چهره یک ویژگی منحصر به فرد در انسان می باشد. حتی دو فرد همزاد نیز از لحاظ چهره علی رغم شباهت زیاد دارای تفاوت های جزئی می باشند. این امر سبب می شود که بتوان از چهره به عنوان یکی از محک های تعیین هویت و شناسایی افراد استفاده کرد. چنین قابلیتی دارای کاربردهای متعددی در تطبیق عکس شناسنامه، کارت های اعتباری، شناسایی مجرمین، ورود به اماکن دولتی ونظامی و غیره می باشد. تشخیص و شناسایی چهره یکی از مباحث مطروحه در بینایی ماشین و پردازش تصویر می باشد. به علت خصوصیات خاص مساله وکاربردهای فراوان آن الگوریتم های متعددی برای آن ارائه شده است. در این پژوهش سعی شده است با روش شبکه های عصبی و یادگیری عمیق در شناسایی چهره، نتیجه قابل قبولی را برای سیستم حضور غیاب و کنترل ورود و خروج افراد ارائه دهیم. شبکه بر پایه معماری زد اف نت پیاده سازی شده است. برای پیاده سازی این سیستم از زبان برنامه نویسی پایتون و فریم ورک متن باز تنسورفلو با کمک کتابخانه های متن باز دیگر از جمله کراس و اپن سی وی برای بخش های مختلف سیستم استفاده شده است. این شبکه محدودیتی در تعداد چهره ها و داده های ورودی ندارد. دقت این شبکه برای دیتابیسLFW عدد قابل توجه 63/99٪ و برای دیتابیس تصاویر یوتیوب عدد 12/95 ٪ می باشد. نتیجه اجرای سیستم برای تصاویر انفرادی از افراد در آزمایش های صورت گرفته دقت بسیار عالی 95٪ و برای تصاویر گروهی مانند کلاس های درس، بسته به زوایای دوربین و عدم هم پوشانی چهره ها بین 85٪ تا 95٪ متغیر است. به این معنی که اگر چهره ها همگی در دیدرس دوربین باشند و زاویه انحراف زیادی هم نداشته باشند به دقت حدود 95٪ برای شناسایی افراد خواهیم رسید. یکی از مزیت های مهم این سیستم قابل اجرا بودن بر روی انواع سخت افزار ها از جمله برد های رزبری پای و یا دستگاه های کامپیوتر معمولی و حتی سطح پایین و استفاده از دوربین های نظارتی است که در نتیجه راه اندازی و بهره برداری این سیستم را بسیار مقرون به صرفه و کم هزینه می کند.
