ဇီဝမက်ထရစ်များသည် လူ့ဝိသေသလက္ခဏာများနှင့် ဆက်စပ်နေသော ခန္ဓာကိုယ်တိုင်းတာမှုများနှင့် တွက်ချက်မှုများဖြစ်သည်။ ဇီဝမက်ထရစ် အထောက်အထားစိစစ်ခြင်း (သို့မဟုတ် လက်တွေ့ကျသော အထောက်အထားစိစစ်ခြင်း) ကို ကွန်ပျူတာသိပ္ပံတွင် ခွဲခြားသတ်မှတ်ခြင်းနှင့် ဝင်ရောက်ခွင့်ထိန်းချုပ်မှုပုံစံတစ်ခုအဖြစ် အသုံးပြုသည်။ ၎င်းကို စောင့်ကြည့်နေသော အုပ်စုများရှိ လူပုဂ္ဂိုလ်များကို ဖော်ထုတ်ရန်လည်း အသုံးပြုသည်။

ဇီဝမက်ထရစ် အမှတ်အသားများသည် လူပုဂ္ဂိုလ်များကို အမည်တပ်ရန်နှင့် ဖော်ပြရန်အသုံးပြုသည့် ထူးခြားပြီး တိုင်းတာနိုင်သော ဝိသေသလက္ခဏာများဖြစ်သည်။ ဇီဝမက်ထရစ် အမှတ်အသားများကို ခန္ဓာကိုယ်ပုံသဏ္ဍာန်နှင့် ဆက်စပ်နေသော ဇီဝကမ္မဗေဒဆိုင်ရာ ဝိသေသလက္ခဏာများအဖြစ် မကြာခဏ အမျိုးအစားခွဲခြားလေ့ရှိသည်။ ဥပမာများတွင် လက်ဗွေရာ၊ လက်ဖဝါးသွေးကြောများ၊ မျက်နှာမှတ်မိခြင်း၊ DNA၊ လက်ဖဝါးပုံနှိပ်ခြင်း၊ လက်ဂျီသြမေတြီ၊ မျက်ဝန်းမှတ်မိခြင်း၊ မြင်လွှာနှင့် အနံ့/ရနံ့တို့ ပါဝင်သော်လည်း ၎င်းတို့နှင့်သာ ကန့်သတ်မထားပါ။

ဇီဝမက်ထရစ် ခွဲခြားသတ်မှတ်ခြင်း နည်းပညာတွင် ကွန်ပျူတာသိပ္ပံ၊ အလင်းပညာနှင့် အသံပညာနှင့် အခြားရူပဗေဒသိပ္ပံများ၊ ဇီဝဗေဒသိပ္ပံများ၊ ဇီဝအာရုံခံကိရိယာများနှင့် ဇီဝစာရင်းအင်းမူများ၊ လုံခြုံရေးနည်းပညာ၊ အတုထောက်လှမ်းရေးနည်းပညာနှင့် အခြားအခြေခံသိပ္ပံများနှင့် ဆန်းသစ်သောအသုံးချနည်းပညာများစွာ ပါဝင်သည်။ ၎င်းသည် ပြီးပြည့်စုံသော ဘက်စုံနည်းပညာဆိုင်ရာ ဖြေရှင်းချက်များဖြစ်သည်။

မကြာသေးမီနှစ်များအတွင်း ဉာဏ်ရည်တု ဖွံ့ဖြိုးတိုးတက်မှုနှင့်အတူ ဇီဝမက်ထရစ် ခွဲခြားသတ်မှတ်ခြင်း နည်းပညာသည် ပိုမိုရင့်ကျက်လာခဲ့သည်။ လက်ရှိတွင် မျက်နှာမှတ်မိခြင်း နည်းပညာသည် ဇီဝမက်ထရစ်၏ အထင်ရှားဆုံး ကိုယ်စားပြုမှုဖြစ်သည်။

မျက်နှာမှတ်မိခြင်း

မျက်နှာမှတ်မိခြင်းလုပ်ငန်းစဉ်တွင် မျက်နှာစုဆောင်းခြင်း၊ မျက်နှာရှာဖွေခြင်း၊ မျက်နှာအင်္ဂါရပ်ထုတ်ယူခြင်းနှင့် မျက်နှာကိုက်ညီခြင်းမှတ်မိခြင်းတို့ ပါဝင်သည်။ မျက်နှာမှတ်မိခြင်းလုပ်ငန်းစဉ်သည် AdaBoos algorithm၊ convolutional neural network နှင့် machine learning တွင် support vector machine ကဲ့သို့သော နည်းပညာအမျိုးမျိုးကို အသုံးပြုသည်။

မျက်နှာမှတ်မိခြင်းလုပ်ငန်းစဉ်

လက်ရှိတွင် မျက်နှာလှည့်ခြင်း၊ ပိတ်ဆို့ခြင်း၊ ဆင်တူခြင်း စသည်တို့ အပါအဝင် ရိုးရာမျက်နှာမှတ်မိခြင်းဆိုင်ရာ အခက်အခဲများကို များစွာတိုးတက်ကောင်းမွန်လာစေပြီး မျက်နှာမှတ်မိခြင်း၏ တိကျမှုကို များစွာတိုးတက်စေပါသည်။ 2D မျက်နှာ၊ 3D မျက်နှာ၊ multi-spectral မျက်နှာ မုဒ်တစ်ခုစီတွင် မတူညီသော ရယူမှုလိုက်လျောညီထွေဖြစ်အောင်ပြုလုပ်ခြင်း အခြေအနေများ၊ ဒေတာလုံခြုံရေးအဆင့်နှင့် privacy sensitivity စသည်တို့ရှိပြီး big data ၏ deep learning ကို ထည့်သွင်းခြင်းက 3D မျက်နှာမှတ်မိခြင်း algorithm ကို 2D projection ၏ ချို့ယွင်းချက်များကို ဖြည့်စွက်ပေးသည်၊ ၎င်းသည် လူတစ်ဦး၏ အထောက်အထားကို လျင်မြန်စွာ ခွဲခြားသိရှိနိုင်ပြီး two-dimensional မျက်နှာမှတ်မိခြင်းအသုံးချမှုအတွက် တိုးတက်မှုတစ်ခုကို ယူဆောင်လာပေးခဲ့သည်။

တစ်ချိန်တည်းမှာပင်၊ ဇီဝမက်ထရစ်ထောက်လှမ်းနည်းပညာကို မျက်နှာမှတ်မိခြင်း၏ လုံခြုံရေးကို မြှင့်တင်ရန်အတွက် အဓိကနည်းပညာတစ်ခုအဖြစ် လက်ရှိအသုံးပြုလျက်ရှိပြီး ဓာတ်ပုံများ၊ ဗီဒီယိုများ၊ 3D မော်ဒယ်များနှင့် မျက်နှာတုများကဲ့သို့သော အတုအပလိမ်လည်မှုများကို ထိရောက်စွာ ခုခံနိုင်ပြီး လည်ပတ်နေသောအသုံးပြုသူများ၏ အထောက်အထားကို လွတ်လပ်စွာ ဆုံးဖြတ်နိုင်သည်။ လက်ရှိတွင် မျက်နှာမှတ်မိခြင်းနည်းပညာ အလျင်အမြန်ဖွံ့ဖြိုးတိုးတက်မှုနှင့်အတူ စမတ်စက်ပစ္စည်းများ၊ အွန်လိုင်းငွေကြေးထောက်ပံ့မှုနှင့် မျက်နှာငွေပေးချေမှုကဲ့သို့သော ဆန်းသစ်သောအသုံးချမှုများစွာသည် ပိုမိုရေပန်းစားလာပြီး လူတိုင်း၏ဘဝနှင့် အလုပ်အတွက် မြန်ဆန်မှုနှင့် အဆင်ပြေမှုကို ယူဆောင်လာပါသည်။

လက်ဖဝါးပုံစံ မှတ်မိခြင်း

လက်ဖဝါးပုံနှိပ် အသိအမှတ်ပြုခြင်းသည် လူ့ခန္ဓာကိုယ်၏ လက်ဖဝါးပုံနှိပ်ကို ပစ်မှတ်အင်္ဂါရပ်အဖြစ် အသုံးပြုပြီး ဘက်စုံပုံရိပ်ဖော်နည်းပညာမှတစ်ဆင့် ဇီဝဗေဒဆိုင်ရာ အချက်အလက်များကို စုဆောင်းသည့် ဇီဝမက်ထရစ် အသိအမှတ်ပြုနည်းပညာ အမျိုးအစားအသစ်တစ်ခုဖြစ်သည်။ ဘက်စုံရောင်စဉ် လက်ဖဝါးပုံနှိပ် အသိအမှတ်ပြုခြင်းကို ဘက်စုံပုံစံနှင့် ပစ်မှတ်အင်္ဂါရပ်များစွာကို ပေါင်းစပ်ထားသော ဇီဝမက်ထရစ် အသိအမှတ်ပြုနည်းပညာ၏ မော်ဒယ်တစ်ခုအဖြစ် သတ်မှတ်နိုင်သည်။ ဤနည်းပညာအသစ်သည် အရေပြားရောင်စဉ်၊ လက်ဖဝါးပုံနှိပ်နှင့် သွေးပြန်ကြောများကဲ့သို့သော ခွဲခြားသိရှိနိုင်သော အင်္ဂါရပ်သုံးခုကို ပေါင်းစပ်ပြီး တစ်ချိန်တည်းတွင် ပိုမိုများပြားသော အချက်အလက်များကို ပေးစွမ်းပြီး ပစ်မှတ်အင်္ဂါရပ်များ၏ ခွဲခြားသိမြင်နိုင်စွမ်းကို မြှင့်တင်ပေးသည်။

ဒီနှစ်မှာ Amazon ရဲ့ လက်ဖဝါးမှတ်မိခြင်းနည်းပညာဖြစ်တဲ့ Orville လို့ ကုဒ်နာမည်ပေးထားတဲ့ ဒီနည်းပညာကို စမ်းသပ်မှုတွေ စတင်နေပါပြီ။ စကင်နာက ပထမဆုံး အနီအောက်ရောင်ခြည် ပိုလာရိုက်ထားတဲ့ မူရင်းပုံရိပ်တွေကို ရယူပြီး မျဉ်းကြောင်းတွေနဲ့ အတွန့်တွေလိုမျိုး လက်ဖဝါးရဲ့ ပြင်ပအသွင်အပြင်တွေကို အာရုံစိုက်ပါတယ်။ ဒုတိယ ပိုလာရိုက်ထားတဲ့ ပုံရိပ်တွေကို ထပ်မံရယူတဲ့အခါ လက်ဖဝါးဖွဲ့စည်းပုံနဲ့ အတွင်းပိုင်းအသွင်အပြင်တွေဖြစ်တဲ့ သွေးကြောတွေ၊ အရိုးတွေ၊ ပျော့ပျောင်းတဲ့တစ်ရှူးတွေ စတာတွေကို အာရုံစိုက်ပါတယ်။ ပုံကြမ်းတွေကို လက်တွေပါဝင်တဲ့ ပုံရိပ်တွေ ပေးစွမ်းဖို့ ကနဦးမှာ လုပ်ဆောင်ပါတယ်။ ဒီပုံရိပ်တွေဟာ အလင်းရောင်ကောင်းကောင်းရထားပြီး အာရုံစူးစိုက်မှုရှိပြီး လက်ဖဝါးကို သတ်မှတ်ထားတဲ့ ဦးတည်ချက်၊ သတ်မှတ်ထားတဲ့ အနေအထားနဲ့ ပြသထားပြီး ဘယ်သန် ဒါမှမဟုတ် ညာသန်အဖြစ် အမှတ်အသားပြုထားပါတယ်။

လက်ရှိတွင် Amazon ၏ လက်ဗွေရာ မှတ်မိခြင်းနည်းပညာသည် ကိုယ်ရေးကိုယ်တာအထောက်အထားကို ၃၀၀ မီလီစက္ကန့်အတွင်း အတည်ပြုနိုင်ပြီး ငွေပေးချေမှုကို အပြီးသတ်နိုင်ကာ အသုံးပြုသူများသည် စကင်န်ဖတ်စက်ပေါ်တွင် လက်တင်ရန် မလိုအပ်ဘဲ ထိတွေ့မှုမရှိဘဲ ဝှေ့ယမ်းပြီး စကင်န်ဖတ်ရုံသာဖြစ်သည်။ ဤနည်းပညာ၏ ပျက်ကွက်မှုနှုန်းမှာ ၀.၀၀၀၁% ခန့်ရှိသည်။ တစ်ချိန်တည်းမှာပင်၊ လက်ဗွေရာ မှတ်မိခြင်းသည် ကနဦးအဆင့်တွင် နှစ်ထပ်အတည်ပြုခြင်းဖြစ်သည် - ပထမအကြိမ်တွင် ပြင်ပဝိသေသလက္ခဏာများကို ရယူရန်နှင့် ဒုတိယအကြိမ်တွင် အတွင်းပိုင်းအဖွဲ့အစည်းဝိသေသလက္ခဏာများကို ရယူရန်ဖြစ်သည်။ လုံခြုံရေးအရ အခြားဇီဝမက်ထရစ်နည်းပညာများနှင့် နှိုင်းယှဉ်ပါက တိုးတက်ကောင်းမွန်လာသည်။

အထက်ဖော်ပြပါ ဇီဝမက်ထရစ် အင်္ဂါရပ်များအပြင်၊ မျက်ဝန်းမှတ်မိခြင်း နည်းပညာသည်လည်း ရေပန်းစားလာပါသည်။ မျက်ဝန်းမှတ်မိခြင်း၏ မှားယွင်းသော မှတ်မိနှုန်းမှာ 1/1000000 အထိ နိမ့်ကျပါသည်။ ၎င်းသည် အဓိကအားဖြင့် မျက်ဝန်းသက်တမ်း မပြောင်းလဲခြင်းနှင့် ကွာခြားချက်၏ ဝိသေသလက္ခဏာများကို အသုံးပြု၍ ၎င်းတို့၏ အထောက်အထားများကို ဖော်ထုတ်ပါသည်။

လက်ရှိတွင်၊ တစ်ခုတည်းသော modality ကို မှတ်မိခြင်းသည် မှတ်မိခြင်းစွမ်းဆောင်ရည်နှင့် လုံခြုံရေးနှစ်မျိုးလုံးတွင် အတားအဆီးများရှိသည်ဟု လုပ်ငန်းနယ်ပယ်တွင် သဘောတူညီမှုရှိပြီး၊ multi-modal fusion သည် မျက်နှာမှတ်မိခြင်းနှင့် biometric မှတ်မိခြင်းတွင်ပင် အရေးကြီးသော တိုးတက်မှုတစ်ခုဖြစ်သည် - multi-factor မှတစ်ဆင့်သာမကပါ။ မှတ်မိခြင်းတိကျမှုကို မြှင့်တင်ရန်နည်းလမ်းသည် biometric နည်းပညာ၏ မြင်ကွင်းလိုက်လျောညီထွေဖြစ်မှုနှင့် privacy လုံခြုံရေးကိုလည်း အတိုင်းအတာတစ်ခုအထိ တိုးတက်ကောင်းမွန်စေနိုင်သည်။ ရိုးရာ single-mode algorithm နှင့် နှိုင်းယှဉ်ပါက၊ ၎င်းသည် ဘဏ္ဍာရေးအဆင့် မှားယွင်းမှတ်မိမှုနှုန်း (ဆယ်သန်းတွင် တစ်ခုအထိနိမ့်ကျသည်) ကို ပိုမိုကောင်းမွန်စွာ ဖြည့်ဆည်းပေးနိုင်ပြီး ၎င်းသည် biometric မှတ်မိခြင်းဖွံ့ဖြိုးတိုးတက်မှု၏ အဓိကလမ်းကြောင်းလည်းဖြစ်သည်။

ဘက်စုံဇီဝမက်ထရစ်စနစ်

ဘက်စုံဇီဝမက်ထရစ်စနစ်များသည် unimodal ဇီဝမက်ထရစ်စနစ်များ၏ ကန့်သတ်ချက်များကို ကျော်လွှားရန် အာရုံခံကိရိယာများစွာ သို့မဟုတ် ဇီဝမက်ထရစ်များကို အသုံးပြုသည်။ ဥပမာအားဖြင့် iris အသိအမှတ်ပြုစနစ်များသည် iris ဟောင်းနွမ်းခြင်းကြောင့် ထိခိုက်နိုင်ပြီး အီလက်ထရွန်နစ်လက်ဗွေအသိအမှတ်ပြုမှုသည် ဟောင်းနွမ်းနေသော သို့မဟုတ် ပြတ်ရှနေသော လက်ဗွေများကြောင့် ပိုမိုဆိုးရွားနိုင်သည်။ unimodal ဇီဝမက်ထရစ်စနစ်များသည် ၎င်းတို့၏ အမှတ်အသား၏ သမာဓိဖြင့် ကန့်သတ်ထားသော်လည်း unimodal စနစ်များစွာသည် တူညီသောကန့်သတ်ချက်များကို ခံစားရဖွယ်မရှိပါ။ ဘက်စုံဇီဝမက်ထရစ်စနစ်များသည် တူညီသောအမှတ်အသား (ဆိုလိုသည်မှာ iris ၏ ရုပ်ပုံများစွာ သို့မဟုတ် လက်ချောင်းတစ်ခုတည်း၏ စကင်ဖတ်ခြင်း) မှ အချက်အလက်အစုံများကို ရယူနိုင်သည် သို့မဟုတ် မတူညီသော ဇီဝမက်ထရစ်များ (လက်ဗွေစကင်ဖတ်ခြင်းနှင့် အသံမှတ်မိခြင်းကို အသုံးပြု၍ စကားပြောလျှို့ဝှက်ကုဒ်တစ်ခု လိုအပ်သည်) မှ အချက်အလက်များကို ရယူနိုင်သည်။

မာလ်တီမိုဒယ် ဇီဝမက်ထရစ်စနစ်များသည် ဤယူနီမိုဒယ်စနစ်များကို အစဉ်လိုက်၊ တစ်ပြိုင်နက်တည်း ပေါင်းစပ်ခြင်း သို့မဟုတ် အစဉ်လိုက်၊ အပြိုင်၊ အဆင့်ဆင့်နှင့် အစီရယ်လ်ပေါင်းစပ်မှုပုံစံများကို ရည်ညွှန်းသည့် စီးရီးအနေဖြင့် ပေါင်းစပ်နိုင်သည်။

CHANCCTVစီးရီးတစ်ခုကို တီထွင်ခဲ့သည်ဇီဝမက်ထရစ်မှန်ဘီလူးများမျက်နှာမှတ်မိခြင်း၊ လက်ဗွေမှတ်မိခြင်းအပြင် မျက်ဝန်းမှတ်မိခြင်းနှင့် မျက်ဝန်းမှတ်မိခြင်းအတွက်။ ဥပမာအားဖြင့် CH3659A သည် 1/1.8'' အာရုံခံကိရိယာများအတွက် ဒီဇိုင်းထုတ်ထားသော 4k low distortion မှန်ဘီလူးတစ်ခုဖြစ်သည်။ ၎င်းတွင် မှန်ဘီလူးအားလုံးနှင့် 11.95mm TTL သာပါရှိသော သေးငယ်သောဒီဇိုင်းများပါရှိသည်။ ၎င်းသည် အလျားလိုက်မြင်ကွင်း ၄၄ ဒီဂရီကို ဖမ်းယူသည်။ ဤမှန်ဘီလူးသည် လက်ဗွေမှတ်မိခြင်းအတွက် အသင့်တော်ဆုံးဖြစ်သည်။