இந்த வலைப்பதிவில், கணினிகள் மனித முகங்களை அடையாளம் காணும் விதத்தின் பின்னணியில் உள்ள கோட்பாடுகளையும் செயல்முறைகளையும் எளிமையாகவும் நேரடியாகவும் காண்போம்.

முகத்தை அடையாளம் காண்பதற்கு அடிப்படையாக உள்ள கோட்பாடுகள் யாவை?

சிறுவயதில் நீங்கள் ஒரு மனித முகத்தை முழுமையாக்க வேண்டிய விளையாட்டை ஒரு முறையாவது விளையாடியிருப்பீர்கள். இந்த விளையாட்டில், நீங்கள் முதலில் ஒரு முக வடிவத்தைத் தேர்ந்தெடுத்து, பின்னர் சிகை அலங்காரம், கண்கள், மூக்கு மற்றும் வாய் ஆகியவற்றை ஒவ்வொன்றாகத் தேர்ந்தெடுத்து முகத்தில் பொருத்துவீர்கள். பல்வேறு சிகை அலங்காரங்கள், கண்கள், மூக்குகள் மற்றும் வாய்களுக்கு இடையில் மாறுவதன் மூலம், நீங்கள் விரும்பும் முகத்தை உருவாக்கலாம். கணினிகள் முகங்களை அடையாளம் கண்டு ஒப்பிடும் விதமும் இதிலிருந்து பெரிதாக வேறுபட்டதல்ல. கணினிகள் முக அம்சங்களை அடையாளம் கண்டு சேமித்து வைக்கின்றன; ஒரு முகத்தின் புதிய புகைப்படம் உள்ளீடு செய்யப்படும்போது, ​​அது சேமிக்கப்பட்ட அம்சங்களுடன் ஒப்பிட்டு அந்த நபர் யார் என்பதைத் தீர்மானிக்கின்றன.
எளிதில் அணுகக்கூடிய முக அங்கீகாரத் தொழில்நுட்பத்தின் சமீபத்திய உதாரணம், முக அங்கீகாரச் செயலி (App) ஆகும். இந்தச் செயலிகள், பிரபலங்களின் புகைப்படங்களிலிருந்து முகத்தின் வடிவங்கள், கண்கள், மூக்கு மற்றும் வாய் போன்ற முக்கிய அம்சங்களை முன்கூட்டியே பிரித்தெடுத்துச் சேமித்து வைக்கின்றன. பின்னர், ஒரு நபரின் முகம் கேமரா மூலம் படம் பிடிக்கப்படும்போது, ​​அந்தச் செயலி அதே முறையில் முக அம்சங்களைப் பிரித்தெடுத்து, சேமிக்கப்பட்ட பிரபலங்களின் முக அம்சங்களுடன் ஒப்பிட்டு, மிகவும் நெருக்கமாகப் பொருந்தும் நபரை அடையாளம் கண்டு காண்பிக்கிறது.

கணினி ஒரு முகத்தை எப்படி அடையாளம் காண்கிறது?

இப்போது, ​​கணினியின் முகத்தை அடையாளம் காணும் செயல்முறையை ஆராய்வோம். முகத்தை அடையாளம் காணுதல் நான்கு முக்கிய நிலைகளைக் கொண்டுள்ளது: உள்ளீடு, முகத்தைக் கண்டறிதல், அம்சங்களைப் பிரித்தெடுத்தல் மற்றும் ஒப்பிடுதல்.
உள்ளீட்டு நிலையில், ஒரு புகைப்படம் அல்லது காணொளியிலிருந்து ஒரு தனி பிரேம், உள்ளீட்டு சாதனம் வழியாக கணினிக்கு அனுப்பப்படுகிறது. பொதுவாக, உள்ளீட்டு சாதனத்தின் தெளிவுத்திறன் மற்றும் வினாடிக்கு பிரேம்களின் எண்ணிக்கை (FPS) அதிகமாக இருந்தால், முகங்களை மிகவும் துல்லியமாக அடையாளம் காண முடியும். நல்ல பார்வை கொண்ட ஒருவர் தொலைவில் நிற்கும் ஒருவரின் முகத்தை மிகவும் துல்லியமாக அடையாளம் காண்பதைப் போன்றதே இந்தக் கொள்கையும் ஆகும்.
முகத்தைக் கண்டறியும் கட்டத்தில், உள்ளீட்டுப் புகைப்படம் அல்லது காணொளியில் முகம் உள்ளதா என்பதை கணினி முதலில் சரிபார்க்கிறது. இதைச் செய்ய, அது முகத்தின் வெளிப்புற வடிவம் மற்றும் கண்கள், மூக்கு, வாய் போன்ற முக்கிய அம்சங்களை அடையாளம் காண்கிறது. தற்போது பல்வேறு முகத்தைக் கண்டறியும் நுட்பங்கள் பயன்பாட்டில் இருந்தாலும், நாம் இங்கு அதன் பிரதிநிதித்துவமான ஹார் போன்ற கண்டறியும் முறையில் கவனம் செலுத்துவோம்.
ஹார் போன்ற கண்டறிதல் முறையானது ஹார் வேவ்லெட்டுகளைப் பயன்படுத்துகிறது. வேவ்லெட் என்பது கருப்பு மற்றும் வெள்ளை பகுதிகளைக் கொண்ட ஒரு எளிய செவ்வக வடிவமாகும். ஒரு படத்தில் பிரகாச வேறுபாடுகள் ஏற்படும் பகுதிகளை அடையாளம் காண இந்த கருப்பு-வெள்ளை பகுதிகள் பயன்படுத்தப்படுகின்றன. உள்ளீட்டுப் படம் அல்லது வீடியோ முழுவதும் பல்வேறு அளவுகள் மற்றும் வடிவங்களிலான வேவ்லெட்டுகளைப் பயன்படுத்துவதன் மூலமும், பின்னர் கருப்பு மற்றும் வெள்ளை பகுதிகளுக்கு இடையிலான பிரகாச வேறுபாடு குறிப்பிடத்தக்கதாக இருக்கும் இடங்களை மட்டும் தக்கவைத்துக்கொள்வதன் மூலமும், இந்த அமைப்பு முகத்தின் வெளிப்புறக் கோடு மற்றும் கண்கள், மூக்கு, வாய், புருவங்கள் போன்ற முக்கிய முக அம்சங்களைத் திறம்பட கண்டறிய முடியும். மேலும், இந்த செயல்முறை முக அம்சங்கள் தொடர்பான நிலைத் தகவல்களைப் பிரித்தெடுக்கவும் அனுமதிக்கிறது.
உதாரணமாக, கண்களைப் பற்றிய தகவல்களைப் பிரித்தெடுக்கும்போது, ​​வேவ்லெட்டின் கருப்புப் பகுதிகள் கண்மணி போன்ற ஒப்பீட்டளவில் இருண்ட பகுதிகளுக்கும், வெள்ளைப் பகுதிகள் தோல் போன்ற பிரகாசமான பகுதிகளுக்கும் பொருந்தும்படி நிலைநிறுத்தப்படுகின்றன. இந்த பிரகாச வேறுபாடுகளைப் பயன்படுத்துவதன் மூலம், கண்களின் நிலை மற்றும் வடிவத்தை திறம்பட கண்டறிய முடியும்.

முக அம்சங்கள் எவ்வாறு பிரித்தெடுக்கப்படுகின்றன?

முகத்தைக் கண்டறியும் கட்டம் முடிந்தவுடன், அம்சப் பிரித்தெடுப்புக் கட்டத்திற்குச் செல்வதா வேண்டாமா என்பதை கணினி அமைப்பு தீர்மானிக்கிறது.
முகத்தோற்றப் பிரித்தெடுப்புக் கட்டத்தில், முகத்தைக் கண்டறியும் கட்டத்தில் அடையாளம் காணப்பட்ட முகக் கூறுகளை முழுமையாகப் பயன்படுத்திக்கொள்ளும் வகையில் முக அம்சங்கள் பிரித்தெடுக்கப்படுகின்றன. முகத்தைக் கண்டறியும் கட்டத்தைப் போலல்லாமல், இந்தச் செயல்முறையில் ஒரு முன்செயலாக்கப் படிநிலை உள்ளது. ஒவ்வொரு புகைப்படம் அல்லது காணொளியிலும் முகங்களின் சுழற்சிக் கோணம், அளவு மற்றும் ஒளிச்செறிவு ஆகியவை மாறுபடுவதால், அவற்றை முடிந்தவரை தரப்படுத்துவதற்காக ஒரு சீராக்கல் செயல்முறை செய்யப்படுகிறது. மேலும், தேவைக்கேற்ப வண்ணப் புகைப்படங்கள் அல்லது காணொளிகள் கருப்பு-வெள்ளைப் படங்களாக மாற்றப்படலாம்.
உதாரணமாக, அசல் புகைப்படம் கிரேஸ்கேலாக மாற்றப்பட்டு, பின்னர் முகப் பகுதி மட்டும் வெட்டப்பட்டு ஒரே சீரான அளவிற்கு மாற்றியமைக்கப்படுகிறது, மேலும் பிரகாசத்தைச் சரிசெய்ய ஹிஸ்டோகிராம் சமப்படுத்தல் செய்யப்படுகிறது. முகத்தைக் கண்டறியும் கட்டத்தில் பெறப்பட்ட முகக் கூறுகளின் நிலைத் தகவலைப் பயன்படுத்தி, இந்த முன்செயலாக்கத்திற்கு உட்படுத்தப்பட்ட புகைப்படங்கள் அல்லது வீடியோக்களிலிருந்து முக அம்சங்கள் பிரித்தெடுக்கப்படுகின்றன.

பிரித்தெடுக்கப்பட்ட முக அம்சங்கள் எவ்வாறு பயன்படுத்தப்படுகின்றன?

ஒப்பீட்டுக் கட்டத்தின் போது, ​​இவ்வாறு பிரித்தெடுக்கப்பட்ட முகக் கூறுகள் குறித்த தகவல்கள் ஒரு தரவுத்தளத்தில் (DB) சேமிக்கப்படுகின்றன அல்லது மிகச்சரியான பொருத்தத்தைக் கண்டறிவதற்காக ஏற்கனவே உள்ள முகத் தரவுகளுடன் ஒப்பிடப்படுகின்றன.
கணினி அடிப்படையிலான முக அறிதல் செயல்முறையை நாம் இப்போது ஆராய்ந்துள்ளோம். சில பத்தாண்டுகளுக்கு முன்பு, கணினி மனிதர்களை வேறுபடுத்தி அறியும் என்ற எண்ணம், யதார்த்தத்திலிருந்து வெகு தொலைவில் உள்ள ஒரு தொழில்நுட்பமாகத் தோன்றியது. இருப்பினும், கணினி வன்பொருள், மென்பொருள் மற்றும் செயற்கை நுண்ணறிவுத் தொழில்நுட்பங்களின் விரைவான முன்னேற்றத்தால், முக அறிதல் இப்போது ஸ்மார்ட்போன்கள் மற்றும் மடிக்கணினிகள், அத்துடன் அணுகல் கட்டுப்பாடு, நிதிச் சேவைகள் மற்றும் விமான நிலையப் பாதுகாப்பு உள்ளிட்ட பல்வேறு துறைகளில் பரவலாகப் பயன்படுத்தப்படுகிறது. இன்று, கணினிகள் மனித முகங்களை அடையாளம் காண உதவும் தொழில்நுட்பம் என்பது இனி எதிர்காலக் கதையாக இல்லாமல், நமது அன்றாட வாழ்வில் இயல்பாக ஒருங்கிணைந்த ஒரு தொழில்நுட்பமாக மாறிவிட்டது.