ચહેરાઓ અને ફોટાઓ વચ્ચે ચહેરો માન્યતાની હાજરી કેવી રીતે અલગ પડે છે?

ચહેરો માન્યતા સમય હાજરી તકનીક એ એક ઉપકરણ છે જે મશીન ક camera મેરા દ્વારા છબીઓ મેળવે છે અને માનવ ઓળખ કરે છે. આ તકનીકનો ઉપયોગ મુખ્યત્વે ફાઇનાન્સ, મોબાઇલ ફોન લ ks ક્સ, access ક્સેસ નિયંત્રણ અને ખરીદીમાં ચુકવણી, વગેરે જેવા ઓળખ માન્યતામાં થાય છે, ચહેરો માન્યતા સમય હાજરી તકનીક આપણા દૈનિક જીવનમાં પહેલેથી જ અસ્તિત્વમાં છે. વાસ્તવિક વ્યક્તિ ઓળખ કાર્ય કુદરતી રીતે ઉપકરણનો ચહેરો છે. જો તે ફોટો છે, કારણ કે તે વિમાનના દ્રષ્ટિકોણથી માનવ ચહેરા જેવું જ છે, તો વાસ્તવિક ચહેરાને ફોટોથી બદલવાની કપટપૂર્ણ સમસ્યાને કેવી રીતે ટાળવી.

માન્યતા દરમિયાન, વપરાશકર્તાએ ફક્ત ક્રિયાને સહકાર આપવા માટે ચહેરાના હાવભાવ બનાવવાની જરૂર છે, જેમ કે રિપેર, ચોક્કસ અભિવ્યક્તિ ગ્રિમાસ બનાવવી, કારણ કે ફોટામાં આવી ચોક્કસ ક્રિયા પ્રાપ્ત કરવી મુશ્કેલ છે, અને તેથી ફોટો છેતરપિંડી ટાળી શકે છે, કર્મચારીઓની કબૂલાત અનુસાર ચહેરાની માન્યતા હાજરી સંશોધન મુજબ, ઝબકવાની તપાસ ખૂબ જ વિશ્વસનીય પદ્ધતિ છે.
ચહેરાની માન્યતા અને હાજરી પ્રણાલીમાં ભૂલ દર ઘટાડવા માટે, સિસ્ટમ હાલની ફોટોગ્રાફીમાં ઉપયોગમાં લેવામાં આવતી ફેસ ડિટેક્શન અલ્ગોરિધમનો પર depth ંડાણપૂર્વકની માહિતી લાગુ કરે છે, અને ચહેરા વિંડોની depth ંડાઈના સંકલન અનુસાર ચહેરાની વિંડોના કદને બુદ્ધિપૂર્વક ભીંગડા આપે છે, તે છે, ચહેરો કેમેરાથી દૂર છે, આજુબાજુની કેપ્ચર ફ્રેમ ઓછી છે.
આ પદ્ધતિ દ્રશ્ય પર પ્રકાશ કિરણોત્સર્ગના નકશાને પ્રોજેક્ટ કરવા માટે વિશેષ ઇન્ફ્રારેડ કિરણોનો ઉપયોગ કરે છે, જે પછી depth ંડાઈના નકશામાં રૂપાંતરિત થાય છે, અને જ્યારે સિસ્ટમ મોટાભાગના ચહેરાઓને ઓળખી શકે છે, ત્યારે તેમાં વ્યક્તિગત ચહેરાઓ વચ્ચેના તફાવતોને ઓળખવાની ક્ષમતાનો અભાવ છે, તેથી તે બાયોમેટ્રિક્સ નથી પોતે જ સમાધાનને બદલે, તે વિશાળ પ્રમાણીકરણ સિસ્ટમમાં એક મહત્વપૂર્ણ લાઇન-ઓફ-સ્કાઇટ પગલું બની શકે છે.
ડિજિટલ વિડિઓ સ્ટ્રીમ્સમાં ચહેરાઓ શોધવા માટે depth ંડાઈની માહિતીનો ઉપયોગ કરીને, એક દ્રશ્યમાં, જો ત્યાં બહુવિધ લોકો હોય, તો લેન્સથી જુદા જુદા લોકોના અંતર અનુસાર ચહેરો નિષ્ફળ થઈ શકે છે. સામાન્યકૃત ચહેરાની માન્યતા હાજરીમાં ખરેખર ચહેરાની ઓળખની હાજરીનો સમાવેશ સિસ્ટમની સંબંધિત તકનીકીઓની શ્રેણીમાં શામેલ છે, જેમાં ફેસ ઇમેજ એક્વિઝિશન, ફેસ પોઝિશનિંગ, ફેસ રેકગ્નિશન એટેન્ડન્સ પ્રિપ્રોસેસિંગ, ઓળખ પુષ્ટિ અને ઓળખ શોધ, વગેરેનો સમાવેશ થાય છે, અને એકમાં ચહેરો માન્યતા હાજરીનો સમાવેશ થાય છે સાંકડી અર્થમાં ચહેરાની તકનીકી અથવા સિસ્ટમ દ્વારા ઓળખ પુષ્ટિ અથવા ઓળખ શોધનો સંદર્ભ આપવામાં આવે છે.
જીવંતતા તપાસ એ કેટલાક ઓળખ ચકાસણીના દૃશ્યોમાં objects બ્જેક્ટ્સની વાસ્તવિક શારીરિક લાક્ષણિકતાઓ નક્કી કરવાની એક પદ્ધતિ છે. જીવંતતા શોધવા મુખ્યત્વે બે પ્રકારોમાં વહેંચાયેલું છે, સહકારી જીવંત શોધ અને સહકારી જીવનનિર્વાહની માન્યતા.
1. સહકારી જીવંત તપાસ: ચહેરો શોધવાની સિસ્ટમ કેટલીક રેન્ડમ આદેશ ક્રિયાઓ મોકલે છે, જેમ કે ઝબકવું, માથું ફેરવવું અને મોં ખોલવું.
2.-સહકારી જીવંત શોધ: ઇન્ફ્રારેડ કેમેરા શુદ્ધ તપાસ માટે છબીઓ એકત્રિત કરે છે, અને આ પ્રક્રિયાને કોઈપણ સ્પષ્ટ ક્રિયાઓ સાથે સહકાર આપવાની જરૂર નથી.
અહીં હું ઇન્ફ્રારેડ કેમેરા અને સામાન્ય કેમેરા વચ્ચેના તફાવત વિશે વાત કરીશ. સામાન્ય કેમેરાની તુલનામાં, ઇન્ફ્રારેડ કેમેરા અને સામાન્ય કેમેરા વચ્ચેનો સૌથી મોટો તફાવત પ્રકાશ સ્રોતમાં તફાવત છે. સૌ પ્રથમ, કેમેરાની ઇમેજિંગ માટે, પ્રકાશ objects બ્જેક્ટ્સ પર ઇરેડિએટ કરવામાં આવે છે, પ્રસરેલા સ્કેટરિંગ થાય છે, અને પ્રકાશનો પાછલો ભાગ લેન્સ દ્વારા ઇમેજ સેન્સરની સપાટી પર ધ્યાન કેન્દ્રિત કરવા માટે પ્રાપ્ત થશે, અને પછી ઇલેક્ટ્રિકલ સિગ્નલમાં રૂપાંતરિત કરવામાં આવશે. , (એ/ડી) એનાલોગ-થી-ડિજિટલ રૂપાંતર પછી, ડિજિટલ ઇમેજ સિગ્નલમાં રૂપાંતરિત, અને પછી પ્રોસેસિંગ માટે ડિજિટલ સિગ્નલ પ્રોસેસિંગ ચિપ પર મોકલ્યા, અને અંતે યુએસબી દ્વારા ઇન્ટરફેસ સિસ્ટમમાં સ્થાનાંતરિત થાય છે અને અંતે પ્રદર્શિત થાય છે નિરીક્ષણ.
સામાન્ય કેમેરાની તુલનામાં, ઇન્ફ્રારેડ કેમેરા અને સામાન્ય કેમેરા વચ્ચેનો સૌથી મોટો તફાવત પ્રકાશ સ્રોત છે. સામાન્ય કેમેરાનો પ્રકાશ સ્રોત દૃશ્યમાન પ્રકાશથી આવે છે, એટલે કે સૂર્યપ્રકાશ. બિલ્ટ-ઇન ઇન્ફ્રારેડ લેમ્પ ઇન્ફ્રારેડ કિરણોને બહાર કા .ે છે, જે object બ્જેક્ટ પર ઇરેડિએટ થયા પછી કેમેરા દ્વારા છૂટાછવાયા અને પ્રાપ્ત થાય છે.
1. ઇમેજિંગ સિદ્ધાંત
આપણે જાણીએ છીએ કે તે દૃશ્યમાન પ્રકાશ અથવા ઇન્ફ્રારેડ લાઇટ છે, મૂળભૂત સાર ઇલેક્ટ્રોમેગ્નેટિક તરંગો છે. આપણે આખરે જે છબી જોઈએ છીએ તે ભૌતિક સપાટીના પ્રતિબિંબીત ગુણધર્મોથી સંબંધિત છે. વાસ્તવિક માનવ ચહેરાઓ અને કાગળ, સ્ક્રીનો, ત્રિ-પરિમાણીય માસ્ક અને અન્ય હુમલો માધ્યમો પ્રતિબિંબ લાક્ષણિકતાઓ બધી અલગ છે, તેથી ઇમેજિંગ પણ અલગ છે, અને આ તફાવત ઇન્ફ્રારેડ વેવ પ્રતિબિંબમાં વધુ સ્પષ્ટ હશે. ઉદાહરણ તરીકે, સ્ક્રીનના ઇન્ફ્રારેડ ઇમેજિંગ ચિત્રમાં, ત્યાં ફક્ત સફેદ ફૂલોનો ટુકડો છે, માનવ ચહેરો પણ નથી. , જેથી ગેરસમજને ટાળી શકાય.
2. બિલ્ટ-ઇન અલ્ગોરિધમનો
Ical પ્ટિકલ ફ્લો પદ્ધતિ અનુસાર, ઇમેજ સિક્વન્સમાં પિક્સેલની તીવ્રતા ડેટાના ટેમ્પોરલ વિવિધતા અને સહસંબંધનો ઉપયોગ સંબંધિત પિક્સેલ પોઝિશન્સની હિલચાલને નિર્ધારિત કરવા માટે થાય છે, અને દરેક પિક્સેલ પોઇન્ટની ચાલી રહેલ માહિતી, ગૌસિયનનો ઉપયોગ કરીને, ઇમેજ સિક્વન્સમાંથી મેળવવામાં આવે છે. ડિફરન્સ ફિલ્ટર, એલબીપી લાક્ષણિકતાઓ અને સપોર્ટ વેક્ટર્સ તે જ સમયે, opt પ્ટિકલ ફ્લો ક્ષેત્ર objects બ્જેક્ટ્સની ગતિ માટે સંવેદનશીલ છે, અને opt પ્ટિકલ ફ્લો ક્ષેત્રનો ઉપયોગ આંખની ગતિ અને ઝબકવા માટે સમાનરૂપે શોધી કા .વા માટે થઈ શકે છે. આ લાઇવ ડિટેક્શન પદ્ધતિ વપરાશકર્તાના સહયોગ વિના અંધ તપાસ પ્રાપ્ત કરી શકે છે.
અન્ય ન્યાયાધીશ પદ્ધતિઓમાં 3 ડી ફેસ ડિટેક્શન શામેલ છે, જે ચહેરો શૂટ કરવા માટે 3 ડી કેમેરાનો ઉપયોગ કરે છે, કેમેરા દ્વારા હસ્તગત કરેલા ડેટાને એકીકૃત કરે છે, ચહેરો સંશ્લેષણ કરે છે, તેનું વિશ્લેષણ કરે છે, અને છેવટે ન્યાયાધીશ કરે છે કે તે વાસ્તવિક ચહેરો છે કે ફોટો.