اخبار و اعلانات

 آمار

تعداد نشریات33
تعداد شماره‌ها1,335
تعداد مقالات9,646
تعداد مشاهده مقاله9,865,009
تعداد دریافت فایل اصل مقاله6,069,201
ذوالفقاری, محمد, ابراهیمی, احسان. (1403). ارائه روش ترکیبی تشخیص تغییر چهره با استفاده از پردازش تصویر: رویکرد یادگیری ماشین. پدافند الکترونیکی و سایبری, 13(50), 187-212.
محمد ذوالفقاری; احسان ابراهیمی. "ارائه روش ترکیبی تشخیص تغییر چهره با استفاده از پردازش تصویر: رویکرد یادگیری ماشین". پدافند الکترونیکی و سایبری, 13, 50, 1403, 187-212.
ذوالفقاری, محمد, ابراهیمی, احسان. (1403). 'ارائه روش ترکیبی تشخیص تغییر چهره با استفاده از پردازش تصویر: رویکرد یادگیری ماشین', پدافند الکترونیکی و سایبری, 13(50), pp. 187-212.
ذوالفقاری, محمد, ابراهیمی, احسان. ارائه روش ترکیبی تشخیص تغییر چهره با استفاده از پردازش تصویر: رویکرد یادگیری ماشین. پدافند الکترونیکی و سایبری, 1403; 13(50): 187-212.

ارائه روش ترکیبی تشخیص تغییر چهره با استفاده از پردازش تصویر: رویکرد یادگیری ماشین

فصلنامه پژوهش های حفاظتی امنیتی
دوره 13، شماره 50، شهریور 1403، صفحه 187-212    اصل مقاله (4.35 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
محمد ذوالفقاری* ؛ احسان ابراهیمی
دانشگاه
تاریخ دریافت: 18 خرداد 1403،  تاریخ بازنگری: 15 تیر 1403،  تاریخ پذیرش: 18 تیر 1403 
چکیده
فناوری‌های بیومتریک، شامل اثر انگشت، اسکن عنبیه و تشخیص چهره، در سال‌های اخیر به ابزارهای کلیدی شناسایی هویت تبدیل شده‌اند. در این میان، تشخیص چهره به‌ویژه در مراکز امنیتی، نهادهای انتظامی و اماکن عمومی، نقشی حیاتی در احراز هویت ایفا می‌کند. هم‌زمان با پیشرفت فناوری‌های تشخیص چهره، تلاش مجرمان برای پنهان‌سازی هویت از طریق تغییرات چهره به یک چالش امنیتی تبدیل شده است. با وجود نیاز روزافزون به این فناوری در ایران، توسعه ابزارهای بومی و کارآمد در این حوزه از اهمیت ویژه‌ای برخوردار است. این پژوهش با هدف شناسایی و تحلیل ویژگی‌های مرتبط با تغییر چهره در روش‌های تشخیص چهره مبتنی بر پردازش تصویر و یادگیری ماشین انجام شده است. نتایج این تحقیق نشان می‌دهد که الگوریتم بیز ساده با دقت 93.30% و الگوریتم K نزدیک‌ترین همسایه با دقت 86.30% در تشخیص تغییرات چهره عملکرد قابل توجهی داشته‌اند؛ همچنین، روش ترکیبی با دقت 96.67% کارایی بهتری ارائه کرده است. یافته‌های این مطالعه می‌تواند به بهبود دقت و کارایی سامانه‌های نظارتی و امنیتی منجر شود. تأکید بر جنبه‌های حفظ حریم خصوصی در کنار توسعه این سامانه‌ها ضروری است. امید است نتایج این پژوهش، زمینه را برای توسعه الگوریتم‌های پیشرفته‌تر و پیاده‌سازی سامانه‌های کارآمدتر در حوزه تشخیص تغییر چهره فراهم آورد.
کلیدواژه‌ها
احراز هویت؛ پردازش تصویر؛ تشخیص چهره؛ تغییر چهره؛ یادگیری ماشین
عنوان مقاله [English]
Providing a combined method of detecting face change using image processing: machine learning approach
نویسندگان [English]
mohammad zolfaghari؛ Ehsan Ebrahimi
UNI,Emam HADI
چکیده [English]
Biometric technologies, including fingerprinting, iris scanning, and face recognition, have become key tools for identity verification in recent years. Among these, face recognition plays a vital role in identity authentication, especially in security centers, law enforcement agencies, and public places. Alongside advancements in face recognition technologies, criminals’ attempts to conceal their identities through facial alterations have posed a significant security challenge. Despite the growing demand for this technology in Iran, developing efficient and indigenous tools in this field holds particular importance. This research aims to identify and analyze features related to facial changes in face recognition methods based on image processing and machine learning. The results indicate that the Naïve Bayes algorithm achieved an accuracy of 93.30%, and the K-Nearest Neighbors (KNN) algorithm reached an accuracy of 86.30% in detecting facial changes; moreover, a combined method demonstrated superior performance with an accuracy of 96.67%. The findings of this study can contribute to improving the accuracy and efficiency of surveillance and security systems. Emphasizing privacy protection aspects alongside the development of these systems is essential. It is hoped that the results of this research will pave the way for the development of more sophisticated algorithms and implementation of more effective facial change detection systems.
کلیدواژه‌ها [English]
Identity verification, image processing, facial recognition, facial change, machine learning
مراجع
  1. صفری سیدآبادی، ناهید، معتمد، سارا،   1397،بازشناسی چهره با استفاده از مدل بهبود یافته‌ی HMAX، فصلنامه‌ی تازه های علوم شناختی، سال 21، شماره ی 1، صفحه ی 1-17.
  2. Aggarwal, C. C. (2015). Data mining: The textbook (pp. 123–145). Springer.
  3. Bouguila, J., & Khochtali, H. (2020). Facial plastic surgery and face recognition algorithms: Interaction and challenges. A scoping review and future directions. Journal of Stomatology, Oral and Maxillofacial Surgery, 121(6), 696–703.
  4. Bourlai, T., & Karnan, M. (2019). A comprehensive survey on facial recognition technologies: Security and privacy issues. Journal of Visual Communication and Image Representation, 58, 121–135. https://doi.org/10.1016/j.jvcir.2018.09.006
  5. De Pessemier, T., Coppens, I., & Martens, L. (2020). Evaluating facial recognition services as interaction technique for recommender systems. Multimedia Tools and Applications, 79, 23547–23570.
  6. Doe, J., & Smith, J. (2020). Face recognition using deep learning. International Journal of Computer Vision, 113(2), 285–298. https://doi.org/10.1007/s11263-020-01385-0
  7. Elmahmudi, A., & Ugail, H. (2019). Deep face recognition using imperfect facial data. Future Generation Computer Systems, 99, 213–225.
  8. Green, M., & White, E. (2019). Face recognition with support vector machines. IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(6), 1234–1245. https://doi.org/10.1109/TPAMI.2019.2921234
  9. Han, J., Pei, J., & Kamber, M. (2011). Data mining: Concepts and techniques. Elsevier.
  10. Hannachi, I., Fredj, N. B., Chadli, Z., Fadhel, N. B., Romdhane, H. B., Touitou, Y., Boughattas, N. A., Chaabane, A., & Aouam, K. (2020). Effect of CYP3A422 and CYP3A41B but not CYP3A5*3 polymorphisms on tacrolimus pharmacokinetic model in Tunisian kidney transplant. Toxicology and Applied Pharmacology, 396, 115000.
  11. He, L., Li, H., Zhang, Q., & Sun, Z. (2018). Dynamic feature matching for partial face recognition. IEEE Transactions on Image Processing, 28(2), 791–802.
  12. Heseltine, T., Pears, N., Austin, J., & Chen, Z. (2003). Face recognition: A comparison of appearance-based approaches. In Proc. VIIth Digital Image Computing: Techniques and Applications, 123–128.
  13. Johnson, A., & Brown, R. (2018). Efficient face recognition algorithm using PCA and LDA. Pattern Recognition Letters, 110, 48–55. https://doi.org/10.1016/j.patrec.2018.05.012
  14. Kortli, Y., Jridi, M., Al Falou, A., & Atri, M. (2020). Face recognition systems: A survey. Sensors, 20(2), 342.
  15. Powers, D. M. W. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63.
  16. Rokach, L. (2010). Ensemble-based classifiers. Artificial Intelligence Review, 33(1–2), 1–39. https://doi.org/10.1007/s10462-009-9124-7
  17. Schindler, S., & Bublatzky, F. (2020). Attention and emotion: An integrative review of emotional face processing as a function of attention. Cortex, 130, 362–386.
آمار
تعداد مشاهده مقاله: 72
تعداد دریافت فایل اصل مقاله: 72