Розпізнавання людського обличчя на підставі аналізу його зображення моделями штучних нейронних мереж і методом власних граней
Анотація
Зібрано результати розпізнавання людських облич з використанням моделей машинного навчання. Проведено порівняння результатів розпізнавання людських облич з використанням моделей штучних нейронних мереж та з попередньо отриманими результатами розпізнавання класичними лінійними методами. Проаналізовано особливості розпізнавання людських облич моделями штучних нейронних мереж, описано можливі обмеження та проблеми такого підходу. Здійснено аналіз апаратного забезпечення, яке буде використано з нейронними мережами та встановлено вплив, який воно матиме на результати проведеного експерименту. Обґрунтовано можливість використання саме моделей машинного навчання для розпізнавання людських облич. Коротко описано моделі штучних нейронних мереж, їх параметри, вхідні та вихідні дані, щоб забезпечити відтворюваність експерименту і надати читачеві чітке розуміння умов, за яких отримано результати дослідження. Проаналізовано можливості практичного застосування таких моделей для розпізнавання людських облич. З використанням цих моделей реалізовано програмне забезпечення для здійснення експериментального дослідження з ідентифікації та розпізнавання людських облич. Для реалізації програмного забезпечення використано мову програмування Python, фреймворк глибокого навчання Pytorch, моделі машинного навчання onxx та засоби для роботи з нейронними мережами із OpenCV. Проведено навчання моделей для ідентифікації та розпізнавання людських облич. Сформовано галерею зображень на підставі вхідних відео, яку використано для зіставлення з іменами під час розпізнавання людських облич моделями. Результати навчання збережено у вигляді натренованих моделей та контейнера із з архівованими зображеннями. Результати використання моделей продемонстровано у цифровому та візуальному виглядах. Експериментально виміряно характеристики розпізнаних облич на вхідних відео та зібрано численні характеристики: деякої кількості вхідних фреймів, виявлення облич, впевненість виявлених облич, тривалість виявлення облич, розпізнанні обличчя з відомим іменем, розпізнанні обличчя з невідомим іменем та середньою тривалістю розпізнавання людських облич. Подано ці результати у вигляді текстового та графічного відображення. Здійснено порівняння отриманих даних з методом власних граней. За результатами проведеного експерименту встановлено ефективність розпізнавання людських облич з використанням моделей штучних нейронних мереж.
Завантаження
Посилання
Belhumeur, P. N., Hespanha, J. P., & Kriegman, D. J. (1997). Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7), 711–720. https://doi.org/10.1109/34.598228
Chen, L., & Wang, Y. (2022). Performance Analysis of Angular-Margin-Based Face Recognition Models. Pattern Recognition Letters, 158, 75–82. https://doi.org/10.1016/j.patrec.2022.03.014
Cao, Q., Shen, L., Xie, W., Parkhi, O. M., & Zisserman, A. (2018). VGGFace2: A dataset for recognising faces across pose and age. Proceedings of the IEEE International Conference on Automatic Face & Gesture Recognition, pp. 67–74. https://doi.org/10.1109/FG.2018.00020
Deng, J., Guo, J., Niannan, X., & Zafeiriou, S. (2019). ArcFace: Additive angular margin loss for deep face recognition. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 4690–4699. https://doi.org/10.1109/CVPR.2019.00482
Deng, L., Li, J., Huang, J.-T., Yao, K., Yu, D., Seide, F., Seltzer, M., Zweig, G., He, X., Williams, J., Gong, Y., & Acero, A. (2013). Recent advances in deep learning for speech research at Microsoft. 2013 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 8604–8608. https://doi.org/10.1109/ICASSP.2013.6639345
Fernandes, A., Costa, R., & Silva, P. (2023). Impact of Face Detection Accuracy on Deep Embedding-Based Recognition. Image and Vision Computing, 132, article ID 104666. https://doi.org/10.1016/j.imavis.2023.104666
Goryainov, V. B., & Goryainova, E. R. (2024). Comparative Analysis of the Quality of Linear Regression on Principal Components Constructed by Robust and Classical Methods. 2024 17th International Conference on Management of Large-Scale System Development (MLSD), pp. 1–5. https://doi.org/10.1109/MLSD61779.2024.10739442
Guo, J., Zhang, X., & Zafeiriou, S. (2018). Towards fast, accurate and stable 3D dense face alignment. Proceedings of the European Conference on Computer Vision (ECCV), 133–145. https://doi.org/10.1007/978-3-030-11009-3_35
Kalantzis, V., Squillante, M. S., & Wu, C. Wah. (). Stable Iterative Solvers for Ill-Conditioned Linear Systems and Least Squares. 2025 IEEE High Performance Extreme Computing Conference (HPEC), Wakefield, MA, USA, 2025, pp. 1–7. https://doi.org/10.1109/HPEC67600.2025.11196243
Liu, Y., Zhang, T., & He, X. (2021). Comparative Evaluation of Classical and Deep Learning Approaches for Face Recognition. IEEE Access, 9, 132540–132553. https://doi.org/10.1109/ACCESS.2021.3112124
Parkhi, O. M., Vedaldi, A., & Zisserman, A. (2015). Deep Face Recognition. Proceedings of the British Machine Vision Conference (BMVC), 41.1–41.12. https://doi.org/10.5244/C.29.41
Rahman, M., Das, S., & Akhtar, N. (2023). Real-Time Face Recognition on Embedded Devices: Challenges and Optimizations. Journal of Real-Time Image Processing, 20(4), 1123–1136. https://doi.org/10.1007/s11554-022-01183-9
Rybak, L.-V., & Dendiuk, M. (2024). Research of comparative characteristics of face recognition on different platforms. Herald of Khmelnytskyi National University. Technical Sciences, 15, 239–244. URL: https://heraldts.khmnu.edu.ua/index.php/heraldts/issue/view/15
Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A unified embedding for face recognition and clustering. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 815–823. https://doi.org/10.1109/CVPR.2015.7298682
Suri, R., & Patel, A. (2021). Revisiting Eigenfaces and Fisherfaces: Relevance in Modern Vision Systems. Applied Intelligence, 51, 7124–7138. https://doi.org/10.1007/s10489-020-02127-y
Taigman, Y., Yang, M., Ranzato, M., & Wolf, L. (2014). DeepFace: Closing the gap to human-level performance in face verification. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1701–1708. https://doi.org/10.1109/CVPR.2014.220
Turk, M., & Pentland, A. (1991). Face recognition using eigenfaces. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 586–591. https://doi.org/10.1109/CVPR.1991.139758
Zhang, J., Li, K., & Su, Y. (2020). Lightweight Deep Models for Edge-Based Face Recognition. Sensors, 20(22), article ID 6501. https://doi.org/10.3390/s20226501
Zhang, K., Zhang, Z., Li, Z., & Qiao, Y. (2016). Joint face detection and alignment using multi-task cascaded convolutional networks. IEEE Signal Processing Letters, 23(10), 1499–1503. https://doi.org/10.1109/LSP.2016.2603342
