بهبود شناسایی تصاویر مجرمین در تغییرات روشنایی با الگوریتم های یادگیری عمیق

فرآیند شناسایی مجرمانه از طریق تشخیص چهره شامل وارد کردن یک تصویر در یک برنامه است که سپس حضور چهره را مشخص می کند و فرد تصویر شده را شناسایی می کند. فناوری تشخیص چهره به دلیل کاربردهای متنوع آن از جمله کنترل ترافیک، ثبت سیستم حضور و غیاب، نظارت بر کارت های شناسایی، ایمن سازی سیستم های رایانه ای، منابع داده و تجارت الکترونیکی، برای شناسایی مجرمان متمایز است. این فناوری می تواند چهره ها را در تصاویر ثابت، فایل های ویدئویی و تصاویر گرفته شده توسط حسگرهای مختلف شناسایی کند. با این حال، سیستم های تشخیص چهره با چالش هایی مانند جزئیات انسدادی، پیری در تصاویر، تغییرات در روشنایی و تعداد محدودی از تصاویر موجود روبرو هستند. چالش های دیگر عبارتند از تغییر در حالات چهره، حالات احساسی در حین ثبت تصویر، و تغییر در زوایای چهره. هدف این مقاله دستیابی به تشخیص چهره از طریق عادی سازی روشنایی با استفاده از الگوریتم شبکه عصبی پیچشی و مدل RexNext-۵۰ است. این افزایش نور را در مناطق کم نور بدون تغییر بخش های اصلی تصویر پیشنهاد می کند و چالش های مربوط به شدت نور را برطرف می کند. الگوریتم پیشنهادی شدت نور را در مناطقی با نور ناکافی افزایش می دهد و لبه های تصویر را حفظ می کند و به دنبال آن از فیلتر گاوسی برای حذف نویز استفاده می شود. عملکرد الگوریتم با استفاده از مجموعه داده Caltech Faces ارزیابی شد که نشان دهنده بهبود ۰.۵ درصدی در تشخیص چهره در عادی سازی نور در مقایسه با مقالات پیشرفته است.

کلیدواژه ها:

تشخیص چهره ، یادگیری عمیق ، Caltech دیتاست ، RexNext-۵۰