23587

COM2 648

كارشناسي ارشد

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

مهندسي كامپيوتر

دي ماه 1402

72 ص.

حسين ماهوش محمدي

تشخيص چهره , دوربين¬هاي نظارتي , وضوح تصوير , استخراج ويژگي , يادگيري عميق , شبكه¬ي عصبي عميق

در دنياي امروز تشخيص چهره يكي از موضوعات پرطرفدار در ميان پژوهش¬گران و همچنين ارگان¬هاي مختلف است. اين موضوع از اين جهت حائز اهميت است كه تشخيص هويت افراد به پيشبرد اهداف مهمي كمك شاياني خواهد كرد. يكي از راه¬هاي تشخيص هويت چهره، از طريق تصاوير دوربين¬هاي نظارتي است. چالش بزرگ اين مساله وضوح پايين تصاوير ورودي از دوربين¬هاي نظارتي است كه در شرايط كنترل نشده¬اي دريافت شده¬اند. در تصاوير با وضوح پايين، بسياري از جزئيات تصوير از بين مي¬روند و استخراج ويژگي را با چالش¬هايي روبرو خواهد كرد. همچنين شبكه¬هاي موجود كه تلاش بر استخراج ويژگي با كيفيت از تصاوير دارند، شبكه¬هاي بسيار پيچيده با پارامترهاي زيادي هستند كه پياده¬سازي اين شبكه¬ها در سازوكار عملي را غير ممكن مي-كند. در اين پژوهش تلاش بر اين است كه استخراج ويژگي از تصاوير با صحت بالاتر و در عين حال با پيچيدگي و پارامترهاي كمتري صورت گيرد كه به نتايج قابل قبولي در مجموعه داده¬هاي مورد بررسي برسد. روش پيشنهادي بر مبناي شبكه¬ي عصبي كانولوشني رزنت 34 و با بكارگيري مكانيسم توجه پياده سازي شده است. اين شبكه از شبكه رزنت50 تعداد بلوك هاي كمتري دارد ولي كارايي آن افزايش يافته است. روش پيشنهادي براي تصاوير 112 در 112 به صحت برابر با 99.63 در مجموعه داده LFW و به صحت 95.20 در مجموعه داده¬ي CFP_P و 95.53 براي مجموعه داده¬ي AgeDB-3 رسيده است همچنين صحت براي وضوح تصوير 56 در 56 در مجموعه داده¬ي AgeDB-30 برابر با 91.57 و براي تصاوير 28 در 28 در مجموعه داده¬ي AgeDB-30 برابر با 87.33 و در نهايت براي وضوح تصوير 14 در 14 برابر با 78.33 است كه عملكرد بهتري در مقايسه با روش¬هاي پيشين دارد.

face recognition , surveillace cameras , resolution , feature extraction , deep learning , deep neural network

Low Resolution Face Recognition in Surveillance Camera

مهندسي هوش مصنوعي

In today’s world, facial recognition is one of the most popular topics among researchers as well as various organizations. This issue is important because recognizing the identity of people will help to advance important goals. One of the ways to recognize the identity of the face is through surveillance camera images. The big challenge of this issue is the low resolution of input images from surveillance cameras that were received in uncontrolled conditions. In low-resolution images, many details of the image are lost and extracting quality features from the images are very complex networks with many parameters that make it impossible to implement these networks in a practical mechanism. In this research, the effort is to extract features from images with higher accuracy and at the same time with less complexity and parameters to achieve acceptable results in the investigated data set. The proposed method is implemented based on the convolutional neural network of Rozent34 and using the attention mechanism. This network has fewer blocks than Rosenet 50, but its efficiency has increased. The proposed method for 112*112 images has an accuracy of 99.63 in LFW dataset and 95.20 accuracy in CFP-P dataset and 95.53 for AgeDB-30 dataset for 91.57 and 28 in images. 28 in the AgeDB-30 dataset for 87/33 and finally the resolution of the 14*14 image is 78/33, which has a better performance compared to the previous methods.

5