Bilimsel Metodoloji ve Gizlilik Mimarisi
Detect Face Shape, objektif yüz geometrisi sınıflandırması sağlamak için klinik kraniyofasiyal antropometriyi istemci taraflı bilgisayarlı görü ile birleştirir.
Sıfır Sunuculu Biyometrik Gizlilik Garantisi
WebAssembly ve WebGL ile Tamamen İstemci Taraflı İşleme
Çoğu yüz analizi aracı, kullanıcıların fotoğraflarını işlendikleri ve saklandıkları uzak bir bulut sunucusuna yüklemelerini gerektirir. Bu durum ciddi gizlilik ve biyometrik güvenlik riskleri doğurur.
detectfaceshape.app tamamen sıfır sunuculu bir mimariyle çalışır:
- Google MediaPipe Face Landmarker model ikilileri ve WASM çalışma zamanı, kesinlikle yerel tarayıcı korumalı alanınızda çalışır.
- Yüklenen tüm fotoğraflar ve kamera kareleri, tarayıcının geçici belleğindeki ekran dışı bir tuvalde işlenir ve sınıflandırmadan hemen sonra silinir.
- Ağ üzerinden hiçbir görüntü verisi, biyometrik koordinat veya vektör aktarılmaz. Sayfa yüklendikten sonra internetinizi kesseniz bile tespit aracı kusursuz çalışmaya devam eder.
Kraniyofasiyal Antropometri ve Temel Referans Noktaları
detectfaceshape.app'teki insan yüzü sınıflandırması, Leslie G. Farkas'ın standart tıbbi antropometrisine dayanır. Algoritmamız tahmin yürütmek yerine 468 koordinattan 4 kesin fiziksel boyut çıkarır:
Trichion (10) - Menton (152)
Saç çizgisinin orta üst kısmı ile çenenin alt ucu arasındaki dikey mesafe; genel yüz uzunluğunu tanımlar.
Sol Zygion (234) - Sağ Zygion (454)
Elmacık kemiği kemerleri arasındaki maksimum yatay mesafe; birincil yatay ekseni belirler.
Sol Frontotemporale (127) - Sağ (356)
Alın boyunca şakaklar arasındaki yatay genişlik; Kalp ve Üçgen geometrilerini belirlemede kritiktir.
Sol Gonion (58) - Sağ Gonion (288)
Alt çenenin iki taraflı çene açıları arasındaki mesafe; Kare ve Üçgen köşeliliğin tanısında belirleyicidir.
Akademik Referanslar ve Kaynaklar
- Farkas, L. G. (1994). Anthropometry of the Head and Face (2nd ed.). New York: Raven Press. Farklı popülasyonlar genelinde yüz oranlarının standart ölçümleri ve normatif kraniyofasiyal değerleri.
- 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.