Обробка зображень та ідентифікація осіб стали ключовими завданнями в сучасному інформаційному суспільстві. Зараз існує значна потреба в надійних і швидких методах розпізнавання обличчя для різноманітних застосувань, таких як системи безпеки, робототехніка, соціальні мережі та інші. У даному дослідженні пропонується розглянути підхід до розробки комп'ютерної системи розпізнавання обличчя, яка використовує інтелектуальні алгоритми [1], щоб досягти високої точності та ефективності.

Створення системи розпізнавання обличчя на основі інтелектуальних алгоритмів включає кілька ключових етапів:

1. Збір даних: Цей етап полягає у зборі великого набору зображень обличчя. Зображення повинні охоплювати різні особи, в різних умовах освітлення, кутах, відстанях і позах. Важливо мати різноманітні дані для тренування моделі, щоб вона могла ефективно розпізнавати обличчя в різних умовах.

2. Попередня обробка зображень: Після збору зображень вони піддаються попередній обробці. Це може включати зменшення розміру зображень, нормалізацію освітлення, видалення шуму та інші операції, що покращують якість зображення і допомагають у подальшому аналізі.

3. Виділення ознак: Наступний крок - виділення ознак з обличчя на зображеннях. Це може бути здійснено за допомогою різних алгоритмів обробки зображень, таких як виявлення контурів, розпізнавання ключових точок (наприклад, очей, носа, рота) або використання більш складних методів, таких як згорткові нейронні мережі (CNN), що автоматично вивчають корисні ознаки зображень.

4. Створення моделі: За допомогою виділених ознак обличчя побудовано модель машинного навчання або нейронну мережу. Ця модель навчається розпізнавати обличчя на основі зібраних даних. Навчання включає оптимізацію параметрів моделі таким чином, щоб вона точно розпізнавала обличчя і уникала помилок.

5. Валідація та оптимізація: Після навчання моделі провести валідацію, щоб оцінити її точність та ефективність. Виправляти помилки та оптимізувати модель, якщо це потрібно.

6. Тестування та налаштування: Після навчання моделі її необхідно протестувати на незалежних тестових даних, які не використовувались під час навчання. Тестування допомагає оцінити точність моделі і виявити можливі проблеми або помилки. У разі потреби можуть проводитися додаткові ітерації тренування та налаштування параметрів моделі.

7. Документація та навчання користувачів: Підготувати документацію та навчати користувачів системи її використовувати.

8. Інтеграція в систему: Остаточно натреновану модель можна інтегрувати в реальну систему розпізнавання обличчя. Це може бути частиною системи безпеки, контролю доступу, аналізу емоцій або іншого застосування, де автоматичне розпізнавання осіб є важливою функцією.

9. Підтримка та оновлення: Забезпечити механізми для підтримки та оновлення системи, включаючи можливість навчання на нових даних для покращення роботи системи з часом.

Рис 1. Глибока система розпізнавання обличчя з детектором обличчя та вирівнюванням.

Уся система буде складається з трьох модулів, як показано на Рис. 1[2].

1. Спочатку використовується детектор обличь для розпізнавання обличь на відео чи зображеннях.

2. Детектор помітних ознак вирівнює кожне обличчя для нормалізації та розпізнавання з найкращою відповідністю.

3. Нарешті, зображення обличчя подаються до модуля розпізнавання обличь.

Перед введенням зображення в модуль FR зображення сканується за допомогою функції захисту від підробки обличчя, після чого виконується розпізнавання.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. J. B. Tenenbaum, C. Kemp, T. L. Griffiths, and N. D. Goodman, "How to grow a mind: Statistics, structure, and abstraction," Science, vol. 331, no. 6022, pp. 1279-1285, 2011.

2. AbdELminaam D. S. A deep facial recognition system using computational intelligent algorithms. PLOS ONE. URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0242269#pone-0242269-g001 (дата звернення: 22.04.2024).