چکیده

1. مقدمه

2. انگیزه

3. بررسی مقالات

4. کار پیشنهادی

5. پیاده سازی و تحلیل سیستم پیشنهادی

6. نتایج و بحث

7. نتیجه گیری و کار آتی

منابع

چکیده

ایمنی از مواردی است که تمامی افراد نگران آن هستند. نقض امنیت مکان های خصوصی به تهدیدی تبدیل شده است که هر فردی تمایل دارد آن را از بین ببرد. سیستم های سنتی امنیتی هنگامی که یک نقض امنیتی را شناسایی می کنند، زنگ های هشداردهنده خود را فعال می کنند. با این حال، به کارگیری پردازش تصویر همراه با یادگیری عمیق با استفاده از شبکه های عصبی پیچشی (کانولوشنی) برای تشخیص و دسته بندی تصویر در شناسایی یک نقض به روشی ارتقاء یافته کمک می کند و در نتیجه سبب افزایش امنیت به میزان بسیار زیادی می شود. این به دلیل قابلیت آن در استخراج ویژگی های پیچیده از تصاویر با استفاده الگوریتم های دقیق و پیچیده تشخیص چهره و بدن است. نرخی که در آن یادگیری ماشین و به ویژه یادگیری عمیق تبدیل می شود، بسیار زیاد است. با استفاده از چنین فناوری، انتقال سیستم ها و مدل های موجود به سطح بعدی گام عظیمی در راستای پیشرفت ها در هر حوزه علم و فناوری است. چنین روندی در حوزه رایانه نیز وجود دارد. این دو به یکدیگر پیوسته و در حوزه امنیت مورد استفاده قرار می گیرند که منجر به دستیابی به نتایج بهتری نسبت به آنچه که تصور می گردید می شود که هدف این مقاله نیز می باشد.

انگیزه

فناوری در حال تکامل است و پیشرفت های بسیاری در حوزه اینترنت اشیا (IoT) همانند حوزه امنیت ایجاد شده است. هدف این سیستم ارائه امنیت بهتر و بسیار قدرتمندتری است. استفاده از نمایش رایانه ای و یادگیری ماشین کمک زیادی به ارتقاء این سیستم کرده است. این کمک منجر به کاهش تعداد حسگرهای نصب شده در محل برای ایجاد امنیت شده است و بنابراین راه اندازی سخت افزاری را با حداقل تجهیزات امکان پذیر ساخته است. این سیستم توسط الگوریتم های بهینه پردازش تصویر و یادگیری ماشین که در دو سطح متوالی از معماری نرم افزاری سیستم قرار می گیرند پشتیبانی می شود؛ در این سطح فریم های متوالی از یک فایل ویدیویی به عنوان ورودی گرفته می شود و پس از پردازش به یک داده فرمت شده تبدیل می شود که حاوی اطلاعات نفوذ در سیستم است (البته در صورت وجود).

هوش ماشینی (مصنوعی) یکی از داغ ترین موضوعات در این حوزه فناوری است که به رایانه ها توانایی یادگیری را می دهد که ورودی را از محیط اطراف خود دریافته کنند و اقداماتی برای حداکثر کردن احتمال خروجی موفق به کار گیرند. این فرآیند شمابه با روش اجرا شده در داده کاوی است. داده کاوی داده ها را استخراج می کند در حالی که یادگیری ماشین سعی می کند تا الگوهایی را در داده پیدا کند. در اینجا تصاویر کاربرانی که امکان دسترسی مجاز به داده های امن فراهم شده است، به عنوان مجموعه داده اولیه در آموزش مدل های شبکه عصبی مورد استفاده در شناسایی یک چهره به کار گرفته می شود. سپس این سیستم می تواند چهره افراد مورد نظر را شناسایی کند که در تصمیم گیری ها به ما کمک می کند و به نوبه خود سبب افزایش اثربخشی سیستم امنیتی می شود. در نتیجه، افزودن کاربران جدید به سیستم نیازمند آموزش شبکه عصبی است تا به قابلیت شناسایی چهره های اضافه شده جدید دست یابد. این کار مقادیر جدیدی را برای پارامترهای مورد استفاده در مدل شبکه عصبی تعیین می کند.

استفاده از نمایش رایانه ای اخیراً به دست آمده است و الگوریتم های مورد استفاده در این حوزه با گذشت زمان بهتر و بهتر می شوند و در دستیابی به نتایج بهتر کمک می کنند. همچنین این مقاله بر پردازش تصویر تمرکز می کند به طوری که قصد داریم چهره ها را از فریم های به دست آمده با استفاده از ماژول های سخت افزاری دوربین که داده ها را به ماژول های کنترل کننده می فرستند، شناسایی کنیم. الگوریتم های پردازش تصویر به نوبه خود تصاویری که از نظر ویژگی غنی هستند را برای پردازش توسط مدل شبکه عصبی در لایه بعدی انتقال می دهد. این سیستم از یک معماری سه لایه ای تبعیت می کند که هر لایه دارای اهمیت خاص خود است؛ لایه اول لایه گیرنده سخت افزاری است، لایه دوم لایه پردازش تصویر است و در نهایت لایه شبکه عصبی قرار دارد.