Система аналізу даних в процесі ідентифікації обличчя в режимі реального часу
Автор: Волошанівський Назар Романович
Кваліфікаційний рівень: магістр
Спеціальність: Аналіз даних (Data Science)
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: З розвитком сучасних технологій штучного інтелекту та глибокого навчання, системи розпізнавання та ідентифікації облич стають все більш точними та ефективними, що забезпечує їх широке використання в різних галузях, зокрема в електронній комерції, маркетингу, соціальних мережах та інших. [1] Окрім того, системи розпізнавання та ідентифікації облич можуть бути корисними для поліпшення якості життя людей, зокрема у випадку людей з обмеженими можливостями, які можуть використовувати такі системи для автоматизованого контролю своїх дій та отримання інформації. Зазначені системи надають засоби із: Збільшення швидкості обробки зображень та відео, що дозволятиме ефективно використовувати систему для великих обсягів даних. Використання для виконання різних завдань, таких як ідентифікація злочинців, контроль доступу та аналізу даних. Захисту приватності, а саме: видалення зображень після обробки та можливість видалення окремих облич з бази даних. Збільшення швидкості та точності розпізнавання облич. З огляду на наведені особливості актуальною задачею є система аналізу даних в процесі ідентифікації обличчя в режимі реального часу. Мета і задачі дослідження. Метою роботи є розробка системи для розпізнавання та ідентифікації облич у реальному часі. Для цього необхідно вирішити такі задачі: Вивчення принципів роботи алгоритмів та методів розпізнавання та ідентифікації облич, таких як нейронні мережі, метод головних компонент, метод локальних бінарних шаблонів, метод габор фільтрів та інші. Вивчення технологій та інструментів, які використовуються для розпізнавання та ідентифікації облич, таких як Amazon Rekognition, Microsoft Azure Face API, Google Cloud Vision API, OpenCV, FaceFirst. Провести системний аналіз та змоделювати систему розпізнавання та ідентифікації облич у реальному часі. Розробити систему розпізнавання та ідентифікації облич у реальному часі. Провести тестування та впровадження системи розпізнавання та ідентифікації облич у реальному часі. Розрахувати економічні характеристики системи розпізнавання та ідентифікації облич у реальному часі. Об’єкт дослідження – процес розпізнавання та ідентифікації облич у реальному часі. Предмет дослідження – методи та засоби розробки системи розпізнавання та ідентифікації облич у реальному часі. Наукова новизна одержаних результатів – дана система використовує Firebase та OpenCV, що дозволить швидко та ефективно ідентифікувати особу в реальному часі. Практичне значення одержаних результатів. Отримана система розпізнавання та ідентифікації облич у реальному часі може використовуватися як ідентифікація студентів та викладачів у навчальних закладах. Система є завершеною та може застосовуватись на практиці. Результати роботи були апробовані на IX Міжнародна науково-практична конференція MODERN PROBLEMS OF SCIENCE, EDUCATION AND SOCIETY [2] з публікацією тез. Сучасні технології ідентифікації та розпізнавання обличчя в режимі реального часу є дуже ефективними і широко застосовуються в різних сферах життя, таких як безпека, комерція, медицина та багато інших. Вони базуються на використанні комп’ютерного зору, машинного навчання та інших технологіях обробки даних. Деякі з найпоширеніших технологій включають: Geometric feature-based recognition (розпізнавання на основі геометричних ознак) – це технологія розпізнавання облич, яка використовує геометричні ознаки, такі як форма та розмір різних частин обличчя, для ідентифікації особи.[3] Image-based recognition (розпізнавання на основі зображень) – це процес розпізнавання об’єктів на зображеннях, який використовується у сфері комп’ютерного зору. Це може бути використано для розпізнавання облич, предметів, логотипів та інших об’єктів на фотографіях, відео або в реальному часі.[4] Проведено аналіз цілей функціонування системи, в якому виділено два аспекти цілей - пізнавальний та конструктивний. В результаті дослідження конструктивного аспекту було сформульовано план дій для досягнення цілей проекту. Далі, було сформульовано та виділено чотири види вимог до системи: бізнес-вимоги, користувацькі, функціональні та нефункціональні вимоги. Вимоги було також представлено у вигляді діаграми прецедентів або варіантів використання. Опис ризиків дав змогу визначити можливі проблеми та шляхи їх уникнення. Моделювання об’єктів системи дало можливість ідентифікувати основні класи, їх атрибути та методи, що були представлені у діаграмі класів. Моделювання процесів системи аналізу розкрило, як класи будуть взаємодіяти один з одним і які процеси будуть виконуватися. Основний процес системи аналізу зображень було описано на діаграмі, яка чітко показує послідовність виконання та учасників. Точність (Precision) – це метрика, яка визначає відсоток правильно визначених позитивних відповідей серед усіх визначених позитивних відповідей [5]. Іншими словами, це вимірює точність моделі в розпізнанні позитивних відповідей. Формула для обчислення точності: Precision= (True Positives)/(True Positives+False Positives) (1) Повнота (Recall) – це метрика, що визначає відсоток правильно визначених позитивних відповідей серед усіх реальних позитивних відповідей. Вона вимірює здатність моделі виявити всі реальні позитивні відповіді [5]. Формула для обчислення відгуку: Recall= (True Positives)/(True Positives+False Negatives) (2) Точність визначення (Accuracy) – це метрика, що визначає загальну точність моделі визначення шляхом порівняння загальної кількості правильно визначених відповідей з усіма визначеними відповідями [5]. Формула для обчислення точності визначення: Precision= (True Positives+ True Negatives)/(True Positives+False Positives+ True Negatives+ False Negatives) (3) Ці метрики допомагають оцінити ефективність моделі машинного навчання в різних аспектах, таких як точність виявлення певних класів відповідей, здатність моделі виявляти усі реальні відповіді та загальна точність її роботи. Результати обчислення метрик зображено на Рис.4.5. Рис. 4.5. Метрики моделі Ключові слова: розпізнавання облич, ідентифікація особи, нейронні мережі, розпізнавання об’єктів, OpenCV. Перелік використаних літературних джерел Технологія розпізнавання облич: переваги та проблематика. [Електронний ресурс] – Режим доступу: https://worldvision.com.ua/tekhnologiya-rozpiznavannya-oblich-perevagi-ta-problematika/ MODERN PROBLEMS OF SCIENCE, EDUCATION AND SOCIETY. [Електронний ресурс] – Режим доступу: https://sci-conf.com.ua/ix-mizhnarodna-naukovo-praktichna-konferentsiya-modern-problems-of-science-education-and-society-6-8-11-2023-kiyiv-ukrayina/ What is AI-based Image Recognition? Typical Inference Models and Application Examples Explained. [Електронний ресурс] – Режим доступу: https://www.contec.com/support/blog/2023/230215_ai/ A Dynamic Texture-Based Approach to Recognition of Facial Actions and Their Temporal Models. [Електронний ресурс] – Режим доступу: https://ieeexplore.ieee.org/abstract/document/5432195 Convolutional Neural Networks. [Електронний ресурс] – Режим доступу: https://towardsdatascience.com/convolutional-neural-networks-explained-9cc5188c4939