https://www.youtube.com/watch?v=EKQjzcC85i4
https://en.wikipedia.org/wiki/Facial_recognition_system
https://www.kaspersky.com/resource-center/definitions/what-is-facial-recognition
The fingerprints may be categorized into three general pattern types: - arches, Loops and Whorls. The
common characteristics that make up these patterns are known as pattern area, type lines, delta and
core.
വിരലടയാളങ്ങളെ മൂന്ന് പൊതുവായ
പാറ്റേൺ തരങ്ങളായി തരംതിരിക്കാം: കമാനങ്ങൺ, ലൂപ്പുകൺ, ചുഴികൺ. ഈ
പാറ്റേണുകൺ നിൺമ്മിക്കുന്ന പൊതുവായ
സ്വഭാവസവിശേഷതകൺ പാറ്റേൺ ഏരിയ,
ടൈപ്പ് ലൈനുകൺ, ഡെൺറ്റ, കോൺ
എന്നിങ്ങനെ അറിയപ്പെടുന്നു.
ഫിംഗൺപ്രിന്റ് തിരിച്ചറിയൺ എന്നത് ഒരു
വ്യക്തിയുടെ വിരലടയാളം മുമ്പ്
രേഖപ്പെടുത്തിയ സാമ്പിളുകളുമായി
താരതമ്യപ്പെടുത്തി വ്യക്തിയുടെ
ഐഡന്റിറ്റി പരിശോധിക്കുന്ന
പ്രക്രിയയാണ്. വിരലടയാളങ്ങൺ മനുഷ്യ
വിരലുകളുടെ ഇംപ്രഷനുകളാണ്, അതിൺ
വരമ്പുകളും തോടുകളും ഉൺപ്പെടുന്നു.
സിസ്റ്റത്തിൺ പിടിച്ചിരിക്കുന്ന
വിരലടയാളങ്ങൺ സൂക്ഷ്മ പോയിന്റുകളാൺ
സ്ഥിതിചെയ്യുന്നു - പാടുകൺ
ആരംഭിക്കുന്നതോ
അവസാനിപ്പിക്കുന്നതോ ആയ
പോയിന്റുകൺ. ഇവയ്ക്കിടയിലുള്ള വരകൺ
ഉപയോഗിച്ച് കൂടുതൺ മാപ്പ് ചെയ്ത് ഒരു
ചെറിയ ടെംപ്ലേറ്റ് സൃഷ്ടിക്കുന്നു.
ഇന്നോവാട്രിക്സിന്റെ ഫിംഗൺപ്രിന്റ്
മാച്ചറും എക്സ്ട്രാക്റ്ററും NIST
ബെഞ്ച്മാൺക്കുകളെ നയിക്കുന്നു
വ്യത്യസ്ത ദാതാക്കളിൺ നിന്നുള്ള
ടെംപ്ലേറ്റ് ജനറേറ്ററുകളുടെയും
മാച്ചറുകളുടെയും പരസ്പര
പ്രവൺത്തനക്ഷമതയ്ക്കായി യുഎസ്
എൺഐഎസ്ടിയുടെ Minex III പരിശോധനകൺ
പരിശോധിക്കുന്നു, അതിനാൺ അവ യുഎസ്
ഗവൺമെന്റിന്റെ വ്യക്തിഗത ഐഡന്റിറ്റി
വെരിഫിക്കേഷൺ പ്രോഗ്രാമിനും
സ്റ്റാൺഡേൺഡ് ഫിംഗൺപ്രിന്റ്
ടെംപ്ലേറ്റുകൺ ഉപയോഗിക്കുകയും
ജനറേറ്റുചെയ്യുകയും ചെയ്യുന്ന മറ്റ് പല
ഉപയോഗങ്ങൺക്കും ഉപയോഗിക്കാനാകും.
ഇന്നോവാട്രിക്സ് മാച്ചൺ പൂൺഡ്
വിഭാഗത്തിൺ ഒന്നാം സ്ഥാനത്ത് തുടൺന്നു,
ഇപ്പോൺ നേറ്റീവ് വിഭാഗത്തിലും ഒന്നാം
സ്ഥാനത്താണ്. ഇന്നൊവാട്രിക്സ് ടെംപ്ലേറ്റ്
ജനറേറ്റൺ ഇപ്പോൺ നേറ്റീവ് വൺ ഫിംഗൺ
വിഭാഗത്തിൺ ലോകത്തിലെ ഏറ്റവും
വേഗതയേറിയതും പൂൺ ചെയ്ത ഫലങ്ങളിൺ
കൃത്യതയിൺ ഒന്നാമതുമാണ്.
PFT III ഉടമസ്ഥതയിലുള്ള ഫിംഗൺപ്രിന്റ്
ടെംപ്ലേറ്റുകളും അവയുടെ പ്രകടനവും ഒന്ന-്
ടു-വൺ മാച്ചിംഗിൺ പരിശോധിക്കുന്നു.
സ്റ്റാൺഡേൺഡ് ടെംപ്ലേറ്റുകളിൺ നിന്ന്
വ്യത്യസ്തമായി, ഉടമസ്ഥതയിലുള്ളവ ഓരോ
വെണ്ടൺക്കും പ്രത്യേകമാണ്,
സാധാരണയായി ആ വെണ്ടൺ സിസ്റ്റത്തിൺ
ഉപയോഗിക്കുമ്പോൺ വേഗത, കൃത്യത
അല്ലെങ്കിൺ രണ്ടും ഒപ്റ്റിമൈസ്
ചെയ്യുന്നു. എക്സ്ട്രാക്ഷൺ മുതൺ
പൊരുത്തപ്പെടുത്തൺ വരെയുള്ള ഞങ്ങളുടെ
എല്ലാ ഫിംഗൺപ്രിന്റ്
അൺഗോരിതങ്ങളുടെയും പ്രകടനം ആഗോള
ഉന്നതരുടെ ഇടയിൺ സ്ഥിരതയാൺന്നതാണ്,
നിരവധി ടെസ്റ്റുകളിൺ പോലും ഒന്നാം
സ്ഥാനത്താണ്.
ഫീച്ചൺ എക്സ്ട്രാക്റ്റൺ എങ്ങനെ
പ്രവൺത്തിക്കുന്നു
ഇന്നോവാട്രിക്സ് ഫിംഗൺപ്രിന്റ്
റെക്കഗ്നിഷൺ അൺഗോരിതം രണ്ട് പ്രധാന
ഭാഗങ്ങൺ ഉൺക്കൊള്ളുന്നു: ഫീച്ചൺ
എക്സ്ട്രാക്റ്റൺ, ഫിംഗൺപ്രിന്റ് മാച്ചൺ.
ഫീച്ചൺ എക്സട
് ്രാക്റ്റൺ ഫിംഗൺപ്രിന്റ്
ഇമേജ് ഒരു റോ ഇമേജായി എടുക്കുകയും ഒരു
പ്രത്യേക ഫിംഗൺപ്രിന്റ് ടെംപ്ലേറ്റിൺ
എൺകോഡ് ചെയ്യുകയും ചെയ്യുന്നു.
ഇന്നോവാട്രിക്സിന്റെ എക്സ്ട്രാക്ഷൺ
അൺഗോരിതം വിവിധ തരം സെൺസറുകളിൺ
നിന്നുള്ള വ്യത്യസ്ത ഇമേജ് ഫോൺമാറ്റുകളെ
പിന്തുണയ്ക്കുന്നു. മഷി പുരട്ടിയ
ചിത്രങ്ങൺക്കും ഇത് ഒപ്റ്റിമൈസ്
ചെയ്തിട്ടുണ്ട് (ക്രിമിനൺ
ആപ്ലിക്കേഷനുകളിൺ സാധാരണയായി
ഉപയോഗിക്കുന്നു). ഫീച്ചൺ
എക്സ്ട്രാക്റ്റൺ രൂപകൺപ്പന
ചെയ്തിരിക്കുന്നത് കുറഞ്ഞ
നിലവാരമുള്ളതും ഭാഗികമായ ഫിംഗൺപ്രിന്റ്
ചിത്രങ്ങളുമായി നന്നായി
പ്രവൺത്തിക്കാനാണ്. ഏറ്റെടുക്കൺ
സമയത്ത് ഒപ്റ്റിമൺ അവസ്ഥകളേക്കാൺ
കുറവായതിനാൺ ഫിംഗൺപ്രിന്റ്
ചിത്രത്തിന്റെ ഗുണനിലവാരം കുറയും.
മൊത്തത്തിലുള്ള ചിത്രത്തിന്റെ
ഗുണനിലവാരം ഗണ്യമായി
വൺദ്ധിപ്പിക്കാനും തിരിച്ചറിയൺ
പ്രക്രിയയെ മാറ്റാത്ത വിധത്തിൺ
സാധ്യമായ വൈകല്യങ്ങൺ പരിഹരിക്കാനും
അൺഗോരിതത്തിന് കഴിയും. ഈ നൂതന ഇമേജ്
മെച്ചപ്പെടുത്തൺ സാങ്കേതിക വിദ്യകൺ
സിസ്റ്റത്തിന്റെ മൊത്തത്തിലുള്ള
കൃത്യതയിൺ കാര്യമായ സ്വാധീനം
ചെലുത്തുന്നു.
ഫിംഗൺപ്രിന്റ് മാച്ചൺ എങ്ങനെ
പ്രവൺത്തിക്കുന്നു
രണ്ട് ഫിംഗൺപ്രിന്റ് ടെംപ്ലേറ്റുകൺ
താരതമ്യം ചെയ്യുക എന്നതാണ് മാച്ചറിന്റെ
ലക്ഷ്യം. മാച്ചൺ യഥാൺത്ഥ ഫിംഗൺപ്രിന്റ്
ഇമേജ് ഉപയോഗിക്കുന്നില്ല, പകരം
ഫലമായുണ്ടാകുന്ന ടെംപ്ലേറ്റുകളാണ്
ഉപയോഗിക്കുന്നത്. രണ്ട് ഫിംഗൺപ്രിന്റ്
ടെംപ്ലേറ്റുകൺ ഒരേ വിരലിൺ നിന്നാണോ
ഉത്ഭവിച്ചതെന്ന് സൂചിപ്പിക്കുന്ന ഒരു
സാമ്യത സ്കോൺ അത് സൃഷ്ടിക്കുന്നു.
Verification process – 1:1 Comparison
മുമ്പ് എൺറോൺ ചെയ്ത 1:1-മായി ക്യാപ്ചൺ
ചെയ്ത ടെംപ്ലേറ്റുമായി താരതമ്യം ചെയ്ത്
ക്ലെയിം ചെയ്ത ഐഡന്റിറ്റി
സ്ഥിരീകരിക്കാൺ ഉപയോഗിക്കുന്ന ഒരു
ഐഡന്റിറ്റി പ്രാമാണീകരണ പ്രക്രിയയാണ്
ഫിംഗൺപ്രിന്റ് സ്ഥിരീകരണം. ടെംപ്ലേറ്റുകൺ
പൊരുത്തപ്പെടുമ്പോൺ, സ്ഥിരീകരണം
വിജയകരമാണ്.
Identification – 1:N Search
ഇന്നോവാട്രിക്സിന്റെ
പൊരുത്തപ്പെടുത്തൺ അൺഗോരിതത്തിന്
അതിവേഗ ഐഡന്റിഫിക്കേഷൺ തിരയൺ
നടത്താനും കഴിയും. തിരിച്ചറിയൺ
സ്ഥിരീകരണത്തിന്റെ
സാമാന്യവൺക്കരണമായി കണക്കാക്കാം;
ഒന്നിലധികം ഐഡന്റിറ്റികൺ (1:N തിരയൺ)
അടങ്ങുന്ന ഒരു വ്യക്തിയെ ഡാറ്റാബേസിൺ
കണ്ടെത്തുക എന്നതാണ് തിരിച്ചറിയൺ
പ്രക്രിയയുടെ ലക്ഷ്യം. ഡാറ്റാബേസ്
വലുപ്പം വേരിയബിൺ ആകാം ആപ്ലിക്കേഷനെ ആശ്രയിച്ച് ഏതാനും
നൂറുകണക്കിന് മുതൺ ദശലക്ഷക്കണക്കിന്
ടെംപ്ലേറ്റുകൺ ഡാറ്റാബേസിൺ സംഭരിക്കാൺ
കഴിയും.
ഇൺനോവാട്രിക്സിന്റെ ഫിംഗൺപ്രിന്റ്
അൺഗോരിതങ്ങൺ സ്വതന്ത്ര
എൺഐഎസ്ടി മാനദണ്ഡമനുസരിച്ച്
സ്ഥിരീകരണത്തിലും തിരിച്ചറിയലിലും
മികച്ചതാണ്.
Fingerprint Technology Standards
(NIST) പ്രമുഖ
അന്തൺദേശീയ ബയോമെട്രിക് ടെസ്റ്റിംഗ്
ഓൺഗനൈസേഷനും വ്യവസായ നിലവാരമുള്ള
ഡെവലപ്പറുമാണ്. തിരഞ്ഞെടുത്ത
ബയോമെട്രിക് മാനദണ്ഡങ്ങൺ
പാലിക്കേണ്ട ഉപയോക്താക്കളെ
The National Institute of Standards and Technology
പിന്തുണയ്ക്കുന്നതിനായി
ആൺക്കിടെക്ചറുകളും അനുരൂപ പരിശോധന
ഉപകരണങ്ങളും വികസിപ്പിക്കുന്നതിലും
ലഭ്യമായ അതേ ടെസ്ററ
് ിംഗ് ടൂളുകൺ
ഉപയോഗിച്ച് ബയോമെട്രിക്
മാനദണ്ഡങ്ങൺ പാലിക്കാൺ
താൺപ്പര്യമുള്ള ഉൺപ്പന്ന
ഡെവലപ്പൺമാരെയും ടെസ്റ്റിംഗ്
ലബോറട്ടറികളെയും
പിന്തുണയ്ക്കുന്നതിലും NIST സജീവമായി
ഏൺപ്പെട്ടിരിക്കുന്നു. ഫിംഗൺപ്രിന്റ്
പൊരുത്തപ്പെടുത്തൺ, തിരിച്ചറിയൺ,
സ്ഥിരീകരണ സംവിധാനങ്ങൺ എന്നിവയുടെ
സാങ്കേതിക വിലയിരുത്തലുകൺ NIST
നടത്തുന്നു:

N2N Fingerprint capture challenge

Fingerprint Vendor Technology Evaluation (FpVTE)

Slap Fingerprint Segmentation Evaluations (SlapSeg)

Proprietary Fingerprint Template Evaluations (PFT)

Minutiae Interoperability Exchange (MINEX)

Evaluation of Latent Fingerprint Technologies (ELFT)

Biometric Quality
N2N ഫിംഗൺപ്രിന്റ് ക്യാപ്ചൺ വെല്ലുവിളി
ഫിംഗൺപ്രിന്റ് വെണ്ടൺ ടെക്നോളജി
ഇവാലുവേഷൺ (FpVTE)
സ്ലാപ്പ് ഫിംഗൺപ്രിന്റ് സെഗ്മെന്റേഷൺ
വിലയിരുത്തലുകൺ (SlapSeg)
പ്രൊപ്രൈറ്ററി ഫിംഗൺപ്രിന്റ് ടെംപ്ലേറ്റ്
വിലയിരുത്തലുകൺ (PFT)
Minutiae Interoperability Exchange (MINEX)
ലാറ്റന്റ് ഫിംഗൺപ്രിന്റ് ടെക്നോളജീസിന്റെ
(ELFT) വിലയിരുത്തൺ
ബയോമെട്രിക് ഗുണനിലവാരം
Fingerprint recognition is the process of the verification of a person’s identity by comparing their
fingerprints with previously recorded samples. Fingerprints are impressions of human fingers,
consisting of a series of ridges and grooves. Fingerprints captured in the system are located by
minutiae points – points at which scars begin or terminate. These are further mapped with lines
between them, creating a minutiae template.
Innovatrics’ fingerprint matcher and extractor lead the NIST
benchmarks
Minex III
Minex III tests of the US NIST check for interoperability of template generators and matchers
from different providers so they can be used for the Personal Identity Verification program of the
US government and many other uses where standard fingerprint templates are being used and
generated.
Innovatrics matcher remained at 1st position in pooled category and is now number 1 also in
native category. Innovatrics template generator is now the fastest in the world in native one
finger category and among the top in accuracy in pooled results.
PFT III
PFT III tests proprietary fingerprint templates and their performance in one-to-one matching.
Unlike standardized templates, the proprietary ones are specific to each vendor and usually
optimized for speed, accuracy, or both when used on that vendor’s system.
The performance of all our fingerprint algorithms, from extraction to matching, is consistently
among the global elite, even ranking first in several tests.
How Feature Extractor Works
Innovatrics fingerprint recognition algorithm consists of two main parts: feature extractor and
fingerprint matcher.
Feature extractor takes the fingerprint image as a raw image and encodes it in a specific
fingerprint template. Innovatrics’ extraction algorithm supports different image formats from
various types of sensors. It is also optimized for inked and rolled images (commonly used in
criminal applications).
The feature extractor was designed to work well with low quality and partial fingerprint images.
Fingerprint image quality can be degraded due to less than optimal conditions during acquisition.
The algorithm is able to considerably enhance the overall image quality and to fix possible
defects in a way that these will not alter the recognition process. These advanced image
enhancement techniques have a significant impact on the overall accuracy of the system.
How Fingerprint Matcher Works
The purpose of the matcher is to compare two fingerprint templates. The matcher doesn’t use the
original fingerprint image but rather the resulting templates. It then produces a similarity score
which indicates whether two fingerprint templates originate from the same finger or not.
Verification process – 1:1 Comparison
Fingerprint verification is an identity authentication process used to confirm a claimed identity
by comparing a captured template against a previously enrolled 1:1. When the templates match,
verification is successful.
Identification – 1:N Search
Innovatrics’ matching algorithm can also perform a high-speed identification search.
Identification can be regarded as a generalization of verification; the goal of the identification
process is to find a person in the database containing multiple identities (1:N search). The
database size can be variable – from a few hundreds to tens of millions of templates can be
stored in the database depending on the application.
Innovatrics’ fingerprint algorithms are among the best both in verification and
identification according to independent NIST benchmark
Fingerprint Technology Standards
The National Institute of Standards and Technology (NIST) is the leading international biometric
testing organization and industry-standard developer. NIST is actively involved in developing
architectures and conformance test tools to support users that need to comply with selected
biometric standards and support product developers and testing laboratories interested in
conforming to biometric standards by using the same testing tools available. NIST conducts
technology evaluations of fingerprint matching, identification, and verification systems such as:

N2N Fingerprint capture challenge

Fingerprint Vendor Technology Evaluation (FpVTE)

Slap Fingerprint Segmentation Evaluations (SlapSeg)

Proprietary Fingerprint Template Evaluations (PFT)

Minutiae Interoperability Exchange (MINEX)

Evaluation of Latent Fingerprint Technologies (ELFT)

Biometric Quality
Ridges & Feroses
Horizontal or oblig lines
Whorls
Face Recognition technology
ഒരു ഡിജിറ്റൺ ഇമേജിൺ നിന്നോ വീഡിയോ
ഫ്രെയിമിൺ നിന്നോ മുഖങ്ങളുടെ ഒരു
ഡാറ്റാബേസിൺ നിന്ന് മനുഷ്യന്റെ മുഖം
പൊരുത്തപ്പെടുത്താൺ കഴിവുള്ള ഒരു
സാങ്കേതികവിദ്യയാണ് ഫേഷ്യൺ
റെക്കഗ്നിഷൺ സിസ്റ്റം[1]. ഐഡി
സ്ഥിരീകരണ സേവനങ്ങളിലൂടെ
ഉപയോക്താക്കളെ
ആധികാരികമാക്കുന്നതിനാണ് ഇത്തരമൊരു
സംവിധാനം സാധാരണയായി
ഉപയോഗിക്കുന്നത്, തന്നിരിക്കുന്ന
ചിത്രത്തിൺ നിന്ന് മുഖത്തിന്റെ
സവിശേഷതകൺ കൃത്യമായി
ചൂണ്ടിക്കാണിച്ച് അളക്കുന്നതിലൂടെയാണ്
ഇത് പ്രവൺത്തിക്കുന്നത്. കമ്പ്യൂട്ടൺ
ആപ്ലിക്കേഷന്റെ ഒരു രൂപമായി ആരംഭിച്ച്
1960-കളിൺ സമാനമായ സിസ്റ്റങ്ങളിൺ
വികസനം ആരംഭിച്ചു. അവരുടെ തുടക്കം
മുതൺ, ഫേഷ്യൺ റെക്കഗ്നിഷൺ
സംവിധാനങ്ങൺ സ്മാൺട്ട്ഫോണുകളിലും
റോബോട്ടിക്സ് പോലെയുള്ള മറ്റ്
സാങ്കേതിക വിദ്യകളിലും അടുത്ത
കാലത്തായി വിപുലമായ ഉപയോഗങ്ങൺ
കണ്ടു. കമ്പ്യൂട്ടറൈസ്ഡ് ഫേഷ്യൺ
റെക്കഗ്നിഷനിൺ മനുഷ്യന്റെ
ശരീരശാസ്ത്രപരമായ
സ്വഭാവസവിശേഷതകൺ അളക്കുന്നത്
ഉൺപ്പെടുന്നതിനാൺ, ഫേഷ്യൺ
റെക്കഗ്നിഷൺ സംവിധാനങ്ങളെ
ബയോമെട്രിക്സ് ആയി തരം
തിരിച്ചിരിക്കുന്നു. ഒരു ബയോമെട്രിക്
സാങ്കേതികവിദ്യ എന്ന നിലയിൺ ഫേഷ്യൺ
റെക്കഗ്നിഷൺ സംവിധാനങ്ങളുടെ കൃത്യത
ഐറിസ് തിരിച്ചറിയലിനേക്കാളും
ഫിംഗൺപ്രിന്റ് തിരിച്ചറിയലിനേക്കാളും
കുറവാണെങ്കിലും, കോൺടാക്റ്റ്ലെസ്
പ്രക്രിയ കാരണം ഇത് വ്യാപകമായി
സ്വീകരിക്കപ്പെടുന്നു.[3] നൂതന മനുഷ്യകമ്പ്യൂട്ടൺ ഇടപെടൺ, വീഡിയോ
നിരീക്ഷണം, ചിത്രങ്ങളുടെ ഓട്ടോമാറ്റിക്
ഇൺഡക്സിംഗ് എന്നിവയിൺ മുഖം
തിരിച്ചറിയൺ സംവിധാനങ്ങൺ
വിന്യസിച്ചിട്ടുണ്ട്. മുഖം തിരിച്ചറിയൺ
സംവിധാനങ്ങൺ ഇന്ന് ലോകമെമ്പാടും
സൺക്കാരുകളും സ്വകാര്യ കമ്പനികളും
ഉപയോഗിക്കുന്നു.[5] അവയുടെ
ഫലപ്രാപ്തി വ്യത്യാസപ്പെടുന്നു, ചില
സിസ്റ്റങ്ങൺ അവയുടെ
കാര്യക്ഷമതയില്ലാത്തതിനാൺ മുമ്പ്
സ്ക്രാപ്പ് ചെയ്തിട്ടുണ്ട്. ഫേഷ്യൺ
റെക്കഗ്നിഷൺ സംവിധാനങ്ങളുടെ
ഉപയോഗവും വിവാദം ഉയൺത്തിയിട്ടുണ്ട്,
സിസ്റ്റങ്ങൺ പൗരന്മാരുടെ സ്വകാര്യത
ലംഘിക്കുന്നു, സാധാരണയായി തെറ്റായ
ഐഡന്റിഫിക്കേഷനുകൺ ഉണ്ടാക്കുന്നു,
ലിംഗപരമായ മാനദണ്ഡങ്ങളും വംശീയ
പ്രൊഫൈലിംഗും
പ്രോത്സാഹിപ്പിക്കുന്നു, പ്രധാനപ്പെട്ട
ബയോമെട്രിക് ഡാറ്റ പരിരക്ഷിക്കുന്നില്ല.
ഡീപ്ഫേക്കുകൺ പോലെയുള്ള സിന്തറ്റിക്
മീഡിയയുടെ പ്രത്യക്ഷതയും അതിന്റെ
സുരക്ഷയെക്കുറിച്ചുള്ള ആശങ്കകൺ
ഉയൺത്തിയിട്ടുണ്ട്.[6] ഈ
അവകാശവാദങ്ങൺ യുണൈറ്റഡ്
സ്റ്റേറ്റ്സിലെ പല നഗരങ്ങളിലും മുഖം
തിരിച്ചറിയൺ സംവിധാനങ്ങൺ
നിരോധിക്കുന്നതിന് കാരണമായി.[7]
വൺദ്ധിച്ചുവരുന്ന സാമൂഹിക
ആശങ്കകളുടെ ഫലമായി, ഒരു
ബില്യണിലധികം ഉപയോക്താക്കളുടെ ഫേസ്
സ്കാൺ ഡാറ്റ ഇല്ലാതാക്കിക്കൊണ്ട്
ഫെയ്സ്ബുക്ക് ഫേഷ്യൺ റെക്കഗ്നിഷൺ
സിസ്റ്റം അടച്ചുപൂട്ടാൺ
പദ്ധതിയിടുന്നതായി മെറ്റ
പ്രഖ്യാപിച്ചു[8]. ഈ മാറ്റം
സാങ്കേതികവിദ്യയുടെ ചരിത്രത്തിലെ മുഖം
തിരിച്ചറിയൺ ഉപയോഗത്തിലെ ഏറ്റവും
വലിയ ഷിഫ്റ്റുകളിൺ ഒന്നിനെ
പ്രതിനിധീകരിക്കും.
History of facial recognition technology
ഓട്ടോമേറ്റഡ് ഫേഷ്യൺ റെക്കഗ്നിഷൺ 1960കളിൺ ആരംഭിച്ചതാണ്. വുഡി ബ്ലെഡ്സോ,
ഹെലൺ ചാൺ വുൺഫ്, ചാൺസ് ബിസൺ
എന്നിവൺ കമ്പ്യൂട്ടൺ ഉപയോഗിച്ച്
മനുഷ്യന്റെ മുഖം തിരിച്ചറിയാൺ ശ്രമിച്ചു.
അവരുടെ ആദ്യകാല മുഖം തിരിച്ചറിയൺ
പ്രോജക്റ്റ് "മാൺ-മെഷീൺ" എന്ന്
വിളിക്കപ്പെട്ടു, കാരണം ഒരു ഫോട്ടോയിലെ
മുഖ സവിശേഷതകളുടെ കോൺഡിനേറ്റുകൺ
കമ്പ്യൂട്ടൺ തിരിച്ചറിയുന്നതിന്
ഉപയോഗിക്കുന്നതിന് മുമ്പ് ഒരു മനുഷ്യൺ
സ്ഥാപിക്കേണ്ടതുണ്ട്. ഒരു ഗ്രാഫിക്സ്
ടാബ്ലെറ്റിൺ, കൃഷ്ണമണി കേന്ദ്രങ്ങൺ,
കണ്ണുകളുടെ അകത്തും പുറത്തുമുള്ള
കോണുകൺ, രോമവരിയിൺ വിധവകളുടെ
കൊടുമുടി എന്നിവ പോലുള്ള മുഖ
സവിശേഷതകളുടെ കോൺഡിനേറ്റുകൺ ഒരു
മനുഷ്യന് കൃത്യമായി സൂചിപ്പിക്കണം.
വായയുടെയും കണ്ണുകളുടെയും വീതി
ഉൺപ്പെടെ 20 ദൂരം കണക്കാക്കാൺ
കോൺഡിനേറ്റുകൺ ഉപയോഗിച്ചു. ഒരു
മനുഷ്യന് മണിക്കൂറിൺ ഏകദേശം 40
ചിത്രങ്ങൺ ഈ രീതിയിൺ പ്രോസസ്സ്
ചെയ്യാനും അങ്ങനെ കണക്കാക്കിയ
ദൂരങ്ങളുടെ ഒരു ഡാറ്റാബേസ് നിൺമ്മിക്കാനും
കഴിയും. ഒരു കമ്പ്യൂട്ടൺ ഓരോ
ഫോട്ടോയുടെയും ദൂരങ്ങൺ സ്വയമേവ
താരതമ്യം ചെയ്യുകയും ദൂരങ്ങൺ തമ്മിലുള്ള
വ്യത്യാസം കണക്കാക്കുകയും സാധ്യമായ
പൊരുത്തം പോലെ അടച്ച
റെക്കോൺഡുകൺ തിരികെ നൺകുകയും
ചെയ്യും.
ഒരു അൺഗോരിതം കണ്ണ്, മൂക്ക്,
കവിൺത്തടങ്ങൺ, താടിയെല്ല് എന്നിവയുടെ
ആപേക്ഷിക സ്ഥാനം, വലിപ്പം,
കൂടാതെ/അല്ലെങ്കിൺ ആകൃതി എന്നിവ
വിശകലനം ചെയ്തേക്കാം.
മറ്റ് അൺഗോരിതങ്ങൺ മുഖചിത്രങ്ങളുടെ
ഒരു ഗാലറി നോൺമലൈസ് ചെയ്യുന്നു,
തുടൺന്ന് മുഖത്തെ ഡാറ്റ
കംപ്രസ്സുചെയ്യുന്നു, മുഖം
തിരിച്ചറിയുന്നതിന് ഉപയോഗപ്രദമായ
ഡാറ്റ മാത്രം ഇമേജിൺ സംരക്ഷിക്കുന്നു.
പിന്നീട് ഒരു അന്വേഷണ ചിത്രം മുഖത്തെ
ഡാറ്റയുമായി താരതമ്യം ചെയ്യുന്നു.[34]
ആദ്യകാല വിജയകരമായ
സംവിധാനങ്ങളിലൊന്ന്[35] ടെംപ്ലേറ്റ്
പൊരുത്തപ്പെടുത്തൺ സാങ്കേതികതകളെ
അടിസ്ഥാനമാക്കിയുള്ളതാണ്,[36] ഒരു കൂട്ടം
പ്രധാന മുഖ സവിശേഷതകളിൺ
പ്രയോഗിക്കുന്നു, ഇത് ഒരുതരം കംപ്രസ്
ചെയ്ത മുഖം പ്രതിനിധാനം നൺകുന്നു.
What is facial recognition?
Facial recognition is a way of identifying or confirming an individual’s identity using their
face. Facial recognition systems can be used to identify people in photos, videos, or in
real-time.
How does facial recognition work?
Step 1: Face detection
The camera detects and locates the image of a face, either alone or in a crowd. The
image may show the person looking straight ahead or in profile.
Step 2: Face analysis
Next, an image of the face is captured and analyzed. Most facial recognition technology
relies on 2D rather than 3D images because it can more conveniently match a 2D
image with public photos or those in a database. The software reads the geometry of
your face. Key factors include the distance between your eyes, the depth of your eye
sockets, the distance from forehead to chin, the shape of your cheekbones, and the
contour of the lips, ears, and chin. The aim is to identify the facial landmarks that are
key to distinguishing your face.
Step 3: Converting the image to data
The face capture process transforms analog information (a face) into a set of digital
information (data) based on the person's facial features. Your face's analysis is
essentially turned into a mathematical formula. The numerical code is called a faceprint.
In the same way that thumbprints are unique, each person has their own faceprint.
Step 4: Finding a match
Your faceprint is then compared against a database of other known faces. For example,
the FBI has access to up to 650 million photos, drawn from various state databases. On
Facebook, any photo tagged with a person’s name becomes a part of Facebook's
database, which may also be used for facial recognition. If your faceprint matches an
image in a facial recognition database, then a determination is made.
Of all the biometric measurements, facial recognition is considered the most natural.
Intuitively, this makes sense, since we typically recognize ourselves and others by
looking at faces, rather than thumbprints and irises. It is estimated that over half of the
world's population is touched by facial recognition technology regularly.