شیوه بیومتریک شناسایی دندان و لب
سیستمهای حضور و غیاب و کنترل تردد مبتنی بر تشخیص چهره با اندازه گیری و بررسی فاکتورهای مختلف در چهره هر فرد، عمل شناسایی و تطبیق آن با داده های ثبت شده در بانک اطلاعاتی را انجام میدهند. فاصله اجزای مختلف صورت، حالت کلی چهره، تراکم و محل قرارگیری هر عضو بر روی صورت از جمله فاکتورهایی هستند که در این فرآیند در دستگاههای کنترل تردد تشخیص چهره مورد بررسی قرار میگیرند.
با این حال، شناسایی دندانها تا کنون عاملی در اندازه گیری و تشخیص اجزای صورت در دستگاههای تشخیص چهره نبوده و استفاده از دندانها جهت تشخیص هویت افراد به پزشکی قانونی و دایره جنایی پلیس محدود گشته است. اما اکنون پژوهشگران هندی معتقدند برای احراز هویت بیومتریک نیز میتوان از دوربین هایی که بر روی دندان افراد متمرکز هستند بهره گرفت. این گروه از محققان اظهار داشته اند که در استفاده از این روش میتوانند موفقیت صد درصدی را با استفاده از عکسهایی در ابعاد تنها ۷۵*۷۵ پیکسل به ثبت برسانند.
هیستوگرام تطبیقی
در این پژوهش برای بهبود وضوح دید، از هیستوگرام تطبیقی بر اساس کنتراست تصاویر استفاده شد و نقاط مورد بررسی توسط دوربین هم افزایش و بهبود پیدا کرد. تصاویر نیز از ۵۱ داوطلب و توسط دوربین تلفن همراهی که مجهز به دوربین ۱۶ مگاپیکسلی و سیستم عامل اندروید ۹ بود گرفته شد. برای تحلیل این داده ها در طول پژوهش نیز از نوعی شبکه عصبی که توانایی بالایی در بکارگیری راهکارهای متفاوت جهت محاسبه ویژگیهای متمایز ورودی ها دارد، استفاده شد.
سال گذشته نیز، پژوهشگران در ایرلند شمالی امکان احراز هویت بیومتریک بر اساس لب در سیستمهای تشخیص چهره را مورد بررسی قرار دادند. از آنجا که تشخیص لب در دسته شیوه های بیومتریک رفتاری قرار میگیرد و به جای استفاده از یک الگوی ثابت و ایستا (مانند ابعاد صورت) کلیت رفتار فرد را در استفاده از دستگاه مورد بررسی زنده قرار میدهد، جعل و سوءاستفاده از این سیستمها بمراتب دشوارتر خواهد بود و نتایج آزمایش نیز قابل استنادتر میشوند.
نرم افزار بیومتریک طراحی شده برای تشخیص لب
نرم افزار بیومتریک طراحی شده برای تشخیص لب توانست کاربرانی که توسط نوار ویدئویی بر روی سیستم تعریف شده بودند را با ضریب خطای تنها ۱.۶ درصد شناسایی کند. محتوای ویدئویی متفاوت تاثیر چندانی در عملکرد و دقت این سیستم نداشت اما میزان روشنایی عاملی تاثیرگذار بر روی آن بود. محققان برای غلبه بر این موضوع، تعریف و آموزش مناسب سیستم با مدلها را توصیه میکنند.
در هر دو پژوهش مورد اشاره در این مطلب، محققان از نوعی شیوه یادگیری عمیق که از آن با عنوان One-Shot Learning یاد میشود، سود جسته اند. اگر در یادگیری ماشین، مجموعه داده های وسیعی برای آموزش سیستم مورد نیاز است، در این رشته با تنها یک و یا مجموعه بسیار محدودی از داده ها میتوان سیستم را برای استخراج ویژگیهای خاص، مقایسه و تطبیق آن ویژگیها و در نهایت تشخیص هر کدام از اشیاء آموزش داد.
به این ترتیب، ممکن است آینده سیستمهای کنترل تردد بیومتریک گسترده تر از تصور امروز ما باشد. شاید در آینده ای نه چندان دور برای ثبت تردد در محیط کارتان و یا گشودن قفل درب دفتر کار یک لبخند مقابل دوربین کافی باشد.
بدون دیدگاه