فناوری تشخیص چهره یکی از فناوری های نوین است که قبلاً فقط در فیلم های علمی تخیلی ظاهر می شد. ریشه های این فناوری را می توان به دهه 1960 برگرداند و از آن زمان به دلیل رشد قابل توجه تکنیک های یادگیری عمیق و تحول دیجیتال شتاب دهنده در سال های اخیر به طور چشم گیری افزایش یافته است.

در این پست وبلاگ به بررسی کاربردهای مختلف فناوری تشخیص چهره در Grab می پردازیم و جزئیات مؤلفه های فنی این تکنولوژی را ارائه می دهیم.

کاربرد فناوری تشخیص چهره

در Grab، ما باور داریم که پیشگیری، حفاظت و اقداماتی که برای ایجاد یک روزانه امن تر برای مشتریان، شرکا و جامعه به طور کلی انجام می دهیم. تمامی عکس های سلفی جمع آوری شده توسط مجله زیبایی و درمانی آذروت به تفصیل آمده در قوانین حفظ حریم خصوصی Grab مورد استفاده قرار می گیرند و بر اساس قوانین حفظ حریم خصوصی در کشورهایی که فعالیت می کنیم به طور ایمن تحت حفاظت قرار می گیرند. ما در بخشی پایین تر به طور دقیق توضیح خواهیم داد.

یکی از روش های مهم پیشگیری از وقوع حوادث در این است که هویت مصرف کنندگان و شرکای ما را تأیید کنیم.

از دیدگاه حفاظت از ایمنی مسافران، داشتن یک فرایند احراز هویت راننده قابل اعتماد می تواند جلوی ارسال رانندگان غیر مجاز به انجام سفر را بگیرد. این اطمینان را می دهد که سفرها در مجله زیبایی و درمانی آذر وت تنها توسط رانندگان ثبت شده و مجازی که با موفقیت از چک های پیشینه ی جامع ما عبور کرده اند، تکمیل می شوند. از دیدگاه حفاظت از ایمنی رانندگان، تأیید هویت مسافران جدید با استفاده از فناوری تشخیص چهره به جلوگیری از جرائمی که به رانندگان هدف می گیرد و تسهیل بررسی حوادث کمک می کند.

فناوری تشخیص چهره همچنین برای بهبود خدمات مالی دیجیتال مجله زیبایی و درمانی آذر وت استفاده می شود، به ویژه در تسهیل فرآیند “شناخت مشتری الکترونیکی” (e-KYC). KYC یک الزام نظارتی استاندارد در صنعت خدمات مالی است برای تأیید هویت مشتریان، که به طور عمومی برای جلوگیری از جرایم مالی مانند پول شویی استفاده می شود.

سنتیاً، مشتریان مجبور به مراجعه به یک میز فیزیکی برای تأیید هویت صادره دولتی خود هستند. امروزه با استفاده گسترده از دستگاه های تلفن همراه، همراه با رشد روز افزون فناوری تشخیص چهره، فرآیند بسیار ساده تر شده و می توان به طور کامل به صورت دیجیتال انجام داد.

بررسی کلی فناوری تشخیص چهره

لوله کشی تشخیص چهره معمولی شامل چندین مرحله است که با پیش پردازش تصویر، ضد فریب چهره، استخراج ویژگی و در نهایت برنامه های پستی شروع می شود - تأیید چهره یا جستجوی چهره.

روش های پیش پردازش تصویر معمول برای وظایف تشخیص چهره شامل شناسایی چهره و تطبیق چهره هستند. الگوریتم تشخیص چهره منطقه چهره را در تصویر شناسایی می کند و معمولاً توسط تطبیق چهره همراهی می شود که نقاط کلیدی آرایش چهره (مثل چشم چپ، چشم راست، بینی و غیره) را شناسایی کرده و آنها را به یک فضای هماهنگ استاندارد تبدیل می کند. هر دوی این مراحل پیش پردازش به هدف تضمین کیفیت یکسانی از داده های ورودی برای برنامه های پستی می پردازند.

ضد فریب چهره به فرآیند اطمینان می دهد که تصویر چهره ارسال شده توسط کاربر معتبر است. این برای جلوگیری از اشخاص تقلبی که با استفاده از عکس چاپ شده یا تکرار ویدئوها از صفحه های تلفن همراه، هویت دیگران را تقلید کرده و یا هویت خود را پنهان می کنند. رویکرد اصلی در اینجا این است که نشانه های تقلب کم سطحی مانند الگویموآ bرا با استفاده از روش های یادگیری ماشین مختلف استخراج کنیم تا تصویر تقلبی است یا خیر.

بعد از گذراندن بررسی های ضد فریب، تصاویر ارسالی توسط کاربر برای استخراج ویژگی چهره ارسال می شوند، جایی که ویژگی های مهمی که می تواند به منظور تمایز یک شخص از یک شخص دیگر استفاده شود، استخراج می شوند. بهتر است مدل استخراج ویژگی، جاسازی (یعنی بردارهای بعد بالا) با فاصله داخل-کلاس کوچک (یعنی چهره های همان شخص) و فاصله بین-کلاس بزرگ (یعنی چهره های افراد مختلف) تولید کند، تا برای برنامه های پستی مذکور (تأیید چهره و جستجوی چهره) وظیفه ای ساده تر باشد - آستانه گذاری فاصله بین جاسازی ها.

تأیید چهره یکی از کاربردهای کلیدی تشخیص چهره است و به سؤال “آیا این شخص همان شخص است؟” پاسخ می دهد. همانطور که اشاره شد، این می تواند از طریق مقایسه فاصله بین جاسازی هایی که از تصویر الگو (مانند کارت شناسایی صادره دولت یا عکس پروفایل) و یک تصویر پرس و جو ارسال شده توسط کاربر تولید می شوند، دست یافته شود. فاصله کوتاه نشان دهنده این است که هر دو تصویر متعلق به همان شخص هستند، در حالی که فاصله بزرگ نشان دهنده این است که این تصاویر از افراد مختلف گرفته شده اند.

به طرف دیگر، جستجوی چهره سؤال را مطرح می کند: “این شخص کیست؟” که می تواند به عنوان یک مسئله جستجوی شباهت بردار / جستجوی سمتی بردار در نظر گرفته شود. جاسازی های تصویر تعلق به یک شخص به شدت مشابه هستند، بنابراین در نتایج جستجوی آنها به رتبه بالایی قرار می گیرند. این به خصوص برای جلوگیری از برگردان جنایی به پلتفرم ما با مسدود کردن سلفی های جدیدی که با پروفایل جنایی که در پایگاه داده ما نهی لیست قرار دارد، مطابقت دارد.

ضد فریب چهره

برای ضد فریب چهره، روش های رایج استفاده شده برای حمله به سیستم تشخیص چهره، پخش صفحه و کاغذ چاپ شده هستند. به منظور تمایز این حمله های تقلبی از چهره های حقیقی، باید دو چالش اصلی را حل کنیم.

چالش اول، کسب داده های کافی از حملات تقلبی است تا امکان آموزش مدل ها وجود داشته باشد. چالش دوم، آموزش مدل به گونه ای دقیق که بر تفاوت های کوچک بین حالات تقلبی و واقعی تمرکز داشته باشد و به جای بیشتر شدن به اطلاعات زمینه دیگر، آنها را تمیز دهد.

منبع1

جمع آوری حجم بزرگی از داده های تقلبی به طبیعتاً سخت است زیرا موارد تقلبی در جریان محصولات بسیار کمتری رخ می دهند. برای رفع این مشکل، یک گزینه تولید حجم بزرگی از داده های تقلبی به جای جمع آوری داده های تقلبی واقعی است. به طور خاص، ما الگوهای بو که روی تصاویر چهره حقیقی که داریم را بوجود می آوریم و از داده تولید شده به عنوان داده حمله پخش صفحه استفاده می کنیم. این اجازه می دهد که مدل ما از مقادیر کمی از داده های تقلبی واقعی استفاده کند و تقلب را به خوبی شناسایی کند در حالی که بیشتر به داده هایی برای آموزش مدل جمع آوری می کند.

از سوی دیگر، یک تصویر چهره تقلبی شامل اطلاعات بسیاری با نشانه های نازک تقلبی مانند الگویموآ است که توسط چشم برهنه قابل تشخیص نیست. به همین دلیل، آموزش مدل برای شناسایی نشانه های تقلبی به جای تمرکز بر جنبه دامنه ممکن بین داده های تقلبی و داده های واقعی بسیار مهم است. برای دستیابی به این هدف، باید شیوه آماده سازی داده های آموزش را عوض کنیم.

بجای استفاده از کل تصویر سلفی به عنوان ورودی مدل، ابتدا ناحیه چهره را شناسایی و برش می کنیم، سپس ناحیه چهره برش شده را به چند پچ تقسیم مساوی می کنیم. این پچ ها به عنوان ورودی برای آموزش مدل استفاده می شوند. هنگام ارزیابی، تصاویر همچنین به همان روش به پچ ها تقسیم می شوند و نتیجه نهایی میانگین خروجی همه پچ ها خواهد بود. پس از پیش پردازش داده ها، پچ ها شامل کمترین اطلاعات زمینه گلوبال و ویژگی های ساختاری محلی بیشتری خواهند بود که درساده سازی آموزش مدل و تمایز دادن عکس های تقلبی و واقعی کمک می کند.

تشخیص چهره

"داده غذایی هوش مصنوعی است." - اندرو انگ، بنیانگذار Google Brain

عوامل موفقیت کلیدی مدل های هوش مصنوعی (AI) بدون شک توسط حجم و کیفیت داده هایی که در اختیار داریم تعیین می شود. در Grab، ما یکی از بزرگترین و جامع ترین مجموعه داده های چهره را در منطقه جنوب شرقی آسیا داریم که گروه های جمعیتی مختلف را شامل می شود. این موضوع به ما امکان ایجاد یک مدل تشخیص چهره بسیار قوی و بی طرفانه را می دهد که به خدمت به منطقه بهتر می پردازد.

همانطور که در ابتدا اشاره شد، تمامی سلفی های جمع آوری شده توسط مجله زیبایی و درمانی آذروت تحت حفاظت امن قوانین حفظ حریم خصوصی در کشورهایی که در آن فعالیت می کنیم قرار دارند. ما تدابیر قانونی، سازمانی و فنی منطقی را برای حفاظت از داده های شخصی شما اتخاذ می کنیم. این شامل تدابیری برای جلوگیری از گم شدن داده های شخصی، استفاده یا دسترسی غیرمجاز به آنها است. دسترسی به این داده های شخصی تنها برای کارکنان ما به صورتی که نیازمندی را دارند محدود است. آنانی که هر گونه داده شخصی را پردازش می کنند فقط به این کار به صورت مجاز می پردازند و موظف هستند اطلاعات را با حفظ محرمیت رفتار کنند.

همچنین، داده های سلفی با هیچ کس دیگر، از جمله راننده ها، شرکا یا هر طرف سوم دیگری به جز بر اساس مجوز صحیح از دارنده حساب، به اشتراک گذاشته نخواهد شد. آنها به صورت صرفاً برای بهبود و ارتقای محصولات و خدمات ما استفاده می شوند و به عنوان یک روش برای جمع آوری داده شناسایی شخصی استفاده نمی شوند. هر افشای داده های شخصی به منابع دیگر به طور مطابقت با سیاست حفظ حریم خصوصی مجله زیبایی و درمانی آذرت انجام خواهد شد.

علاوه بر داده، معماری مدل نیز نقش مهمی ایفا می کند، به خصوص در هنگام مرتب سازی با سناریوهای کمترین پرس و جوی چهره، مانند