همچنین ماسک هایی که بینی را می‌پوشانند نسبت به آنهایی که این کار را نمی‌کنند، خطای بیشتری ایجاد می‌کنند.

رنگ ماسک

رنگ ماسک بر میزان خطا تاثیر می گذارد. مطالعه جدید اثرات دو رنگ ماسک جدید قرمز و سفید و همچنین ماسک‌های سیاه و آبی روشن را که مطالعه قبلی آزمایش شده بود، بررسی کرد. در حالی که استثنائاتی وجود داشت، ماسک‌های قرمز و مشکی نسبت به رنگ‌های دیگر نرخ خطای بالاتری داشتند. تیم تحقیقاتی دلایل بالقوه این اثر را بررسی نکردند.

الگوریتم ترکیبی

ترکیب چند الگوریتمی از تشخیص چهره‌های نقاب‌دار و بدون نقاب باهم عملکرد بهتری را نشان می دهند. برخی از توسعه دهندگان نرم افزار “mask-agnostic” را ایجاد کرده اند که می تواند تصاویر را بدون توجه به اینکه آیا چهره ها ماسک شده اند یا خیر، مدیریت کند. الگوریتم‌ها به‌طور خودکار، بدون اینکه گفته شوند، تفاوت را تشخیص می‌دهند.

الگوریتم‌های فردی

آخرین نکته مهمی که تیم تحقیقاتی NIST بیان می‌کند از مطالعات قبلی نیز ناشی می‌شود: الگوریتم‌های فردی متفاوت هستند. کاربران نهایی باید بدانند که نرم افزار انتخابی آنها چگونه در موقعیت های خاص خود عمل می کند، به طور ایده آل از ماسک های فیزیکی واقعی به جای شبیه سازی های دیجیتالی که تیم در این مطالعه استفاده کردند استفاده می کنند.

تسخیص حالت چهره

در همین راستا نتایج تحقیقاتی  که به صورت مقالات علمی در مجله ی مجله “International Journal of Biometrics” منتشر شده، بیان می کند که، این فناوری اکنون نه تنها چهره افراد بلکه حالت چهره آنها را نیز می‌تواند تشخیص دهد.

محققان مستقر در مجارستان، اردن، عربستان سعودی، بریتانیا و ایالات متحده، افزایش دقت تشخیص چهره را با رویکرد یادگیری عمیق خود گزارش کردند که حتی زمانی که فرد از روبند یا نقاب استفاده می‌کند، دقتی ۹۹.۹۵٪ برای تشخیص چهره دارد. جدا از چشم‌ها این نرم افزار برای تشخیص جنسیت و تعیین سن دقت ۹۹.۹% دارد. با آنالیز چشم‌ها با دقت ۸۰.۹ درصد می‌تواند تشخیص دهد که یک فرد محجبه یا فردی که برای جلوگیری از انتشار کووید ماسک بر صورت دارد لبخند می‌زند یا خیر. آزمایش‌های مربوط به این نرم‌افزار بر روی یک پایگاه داده متشکل از تصویر ۱۵۰ نفر، که ۴۱ نفر از آنها مرد و ۱۰۹ نفر زن بودند و سنین آنها بین هشت تا ۷۸ ساله بود، انجام شد.

محققان از یک شبکه عصبی پیچیده عمیق برای توسعه سیستم تشخیص چهره خود استفاده کردند. شبکه عصبی دارای ۴۰۹۶ مشخصه در هر لایه از فرآیند شناسایی است.

سیستم تشخیص چهره

محققان خاطرنشان کردند که نمونه اثبات مفهوم آنها معروف به “DeepVeil” از یک پایگاه داده متشکل از تصاویر داخلی به همراه تصاویر چهره افراد محجبه که از فاصله نزدیک گرفته شده است، استفاده می‌کند. گام بعدی کار با مجموعه‌ای متنوع از تصاویر ثبت شده در طیف وسیعی از موقعیت‌ها از جمله عکس‌های ثبت شده از زوایای مختلف خواهد بود. گفته می‌شود، در روزهای اولیه‌ی سیستم‌های تشخیص چهره مرسوم، یک تصویر شفاف از چهره برای تأیید هویت یک فرد مورد نیاز بود، اما با توجه به تکامل الگوریتم‌ها و نرم‌افزارها، دیگر نیازی به آن نیست. بنابراین، با رویکرد صحیح و توسعه بیشتر، احتمالاً همین امر برای سیستم “DeepVeil” نیز صادق خواهد بود.

پایگاه اطلاع رسانی ایران رصد، گزارش ایسنا به نقل از نیواطلس، از آن‌جا که گلوله‌ها در معرض بقایای باروت، حرارت و فشار بالا درون اسلحه قرار می‌گیرند، ترکیبات اثرانگشت مانند اسید آمینه‌ و لیپیدها(چربی) با خروج گلوله تبخیر یا تجزیه شده و از بین می‌روند. بنابراین بازیابی اثرانگشت قابل استفاده از آنچه باقی ماندهT کاری چالش‌برانگیز است. علاوه بر آن استوانه‌ای شکل بودن پوکه‌ها بازیابی اثر انگشت را سخت‌تر می‌کند.

گروهی به رهبری دکتر “جیمز شارپ”(James Sharp) از دانشگاه ناتینگام در تلاش برای حل مشکل بازیابی اثرانگشت هستند. آنان از فناوری جالبی به نام “طیف‌سنجی جرمی یون ثانویه زمان پرواز “(ToF-SIMS) استفاده کردند.

فرایند طیف سنجی

در این فناوری پرتوهای پرانرژی یون مثبت به سطح مورد نظر تابانده می‌شوند. این یون‌ها در محل برخورد یون‌های ثانویه آزاد می‌کنند. با استفاده از دستگاهی به نام تحلیلگر زمان پرواز این یون‌های ثانویه براساس نسبت جرم به بار از یکدیگر جدا می‌شوند و طیفی تولید می‌کنند که نشان‌دهنده‌ی ترکیبات شیمیایی نمونه‌ی مورد استفاده است.

پوکه گلوله به آرامی در حین انجام این فرآیند می‌چرخد تا استوانه‌ای شکل بودن آن مشکل‌ساز نشود.

در آزمایش‌هایی که بر روی گلوله شکلیک  از اسلحه “شش لول وبلی Mk II” انجام شد، این روش قادر به آشکار کردن جزئیاتی مثل شیارهای اثر انگشت و منافذ عرق بود. این اطلاعات را با روش‌های معمول که با استفاده از سیانواکریلات انجام می‌شود نمی‌توان به دست آورد. از همه مهم‌تر آن که این روش جدید به اثرانگشت آسیب نمی‌زند و آن‌ها را برای بررسی‌های بعدی دست نخورده باقی می‌گذارد.

این تحقیقات به تازگی در مجله‌ی “Analyst” منتشر شده است.