Система аналізу даних в процесі ідентифікації обличчя в режимі реального часу

Abstract

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 моделіWith the development of modern technologies of artificial intelligence and deep learning, face recognition and identification systems are becoming more accurate and efficient, which ensures their wide use in various industries, including e-commerce, marketing, social networks and others. [1] In addition, face recognition and identification systems can be useful to improve the quality of life of people, particularly in the case of people with disabilities, who can use such systems to automatically control their actions and receive information. These systems provide means of: Increasing the speed of image and video processing, which will allow you to efficiently use the system for large volumes of data. Use for various tasks such as identification of criminals, access control and data analysis. Privacy protection, namely: deletion of images after processing and the ability to delete individual faces from the database. Increasing the speed and accuracy of face recognition. In view of the above-mentioned features, it is an urgent taskdata analysis system in the process of face identification in real time. Goal of research.The aim of the work is to develop a system for recognizing and identifying faces in real time. For this, it is necessary to solve the following problems: Studying the principles of algorithms and methods of face recognition and identification, such as neural networks, the method of principal components, the method of local binary patterns, the method of Gabor filters, and others. Study of technologies and tools used for face recognition and identification such as Amazon Rekognition, Microsoft Azure Face API, Google Cloud Vision API, OpenCV, FaceFirst. Conduct a system analysis and model a real-time face recognition and identification system. Develop a real-time face recognition and identification system. Conduct testing and implementation of a real-time face recognition and identification system. Calculate the economic characteristics of the real-time face recognition and identification system. Study object – the process of recognizing and identifying faces in real time. Scope of research – methods and means of developing a real-time face recognition and identification system. The scientific novelty of the obtained results – this system uses Firebase and OpenCV, which will allow quick and effective identification of a person in real time. Practical significance of the obtained results. The resulting systemrecognition and identification of faces in real timecan be used as identification of students and teachers in educational institutions. The system is complete and can be used in practice. The results of the work were tested at the IX International Scientific and Practical Conference MODERN PROBLEMS OF SCIENCE, EDUCATION AND SOCIETY [2] with the publication of theses. Modern real-time facial recognition and identification technologies are very effective and widely used in various fields of life such as security, commerce, medicine and many others. They are based on the use of computer vision, machine learning and other data processing technologies. Some of the more common technologies include: Geometric feature-based recognition is a face recognition technology that uses geometric features, such as the shape and size of different parts of the face, to identify a person.[3] Image-based recognition (recognition based on images) is a process of recognizing objects in images, which is used in the field of computer vision. This can be used to recognize faces, objects, logos, and other objects in photos, videos, or in real time.[4] An analysis of the goals of the system's functioning was carried out, in which two aspects of the goals - cognitive and constructive - were distinguished. As a result of the study of the constructive aspect, an action plan was formulated to achieve the goals of the project. Next, four types of requirements for the system were formulated and highlighted: business requirements, user requirements, functional and non-functional requirements. Requirements were also presented in the form of a diagram of precedents or use cases. The description of risks made it possible to identify possible problems and ways to avoid them. Modeling system objects made it possible to identify the main classes, their attributes and methods, which were presented in the class diagram. Modeling the analysis system processes revealed how the classes would interact with each other and what processes would be executed. The basic process of the image analysis system was described in a diagram that clearly shows the sequence of execution and participants. Precision is a metric that determines the percentage of correctly identified positive responses among all identified positive responses [5]. In other words, it measures the model's accuracy in recognizing positive responses. Formula for calculating accuracy: Precision= (True Positives)/(True Positives+False Positives) (1) Completeness (Recall) is a metric that determines the percentage of correctly identified positive responses among all real positive responses. It measures the ability of the model to detect all real positive responses [5]. The formula for calculating feedback: Recall= (True Positives)/(True Positives+False Negatives) (2) Accuracy is a metric that determines the overall accuracy of a detection model by comparing the total number of correctly identified responses with all identified responses [5]. The formula for calculating the accuracy of the determination: Precision= (True Positives+ True Negatives)/(True Positives+False Positives+ True Negatives+ False Negatives) (3) These metrics help evaluate the performance of a machine learning model in various aspects, such as the accuracy of detecting certain classes of responses, the ability of the model to detect all real responses, and the overall accuracy of its performance. The results of the metrics calculation are shown in Fig. 4.5.

Fig. 4.5. Model metrics