سیستم تشخیص چهره سه بعدی

1-مقدمه 
یکی از مهمترین تکنولوزیهای تشخیص و شناسایی افراد که از مولفه بیومتریک استفاده شده است سیستم شناسایی از طریق تشخیص چهره میباشد که پس از موفقیت سیستم شناسایی از طریق اثر انگشت در چند سال اخیر جزء مهمترین تکنولوژیهای تشخیص بیومتریک به شمار می آید. این اهمیت و توسعه کاربرد به دو دلیل عمده زیر میباشد: 

 
الف- این سیستم شایستگی استفاده در کاربردهای مختلف امنیتی پردازش تصویر شناسایی اتوماتیک سریع و بدون دخالت شخص را دارد و سرعت پردازش را بالا و خطا را کاهش داده است . 
ب- با وجود سیستمهای بیومتریک قابل اعتمادی مانند تشخیص اثر انگشت و عنبیه چشم سیستم تشخیص چهره رابطه عاطفی تری با کاربر ایجاد کرده و بدون تماس کامل عضوی از بدن با سیستم عملیات تشخیص انجام میگیرد و القای اطمینان بیشتری در کاربر ایجاد میکند و البته توسعه کاربردهای دوربینهای دیجیتالی پیشرفته عامل موثری در توسعه و بالا رفتن طرفداران این سیستم بوده است. 

بطورکلی یک سیستم بیومتریک تشخیص چهره، از چهار ماژول تشکیل یافته است: 


1-
ماژول سنسور: در حالی که تشخیص چهره دو بعدی با دوربین معمولی امکان پذیر میباشد در روش سه بعدی نیاز به یک سنسور پیچیده و سطح بالایی از لحاظ فنی میباشد چرا که بایستی قابلیت کسب اطلاعات عمیق تر را داشته باشد . ماژول سنسور وظیفه گرفتن تصویر اشخاص را بر عهده دارد و بسته به نیاز و کاربرد دستگاه گیرنده میتواند یک دوربین سیاه و سفید و یا رنگی و یا یک ماژول مخصوص با قابلیت استخراج اطلاعات عمیقتر و یا یک دوربین مادون قرمز با تصاویر مادون قرمز باشد. 

2-
ماژول مخصوص تشخیص و استخراج اطلاعات: تصاویر بدست آمده توسط این ماژول در ابتدا ارزیابی محتوایی شده و داده های نامربوط ازقبیل پس زمینه موها و گردن و شانه و غیره حذف و تنها محتوای ناحیه چهره را شناسایی میکند . سپس تصویر بدست آمده تحت فرایندهای محاسباتی و عملیاتی پیچیده برای استخراج اطلاعات مربوط به ویژگیهای سطحی چهره و تجزیه اطلاعات کلی تصویر قرار میگیرد. در حقیقت در این مرحله تصویر خروجی که بایستی توسط ماژول طبقه بندی کننده برای تعیین هویت و تشخیص چهره مورد استفاده قرار گیرد در این مرحله با استفاده از روشهای پیچیده PCA, LDA و غیره آماده میگردد 

3-
ماژول طبقه بندی : در این ماژول قالب تصویر استخراج شده از مرحله قبلی با قالبهای موجود در گالری تصاویر مقایسه میگردد و در نتیجه معلوم میشود که آیا چهره گرفته شده جزء قالبهای موجود میباشد و قابل شناسایی است یا خیر . 
و در صورت مثبت بودن جواب ماژول تصمیم گیری هویت شخص را که بر اساس نتیجه مقایسه ماژول طبقه بندی بوده است را تایید میکند . بر اساس امتیاز بدست آمده از مقایسه که همان درصد تطابق قالب گرفته شده با قالبهای موجود میباشد کاربر مورد نظر مورد تایید قرار گرفته و یا پذیرفته نمیشود . 

4-
ماژول پایگاه داده ها: این ماژول برای ثبت نام - نگهداری واکشی قالب چهره کاربران را بر عهده دارد . در طول ثبت نام ماژول سنسور تصاویر را ثبت کرده و مجموعه این تصاویر همان گالری تصاویر را ایجاد میکند که در مرحله طبقه بندی مورد استفاده قرار میگیرد .در بیشتر روشهای تشخیص چهره چندین نمای متفاوت از یک شخص در حالتهای مختلف روحی خنده اخم و عصبانیت عادی و یا با عینک از کاربر گرفته میشود و این تعدد در بالابردن ضریب شناسایی اهمیت ویژه ایی دارد 
در خصوص اطلاعات سه بعدی که در جهت افزایش دقت در تشخیص مورد استفاده قرار میگیرد علاوه بر اطلاعات دو بعدی تصویر اطلاعات مربوط به ساختار داخلی اندام نظیر کاسه چشم و بینی و چانه نیز مورد ارزیابی قرار میگیرد و نسبت به تصاویر دو بعدی عوامل محیطی و تزئینات ظاهری و آرایش در تجزیه و تحلیل اطلاعات نقش نداشته و حساس نمیباشند . 

روش های معمول عرضه شده، درحال حاضر شامل: 

Eigenfaces,
Linear Discriminant Analysis (LDA), 
Support Vector Machines (SVM) 
و neural networks میباشند. هریک از روش ها دارای مبحثی جداگانه و مفصل بوده که براساس طراحی و عملکرد ویژه خود، در تشخیص چهره نقش ایفا میکنند. دراین مقاله سعی کرده ایم به نقش سیستم سه بعدی در ایجاد چهره های مجازی بصورت یک سیستم تمام اتوماتیک، مورد بررسی قرار دهیم که براساسPIE (وضعیت قرارگیری چهره، روشنایی وحالت آن) عمل میکند و بدلیل استفاده از فقط یک تصویر دوبعدی با نمای روبرو، بنوبه خود از صرف انرژی و زمان در گرفتن تصاویر واقعی با حالات مختلف جهت تشخیص، جلوگیری میکند. 

2-
بازسازی موثر سه بعدی در تشخیص چهره 





تحقیقات انجام شده قبلی در تشخیص چهره، کفایت چهره های مجازی ومدل سه بعدی را به اثبات رسانده است. در این مقاله، ما یک فریم ورک اتوماتیک کارآمد و کامل برای تشخیص چهره را نشان می دهیم که با بازسازی سه بعدی چهره و نیز ایجاد چهره های مجازی با استفاده از نمای روبروی یک چهره عادی دربرابر نور طبیعی، انجام میشود. همانطور که در شکل 1 نشان داده شده است، فریم ورک شامل دو بخش است: 1) بازسازی ارتقا یافته مدل دوبعدی به سه بعدی 2) تشخیص چهره با استفاده از چهره های مجازی دارای PIE های متفاوت. زیر مجموعه های بعدی، این دو بخش را به تفصیل شرح میدهند: 

1-2
بازسازی ارتقایافته مدل دوبعدی به سه بعدی: 

تنها ورودی مورد نیاز برای سیستم تصویر، وجود یک چهره با نور طبیعی ازنمای روبرو و حالت عادی است . بر اساس الگوریتم تطبیق دوبعدی، 83 نقطه کلیدی مربوط به ویژگی ها، بطور خودکار برروی چهره قرار دارند که در شکل 1 نشان داده شده است. در اکثر موارد، این نقاط به اندازه کافی، برای بازسازی چهره جوابگو هستند. یک مدل سه بعدی کلی چهره ، برای بازسازی اختصاصی چهره سه بعدی بکاربرده میشود. اشکال سه بعدی توسط برنامه مدیریت آنالیز کامپوننت ها(PCA) منسجم و فشرده میشود. از تنظیم چهره دوبعدی ، نقاط کلیدی ویژگی ها برای محاسبه ضریب اشکال سه بعدی استفاده می شود که درمرحله بعد، این ضرایب برای بازسازی ساختار سه بعدی چهره استفاده می گردد. در نهایت، بافت اصلی چهره از تصویر ورودی استخراج شده و با نقشه برداری ازاین بافت، بصورت هندسه سه بعدی، مدل سه بعدی آن، بدست می آید که دارای جزییات و ویژگی های واقعی تری در مقایسه با سایر تکنیک ها بوده است. قالب چهره، می تواند برای حالات وحرکات لب نیز ارتقا داده شود. 

2.1.1
نحوه بازسازی هندسه سه بعدی چهره 

بطور کلی ، مطابقت هندسه سه بعدی چهره، با یک تصویر دوبعدی، کاری دشوار بنظرمی رسد. خوشبختانه، مدل های سه بعدی برگرفته از چهره های مختلف، تفاوت زیادی با یکدیگرندارند. ازآنجا که، ویژگی های کلیدی چهره، مانند گوشه چشم ها و نوک بینی در چهره های مختلف بطورکامل برهم منطبق هستند، PCA برای استخراج حالات منسجم صورت با استفاده از جزئیات اولیه مناسب می باشد. 
در مرحله تنظیم هم ترازی ها ، فرض براین است که نقاط کلیدی ویژگی های چهره دوبعدی، برای ساختن چهره سه بعدی انتخاب شده اند. باید توجه داشت چون تصویر دوبعدی و قالب سه بعدی هردو بصورت نمای روبرو هستند، ماتریکس چرخشی مورد نیاز نیست. 

چهره بازسازی شده در شکل 2 نشان داده شده است: 


 
شکل2) بازسازی چهره سه بعدی بترتیب از چپ به راست 
الف) هم ترازی دوبعدی، ب) بازسازی چهره سه بعدی با استفاده از ضرایب مشترکPCA مربوط به مختصات eigenvector، ج) شکل سه بعدی بعد از متناسب سازی Kriging (ج) مدل سه بعدی با بافت اصلی (د) نمایش جدید با استفاده ازPIE 

هندسه سه بعدی بدست آمده از چهره، کاملا مطلوب بنظر می رسد، اما تطابق مختصات x و ý مربوط به راس نقاط کلیدی چهره سه بعدی تا حدودی با مختصاتx و ý دوبعدی تفاوت جزئئ دارد. علت آن است که فضای شکل توسط پایگاه داده های چهره سه بعدی محدود میشود. برای اطمینان از اینکه مختصات ویژگی های چهره، دقیق هستند، مختصات راس ویژگی های کلیدی در چهره سه بعدی، بایستی دقیقا منطبق بر راس مختصات این نقاط در مدل دو بعدی باشد.

 
برای محاسبه و حذف جابجایی وعدم تطابق ها ، از روش تناسب بندی Kriging استفاده میشود. بمنظور تناسب نهایی ، radius base function (RBF) بعنوان یک راه حل جایگزین بکار میرود که نتیجه آن بازسازی هندسه سه بعدی با مختصات دقیق ویژگی های چهره است! برای تطابق دقیق بجز RBF از الگوریتم های متفاوت دیگری نیز میتوان استفاده کرد. تصویر نهایی سه بعدی در شکل 2 نشان داده شده است. 

ترکیب و پیوند ژست های مختلف، روشنایی و حالت های چهره 
در محیط های طبیعی، PIE بعنوان یک مسئله مهم و چالش برانگیز در زمینه الگوریتم های تشخیص چهره باقی مانده است. برای افزایش دقت تشخیص چهره، به دست آوردن نمونه تصاویری از چهره با PIE متفاوت از نمای جلویی چهره، ضروری است. با این حال، تولید تصاویری با چهره های جدید با PIE متفاوت از تصویر روبرو، با بکارگیری روش های کنونی تبدیل دوبعدی به دوبعدی مشکل میباشد. روش پیشنهادی برای حل این مشکل، با استفاده از بازسازی مدل سه بعدی از روی تصویر دوبعدی امکانپذیر میشود که درمرحله بعد، با چرخش این مدل سه بعدی بازسازی شده، می توان تصاویری با ژست های مختلف ایجاد کرد! با بکارگیری طیف های متفاوت نور، روشنایی های مختلف ایجاد میشود. در نهایت، MPEG – 4 بر اساس تکنیک انیمیشن سازی چهره برای ایجاد نماهای مختلف چهره استفاده می شود که بنوبه خود عاملی مهم در تشخیص، بشمار می آیند، ولی متاسفانه در اکثر تحقیقات نادیده گرفته شده است. 

2.2.1
ژست( وضعیت قرارگیری چهره) 

گوناگونی ژست ها، ریشه اصلی مشکلات درتشخیص چهره بشمار می آید. کارکرد سیستم های تشخیص چهره، بدلیل وجود تغییرات عمده ژست در تصاویر ورودی کاهش میابد، بویژه هنگامی که داده های ورودی، حاوی اطلاعات کمتری از نماهایی غیراز نمای جلویی باشد. راه معقول برای بهبود تشخیص چندین وضعیت، بکاربردن چندین حالت آزمایشی است. اما درعین حال، روشی وقت گیر و دارای پیچیدگی های بسیار است. درحالیکه در سیستم جدید مبتنی بر انیمیشن، ایجاد هر نمایی از چهره، با چرخش مدل سه بعدی بسیار آسان شده است. 



 

شکل5) ژست (وضعیت قرارگیری صورت): ردیف اول و سوم تصاویر حاصل از CMU-PIE هستند و ردیف دو و چهار، ژست های مشابه ساخته شده بااستفاده از چرخش مدل بازسازی شده هستند. 

2
تنظیم روشنایی 

روشنایی امر مهم دیگری در تشخیص چهره است، بطوریکه تصویر یک چهره بدلیل تغییر در روشنایی آن، ممکن است متفاوت از تصویر دیگری از همان چهره بنظر می رسد. نکته جالب آن است که تغییرات ناشی از نور در تصاویر مربوط به چهره یک شخص، اغلب حتی بزرگتر از تفاوت بین چهره های افراد مختلف است! در کار ما، از دو منبع نور برای ایجاد تصاویری سه بعدی با نورهای مختلف، استفاده میشود. یک نور از محیط پیرامون و دیگری از یک منبع نور نقطه ای متحرک می باشد. کل روشنایی مربوط به مدل یک چهره توسط نور محیطی کنترل می شود. مناطق فرورفته صورت و سایه های آن توسط منبع نور نقطه ای ایجاد میشود. باید دانست که در نورکافی، اکثر وضعیت های روشنایی را می توان ایجاد کرد. 
در این مقاله ، فرض بر این است که تمام سطوح صورت دارای یک نوع جنس بافتی هستند. در واقع، نوع جنس بافت در چهره های مختلف، متفاوت است. حتی در مورد یک چهره، جنس بافت در نواحی مختلف یکسان نیست. بعنوان مثال، کره چشم باید نور بیشتری را نسبت به پوست منعکس کند. در اقدامات آینده، جنس بافت چهره، باید برای شبیه سازی واقعی تری از روشنایی ها در نظر گرفته شود. 


 

شکل6- تنظیم روشنایی، ردیف اول و سوم تصاویر حاصل از CMU-PIE هستند و ردیف دو و چهار تصاویر مشابه بازسازی شده هستند. 

2.2.3
حالت های چهره 

به طور کلی ، در سیستم تشخیص چهره، تغییرات ژست به اندازه تغییرات حالت و روشنایی مهم نیستند. اما همچنان، تغییر حالت های چهره، هنوز یک مشکل حل نشده در زمینه دستیابی به تشخیص چهره قوی محسوب میشود. 
در پروژه ی ما، MEPG - 4 مبتنی بر فریم ورک انیمیشنی، برای استخراج چهره سه بعدی و ایجاد حالات مختلف آن استفاده میشود. از لحاظ استاندارد درMPEG-4 ، جمعا 68 پارامتر انیمیشنی چهره (FAP) تعیین شده است که هر یک از آنها، حرکت در مسیر ویژه ای در ناحیه مشخصی از چهره را نشان میدهد. 
حالات پیچیده چهره با ترکیب تمام FAP ها تولید می شود. FAP ها بعنوان دسته ای از پارامترهای عمومی تعریف میشوند. هردسته خاص از پارامترهای FAP ، نشان دهنده یک حالت از چهره هستند. این روش، مستقل از ساختار چهره ای است که قبلا استفاده میشد. 
درسیستم MPEG - 4 مبتنی بر فریم ورک انیمیشنی چهره، مسیر حرکت راس مختصات، تقریبا خطی است. نتایج دقیق تر میتواند با افزایش تعداد سگمان ها بدست آید. هریک از رئوس مختصات، در ناحیه کنترل مربوط به هر FAP، دارای ضریب خاص حرکات سه بعدی می باشد. از ترکیب این ضرایب حرکتی سه بعدی، جدول انیمیشنی چهره FAT (Facial animation table) تشکیل می شود که نشان می دهد چگونه پارامترهای FAP، مدل چهره را درجهت دستیابی به انیمیشن مطلوب سوق میدهد.جدول FAT با دریافت مقادیر پارامترهای FAP ، داده های مربوطه را برای تبدیل FAP ها به انیمیشن فراهم میکند. 
جدول انیمیشنی بدست آمده چهره( FAT) ، بستگی به مدل های چهره استفاده شده دارد. FAT مورد استفاده برای مدل های عمومی چهره بصورت دستی تنظیم شده است. ولی تنها میتواند برای مدل هایی از چهره که دارای جغرافیای هندسی یکسان هستند، بکاررود. دراین مبحث، مدلهای سه بعدی چهره، هندسه متفاوتی دارند. برای استخراج قالب سه بعدی چهره، بایستی از یک شیوه جدید برای ساخت نوعی FAT که خود، مختص مدل سه بعدی است، استفاده کرد که برپایه FAT عمومی چهره که در بالا بحث شد، ایجاد میشود. 

 
شکل 7) حالات چهره، ردیف اول، الف) حالات چهره در CMU-PIE؛ ردیف دوم حالات بازسازی شده مشابه از روی تصویر اول هستند.ب) سایر حالات ایجاد شده 

از آنجا که حرکات عضلات صورت مابین محورهای X و Y قرار دارد، لذا متخصصان در بیشترموارد، ضریب حرکات در مختصات X و Y را برای ساخت جدول جدید FAT محاسبه میکنند. نخست، روش تناسب بندی Kriging برای تغییر مدل عمومی برطبق ویژگی های استخراج شده بر روی مدل جدید استفاده می شود. دراینصورت مختصات نقاط مدل عمومی، دقیقا ازلحاظ فیزیکی با مختصات مدل جدید تطبیق میکند. مختصات هر نقطه بااستفاده از نقشه هندسی برروی محورهای X و Y واقع در مدل عمومی قرار میگیرد. از روی این نقشه میتوان تخمین زد که کدام پارامترهای انیمیشنیFAP ، این نقاط هندسی را کنترل کرده و چه ضرایب حرکتی برای این نقاط باید درنظر گرفت. بعد ازمحاسبه تمام نقاط شبکه هندسی، جدول FAT برای مدل جدید بدست می اید که مخصوص بازسازی مدل سه بعدی چهره می باشد و با آن حالات مختلف چهره تولید میشود. همانطور که شکل 7 نشان میدهد، حالات چهره در ردیف اول تصاویر مربوط به CMU-PIE هستند. حالات چهره در ردیف دوم که مربوط به ردیف اول است توسط سیستم انیمیشنی MPEG-4 ما تولید شده است. شکل 7 سایر حالات حاصله ایجاد شده را نشان میدهد. 

 
شکل 8. - دوربین پایگاه داده CMU-PIE و موقعیت های نور : (الف)یک نقشه از زوایای عمودی و افقی دوربین. (ب) مکان های سه بعدی دوربین ها، سر اشخاص و فلاش ها. 

3)
آزمایشات انجام شده 

در این اثر، هدف ما بررسی عملکرد تشخیص چهره بااستفاده از PIE های گوناگون بوده است. لذا به روشی معین، عملکرد الگوریتم هایمان را در مقایسه با الگوریتم های رایجی که از چهره های مجازی برگرفته از مدل های چهره سه بعدی اختصاص یافته، تولید شده استفاده نمی کنند، ارزیابی کردیم. 
پایگاه داده CMU-PIE در این ارزیابی استفاده می شود، چون تمامی فاکتور های سه گانه رامورد محاسبه قرار میدهد. پایگاه داده CMU-PIE شامل 68 نفر با 41،368 تصویر چهره گرفته شده همزمان توسط 13 دوربین و 21 فلاش تحت PIE متفاوت است.دوربین پایگاه داده CMU-PIE و وضعیت های نور در شکل 8 نشان داده شده است. 
همانطورکه درتصویر شماره8 دیده میشود، نمای روبروی چهره با حالت عادی را در وضعیت شماره 27 و نور محیطی را برای ساخت خودکار چهره های سه بعدی شخص بکار برده ایم. تمامی 68 چهره سه بعدی طراحی شده و چهره های مجازی با PIE های مختلف ساخته میشوند، مقایسه های انجام شده با چهره واقعی در شکل های 5 تا 7نشان داده شده است. توجه داشته باشید که تمام پروسه بازسازی، بطور کامل اتوماتیک صورت گرفته است. فقط یک چهره با نمای روبرو از شخص با روشنایی طبیعی و حالت عادی لازم است تا ساخت مدل های چهره سه بعدی تکمیل شود بطوریکه ازلحاظ کاربرد واقعی، بتواند براحتی رضایت کافی را کسب کند. 
آزمایشات مقایسه ای دیگری نیز جهت ارزیابی کفایت چهره های مجازی ساخته شده از مدل سه بعدی چهره با PIE های اختیاری انجام گرفت. نتایج مقایسه با دو روش قدیمی، PCAو LDA و نیز NN جالب توجه بود: 
به طور کلی، دقت تشخیص چهره با استفاده از چهره های مجازی ساخته شده از مدل سه بعدی ، بمراتب بیشتر از الگوریتم های معمولی بود، بویژه درآزمایش کاربردی LDA در استفاده از داده های وضعیت چهره. 
الگوریتم پیشنهادی ما بطور قابل توجهی، بهبود عملکرد را در نیمی از موارد چهره ها نشان داد. مانند وضعیت 37 و 11 . 

نتیجه گیری 

ارزیابی تجربی از بازسازی چهره، ثابت کرده است که سیستم کاملا اتوماتیک دارای کفایت لازم بوده و از دقت کاربردی بالا برخوردار است. 
در مقایسه با تکنیک های دیگر، اساس این فریم ورک دارای نکات برجسته زیراست : 

1)
وجود فقط یک تصویر روبرو از چهره برای تشخیص چهره لازم است و خروجی ها تصاویر واقعی با PIE های مختلف هستند که منحصرا مخصوص تصویر ورودی میباشند 
2)
نمونه های چهره ساخته شده، قابلیت انجام تشخیص را تحت وضعیت های پیچیده مربوط به PIE آنها، فراهم میکند. تکنیک پیشنهادی تبدیل چهره دوبعدی به سه بعدی ، بطور کامل اتوماتیک بوده و سریع تر از دیگر شیوه های بازسازی سه بعدی می باشد. 
در کل درمقایسه با روش های دیگر، تکنیک استفاده از CMU-PIE دارای خصوصیات زیر است: 
ورودی: استفاده از تصویر یک چهره از روبرو با روشنایی یکنواخت و ژست عادی. 
نصب و راه اندازی: کامل اتوماتیک 
شکل: شکل سه بعدی با استفاده از مطابقت بین نقاط کلیدی قابل اعتماد در تصویر دوبعدی و سه بعدی و یک مدل آماری، بهبود میابد. 
الگوی بافت سه بعدی: بطور مستقیم از روی تصویر ورودی دوبعدی نقشه برداری میشود. 
سرعت: کمتر از 5ثانیه برای تصویر چهره با اندازه 512*512 پیکسل در یک کامپیوتر شخصی پنتیوم 4، 1.3 گیگاهرتز 

توضیح اختصارات: 

PIE

Pose, Illumination and Expression

وضعیت قرارگیری چهره، روشنایی وحالت آن

PCA

Principal Component Analysis

مدیریت آنالیز کامپوننت ها

FAP

Face Animation parameter

پارامتر انیمیشنی چهره

FAT

Face Animation table

جدول انیمیشنی چهره

 

  1. دانلود فایل
  2. ارتباط با کارشناسان
  3. انواع قراردادهای پشتیبانی
  4. سؤالات متداول
  5. اخبار و اطلاعیه ها
ردیف تخصص نام کارشناس شماره تماس
1 سرپرست نرم افزار مصطفی حسنی 33261511  داخلی 2
2 سرپرست سخت افزار  علیرضا مسیحائی 33261511  داخلی 2
3 کارشناس نرم افزار مانی حقگو 0933-631-8833
4 کارشناس نرم افزار میلاد حسنی 0933-631-8844
 5 کارشناس نرم افزار  مصطفی حسنی  0911-833-6747 
 6 کارشناس خبره برق و امور نصب حسن بابایی  0911-618-2820 
7 مسئول هماهنگیهای نصب و خدمات پشتیبانی غزل درویش 33261510 داخلی0

 

انواع قراردادهای پشتیبانی

خدمات پشتیبانی تلفنی رایگان
این خدمات فقط به صورت تلفنی و به افرادی که آموزش های لازم  کاربری را دیده اند ارائه خواهد شد .

قرارداد پشتیبانی غیرحضوری
حل مشکلات با سیستم مدیریت از راه دور
استفاده از کلاس های آموزشی عمومی 4 بار در سال به صورت رایگان
رفع اشکال در محل شرکت به صورت رایگان
ارتقاء ورژن و باینری به صورت رایگان
رفع مشکلات دستگاه که از خطای کاربر ایجاد می گردد .
تذکر : لازم به ذکر است داشتن اینترنت برای مراکزی که از این قرارداد استفاده می کنند الزامی است .

قرارداد پشتیبانی عمومی
تعریف برخی از قسمت های برنامه ( شیفت ، تنظیمات شبکه ، تنظیمات خاص و ... ) با سیستم مدیریت از راه دور و آموزش آن در حین تعریف موارد .
مراجعه حضوری رایگان 3 بار در طول دوره
استفاده از کلاس های آموزشی عمومی  به صورت رایگان
استفاده از کلاس های خصوصی 3 بار در طول دوره
آموزش مجدد به نیروی جدید 1 بار در طول دوره
رفع اشکال در محل شرکت به صورت رایگان
ارتقاء ورژن برنامه به صورت رایگان

در مورد مراکز فاقد قراردا پشتیبانی لازم است به صورت تعرفه شرکت جهانگستر که در سایت جهانگستر نیز اعلام گردیده است ارائه خدمات حضوری در محل صورت گیرد.

هزینه خدمات پشتیبانی حضور و غیاب در محل مشتری
500/000 ریال به ازای ساعت اول  + 200/000 ریال به ازای هر ساعت بیشتر 
( هزینه ایاب و ذهاب به عهده مشتری می باشد.)

* هزینه ایاب و ذهاب
در تهران و شهرهای بزرگ(داخل شهری) : 200/000 ریال 
در شهرستان ها : 100/000 ریال 
خارج از محدوده شهری: بصورت توافقی

در این قسمت اخبار و اطلاعیه های سایت درجج خواهد شد.

تمامی حقوق مادی و معنوی سایت متعلق به شرکت سیستم پرداز گیل میباشد. طراحی و اجرا: رایمون نگارش

copyyright   2013