تشخیص و بازشناسی چهره پوشیده ‌شده با ماسک با استفاده از شبکه‌های عصبی عمیق

زمینه و هدف: در دهه‌های اخیر، پیشرفت‌های چشمگیری در تشخیص چهره و شناسایی افراد رخ‌داده است.  اما با شیوع ویروس‌ها و مقررات بهداشتی، چالش‌های بازشناسی چهره با ماسک پیش‌آمده است. در پژوهش حاضر برای مقابله با این چالش‌ها، یک سامانه بازشناسی چهره با ماسک بر پایه شبکه عصبی عمیق طراحی و پیاده‌سازی شده است.روش تحقیق: در این مقاله ابتدا بامطالعه ادبیات و تحلیل مقالات موجود، مسیر معماری مدل و دادگان تعیین شد. سپس به علت نبود دادگان مناسب برای آموزش، دادگان ساختگی تشخیص چهره با ماسک ایجاد شد. در گام بعد، پس از ارزیابی عملکرد معماری‌های رایج شبکه عصبی برای تشخیص چهره، یک مدل اولیه بر پایه معماری mobilefacenet با دادگان طبیعی و ساختگی آموزش داده شد. همچنین یک رابط کاربری نیز طراحی و پیاده‌سازی شد تا امکان ارزیابی برای ناظر و کارفرما در یک محیط امن وجود داشته باشد. با دریافت بازخوردها، مدل و طریقه امتیازدهی به تصاویر بهبود یافت و در اختیار کارفرما قرار گرفت. ارزیابی نهایی روی دادگان واقعی انجام شد؛یافته‌ها و نتایج: نتایج ارزیابی نشان داد که در تایید هویت، معیار eer حدود 5.9 درصد بوده و در تشخیص هویت، دقت 91 درصد برای رتبه اول و حدود دقت 98 درصد برای رتبه دهم داشته است. در پیاده‌سازی نهایی سامانه، امکان ثبت‌نام دسته‌ای و جستجوی افراد ارائه نیز شده است. یک نمونه از سامانه در سیستم پلیس نصب شده و پس از بررسی‌های انجام‌شده، تایید کیفیت آن توسط آن نهاد اعلام شد.

masked face detection and recognition using deep neural networks

background and objective: in recent decades, remarkable advancements have been made in face recognition and individual identification. however, with the prevalence of viruses and health regulations, challenges in face recognition with masks have emerged.methodology: in this research, a face recognition system based on deep neural networks has been designed and implemented to address these challenges. this article first defines the architectural model and dataset through a literature review and analysis of existing articles. due to the lack of appropriate data for training, synthetic datasets for face recognition with masks were created. in the next step, after evaluating the performance of common neural network architectures for face recognition, an initial model based on the mobilefacenet architecture was trained using both natural and synthetic data. additionally, a user interface was designed and implemented to facilitate evaluation for supervisors and stakeholders in a secure environment. the model and image scoring method were improved with feedback received and handed over to the stakeholders.findings: final evaluations were conducted on real-world datasets, revealing that the equal error rate (eer) for identity verification was approximately 5.9%, and the identity recognition achieved an accuracy of 91% for the top rank and approximately 98% for the top ten ranks.conclusion:in the final system implementation, batch registration and individual search capabilities were also provided. a sample of the system was installed in a police system, and after thorough evaluations, its quality was endorsed by the respective authority.