Documente Academic
Documente Profesional
Documente Cultură
2.2Preprocesare
Acest pas funcționează ca preprocesare pentru recunoașterea feței. În
acest pas,zgomotul nedorit, încețoșarea, condițiile de iluminare
variate, efectele de umbră pot fi eliminatefolosind tehnici de pre-
procesare .Odată ce avem o imagine fină a feței netede, atunci va fi
utilizat pentru procesul de extragere a caracteristicilor.
2.3. Extragerea caracteristicilor
În acest pas, trăsăturile feței pot fi extrase folosind algoritmul de
extracție a caracteristicilor.
Extracțiile sunt efectuate pentru a face împachetarea
informațiilor, reducerea dimensiunii, extracție și curățare cu zgomot.
După acest pas, un plasture facial este de obicei transformat într-un
vector cu dimensiune fixă sau un set de puncte de referință și locațiile
lor corespunzătoare.
2.4. Recunoaștere facială
Odată ce extragerea caracteristicilor este realizată, pasul analizează
reprezentarea fiecărei fețe; ultimul pas este folosit pentru a recunoaște
identitățile fețelor pentru realizarea feței automate , pentru
recunoaștere este necesară construirea unei baze de date de fețe.
Pentru fiecare persoană, sunt luate mai multe imagini și caracteristicile
acestora sunt extrase și stocate în baza de date. Apoi
când o imagine a feței de intrare vine pentru recunoaștere, apoi
efectuează mai întâi detectarea feței, preprocesarea și extragerea
caracteristicilor, după aceea își compară caracteristica cu fiecare clasă
de fețe care stocate în baza de date. Există două aplicații generale ale
recunoașterii feței, una este numită identificare și alta se numește
verificare. Mijloace de identificare a feței este reprezentat de o
imagine a feței,care poate fi folosita pentru a determina identitatea
unei persoane chiar și fără a lui cunoştinţa.
3. Rețeaua neuronală
Rețeaua neuronală este o tehnică de clasificare foarte puternică și
robustă care poate fi folosita pentru prezicerea nu numai pentru datele
cunoscute, ci și pentru datele necunoscute. Funcționează
bine pentru setul de date separabile liniar și neliniar. NN a fost folosit
în multe domenii precum interpretarea scenelor vizuale, recunoașterea
vorbirii, recunoașterea feței, amprenta digitală recunoașterea,
recunoașterea irisului etc. Un ANN este compus dintr-o rețea de
neuroni artificiali cunoscute și sub denumirea de „noduri”. Aceste
noduri sunt conectate între ele și puterea lor conexiunilor între ele i se
atribuie o valoare în funcție de puterea lor: inhibiția
(maxim fiind -1,0) sau excitație (maxim fiind +1,0). Dacă valoarea
conexiunii este mare, atunci indică faptul că există o conexiune
puternică. În cadrul designului fiecărui nod, a funcția de transfer este
încorporată. Există trei tipuri de neutroni într-o ANN, intrare
noduri, noduri ascunse și noduri de ieșire.
4. Abordări ale rețelelor neuronale artificiale pentru detectarea
feței
În ultimii ani, diferite arhitecturi și modele de ANN au fost
folosite pentru fațădetectarea și recunoașterea. ANN poate fi folosit în
detectarea și recunoașterea feței deoarece aceste modele pot simula
modul în care neuronii funcționează în creierul uman. Acesta este
principalul motiv pentru rolul său în recunoașterea feței. Această
cercetare include o revizuire de vară a cercetări legate de detectarea
feței pe baza ANN.
Sachin Sudhakar Farfade, Mohammad Saberian, Li-Jia Li au propus
profund metoda rețelei neuronale de convoluție pentru care oferă
detalii ale algoritmului și procesul de instruire al detectorului de față
propus, numit Deep Dense Face Detector (DDFD). Ideile cheie sunt
capacitatea medie de mare a rețelelor convoluționale profunde pentru
clasificarea și extragerea caracteristicilor pentru a învăța un singur
clasificator pentru detectarea fețelor din vizualizări multiple și
minimizați complexitatea de calcul prin simplificarea arhitectura
detectorului. Autorul a început prin a regla AlexNet pentru față
detectare. Pentru aceasta, el a extras exemple de antrenament din setul
de date AFLW . La creștea numărul de exemple pozitive, el a
eșantionat aleatoriu sub-ferestre ale imagini și le-au folosit ca exemple
pozitive dacă aveau mai mult de 50% IOU(intersecție peste unire) cu
adevărul de bază. Aceste exemple au fost apoi redimensionate la 227×
227 și folosit pentru a regla fin un model AlexNet pre-antrenat. Pentru
reglaj fin, au folosit 50.000 iterații și dimensiunea lotului de 128 de
imagini, în care fiecare lot conținea 32 de imagini pozitive și
96 de exemple negative. Folosind această rețea profundă reglată fin,
este posibil să luați oricare dintre ele abordări bazate pe regiune sau
ferestre glisante pentru a obține detectorul de față frontală. In acest
autorul lucrării a selectat o abordare cu fereastră glisantă deoarece are
mai puțină complexitate și esteindependent de module suplimentare,
cum ar fi căutarea selectivă.
5 Concluzii
Recunoașterea facială cu ajutorul rețelelor neuronale profunde a devenit o
tehnică tot mai populară și eficientă în ultimii ani. Iată câteva concluzii
importante despre acest subiect:
1. Performanță îmbunătățită:
Retelele neuronale profunde au adus o îmbunătățire semnificativă în
performanța recunoașterii faciale. Ele pot identifica caracteristici
subtile și complexe ale feței, permițând o precizie mai mare în
procesul de identificare.
2. Capacitatea de învățare automată:
Principala forță a rețelelor neuronale profunde constă în capacitatea
lor de a învăța automat caracteristici și modele relevante din seturi de
date mari. Acest lucru le face potrivite pentru recunoașterea facială,
unde există o varietate mare de caracteristici ale feței.
3. Sensibilitate la calitatea datelor:
Performanța rețelelor neuronale profunde în recunoașterea facială
este strâns legată de calitatea seturilor de date folosite pentru
antrenament. Datele de antrenament de calitate slabă sau
neechilibrate pot duce la rezultate incorecte și la biase în
recunoașterea facială.
4. Aspecte etice și de confidențialitate:
Utilizarea recunoașterii faciale cu rețele neuronale profunde a ridicat
preocupări etice și de confidențialitate. Există temeri legate de
potențialul pentru utilizarea abuzivă a tehnologiei în supraveghere,
urmărire și colectarea de date personale fără consimțământ.
5. Rezistența la variabilitate:
Unele rețele neuronale profunde pot fi rezistente la variabilitatea în
poziția feței, iluminare sau expresie facială. Cu toate acestea, în
continuare, există provocări în abordarea unor condiții precum
schimbările bruște în lumină sau ocultarea parțială a feței.
6. Adaptabilitate în aplicații diverse:
Tehnologia recunoașterii faciale cu rețele neuronale profunde este
folosită într-o varietate de aplicații, de la securitate și controlul
accesului la asistența în identificarea criminalilor și chiar în domeniul
divertismentului (cum ar fi recunoașterea fețelor în jocuri).