رفع نقایص امنیتی سیستم های احراز هویت تصویری با تشخیص چهره براساس ارزیابی ساختار و شکل 3 بعدی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه ریاضی، دانشکده علوم پایه، دانشگاه جامع امام حسین (ع)، تهران، ایران

2 استادیار، دانشکده علوم دفاعی، دانشگاه جامع امام حسین (ع)، تهران، ایران

3 پژوهشگر همکار، مرکز ریاضی و آمار، پژوهشکده و دانشکده علوم پایه، دانشگاه جامع امام حسین (ع)، تهران، ایران

چکیده

نقایص و نقاط ضعف سیستم‌های امنیتی نظارت تصویری منجر به تلاش برای استفاده از روش‌های ترکیبی برای مرتفع ساختن این مسایل شده است. در این مقاله به مساله تشخیص چهره براساس ارزیابی ساختار و شکل 3 بعدی می‌پردازیم. ارزیابی (برازش) ساختار و دستیابی به شکل 3 بعدی،  سبب می‌شود، تشخیص چهره با گستره وسیعی از پارامترها و تحت شرایط گوناگون امکان‌پذیر شده و مدل‌های ذاتی و غیرذاتی به‌خوبی با پارامترها تفکیک شوند. شرایط نوردهی و موقعیت قرارگیری سر همگی به حساب آمده و به‌خوبی کنترل می‌شوند. همانگونه که می‌دانیم، پارامترهای گوناگونی از قبیل زاویه قرارگیری سر در مقابل دوربین، جهت تصویربرداری، میزان نوردهی و انواع نویزها در تصویر از جمله مسایل تاثیرگذار بر نرخ موفق تشخیص سیستم‌های تشخیص چهره انسانی هستند، اکثریت روش‌های موجود به‌دلیل استخراج گراف چهره و ساختارها تخت دو بعدی در زمینه تشخیص چهره با تغییر زاویه سر به‌ویژه در حالات نیم رخ یا سه رخ دچار خطا و ناکارآمدی می‌شوند. روش مطرح شده در این جا، با استخراج ساختار 3 بعدی صورت، بسیاری از این مسایل را پشت سر می‌گذارد. این روش ترکیبی از ابزارهای هندسه برداری، مترهای آماری و  روش‌های کاهش بعد به‌صورت همزمان است. راستایی آزمایی براساس نرخ تشخیص صحیح و زاویه قرارگیری (چرخش) سر صورت می‌گیرد.

کلیدواژه‌ها


[1] Fu Y., Manifold Learning Theory and Applications, London, CRC Press, Taylor Francis, (2012).
[2] Guo, Z.; Zhang, Y.; Lin, Z. & Feng, D, A Method Based on Geometric Invariant Feature for 3D Face Recognition, Proceedings of Fifth International Conference on Image and Graphics, (2009).
[3] Huang Di., Ardabilian M.; Wang, Y. & Chen, L. Automatic Asymmetric 3D-2D Face Recognition, International Conference on Pattern Recognition, (2010). 
[4] Maesschalck R. De, Jouan-Rimbaud D., Massart D.L., The Mahalanobis distance, Chemometrics and Intelligent Laboratory Systems, Volume 50, Issue 1 Pages 1-18, https://doi.org/10.1016/S0169-7439(99)00047-7, (2000).
[5] Myung G. K., Multivariate outliers and decompositions of Mahalanobis distance, Communications in Statistics - Theory and Methods, 29:7, 1511-1526, DOI: 10.1080/03610920008832559 (2000).
[6] Weinberger K. Q., Saul L. K., An Introduction to Nonlinear Dimensionality Reduction by Maximum Variance Unfolding, American Association for Artificial Intelligence, (2006).
[7] Xiao H., Huang M., Zhu X, From One Point to A Manifold: Knowledge Graph Embedding for Precise Link Prediction, arXiv:1512.04792v5, (2017).