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

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. تاکید 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.

providing a combined method of detecting face change using image processing: machine learning approach

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.