تشخیص و شناسایی چهره در پهپادها با یادگیری عمیق

شناسایی چهره انسان باپهپادها، برای کاربردهای مختلف، مانند نظارت، جستجوو امنیت ضروری است. روش‌های قبلی برای تشخیص و شناسایی چهره حساسیت بالایی به محدودیت‌هایی مانند، ارتفاع، زاویه و فاصله از چهره دارند. در این مقاله رویکرد جدیدی برای تشخیص و شناسایی چهره بایادگیری عمیق ارائه می‌شود. روش پیشنهادی در سه مرحله انجام می‌شود. در مرحله اول، با الگوریتم جستجوی انتخابی، ناحیه‌بندی تصاویر انجام می‌شود. در مرحله دوم، یک شبکه عمیق برای عملیات پالایش جعبه‌ها پیشنهاد می‌شودتا جعبه‌های هدف با دقت و سرعت بالایی شناساییشوند. درواقع، یک مسئله طبقه‌بندی دو کلاسه توسط یادگیری عمیقانجام می‌شود تا چهره‌ها مکان‌یابیشوند. در مرحله سوم، تصاویر مکان‌یابی شده به شبکه عمیق پیشنهادی آموزش داده می‌شوند تا شناسایی چهره‌ها انجام شود. در معماری روش پیشنهادی از خاصیت شبکه‌های عمیق پرکاربرد به‌صورت ترکیبی استفاده می‌شود و مقایسه‌ کمی روش پیشنهادی با روش‌های جدید از نظر پیچیدگی محاسباتی نشان می‌دهد که آموزش مدل پیشنهادی نسبت به سایر روش‌ها زمان اجرای کمتری لازم دارد. به‌علاوه، ارزیابی روش پیشنهادی روی مجموعه داده droneface نشان می‌دهد که برای فاصله و ارتفاع مختلف نسبت به هدف، روش پیشنهادی میانگین نرخ تشخیص چهره 75.9 و میانگین نرخ شناسایی چهره 84.6 را دارد. بنابراین، روش پیشنهادی نسبت به روش‌های جدید در این حوزه دقت و کارایی بالاتری دارد و می‌تواند برای کاربردهای نظارتی و امنیتی استفاده شود.

face detection and identification in drones with deep learning

human face recognition by drones is necessary for various applications, such as surveillance, search and security. the previous methods for face recognition are highly sensitive to limitations such as height, angle and distance from the face. in this article, a new approach for face detection and identification by deep learning is presented. the proposed method is done in three steps. in the first step, images are zoned with the selective search algorithm. in the second step, a deep network is proposed for box refinement operation to identify the target boxes with high accuracy and speed. actually, a two-class classification problem is performed by deep learning to locate faces. in the third step, the localized images are trained to the proposed deep network to perform face recognition. in the architecture of the proposed method, the properties of widely used deep networks are used in combination, and a quantitative comparison of the proposed method with new methods in terms of computational complexity shows that training the proposed model requires less execution time than other methods. in addition, the evaluation of the proposed method on the droneface dataset shows that for different distance and height from the target, the proposed method has an average face recognition rate of 75.9 and an average face recognition rate of 84.6. therefore, the proposed method has higher accuracy and efficiency than the new methods in this field and can be used for surveillance and security applications.