Алгоритм идентификации лиц и преступных действий
(Стр. 19-31)

Подробнее об авторах
Хади Намир Мохамед студент
Российский технологический университет МИРЭА
Москва, Российская Федерация
Чтобы читать текст статьи, пожалуйста, зарегистрируйтесь или войдите в систему
Аннотация:
В настоящее существует ряд неразрешенных проблем в идентификации образов. Если у человека будет что-нибудь на лице, например маска или очки, или в какой-нибудь момент часть лица будет прикрыта одеждой, волосами или предметом, то система видеонаблюдения может потерять человека из виду. Идентификация значительно ухудшается, и распознавание человека происходит только спустя некоторое время. Целью данной работы является совершенствование существующих методов распознавания. В работе предлагается алгоритм, который основан на мультикаскадном методе и методе детектировании объектов. Данный алгоритм способен определять человека по действиям преступного характера и по лицу за счет выделения некоторых частей лица в виде квадратов и прямоугольников при помощи библиотеки компьютерного зрения. В результате тестирования алгоритм показал высокую точность определения с использованием видеускорителя объемом 16 ГБ видеопамяти.
Образец цитирования:
Хади Н.М., (2022), АЛГОРИТМ ИДЕНТИФИКАЦИИ ЛИЦ И ПРЕСТУПНЫХ ДЕЙСТВИЙ. Computational nanotechnology, 3 => 19-31. DOI: 10.33693/2313-223X-2022-9-3-19-31
Список литературы:
Выделение и распознавание лиц [Электронный ресурс]. URL: http://wiki.technicalvision.ru/index.php/Выделение_и_распознавание_лиц (дата обращения: 20.06.2022).
Wang Q., Wu T., Zheng T., Guo G. Hierarchical pyramid diverse attention networks for face recognition [Electronic resource]. URL: https://openaccess.thecvf.com/content_CVPR_2020/papers/Wang_Hierarchical_Pyramid_Diverse_Attention_Networks_for_Face_Recognition_CVPR_2020_paper.pdf (data of accesses: 20.06.2022).
Wang Q., Guo G. LS-CNN Characterizing local patches at multiple scales for face recognition // IEEE Transactions on Information Forensics and Security. 2020. No. 15. Pp. 1640-1653.
Hu J., Shen L., Sun G. Squeeze-and-excitation networks [Electronic resource]. URL: https://arxiv.org/pdf/1709.01507.pdf (data of accesses: 22.06.2022).
Parchami M., Bashbaghi S., Granger E., Sayed S. Using deep autoencoders to learn robust domain-invariant representations for still-to-video face recognition [Electronic resource]. URL: https://www.researchgate.net/publication/317951983_Using_Deep_Autoencoders_to_Learn_Robust_Domain-Invariant_Representations_for_Still-to-Video_Face_Recognition (data of accesses: 23.06.2022). @
Ding C., Tao D. Trunk-branch ensemble convolutional neural networks for video-based face recognition [Electronic resource]. URL: https://arxiv.org/pdf/1607.05427.pdf (data of accesses: 23.06.2022).
Parchami M., Bashbaghi S., Granger E. Video-based face recognition using ensemble of haar-like deep convolutional neural networks [Electronic resource]. URL: https://www.researchgate.net/publication/314115143_Video-Based_Face_Recognition_Using_Ensemble_of_Haar-Like_Deep_Convolutional_Neural_Networks (data of accesses: 25.06.2022).
Szegedy C., Liu W., Jia Y. et al. Going deeper with convolutions [Electronic resource]. URL: https://arxiv.org/pdf/1409.4842.pdf (data of accesses: 25.06.2022).
Schroff F., Kalenichenko D., Philbin J. Facenet: A unified embedding for face recognition and clustering [Electronic resource]. URL: https://arxiv.org/pdf/1503.03832.pdf (data of accesses: 26.06.2022).
Huang Z., Shan S., Wang R. et al. A benchmark and comparative study of video-based face recognition on cox face database // IP IEEE Trans. 2015. No. 24. Pp. 5967-5981.
Bashbaghi S., Granger E., Sabourin R., Parchami M. Deep learning architectures for face recognition in video surveillance [Electronic resource]. URL: https://arxiv.org/pdf/1802.09990.pdf (data of accesses: 27.06.2022).
Sultani W., Chen C., Shah M. Real-world anomaly detection in surveillance videos [Electronic resource]. URL: https://arxiv.org/pdf/1801.04264.pdf (data of accesses: 27.06.2022).
Азаров Д. Метод распознавания лиц Виолы-Джонса (Viola-Jones) [Электронный ресурс]. URL: https://oxozle.com/2015/04/11/metod-raspoznavaniya-lic-violy-dzhonsa-viola-jones/ (дата обращения: 27.06.2022).
Yang B., Yan J., Lei Z., Li S. Z. Aggregate channel features for multi-view face detection [Electronic resource]. URL: https://arxiv.org/pdf/1407.4023.pdf (data of accesses: 27.06.2022).
Pham M.T., Gao Y., Hoang V.D.D., Cham T.J. Fast polygonal integration and its application in extending haar-like features to improve object detection [Electronic resource]. URL: https://www.researchgate.net/publication/221362661_Fast_Polygonal_Integration_and_Its_Application_in_Extending_Haarlike_Features_to_Improve_Object_Detection (data of accesses: 27.06.2022).
Zhu Q., Yeh M.C., Cheng K.T., Avidan S. Fast human detection using a cascade of histograms of oriented gradients [Electronic resource]. URL: https://www.merl.com/publications/docs/TR2006-068.pdf (data of accesses: 28.06.22).
Zhang K., Zhang Z., Li Z. Joint face detection and alignment using multi-task cascaded convolutional networks [Electronic resource]. URL: https://kpzhang93.github.io/MTCNN_face_detection_alignment/paper/spl.pdf (data of accesses: 28.06.22).
Li H., Lin Z., Shen X., Brandt J., Hua G. A convolutional neural network cascade for face detection [Electronic resource]. URL: https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Li_A_Convolutional_Neural_2015_CVPR_paper.pdf (data of accesses: 28.06.2022).
PReLU [Электронный ресурс]. URL: https://congyuzhou.medium.com/prelu-e0bc339d9c01 (дата обращения 28.06.2022).
Ключевые слова:
машинное обучение, глубокая сверточная нейронная сеть, ориентиры.


Статьи по теме

4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 132-138 Выпуск №17852
Стратегия поиска эффективного алгоритма машинного обучения на примере кредитного скоринга
кредитный скоринг машинное обучение отбор признаков ансамбль моделей credit scoring
Подробнее
4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 176-186 Выпуск №18758
Исследование динамики показателей отчетности как индикаторов ухудшения финансового состояния кредитных организаций
прогнозирование финансовое состояние машинное обучение кредитные организации банковские рейтинги
Подробнее
4. МАТЕМАТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ ЭКОНОМИКИ 08.00.13 Страницы: 65-72 Выпуск №19146
Прогнозирование финансовых рынков с использованием сверточной нейронной сети
прогнозирование финансовых рынков машинное обучение сверточная нейронная сеть математическая модель алгоритм
Подробнее
5.2.2. МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 75-79 Выпуск №21250
Современные направления исследований в области рекомендательных систем
рекомендательная система коллаборативная фильтрация контентная фильтрация холодный старт машинное обучение
Подробнее
Искусственный интеллект и машинное обучение Страницы: 35-44 DOI: 10.33693/2313-223X-2022-9-2-35-44 Выпуск №21224
Элементы искусственного интеллекта в решении задач анализа текстов
анализ тональности текста искусственные нейронные сети машинное обучение рекуррентные нейронные сети длинная цепь элементов краткосрочной памяти
Подробнее
05.13.11 МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ВЫЧИСЛИТЕЛЬНЫХ МАШИН, КОМПЛЕКСОВ КОМПЬЮТЕРНЫХ СЕТЕЙ Страницы: 41-47 DOI: 10.336 9 3/2313- 223X - 2019 - 6 - 2- 41- 4 Выпуск №15585
АЛГОРИТМЫ УПРАВЛЕНИЯ ЛОГИЧЕСКОЙ СТРУКТУРОЙ БАЗЫ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ПАРАМЕТРИЧЕСКОЙ МОДЕЛИ КОНКУРЕНТНОГО ДОСТУПА ЗАПРОСОВ, ОСНОВАННОЙ НА МЕТОДЕ СЛУЧАЙНОГО ЛЕСА
администрирование систем управления базами данных конкурентные запросы параметрическая модель конкурентного доступа машинное обучение метод случайного леса
Подробнее
Многомасштабное моделирование для управления и обработки информации Страницы: 11-20 DOI: 10.33693/2313-223X-2022-9-2-11-20 Выпуск №21224
Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур
управление катастрофами предсказание паводков река Амур машинное обучение disaster management
Подробнее