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 می‌تواند چهره‌ها را در تصاویر ثابت، فایل‌های ویدئویی و تصاویر گرفته‌شده 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-50 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 می‌دهد و لبه‌های تصویر را حفظ می‌کند و به دنبال آن از فیلتر گاوسی برای حذف نویز استفاده می‌شود. عملکرد الگوریتم با استفاده از مجموعه داده caltech faces ارزیابی شد که نشان دهنده بهبود 0.5 درصدی در تشخیص چهره در عادی سازی نور در مقایسه با مقالات پیشرفته است.

using deep learning algorithms to enhance recognition of criminals' faces in illumination variation

the process of criminal identification through facial recognition involves inputting an image into a program, which then determines the presence of a face and identifies the depicted person. facial recognition technology stands out for criminal identification due to its diverse applications, including traffic control, attendance system registration, monitoring identification cards, securing computer systems, data sources, and e-commerce. the technology can detect faces in static images, video files, and images captured by various sensors. however, facial recognition systems face challenges such as obstructive details, aging in images, variations in brightness, and a limited number of available images. other challenges include changes in facial expressions, emotional states during image capture, and alterations in face angles. this paper aims to achieve face detection through illumination normalization using a torsional neural network algorithm and the rexnext-50 model. it suggests light enhancement in low-light areas without altering the main image portions, addressing challenges related to light intensity. the proposed algorithm enhances light intensity in areas with insufficient light while preserving image edges, followed by the application of a gaussian filter to eliminate noise. the algorithm's performance was evaluated using the caltech faces dataset, indicating a 0.5 percent improvement in face recognition in illumination normalization compared to state-of-the-art papers.