ارائه یک ساز و کار هوشمند برای تشخیص چهره مرتبطین نیروهای مسلح در نقاط قرمز با استفاده از الگوریتم big-gak

مطابق سند معماری هوشمند سازی ساحفاهای نیروهای مسلح، کاهش حضور فیزیکی نیروهای عملیاتی با بکارگیری فناوری های نوین و توانمندسازی های دیجیتال در اقدامات عملیاتی مانند: تعقیب و مراقبت، از اهداف سازمان های حفاظت اطلاعات می باشد. یکی از ابزارهای هوشمند برای تحقق این امر، طراحی و پیاده‌سازی سامانه های تشخیص چهره است که به دلیل استفاده از تکنیک‌های مختلف پردازش تصویر به صورت توامان و شباهت بسیار زیاد تصاویر چهره انسان در بانک‌های اطلاعاتی حجیم، با پیچیدگی‌های فراوانی روبرو شده است. ما برای فائق آمدن بر این مشکلات و ایجاد امکان تشخیص چهره در بانک‌های اطلاعاتی حجیم بالای 500 هزار تصویر، ضمن تشریح الگوریتم big-gak به ارائه مکانیسم هوشمندی شامل مراحل ذیل خواهیم پرداخت:1.استخراج ویژگی ها در تعامل با واحدهای شناختی پیش‌پردازش و کنترل کیفی 2.دسته بندی با استفاده از الگوریتم های شناختی و الگوریتم ژنتیک 3. بکارگیری الگوریتم محلی lbp و الگوریتم k-points جهت کاهش محدوده تصاویر و سپس تشخیص دقیق 4. صحت سنجی به صورت باناظر و ارجاع به مرحله دوم الگوریتم ژنتیک در صورت عدم موفقیت.

providing an intelligent mechanism to recognize the face of the relevant armed forces in red points using the big-gak algorithm

according to the architecture document of intelligentization of armed forces intelligence, reducing the physical presence of operational forces by using new technologies and digital empowerment in operational actions such as: pursuit and surveillance, is one of the goals of counter-intelligence organizations. one of the smart tools to realize this is the design and implementation of facial recognition systems, which have faced many complications due to the use of different image processing techniques simultaneously and the high similarity of human face images in massive databases. in order to overcome these problems and make it possible to recognize faces in massive databases of over 500,000 images, while explaining the big-gak algorithm, we will provide an intelligent mechanism including the following steps: 1. feature extraction in interaction with pre-processing and quality control cognitive units.  2. classification using cognitive algorithms and genetic algorithms.  3. applying local lbp algorithm and k-points algorithm to reduce the range of images and then accurate diagnosis.  4. verification by an observer and referral to the second stage of the genetic algorithm in case of failure.