ഈ ബ്ലോഗ് പോസ്റ്റിൽ, കമ്പ്യൂട്ടറുകൾ മനുഷ്യമുഖങ്ങളെ എങ്ങനെ തിരിച്ചറിയുന്നു എന്നതിന് പിന്നിലെ തത്വങ്ങളെയും പ്രക്രിയകളെയും കുറിച്ച് ലളിതവും ലളിതവുമായ ഒരു വീക്ഷണം നമ്മൾ നടത്തും.

മുഖം തിരിച്ചറിയലിന് അടിവരയിടുന്ന തത്വങ്ങൾ എന്തൊക്കെയാണ്?

കുട്ടിക്കാലത്ത് ഒരു തവണയെങ്കിലും മനുഷ്യന്റെ മുഖം പൂർത്തിയാക്കേണ്ട ഒരു ഗെയിം നിങ്ങൾ കളിച്ചിട്ടുണ്ടാകും. ഈ ഗെയിമിൽ, നിങ്ങൾ ആദ്യം ഒരു മുഖത്തിന്റെ ആകൃതി തിരഞ്ഞെടുക്കുക, തുടർന്ന് ഹെയർസ്റ്റൈൽ, കണ്ണുകൾ, മൂക്ക്, വായ എന്നിവ ഓരോന്നായി തിരഞ്ഞെടുത്ത് മുഖത്ത് വയ്ക്കുക. വിവിധ ഹെയർസ്റ്റൈലുകൾ, കണ്ണുകൾ, മൂക്ക്, വായ എന്നിവ തമ്മിൽ മാറുന്നതിലൂടെ, നിങ്ങൾക്ക് ആവശ്യമുള്ള മുഖം സൃഷ്ടിക്കാൻ കഴിയും. കമ്പ്യൂട്ടറുകൾ മുഖങ്ങളെ തിരിച്ചറിയുകയും താരതമ്യം ചെയ്യുകയും ചെയ്യുന്ന രീതി ഇതിൽ നിന്ന് വലിയ വ്യത്യാസമൊന്നുമില്ല. കമ്പ്യൂട്ടറുകൾ മുഖ സവിശേഷതകൾ തിരിച്ചറിയുകയും സംഭരിക്കുകയും ചെയ്യുന്നു; ഒരു മുഖത്തിന്റെ പുതിയ ഫോട്ടോ ഇൻപുട്ട് ചെയ്യുമ്പോൾ, ആ വ്യക്തി ആരാണെന്ന് നിർണ്ണയിക്കാൻ അവർ അത് സംഭരിച്ച സവിശേഷതകളുമായി താരതമ്യം ചെയ്യുന്നു.
എളുപ്പത്തിൽ ആക്‌സസ് ചെയ്യാവുന്ന ഫേഷ്യൽ റെക്കഗ്നിഷൻ സാങ്കേതികവിദ്യയുടെ ഒരു സമീപകാല ഉദാഹരണമാണ് ഫേഷ്യൽ റെക്കഗ്നിഷൻ ആപ്ലിക്കേഷൻ (ആപ്പ്). ഈ ആപ്പുകൾ സെലിബ്രിറ്റികളുടെ ഫോട്ടോകളിൽ നിന്ന് മുഖത്തിന്റെ ആകൃതി, കണ്ണുകൾ, മൂക്ക്, വായ തുടങ്ങിയ പ്രധാന സവിശേഷതകൾ മുൻകൂട്ടി വേർതിരിച്ചെടുക്കുകയും സംഭരിക്കുകയും ചെയ്യുന്നു. പിന്നീട്, ഒരു വ്യക്തിയുടെ മുഖം ക്യാമറ വഴി പകർത്തുമ്പോൾ, ആപ്പ് അതേ രീതിയിൽ മുഖ സവിശേഷതകൾ വേർതിരിച്ചെടുക്കുകയും സെലിബ്രിറ്റികളുടെ സംഭരിച്ചിരിക്കുന്ന മുഖ സവിശേഷതകളുമായി താരതമ്യം ചെയ്യുകയും ഏറ്റവും പൊരുത്തപ്പെടുന്ന വ്യക്തിയെ തിരിച്ചറിയുകയും പ്രദർശിപ്പിക്കുകയും ചെയ്യുന്നു.

ഒരു കമ്പ്യൂട്ടർ ഒരു മുഖം എങ്ങനെ തിരിച്ചറിയും?

ഇനി, കമ്പ്യൂട്ടറിന്റെ മുഖം തിരിച്ചറിയൽ പ്രക്രിയ പരിശോധിക്കാം. മുഖം തിരിച്ചറിയലിൽ നാല് പ്രധാന ഘട്ടങ്ങളുണ്ട്: ഇൻപുട്ട്, മുഖം കണ്ടെത്തൽ, സവിശേഷത വേർതിരിച്ചെടുക്കൽ, താരതമ്യം.
ഇൻപുട്ട് ഘട്ടത്തിൽ, ഒരു ഫോട്ടോയിൽ നിന്നോ വീഡിയോയിൽ നിന്നോ ഉള്ള ഒരു ഫ്രെയിം ഒരു ഇൻപുട്ട് ഉപകരണം വഴി കമ്പ്യൂട്ടറിലേക്ക് കൈമാറുന്നു. സാധാരണയായി, ഇൻപുട്ട് ഉപകരണത്തിന്റെ റെസല്യൂഷൻ കൂടുകയും ഫ്രെയിമുകൾ പെർ സെക്കൻഡ് (FPS) കൂടുകയും ചെയ്യുമ്പോൾ, മുഖങ്ങൾ കൂടുതൽ കൃത്യമായി തിരിച്ചറിയാൻ കഴിയും. നല്ല കാഴ്ചശക്തിയുള്ള ഒരാൾക്ക് ദൂരെ നിൽക്കുന്ന ഒരാളുടെ മുഖം എങ്ങനെ കൂടുതൽ കൃത്യമായി തിരിച്ചറിയാൻ കഴിയുമെന്നതിന് സമാനമാണ് ഈ തത്വം.
മുഖം തിരിച്ചറിയൽ ഘട്ടത്തിൽ, ഇൻപുട്ട് ഫോട്ടോയിലോ വീഡിയോയിലോ മുഖം ഉണ്ടോ എന്ന് സിസ്റ്റം ആദ്യം പരിശോധിക്കുന്നു. ഇതിനായി, മുഖത്തിന്റെ രൂപരേഖയും കണ്ണുകൾ, മൂക്ക്, വായ തുടങ്ങിയ പ്രധാന സവിശേഷതകളും ഇത് തിരിച്ചറിയുന്നു. വിവിധ മുഖം തിരിച്ചറിയൽ സാങ്കേതിക വിദ്യകൾ നിലവിൽ ഉപയോഗത്തിലുണ്ടെങ്കിലും, ഹാർ പോലുള്ള പ്രതിനിധാന കണ്ടെത്തൽ രീതിയിലാണ് നമ്മൾ ഇവിടെ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്.
ഹാർ പോലുള്ള കണ്ടെത്തൽ രീതി ഹാർ വേവ്‌ലെറ്റുകളെ ഉപയോഗിക്കുന്നു. കറുപ്പും വെളുപ്പും ഭാഗങ്ങളുള്ള ഒരു ലളിതമായ ചതുരാകൃതിയിലുള്ള പാറ്റേണാണ് വേവ്‌ലെറ്റ്. ഒരു ചിത്രത്തിലെ തെളിച്ചത്തിൽ വ്യത്യാസങ്ങൾ സംഭവിക്കുന്ന പ്രദേശങ്ങൾ തിരിച്ചറിയാൻ ഈ കറുപ്പും വെളുപ്പും ഭാഗങ്ങളും ഉപയോഗിക്കുന്നു. മുഴുവൻ ഇൻപുട്ട് ഇമേജിലോ വീഡിയോയിലോ ഉടനീളം വ്യത്യസ്ത വലുപ്പത്തിലും ആകൃതിയിലുമുള്ള വേവ്‌ലെറ്റുകൾ പ്രയോഗിക്കുന്നതിലൂടെയും, തുടർന്ന് കറുപ്പും വെളുപ്പും ഭാഗങ്ങൾ തമ്മിലുള്ള തെളിച്ച വ്യത്യാസം പ്രാധാന്യമുള്ള സ്ഥലങ്ങൾ മാത്രം നിലനിർത്തുന്നതിലൂടെയും, സിസ്റ്റത്തിന് മുഖത്തിന്റെ രൂപരേഖയും കണ്ണുകൾ, മൂക്ക്, വായ, പുരികം തുടങ്ങിയ പ്രധാന മുഖ സവിശേഷതകളും ഫലപ്രദമായി കണ്ടെത്താനാകും. കൂടാതെ, മുഖ സവിശേഷതകളെക്കുറിച്ചുള്ള സ്ഥാന വിവരങ്ങൾ വേർതിരിച്ചെടുക്കുന്നതിനും ഈ പ്രക്രിയ അനുവദിക്കുന്നു.
ഉദാഹരണത്തിന്, കണ്ണുകളെക്കുറിച്ചുള്ള വിവരങ്ങൾ വേർതിരിച്ചെടുക്കുമ്പോൾ, വേവ്‌ലെറ്റിന്റെ കറുത്ത ഭാഗങ്ങൾ പ്യൂപ്പിൾ പോലുള്ള താരതമ്യേന ഇരുണ്ട പ്രദേശങ്ങളുമായി പൊരുത്തപ്പെടുന്ന രീതിയിൽ സ്ഥാപിച്ചിരിക്കുന്നു, അതേസമയം വെളുത്ത ഭാഗങ്ങൾ ചർമ്മം പോലുള്ള തിളക്കമുള്ള പ്രദേശങ്ങളുമായി പൊരുത്തപ്പെടുന്നു. ഈ തെളിച്ച വ്യത്യാസങ്ങൾ ഉപയോഗപ്പെടുത്തുന്നതിലൂടെ, കണ്ണുകളുടെ സ്ഥാനവും ആകൃതിയും ഫലപ്രദമായി കണ്ടെത്താൻ കഴിയും.

മുഖത്തിന്റെ സവിശേഷതകൾ എങ്ങനെയാണ് വേർതിരിച്ചെടുക്കുന്നത്?

മുഖം കണ്ടെത്തൽ ഘട്ടം പൂർത്തിയായിക്കഴിഞ്ഞാൽ, ഫീച്ചർ എക്സ്ട്രാക്ഷൻ ഘട്ടത്തിലേക്ക് പോകണോ എന്ന് സിസ്റ്റം തീരുമാനിക്കും.
മുഖം തിരിച്ചറിയൽ ഘട്ടത്തിൽ തിരിച്ചറിഞ്ഞ മുഖ ഘടകങ്ങൾ പൂർണ്ണമായും ഉപയോഗപ്പെടുത്തുന്നതിനായി ഫീച്ചർ എക്സ്ട്രാക്ഷൻ ഘട്ടത്തിൽ, മുഖ സവിശേഷതകൾ എക്സ്ട്രാക്ഷൻ ചെയ്യുന്നു. മുഖം കണ്ടെത്തൽ ഘട്ടത്തിൽ നിന്ന് വ്യത്യസ്തമായി, ഈ പ്രക്രിയയിൽ ഒരു പ്രീപ്രോസസ്സിംഗ് ഘട്ടം ഉൾപ്പെടുന്നു. മുഖങ്ങളുടെ ഭ്രമണത്തിന്റെ ആംഗിൾ, വലുപ്പം, പ്രകാശ തീവ്രത എന്നിവ ഓരോ ഫോട്ടോഗ്രാഫിനോ വീഡിയോയ്‌ക്കോ അനുസരിച്ച് വ്യത്യാസപ്പെടുന്നതിനാൽ, കഴിയുന്നത്ര സ്റ്റാൻഡേർഡ് ചെയ്യുന്നതിനായി ഒരു നോർമലൈസേഷൻ പ്രക്രിയ നടത്തുന്നു. കൂടാതെ, ആവശ്യാനുസരണം കളർ ഫോട്ടോഗ്രാഫുകളോ വീഡിയോകളോ കറുപ്പും വെളുപ്പും ചിത്രങ്ങളാക്കി മാറ്റാം.
ഉദാഹരണത്തിന്, യഥാർത്ഥ ഫോട്ടോ ഗ്രേസ്കെയിലിലേക്ക് പരിവർത്തനം ചെയ്യുന്നു, തുടർന്ന് മുഖഭാഗം മാത്രം ക്രോപ്പ് ചെയ്ത് ഒരു ഏകീകൃത വലുപ്പത്തിലേക്ക് മാറ്റുന്നു, തുടർന്ന് തെളിച്ചം ശരിയാക്കാൻ ഹിസ്റ്റോഗ്രാം സമീകരണം നടത്തുന്നു. മുഖം കണ്ടെത്തൽ ഘട്ടത്തിൽ ലഭിച്ച മുഖ ഘടകങ്ങളുടെ സ്ഥാന വിവരങ്ങൾ ഉപയോഗിച്ച്, ഈ പ്രീപ്രോസസ്സിംഗിന് വിധേയമായ ഫോട്ടോകളിൽ നിന്നോ വീഡിയോകളിൽ നിന്നോ മുഖ സവിശേഷതകൾ വേർതിരിച്ചെടുക്കുന്നു.

വേർതിരിച്ചെടുത്ത മുഖ സവിശേഷതകൾ എങ്ങനെയാണ് ഉപയോഗിക്കുന്നത്?

താരതമ്യ ഘട്ടത്തിൽ, വേർതിരിച്ചെടുത്ത ഈ മുഖ ഘടകങ്ങളെക്കുറിച്ചുള്ള വിവരങ്ങൾ ഒരു ഡാറ്റാബേസിൽ (DB) സൂക്ഷിക്കുകയോ ഏറ്റവും മികച്ച പൊരുത്തം തിരിച്ചറിയുന്നതിനായി നിലവിലുള്ള മുഖ ഡാറ്റയുമായി താരതമ്യം ചെയ്യുകയോ ചെയ്യുന്നു.
കമ്പ്യൂട്ടർ അധിഷ്ഠിത മുഖം തിരിച്ചറിയൽ പ്രക്രിയയാണ് നമ്മൾ ഇപ്പോൾ പരിശോധിച്ചത്. ഏതാനും പതിറ്റാണ്ടുകൾക്ക് മുമ്പ്, ആളുകളെ വേർതിരിച്ചറിയാൻ ഒരു കമ്പ്യൂട്ടർ എന്ന ആശയം യാഥാർത്ഥ്യത്തിൽ നിന്ന് വളരെ അകലെയുള്ള ഒരു സാങ്കേതികവിദ്യയായി തോന്നി. എന്നിരുന്നാലും, കമ്പ്യൂട്ടർ ഹാർഡ്‌വെയർ, സോഫ്റ്റ്‌വെയർ, കൃത്രിമ ബുദ്ധി സാങ്കേതികവിദ്യകൾ എന്നിവയുടെ ദ്രുതഗതിയിലുള്ള പുരോഗതിയോടെ, മുഖം തിരിച്ചറിയൽ ഇപ്പോൾ വിവിധ മേഖലകളിൽ വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു - സ്മാർട്ട്‌ഫോണുകൾ, ലാപ്‌ടോപ്പുകൾ, അതുപോലെ ആക്‌സസ് നിയന്ത്രണം, സാമ്പത്തിക സേവനങ്ങൾ, വിമാനത്താവള സുരക്ഷ എന്നിവയുൾപ്പെടെ. ഇന്ന്, കമ്പ്യൂട്ടറുകൾക്ക് മനുഷ്യമുഖങ്ങൾ തിരിച്ചറിയാൻ കഴിയുന്ന സാങ്കേതികവിദ്യ ഇനി ഭാവിയുടെ കഥയല്ല, മറിച്ച് നമ്മുടെ ദൈനംദിന ജീവിതത്തിൽ സ്വാഭാവികമായി സംയോജിപ്പിച്ചിരിക്കുന്ന ഒരു സാങ്കേതികവിദ്യയായി മാറിയിരിക്കുന്നു.