عمومی

ارزیابی جدید NIST FRTE 1:N و تاثیر ابعاد گالری بر دقت تشخیص چهره در سیستم‌های امنیتی

امروزه با توسعه سامانه‌های مانیتورینگ هوشمند و کنترل تردد، فناوری تشخیص چهره به یکی از ارکان اصلی امنیت فیزیکی و نظارت تصویری در سازمان‌ها تبدیل شده ا

۲۶ شهریور ۱۴۰۵ 1 دقیقه مطالعه 27 بازدید تیم تحریریه RSB
ارزیابی جدید NIST FRTE 1:N و تاثیر ابعاد گالری بر دقت تشخیص چهره در سیستم‌های امنیتی

امروزه با توسعه سامانه‌های مانیتورینگ هوشمند و کنترل تردد، فناوری تشخیص چهره به یکی از ارکان اصلی امنیت فیزیکی و نظارت تصویری در سازمان‌ها تبدیل شده است. موسسه ملی استاندارد و فناوری (NIST) در تاریخ ۴ سپتامبر، جدیدترین نتایج ارزیابی فناوری تشخیص چهره (FRTE) در سناریوی ۱ به N را منتشر کرد. این نتایج نشان می‌دهند که دقت الگوریتم‌های تشخیص چهره چندبعدی بوده و بسته به شرایط مختلف، عملکرد متفاوتی از خود نشان می‌دهند؛ موضوعی که برای طراحان زیرساخت شبکه و سیستم‌های دوربین مداربسته از اهمیت بالایی برخوردار است.

ورود توسعه‌دهندگان جدید و رقابت در حوزه امنیت تصویری

در ارزیابی جدید NIST، هفت توسعه‌دهنده جدید از جمله TrueSight Laboratories Tech، Innov8tif Solutions و Thakaa Advanced Company به همراه هشت شرکت باسابقه مانند Panasonic، SenseTime و Iris ID حضور یافته‌اند. در این میان، الگوریتم شرکت نوظهور TrueSight عملکرد بسیار قدرتمندی را در سناریوهای مختلف نظیر تطبیق تصاویر پرسنلی با وب‌کم و سیستم‌های مرزی نشان داده است. همچنین شرکت‌های باسابقه‌ای نظیر Panasonic و SenseTime بهبودهای فنی چشمگیری را در سناریوهای مختلف ثبت کرده‌اند و نام‌های بزرگی چون NEC، Idemia و Paravision همچنان در صدر جدول رقابت قرار دارند.

اهمیت مقیاس گالری تصاویر و معیارهای فنی سنجش دقت

یکی از نکات کلیدی در گزارش NIST، نحوه محاسبه نرخ خطای شناسایی منفی (FNIR) در یک آستانه مشخص برای محدود کردن نرخ شناسایی مثبت کاذب (FPIR) به میزان ۰.۰۰۳ است. این ارزیابی نشان داد که عملکرد الگوریتم‌ها به شدت تحت تاثیر اندازه گالری تصاویر قرار دارد. به عنوان مثال، الگوریتم شرکت TrueSight در گالری‌های کوچک‌تر (تا ۳ میلیون هویت) نرخ خطای بسیار پایین و پایداری (بین ۰.۰۵ تا ۰.۰۶ درصد) ثبت کرد، اما با بزرگ‌تر شدن ابعاد گالری، این عملکرد تغییر یافت. این موضوع اثبات می‌کند که در طراحی سامانه‌های مانیتورینگ بزرگ‌مقیاس، انتخاب الگوریتم باید بر اساس حجم داده‌های سازمان انجام شود.

جمع‌بندی و کاربرد برای سازمان‌ها

برای سازمان‌هایی که به دنبال پیاده‌سازی سامانه‌های کنترل تردد پیشرفته، دوربین‌های مداربسته هوشمند و یکپارچه‌سازی آن‌ها با مدیریت هوشمند ساختمان (BMS) هستند، نتایج ارزیابی NIST راهنمای بسیار ارزشمندی است. انتخاب فناوری تشخیص چهره نباید صرفاً بر اساس یک عدد کلی صورت گیرد، بلکه باید ابعاد پروژه، تعداد کاربران (حجم گالری) و سناریوی کاربردی سازمان در نظر گرفته شود تا پایداری و امنیت زیرساخت شبکه و فیزیکی به بهترین شکل تامین گردد.

منبع: www.biometricupdate.com

منبع: www.biometricupdate.com

تشخیص چهره مانیتورینگ دوربین مداربسته کنترل تردد امنیت فیزیکی زیرساخت شبکه NIST FRTE src:fe374e08b0dc7f11941e552eddd9b2d7 src:3a898c606b32ba7472a43d1b441be0b7

مقالات مرتبط

یکپارچه‌سازی داده‌های پلاک‌خوان با فناوری تشخیص چهره در سامانه‌های مانیتورینگ

یکپارچه‌سازی داده‌های پلاک‌خوان با فناوری تشخیص چهره در سامانه‌های مانیتورینگ

در دنیای سامانه‌های نظارت تصویری و مانیتورینگ پیشرفته، یکپارچه‌سازی داده‌های حاصل از دوربین‌های مدار…

ادامه مطلب
طرح جدید قانون ممنوعیت فناوری تشخیص چهره و بیومتریک؛ چالش‌های خطای الگوریتمی و امنیت داده‌ها

طرح جدید قانون ممنوعیت فناوری تشخیص چهره و بیومتریک؛ چالش‌های خطای الگوریتمی و امنیت داده‌ها

نمایندگان و سناتورهای کنگره ایالات متحده بار دیگر طرح قانونی «ممنوعیت فناوری تشخیص چهره و بیومتریک» …

ادامه مطلب
اختلال در سیستم احراز هویت بیومتریک آیفون ۱۸ پرو و اهمیت پایداری در فناوری‌های کنترل تردد

اختلال در سیستم احراز هویت بیومتریک آیفون ۱۸ پرو و اهمیت پایداری در فناوری‌های کنترل تردد

با آغاز عرضه نسل جدید پرچمداران هوشمند، گزارش‌های متعددی درباره بروز اختلال در سیستم احراز هویت بیوم…

ادامه مطلب