چکیده: چکیده در سال‌های اخیر روش‌های متعددی برای شناسایی چهره معرفی شدند، درحالی که همه‌ی این روش‌ها برای چهره در حالت روبرو بالاترین دقت خود را دارند، تغییر زاویه‌ی چهره‌ی فرد نسبت به دوربین، موجب افت عمل‌کرد آن‌ها می‌شود. هدف این پژوهش، شناسایی چهره‌ی زاویه‌دار، مبتنی بر ساختار کلی و المان‌های چهره مثل چشم‌ها، بینی و لب‌ها است. برای رفع چالش زاویه در تصویر چهره، دو رویکرد وجود دارد، که در یکی اصلاحات بر روی بردار ویژگی صورت می‌گیرد و در دیگری چهره‌ی روبرو با توجه به تصویر چهره‌ی زاویه‌دار ورودی ساخته می‌شود، که دارای هزینه‌ی محاسباتی بسیار زیادی است. از آنجایی که شناسایی چهره بر روی بردار ویژگی انجام می‌شود، در این پژوهش به منظور دست‌یابی به هدف اصلی که شناسایی چهره است، روشی ارائه می‌شود که تغییرات را بر روی بردارهای ویژگی تصویر چهره‌ی زاویه‌دار، به منظور شباهت بیشتر به بردار ویژگی تصویر روبروی همان فرد، اعمال می‌کند. در چهره هر فرد دو دسته اطلاعات وجود دارد که شامل ساختار کلی چهره و المان‌های آن، دیگری ویژگی‌های جزئی چهره می‌باشد. بر این اساس المان‌های تصویر چهره‌ی زاویه‌دار توسط شبکه‌ی بازتنظیم شده‌ی DeepLabv3، بخش‌بندی و هر کدام از المان‌ها مشخص می‌شود. سپس شبکه‌ی U-Net مجهز به ماژول توجه، تصویر المان‌های چهره‌ی زاویه‌دار را به تصویر المان‌های چهره‌ی روبرو تبدیل می‌کند و از آن ویژگی‌هایی استخراج می‌شوند که اطلاعات کلی ویژگی‌ها حاصل شود. همچنین جزئیات ویژگی‌ها توسط معماری از پیش‌آموزش دیده VGGFace استخراج می‌شود، که در ترکیب با بردار ویژگی‌های کلی استخراج شده به کمک المان‌های چهره، شباهت بیشتری با بردار ویژگی تصویر چهره از روبرو داشته باشد. برای بازتنظیم شبکه‌ی بخش‌بندی از مجموعه داده‌ی Mut1ny و برای اصلاح بردار ویژگی از مجموعه داده‌ی FERET استفاده می‌شود. ارزیابی روش پیشنهادی روی بخشی از مجموعه‌ داده‌ی FERET که حاوی ۱۶۰۰ تصویر از ۲۰۰ فرد متفاوت و به ازای هر فرد ۸ زاویه (۶۰، ۴۰، ۲۵ و ۱۵ برای هر دو طرف چهره)‌‌ می‌باشد انجام شد که به‌طور میانگین دقت شناسایی ۹۹.۸۱٪ به‌دست می‌آید و همچنین برای ارزیابی بیشتر، مجموعه‌ای شامل ۲۵۸۷ تصویر از زوایای متفاوت را از همین مجموعه‌داده انتخاب نموده و نتایج شناسایی به طور میانگین ۹۷.۶۴٪ حاصل شد که نشان‌دهنده‌ی عملکرد خوب مدل برای داده‌های متنوع‌تر و بیشتر می‌باشد.