تهدیدات و خطرات موجود در مکان های عمومی، منجر به افزایش نیازهای امنیتی کاربران شده است، اخبار بین المللی نیز به طور مداوم بر افزایش آگاهی عمومی با یادآوری خطرات مذکور تاکید دارند. تمامی موارد مذکور منجر شده تا تولید کنندگان محصولات نظارت تصویری به فکر توسعه فن آوری های جدید باشند. حال سوال اینجاست که آیا می توان به طور کامل از وقوع چنین رویدادهایی جلوگیری نمود؟ تحولات ایجاد شده در سراسر جهان و گسترش پروژه هایی مانند پروژه های شهر امن با وجود موانع نسبی در حال انجام شدن هستند. حفاظت از افراد، منازل، اموال و وسایل نقلیه از جمله رایج ترین مزایای استفاده از این فن آوری های در حال ظهور می باشند. اما دوربین های نظارت تصویری مختلف در هر نوع کاربری که مورد استفاده قرار می گیرند، بعلاوه قابلیت های مختلف موجود در آنها منجر به پیچیده شدن مبحث راه اندازی سیستم نظارت تصویری شده است. توانایی جستجوی سریع در میان حجم انبوهی از داده ها یکی از این چالش هاست.
در بحث های امنیتی در سیستم های نظارت تصویری هایک ویژن، افزایش ایمنی کاربر فاکتور و اولویت اصلی محسوب می گردد. از منظر تجاری و کسب و کار نیز، افزایش رضایت مشتری عامل مهم و تعیین کننده ای است. فن آوری های مرتبط با تشخیص چهره نه تنها به این گونه مسائل پاسخ می دهند، بلکه بر توانایی های ما برای غلبه بر چالش های موجود می افزایند. علاوه بر افزایش سرعت و کارایی، شناسایی چهره می تواند راه کارهای جدیدی را برای افزایش امنیت در کاربری های مختلف ارائه دهد.
مشکلات و نیازهای امنیتی
شناسایی مظنونین حادثه در طی تحقیقات پس از وقوع رخدادها، مشکلات بسیاری را به همراه دارد. چالش هایی نظیر بررسی تمامی تصاویر گرفته شده از دوربین های مداربسته، بررسی تفاوت های موجود در چهره اشخاص و مقایسه آن ها با یکدیگر و استخراج اطلاعات مفید از میان حجم زیادی داده به منظور انجام اقدامات لازم در رخداد ها و … از جمله این موارد هستند. این موانع می تواند مشکل جدی و فلج کننده ای برای یک سیستم نظارت تصویری استاندارد، حتی با وجود تجهیزات بروز، محسوب شوند. پردازش چنین اطلاعاتی ممکن است منجر به از کار افتادن سیستم و کاهش کارایی آن گردد. در این مواقع نیاز به راه کار های موثر و پیشرفته تر از طریق توسعه هوش مصنوعی Deep Learning هایک ویژن در محصولات به شدت احساس می گردد. در همین راستا فن آوری تشخیص چهره هایک ویژن بدون شک از اهمیت ویژه ای برخوردار است.
مشکلات رایج در راه کار های مرتبط با تشخیص چهره
دوربین های مداربسته هوشمند قدیمی نسبت به محصولات جدیدتر جزئیات بسیار کم تری از تصویر زمینه را به نمایش می گذارند. در فرآیند تشخیص چهره انسان، دو مرحله کلیدی وجود دارد:
- گام اول، “تشخیص ویژگی های مختلف سوژه” است که پارامترهای آن توسط انسان طراحی شده و همیشه ذهنی هستند. این روش در شرایط بسیار خاصی مفید خواهد بود و در صورت تغییرات جزئی در نور محیط از دقت کار کاسته می گردد.
- گام دوم، “یادگیری طبقه بندی شده” است که از یادگیری و تحلیل دقیق داده ها استفاده می کند. نتایج به دست آمده مستقیما عمق و کاربرد برنامه های هوشمند را محدود می کند.
مزایای هوش مصنوعی Deep-Learning هایک ویژن برای سیستم های نظارت تصویری
هوش مصنوعی هایک ویژن Deep-Learning با سایر الگوریتم ها تفاوت ذاتی دارد. در واقع راه حل هایی که برای حل نقص ها در مقایسه با الگوریتم های قدیمی در آن وجود دارد در مفاهیمی کم و ساده خلاصه شده است که در ادامه به آن ها می پردازیم.
گام اول، از سطح به عمق
مدل الگوریتمی برای Deep-Learning دارای ساختاری بسیار عمیق تری نسبت به الگوریتم های قدیمی است. گاهی اوقات تعداد لایه ها می تواند به بیش از صد برسد، و آن را قادر می سازد حجم زیادی از داده ها را در دسته بندی های پیچیده پردازش کند. عملکرد Deep-Learning بسیار شبیه فرآیند یادگیری در انسان بوده و دارای یک فرآیند انتزاعی-لایه-لایه است. هر لایه وزن “متفاوتی” خواهد داشت و این وزن بر آنچه که از اجزا سازنده سوژه دریافت شده، تاثیر می گذارد. هرچه سطح لایه بالاتر باشد، مولفه های آن خاص تر است. با تاثیر پذیری از مغز انسان، یک سیگنال اصلی در Deep-Learning از طریق لایه های پردازشی عبور می کند؛ سپس، آن را از فهم جزئی (کم عمق) به یک انتزاع کلی (عمیق) که ما می توانیم آن را درک کنیم تبدیل می کند.
گام دوم، از ویژگی های ساختگی تا یادگیری ویژگی ها
یادگیری عمیق به مداخله دستی (انسان) نیاز ندارد، بلکه به یک کامپیوتر برای استخراج ویژگی ها متکی است. به این ترتیب می تواند ویژگی های بسیاری را از هدف استخراج کند، از جمله ویژگی های انتزاعی که توصیف آنها دشوار یا غیرممکن است. هرچه سوژه دارای جزئیات بیشتری باشد تشخیص و طبقه بندی آن دقیق تر خواهد بود. برخی از مزایای مستقیم الگوریتم های Deep-Learning شامل دقت بالا در الگوهای تشخیصی حتی بیشتر از انسان، قابلیت های ضد تداخل قوی، و قابلیت طبقه بندی و تشخیص هزاران ویژگی دیگر می شود.
با استفاده از تکنولوژی Deep-Learning، دقت متوسط در تشخیص چهره افراد به طور قابل توجهی افزایش می یابد. راهکار تشخیص چهره هایک ویژن تمامی محدودیت های موجود در این روش را از بین برده است. وجود قابلیت های بسیار زیاد جهت ذخیره سازی داده ها در این راه کار، باعث شده تا بتوان به کتابخانه ای از اطلاعات استخراج شده از چهره های مختلف دسترسی داشت. از این اطلاعات در فعال شدن سیستم های هشدار و مجوز ورود و خروج در طیف وسیعی از کاربرد ها استفاده می گردد.
هایک ویژن الگوریتم های خود را در دوربین ها و دستگاه های ضبط کننده ادغام کرده است بنابراین به هیچ دستگاه سرور یا کامپیوتری نیاز نیست. این به معنای تاخیر کمتر در انتقال داده ها و کاهش فشار وارد بر دستگاه است. با وجود الگوریتم Deep-Learning، دقت عملکردی تشخیص چهره به 95٪ و دقت مقایسه میان چهره ها به 98٪ می رسد. با وجود مدل های مختلف در این الگوریتم ها تمام چهره های انسانی در سرتاسر دنیا در قالب این ویژگی پشتیبانی شده و قابل تشخیص اند.
ثبت ديدگاه