Siyentipikong Metodolohiya at Arkitektura ng Privacy
Pinagsasama ng Detect Face Shape ang klinikal na craniofacial anthropometry at computer vision upang magbigay ng obhetibong klasipikasyon ng mukha.
Garantiya ng Privacy sa Biometriya na Walang Server
Puro client-side execution gamit ang WebAssembly at WebGL
Karamihan sa mga web tool ay nangangailangan ng pag-upload ng larawan sa remote cloud server kung saan ito pinoproseso at iniimbak. Nagdudulot ito ng malaking panganib sa privacy at biometric security.
Ang detectfaceshape.app ay gumagana gamit ang zero-server na arkitektura:
- Ang Google MediaPipe Face Landmarker binaries at WASM runtime ay mahigpit na tumatakbo sa loob ng iyong lokal na browser sandbox.
- Ang lahat ng larawan at camera frame ay dina-decode sa isang offscreen canvas sa volatile memory ng browser at agad na binubura pagkatapos ng klasipikasyon.
- Walang data ng imahe o biometric coordinate na ipinapadala sa network. Maaari mo ring idiskonekta ang internet pagkatapos mag-load ng page at gagana pa rin ito nang maayos.
Craniofacial Anthropometry at Mahalagang Landmark
Ang klasipikasyon ng mukha sa detectfaceshape.app ay nakabatay sa standardized medical anthropometry ni Leslie G. Farkas. Kumuha ang algorithm ng 4 na tumpak na sukat mula sa 468 landmark coordinates:
Trichion (10) hanggang Menton (152)
Ang patayong distansya mula sa hairline hanggang sa dulo ng baba, na nagpapakita ng haba ng mukha.
Zygion Kaliwa (234) hanggang Kanan (454)
Ang pinakamalawak na distansya sa pagitan ng mga pisngi, na nagtatatag ng pangunahing pahalang na axis.
Frontotemporale Kaliwa (127) hanggang Kanan (356)
Ang pahalang na lapad sa pagitan ng mga sentido sa noo, mahalaga para sa Heart at Triangle geometries.
Gonion Kaliwa (58) hanggang Kanan (288)
Ang distansya sa pagitan ng mga anggulo ng panga, tagatukoy ng Square at Triangle na hugis.
Mga Akademikong Sanggunian at Sipi
- Farkas, L. G. (1994). Anthropometry of the Head and Face (2nd ed.). New York: Raven Press. Standardized na sukat ng proporsyon ng mukha sa iba't ibang populasyon.
- Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., & Guo, B. (2021). Swin Transformer: Hierarchical Vision Transformer using Shifted Windows. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 10012–10022.
- Lugaresi, C., et al. (2019). MediaPipe: A Framework for Building Perception Pipelines. arXiv preprint arXiv:1906.08172. Google Research.