تصاویر استفاده شده در آموزش این نرم‌افزار با دوربین های مختلف، در شرایط نوری مختلف، در زاویه های مختلف، در سنین مختلف، و با پوشش‌های مختلف (ماسک، عینک، کلاه، ریش) و با حالت‌های صورت مختلف (عصبانی، چشم بسته، خندان و …) و آرایش های مختلف ثبت شده اند. بنابراین نرم‌افزار نسبت به موارد یاد شده تا حد زیادی مقاوم است.

توضیح دیگر اینکه هنگام آموزش مدل سعی شده است تا بیشتر ویژگی‌هایی که چهره‌ها را از یکدیگر تفکیک می‌کنند را استخراج کنیم. این ویژگی‌ها در مولفه هایی مانند پیشانی، چشم ها، بینی، گونه، لب‌ها و چانه وجود دارند. بنابراین اگر مثلاً پیشانی یک شخص به گونه‌ای متمایز از سایر افراد باشد ما آن شخص را حتی با عینک آفتابی و ماسک نیز شناسایی خواهیم کرد. در رابطه با سایر مولفه ها نیز به این صورت عمل می شود.

بستگی به اعضای تعریف شده دارد. به عنوان مثال Apple ID ادعا دارد که خطای باز شدن گوشی یک در یک میلیون است. این ادعا زمانی صحیح است که این یک میلیون نفر به صورت تصادفی از بین ۸ میلیارد نفر انتخاب شوند. زمانی که بخواهیم این یک میلیون نفر را از بستگان درجه یک، خصوصا در خانواده‌هایی که چند قلو دارند، انتخاب کنیم شاید به یک در ۲۰ نفر هم نرسد.

در فضای شناسایی چهره معیار خطا TAR@FAR است. به عنوان مثال TAR@FAR ۱۰-۵  به این معنی است که حداکثر یک خطا به ازای هر ۱۰۰،۰۰۰ نفر قابل پذیرش است. TAR مخفف True Accept Rate و FAR مخفف False Accept Rate است. برای ارزیابی مدل ها از مجموعه داده استاندارد IJB-C استفاده شده است. این مجموعه داده شامل تصاویر چهره افراد در شرایط متنوعی از جمله تغییرات نور، جلوه‌های مختلف، تغییرات مو، وضوح و… می‌شود. از این مجموعه داده برای ارزیابی عملکرد الگوریتم‌ها و سیستم‌های تشخیص چهره در شرایط واقعی استفاده می‌شود. این مجموعه داده شامل ۱۳۸۰۰۰ تصویر متعلق به ۳۵۳۱ عضو است. با در نظر گرفتن معیار TAR@FAR ۱۰-۴ دقت شناسایی ۹۷.۵۵٪ است. در صورتی که اگر مجاز باشیم از هر یک میلیون نفر یک نفر را به اشتباه شناسایی کنیم دقت در حدود ۹۲درصد خواهد بود. به این معنی که اگر یک میلیون نفر در سیستم عضو داشته باشیم و فقط مجاز باشیم یک نفر را اشتباه شناسایی کنیم، از یک میلیون نفری که مقابل دوربین قرار میگیرند ۹۲۰هزار نفرشان می‌توانند از سیستم با موفقیت عبور کنند. در صورتی که خطای مجاز را افزایش دهیم دقت نیز بیشتر خواهد شد.

لازم به ذکر است اگر به دنبال شبیه ترین شخص در میان اعضا باشیم، سامانه با دقت بیش از ۹۹.۹۹۹٪ شخص مورد نظر را در بین یک میلیون عضوی که ثبت کرده‌ایم پیدا می کند. یعنی اگر یک میلیون عضو داشته باشیم و یک عکس جدید به سامانه بدهیم و بخواهیم که شبیه ترین شخص را پیدا کند در ۹۹.۹۹۹٪ مواقع دقیقاً شخصی که تصویر متعلق به آن است پیدا می شود.

تمامی این اطلاعات برای زمانی است که تصاویر کامل آزادانه انتخاب شوند (عکس پرسنلی، عکس پروفایل صفحات مجازی، دوربین ها و شرایط نوری گوناگون و …). اگر نحوه ورود تصاویر ورودی محدود شود دقت شناسایی سامانه بیشتر می شود. مثلاً اگر یک سازمان ۱۰هزار عضو دارد و تمامی این ۱۰هزار نفر از طریق دوربین های آن سازمان یا از طریق یک ویدیوی چند ثانیه ای به روز ثبت نام شوند خطای سامانه صفر خواهد بود. این صفر بودن خطا تا زمانی قابل افزایش است که دو نفر با چهره‌های کاملاً یکسان وارد سامانه شوند. حتی اگر دو نفر دوقلو هم باشند با افزایش تعداد تصاویر از آن‌ها می‌تواند خطای شناسایی و جابجا تشخیص دادن آن‌ها را کم کرد. سامانه قادر است به ازای هر شخص تعداد نامحدود تصویر دریافت کند و با افزایش تعداد تصاویر خطا کاهش یافته و دقت شناسایی بیشتر می شود.

به طور کلی در صورتی که منابع سخت افزاری داشته باشیم تعداد چهره‌های قابل شناسایی در یک تصویر می‌تواند بیش از ۱۰۰۰ نفر باشد. با یک GPU 3090 حدود ۱۲۰ نفر در یک ثانیه قابل شناسایی هستند. این ۱۲۰ نفر می‌تواند در یک فریم باشد یا در ۴ فریم که ۳۰ نفر در هر کدام قرار دارند.

بله این نرم افزار برای این منظور آموزش دیده است.

ترجیحا در نور مناسب از رو به رو به گونه ای که از عرض چهره چیزی بیش از ۶۴ پیکسل داشته باشیم. تصاویر نباید بیش از حد روشن یا تاریک باشند. نویز تصویر باید کمینه باشد و همچنین تنظیمات Exposure به گونه‌ای باشد که چهره‌ها کشیده نشوند. البته در تمامی این شرایط شناسایی چهره ممکن است و صرفاً دقت شناسایی کمتر می شود.

از ۴ تا ۷ متر قابل پوشش است.

بهترین حالت ۱۱۲ پیکسل است و بیش از آن نیز بی معناست ولی با حدود ۴۸ شروع به کار می کند و در ۶۴ پیکسل نتایج کاملا قابل قبول هستند.

برای اتصال به سامانه های دیگر چندین روش وجود دارد که بهترین روش فراخوانی یک سرویس از سامانه ی مقابل است. یعنی سامانه مقابل یک وب سرویس یا دسترسی به پایگاه داده به ما می‌دهد و ما اطلاعات لازم (آی دی عضو، زمان و ID دوربین) را به آن وب سرویس یا پایگاه داده ارسال می کنیم. سایر روش‌هایی که دیتای مورد نظر در دسترس است شامل:

۱- وب سوکت

۲- سوکت

۳-دسترسی مستقیم به پایگاه داده

RESTful API -۴

۱- سامانه چارگون در استانداری قزوین

۲- سامانه رهیافت در اداره داریی قزوین

۳- سامانه حضور و غیاب شرکت علم و صنعت و در شرکت توزیع دارو محیا دارو

۴- سامانه حضور و غیاب شرکت های وب

۵- سامانه ورود به ورزشگاه: در ورزشگاه مس رفسنجان

پایگاه داده استفاده شده Postgresql است و با بهینه سازی هایی که روی برخی از کامپوننت های این دیتابیس انجام شده است تا بیش از ۵۰ هزار کارمند را پوشش می دهد.

در صورتی که به روز رسانی اعضا مکرراً اتفاق نیافتد همان دیتابیس Postgresql پاسخگو است.

این نرم افزار قابلیت کار بروی CPU و GPU هر دورا دارا است.

امکان استفاده نرم‌افزار صرفاً در قالب یک DLL وجود ندارد. ولی پس از نصب نرم‌افزار در قالب یک DLL سرویس های مورد نظر در دسترس خواهند بود. این DLL برای زبان #C توسعه یافته است و برای زبان‌های دیگر نیز قابل توسعه است.

با توجه به اینکه اطلاعات  اعضا در حافظه RAM نگهداری می شوند و در سامانه احراز هویت از الگوریتم KD Tree استفاده شده است که در فضای ۵۱۲ بعدی مقایسه چهره ورودی را با چهره های ثبت شده انجام می دهد، سرعت شناسایی چهره حدود یک میلیارد مقایسه در یک ثانیه است (با یک پردازنده Core i7 نسل ۸ به بالا). بدین منظور با افزایش تعداد اعضا سرعت پایین نخواهد آمد.