МЕТОД РОЗПІЗНАВАННЯ ОБЛИЧЧЯ ПІД ДОВІЛЬНИМ КУТОМ ЗОРУ
FACIAL RECOGNITION METHOD UNDER ARBITRARY VIEW
Сторінки: 103-110. Номер: №6, 2023 (329) 
Автори:
ДОБРЖАНСЬКИЙ Володимир,
Хмельницький національний університет
БАРМАК Олександр,
Хмельницький національний університет
СКРИПНИК Тетяна
Хмельницький національний університет
DOBRZHANSKYI Volodymyr, BARMAK Oleksandr, SKRYPNYK Tetyana
Khmelnytskyi National University
DOI: https://www.doi.org/10.31891/2307-5732-2023-329-6-103-110
Анотація мовою оригіналу
У статті висвітлюється проблема використання технології розпізнавання обличчя в індустріальних застосуваннях. Незважаючи на інтеграцію цієї технології, існують відкриті виклики, такі як верифікація та ідентифікація осіб з різних поз. Особливу проблему становить відсутність належних досліджень у сфері розпізнавання обличчя в відео, зокрема в системах відеоспостереження, де в якості посилання використовуються знімки, отримані зі спеціальних кутів зору (POV). Ці виклики підкреслені в контексті використання фотографій, знятих фронтально та з правого профілю, які традиційно збираються поліцією.
Для вирішення цих проблем і заповнення дослідницької ніші пропонується новий підхід у вигляді бази даних з розпізнавання обличчя за знімками (FRMDB). Ця база включає 28 знімків та 5 відео, отриманих з різних кутів зору для 39 унікальних об’єктів. Основною метою FRMDB є аналіз впливу використання знімків з різних кутів зору на точність розпізнавання обличчя на кадрах відеоспостереження.
Для перевірки ефективності FRMDB та порівняння з існуючими даними проведено тести точності, використовуючи дві глибокі нейронні мережі (CNN), а саме VGG16 і ResNet50. Для цього вони були передзавантажені на попередньо навчені набори даних VGGFace та VGGFace2 для вилучення ознак обличчя. Порівняльний аналіз результатів проведено із застосуванням даних з існуючого дослідження, а саме, Бази даних обличчя з камер відеоспостереження (SCFace).
Результати підкреслюють, що піднабір знімків, який включає фронтальні та праві профільні зображення, показує найнижчий рівень точності серед варіантів, що були протестовані. Це вказує на необхідність додаткового дослідження для визначення оптимальної кількості знімків для ефективного розпізнавання обличчя на кадрах відеоспостереження.
Ключові слова: розпізнавання, відеоспостереження, FRMDB, глибокі нейронні мережі, обличчя, точність.
Розширена анотація англійською мовою
The article addresses the challenge of utilizing facial recognition technology in industrial applications. Despite the integration of this technology, there are open issues such as verification and identification of individuals from different poses. The absence of proper research in facial recognition in videos, especially in surveillance systems using snapshots from various Points of View (POV), is a particular concern. These challenges are emphasized in the context of using photographs taken frontally and from the right profile, traditionally collected by the police.
To address these issues and fill the research gap, a new approach is proposed in the form of the Face Recognition from Mugshots Database (FRMDB). This database comprises 28 snapshots and 5 videos taken from different angles for 39 unique subjects. The main objective of FRMDB is to analyze the impact of using snapshots from various perspectives on the accuracy of facial recognition in surveillance video frames.
To evaluate the effectiveness of FRMDB and make comparisons with existing data, accuracy tests were conducted using two deep neural networks (CNNs), namely VGG16 and ResNet50. They were pre-trained on the VGGFace and VGGFace2 datasets for extracting facial features. A comparative analysis of the results was conducted using data from the existing research, specifically the Surveillance Cameras Face Database (SCFace).
The results underscore that the subset of snapshots, including frontal and right profile images, exhibits the lowest accuracy among the tested variations. This indicates the need for additional research to determine the optimal number of snapshots for effective facial recognition in surveillance video frames.
Keywords: recognition, surveillance, FRMDB, deep neural networks, facial recognition, accuracy.
