إطار عمل للتعرف على الوجه وتتبعه باستخدام شبكة عصبية تلافيفية خفيفة الوزن

الباحث

أسيل ودود مجيد

المشرف

شيماء حميد شاكر - علي عادل سعيد

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم علوم الحاسوب / علوم الحاسوب

الشهادة

ماجستير

السنة

2024

لغة الرسالة

انكليزي

الكلمات المفتاحية

Face recognition;Face tracking;Lightweight CNN;Deep learning

التعرف على الوجوه البشرية وتتبعها (FRT) هي تقنية تحدد الوجوه البشرية وتتابعها ضمن الصور ومقاطع الفيديو الرقمية، وتلعب دورًا حيويًا في مجالات مختلفة مثل GLY! والمصادقة والتفاعل بين الإنسان والحاسوب. تشمل الوحدات الرئيسية لنظام PRT الكشف واستخراج الميزات وعملية FRT نفسها. وباستخدام قاعدة بيانات، تتعرف هذه الوحدات على الوجوه بالإضافة إلى موقعها وحركتها وميزاتها المرئية. يهدف الإطار إلى معالجة البيانات المرئية الكبيرة بدقة وسرعة. تقوم الأطروحة بتطوير إطار عمل PRT باستخدام شبكة CNN خفيفة الوزن (شبكة عصبية تلافيفية) لمطابقة صور الوجوه بدقة في البيئات ذات الاختلافات المختلفة في الإضاءة والتعبير لتحسين الأداء. تركز هذه الأطروحة على تطوير أنظمة التعرف على الوجه وتتبعه. يستخدم نموذجين مختلفين: الأول يعتمد على التعلم العميق (DL) باستخدام شبكة عصبية تلافيفية خفيفة الوزن (CNN) والثاني يعتمد على تقنيات التعلم الآلي (ML) بمافي ذلك أشجار القرار K-Nearest Neighbors 5 (DT) KNN) )، والغابات العشوائية (RF) يتم تحقيق المزيد من التحسين من خلال معالجة الميزات اللاحقة باستخدام التحليل التمييزي الخطي (LDA) والرسم البياني للتدرجات الموجهة (HOG) توضح التجارب أن نهج DL مع نماذج CNN خفيفة الوزن يتعامل بشكل فعال مع مهام التعرف على الوجه وتتبعه في ظل ظروف صعبة مختلفة، مثل التغييرات في الموضع والتعبير والإضاءة والانسداد. وتمت مقارنة نتائج DL المستندة إلى | CNN مع العديد من التجارب؛ كما تمت مقارنة النموذج بالعديد من الطرق الحديثة وحقق نتائج أفضل. كان أداء نموذج ML الذي يتكون من DT و/الا>ا lus ،RFs بشكل استثنائي، حيث حقق دقة بنسبة 998 ل RFs KNN ودقة 9088 ل 1(]. ومع ذلك، فإن نموذج CNN خفيف الوزن ل DL تفوق عليه بنسبة 999 من الوقت. عندما يكون معدل الانقسام 70:30 ومعدل التعلم 0.001، يكون العصر 100. وهذا يوضح هيمنة DL على التقنيات الأخرى ويظهر مدى جودة تعاملها مع مهام FRT باستخدام أساليب CNN خفيفة الوزن.

Human Face Recognition and Tracking (FRT) is a technology that identifies and follows human faces within digital images and videos, playing a vital role in various fields such as security, authentication, and human-computer interaction. The main modules of the FRT system include detection, feature extraction, and the FRT process itself. Using a database, these units recognize faces as well as their location, movement, and visible features. The framework aims to process large visual data with accuracy and speed. The thesis develops an FRT framework using a lightweight CNN (convolutional neural network) to accurately match images of faces in environments with different illumination and expression variations to improve performance. This thesis focuses on developing facial recognition and tracking systems. It employs two different models: the first one based on deep learning (DL) using a lightweight convolutional neural network (CNN), and the second one based on machine learning (ML) techniques including Decision Trees (DT), K-Nearest Neighbors (KNN), and Random Forests (RF). Further enhancement is achieved through subsequent feature processing using Linear Discriminant Analysis (LDA) and Histogram of Oriented Gradients (HOG). The experiments demonstrate that the DL approach with lightweight CNN models effectively handles facial recognition and tracking tasks under various challenging conditions, such as changes in position, expression, illumination, and occlusion. The results of CNN-based DL were compared with several experiments; the model was also compared with many modern methods and achieved better results. The ML model, consisting of DT, KNN, and RF, performed exceptionally well, achieving 98% accuracy for KNN and RF and 88% accuracy for DT. However, the lightweight CNN model for DL outperformed it 99% of the time. When the split rate is 70:30 and the learning rate is 0.001, the epoch is 100. This demonstrates the dominance of DL over other techniques and shows how well it handles FRT tasks using lightweight CNN methods.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب