Semester Penelitian

Teknologi anak bangsa -- Pengenalan Wajah dan Pelacakan Thomas Coleman, Daniel McCall, dan Ryan Munz Fall 2015 ECE 5554/4984 Visi Komputer: Proyek Kelas Virginia Tech ABSTRAK Untuk memahami metode identifikasi pengguna berbasis citra, tim diupayakan untuk menyelidiki bagaimana menerapkan program pengenalan wajah.mengenali wajah dari kumpulan data.Dari penelitian yang dilakukan selama semester tersebut, kelompok tersebut mampu menggunakan metode Eigenface untuk pengenalan wajah.Implementasi ini dikembangkan dari teori matematika yang digunakan untuk menggambarkan operasi Eigenface.

Teknologi anak bangsa -- Setelah melakukan tes pada kedua gambar diam, kami menemukan bahwa penerapan kami menerima nilai akurasi yang serupa dengan yang dijelaskan dalam penelitian sebelumnya.Seiring dengan keberhasilan yang ditemukan pada pengenalan citra diam, umpan video langsung dijalankan dengan menggunakan subjek uji dari tim dalam kumpulan data untuk menguji ketiga bidang deteksi, pengenalan, dan pelacakan wajah.Sementara program mampu mendeteksi dan mengenali wajah dari kumpulan data,kode itu tidak cukup kuat untuk sepenuhnya mengenali dan melacak individu yang berbeda.PENGENALAN TEASER PENDAHULUAN Dalam laporan ini, kelompok kami akan mencoba menjelaskan teori yang digunakan untuk aplikasi deteksi wajah, pengenalan wajah, dan metode dasar untuk pelacakan.

Teknologi anak bangsa -- Seiring dengan penjelasan tersebut, kelompok tersebut akan membahas bagaimana kode tersebut diterapkan dan hasilnya dihasilkan dibandingkan dengan nilai yang diharapkan yang ditetapkan oleh percobaan sebelumnya.Untuk percobaan yang dilakukan, gambar yang digunakan untuk pelatihan dan pengujian berasal terutama dari database face94 dari Dr.Libor Spacek di Universitas Essex dan umpan video langsung dari webcam laptop standar yang ada di ruang warna RGB standar.Beberapa alasan utama mengapa deteksi wajah dan pengenalan wajah digunakan, adalah untuk tujuan surveilans dan identifikasi pengguna.

Teknologi anak bangsa -- Contoh umum untuk identifikasi pengguna dapat dilihat melalui Teknologi anak bangsa situs web media sosial, tempat pengguna dapat mengidentifikasi pengguna lain yang mereka anggapnected with.Setelah begitu banyak gambar telah diidentifikasi, situs web akan mulai mengidentifikasi pengguna lain, namun mintalah izin dan konfirmasi pengguna sebelum merilis hasilnya ke situs web.Masalah minat yang ada untuk identifikasi pengguna terkait dengan masalah privasi pengguna yang dikenali tanpa izin mereka atau mengidentifikasi mereka sebagai orang yang berbeda.Untuk keperluan surveilans, beberapa aplikasi telah dikembangkan untuk mengikuti pemain di lapangan sepak bola.

Teknologi anak bangsa -- Algoritma ini digunakan untuk mengumpulkan data tentang kecepatan, prediksi atau representasi lintasan, dan penyingkapan subjek.Perhatian utama yang biasanya dikaitkan dengan pengawasan orang-orang yang ingin menjaga privasi mereka dan tidak disurvei.Dengan algoritma ini untuk deteksi dan pengenalan wajah, ada masalah yang bisa memiringkan hasil yang diterima oleh program.Dari masalah ini, mengubah wajah di luar keselarasan yang dapat diterima dapat menyebabkan wajah tidak lagi terdeteksi, pencahayaan dan masalah spasial,dan oklusi adalah beberapa isu yang harus dibuat oleh kelompok kita agar lebih mewakili model kita untuk tujuan tersebut.

Teknologi anak bangsa -- Untuk eksperimen kami, tujuan program ini akan lebih selaras dengan identifikasi pengguna.Tujuan program ini adalah untuk mengambil umpan video langsung untuk memproses tiga langkah proses deteksi wajah, pengenalan wajah, dan pelacakan subjek.Proses ini dan teori yang terkait akan dijelaskan di bagian selanjutnya.Sebelum menjelaskan pendekatan dan proses yang digunakan untuk mendapatkan hasil, sumber latar belakang akan diberikan untuk menjelaskan tiga jenis pengenalan wajah.

Teknologi anak bangsa -- Hanya pengenalan wajah yang akan dibahas secara rinci sepanjang laporan karena ini adalah tujuan utama proyek ini.LATAR BELAKANG Tiga algoritma pengenalan wajah yang berbeda, Pola Biner Lokal, Eigenfaces, dan Fisherfaces, dibandingkan dalam proyek ini.Sebelum kita mulai membahas bagaimana masing-masing algoritma dilakukan, mari kita tinjau bagaimana setiap algoritma bekerjas.Pola Biner Lokal Cara yang dilakukan Pola Biner Lokal adalah algoritma yang pertama kali iterasi melalui setiap piksel dalam gambar grayscale dan menghitung operator Pola Biner Lokal untuk piksel.

Teknologi anak bangsa -- Pixel dibandingkan dengan delapan tetangga.Beberapa variasi algoritma ini membandingkan lebih banyak tetangga, namun sebagian besar algoritma membandingkan delapan tetangga yang mengelilingi piksel tengah yang memberi kita matriks 3 × 3.Algoritma ini mengambil intensitas piksel tengah dan membandingkannya dengan piksel tetangga dan jika intensitas piksel tengah lebih besar daripada tetangganya, maka 0 masuk ke posisi tetangga, jika tidak, 1 masuk ke posisi itu.Setelah semua tetangga telah dibandingkan, akan ada 8 1 danteger adalah apa yang tersimpan di lokasi pixel tengah dan contoh proses ini ditunjukkan pada Gambar 1 di bawah ini.

Teknologi anak bangsa -- Gambar 1: Gambar di atas adalah dari [1] dan menunjukkan bagaimana operator LBP dihitung.Setelah operator Binary Pattern Lokal dihitung untuk semua piksel pada gambar, algoritma kemudian memisahkan gambar menjadi kotak bagian kecil yang tidak tumpang tindih dan kemudian membuat histogram nilai piksel untuk setiap bagian [1].Histogram ini kemudian disimpan dan digunakan untuk pengenalan wajah dengan melakukan perbandingan kesamaan antara semua histogram pada satu gambar dengan histogram daerah yang sesuai pada gambar lainnya.Kesamaannya kemudian disimpulkan bersama-sama menciptakan nilai kemiripan secara keseluruhan.

Teknologi anak bangsa -- Berdasarkan ambang batas, pengguna kemudian dapat menentukan apakah perbandingan tersebut mengatakan apakah kedua gambar itu adalah orang yang sama.Eigenfaces Eigenfaces mengenali wajah dengan mengubah setiap wajah ke ruang fitur multidimensi dimana gambar dibandingkan.CMatriks ovariance dari gambar pelatihan dihitung dan vektor eigen dari matriks kovariansi ini adalah eigenfaces.Eigenfaces ini mewakili cara standar di mana wajah bisa berbeda dari wajah rata-rata.

Teknologi anak bangsa -- Setiap wajah referensi dapat didekati dengan menambahkan eigenfaces dikalikan dengan koefisien pada citra rata-rata.Koefisien "n" ini dihitung dan diplot dalam ruang fitur dimensi "n".Koefisien eigenface dihitung untuk setiap citra wajah masukan dan koefisien ini dipetakan sebagai titik di ruang fitur dimensi "n".Jarak euclidean dihitung dari masing-masing gambar referensi dengan titik masukan gambar dan jarak yang paling sedikit sesuai dengan pertandingan terdekat.

Teknologi anak bangsa -- Jika jaraknya lebih besar dari ambang batas, gambar input diklasifikasikan sebagai identitas yang tidak diketahui.Ini menyediakan metode deteksi wajah yang cukup sederhana, namun hanya melihat perbedaan antara individu, daripada melihat perbedaan dalam individu.Fisherfaces varianDalam citra individu seringkali lebih besar daripada varians antara individu, Fisherfaces menggunakan beberapa gambar referensi untuk menemukan varians dalam individu.Gambar 2: Fisherfaces menemukan garis terbaik melalui ruang fitur untuk menentukan mana satu titik yang dimiliki sementara menghitung varians dalam individu.

Teknologi anak bangsa -- Perbedaan antara kelas diukur dengan menemukan penghilangan rata-rata gambar referensi untuk setiap individu dan membandingkannya dengan rata-rata semua gambar referensi.Variasi kelas diukur dengan menemukan pemancaran semua gambar referensi untuk individu dengan citra referensi rata-rata untuk individu.Garis melalui ruang fitur yang memaksimalkan rasio antara antara kelas dan dalam scatter kelas menentukan dimensi yang paling penting untuk membedakan antara individu.PENDEKATAN Tujuan dari proyek ini adalah untuk menghasilkan sebuah sistem yang dapat melihat orang melalui kamera, detecWajah manusia, kenali wajah mereka atau kenali itu sebagai individu yang tidak dikenal, dan lacak wajah yang dikenali.

Teknologi anak bangsa -- Untuk sistem deteksi wajah kami, kami memilih untuk menggunakan classifier Haar Cascade untuk tampilan wajah frontal, karena tersedia dalam opencv dan efektif untuk mengidentifikasi wajah manusia selama umpan video langsung.Kami juga menggunakan Haar Cascades untuk pelacakan wajah.Untuk pengenalan wajah, kami menciptakan penerapan Eigenfaces dan membandingkan penerapan kami dengan penerapan Pola Biner Lokal, Eigenfaces, dan Fisherfaces lainnya.Deteksi Wajah Untuk sistem deteksi wajah, kami menggunakan kode contoh yang diberikan oleh perpustakaan opencv dan juga klasifikasi peluncur Haar yang sudah terlatih.

Teknologi anak bangsa -- Kode sampel yang kami gunakan mengambil kaskade Haar untuk wajah frontal dan mendeteksi semua wajah pada bingkai yang diberikan.Bingkai ini kemudian diproses dengan mengambil setiap ROI dengan wajah dan memotong gambar menjadi hanya wajah dan kemudian mengubah ukuran gambar menjadi 128 × 128 piksel.Ini agar whPada saat kita melakukan pengenalan wajah, kita memiliki gambar yang seragam.Kode kemudian melanjutkan untuk menggambar kotak merah di sekitar area yang diminati.

Teknologi anak bangsa -- Salah satu masalah terbesar yang kami hadapi dengan menggunakan kaskade wajah frontal, adalah bahwa hal itu hanya bisa mendeteksi wajah jika dan hanya jika wajah menatap lurus ke arah kamera, tidak dimiringkan lebih dari 15 derajat ke segala arah, dan tidak memiliki ada oklusi hidung atau alis.Selama wajah memenuhi persyaratan ini, Haar cascades face detector bekerja.Facial Recognition Kami memutuskan untuk menerapkan Eigenfaces untuk deteksi wajah.Saat meneliti algoritma pengenalan wajah, kami menemukan bahwa dua algoritma yang paling populer adalah Eigenfaces and Fisherfaces.

Teknologi anak bangsa -- Kami pertama kali memilih untuk mencoba dan menerapkan Fisherfaces karena umumnya Fisherfaces tampil lebih baik daripada Eigenfaces.Namun, kami mengalami masalah dengan penerapan karena sebagian besar dukungan yang kami temukan terlalu banyak digunakan oleh perpustakaan opencv dan kami merasa bahwa karena kami telah menggunakan perpustakaan opencv untukDeteksi wajah, kami perlu melakukan implementasi sendiri.Oleh karena itu, kami memilih untuk mengimplementasikan Eigenfaces.Untuk menerapkan Eigenfaces, kami mengambil database face94 dari Dr.

Teknologi anak bangsa -- Libor Spacek di University of Essex, dan menciptakan Eigenfaces.Database face94 memiliki lebih dari 100 individu dengan 20 gambar untuk setiap individu.Langkah selanjutnya adalah menemukan koefisien untuk vektor eigen "n" yang dibutuhkan untuk menghasilkan setiap wajah pelatihan untuk menciptakan titik-titik yang mewakili individu dalam ruang fitur dimensi "n".Begitu kita memiliki koefisien untuk semua individu yang ingin kita kenali, kita kemudian membandingkan titik-titik masukan dengan poin individu untuk menentukan apakah citra masukan mewakili salah satu individu yang ingin kita kenali.

Teknologi anak bangsa -- Kami mengalami banyak masalah dengan penerapan Eigenfaces kami.Masalah pertama yang kami hadapi adalah kami hanya memiliki 20 gambar untuk individu tertentu, jadi kami menggunakan setengahnya untuk melatih sistem dengan menciptakan Eigenfaces untuk individu dan h lainnya.untuk pengujian Karena kami hanya menggunakan 10 gambar untuk membuat Eigenface, Eigenfaces tidak mewakili individu sebagaimana mestinya.Masalahnya tidak banyak mempengaruhi keakuratan kita saat kita menjalankan algoritma pada gambar uji, tapi memang mulai berperan saat video capture wajah kita.Ini karena gambar uji sangat mirip dengan gambar pelatihan karena lingkungan yang terstruktur, namun video tersebut tidak dibatasi.

Teknologi anak bangsa -- Oleh karena itu kami memiliki banyak kehilangan identifikasi wajah dan / atau tidak mengenali wajah.Masalah lain yang kami hadapi adalah pengaturan ambang batas.Ketika membandingkan dua gambar, kita membutuhkan sebuah ambang untuk memberi tahu kita bahwa wajah yang sedang kita uji tidak ada dalam database.Kami memilih untuk Teknologi anak bangsa ambang batas di sisi yang tinggi karena kami menentukan bahwa dalam sistem pengenalan wajah, akan lebih baik memiliki kesalahan positif dan bukan negatif palsu.

Teknologi anak bangsa -- Ini karena positif palsu kemudian bisa ditinjau oleh manusia untuk menentukan apakah hasilnya benar, tapi yoAnda tidak akan tahu jika Anda mengalami negatif palsu tanpa menguji ulang semua wajah dengan tangan dan ini tidak mungkin dilakukan.Oleh karena itu, jika Anda menggunakan sistem pengenalan wajah untuk menemukan seseorang, akan lebih baik untuk mendapatkan pengembalian yang salah daripada tidak kembali sama sekali.Namun, dengan Teknologi anak bangsa ambang batas di sisi yang tinggi, penerapan Eigenface kami tetap salah mengidentifikasi Thomas Coleman sebagai Ryan Munz dan kadang-kadang Daniel McCall.Ini karena Eigenfaces kita untuk masing-masing dari kita sangat mirip satu sama lain dan tergantung pada pencahayaan dan sudut wajah, kesalahan identifikasi dapat terjadi.

Teknologi anak bangsa -- Pelacakan Wajah Untuk bagian pelacakan kode, tim memutuskan untuk menggunakan deteksi berbasis fitur HAAR dari perpustakaan opencv sebagai alat pelacakan, yang biasanya mengacu pada pengamatan atau pengukuran berdasarkan pelacakan.Metode ini mengambil titik yang sebelumnya diketahui mengandung subjek dan menampilkan area minat di atas area yang diputuskan oleh tim untuk melancarkan deteksi wajah.Detak deteksi wajahd redetect wajah subjek dalam wilayah itu.Setelah mendeteksi wajah, wajah pertama akan diberi label sebagai subjek.

Teknologi anak bangsa -- Metode ini mencakup beberapa hal positif dan negatif untuk implementasi.Untuk hal positif, penerapannya memungkinkan pemasangan dan pengujian cepat karena terutama didasarkan pada posisi sebelumnya yang menghasilkan wilayah minat yang mungkin untuk subjek minat kami ada.Juga, metode ini mensyaratkan bahwa wajah ada di dalam bingkai yang berarti bahwa false positive tidak dapat dibuat untuk mengidentifikasi bingkai kosong.Namun, metode ini hadir dengan sejumlah isu yang membatasi keakuratan sistem.

Teknologi anak bangsa -- Salah satu isu berasal dari subjek yang mampu bergerak dalam vektor kecepatan yang tidak terkendali.Karena kurangnya penahanan ini, subjek mungkin akan tersesat jika wajah mereka tergerak terlalu cepat.Kesalahan lain bisa terjadi karena oklusi atau distorsi subjek.Karena deteksi didasarkan pada menemukan wajah pada frame sebelumnya, jika wajah tidak ditemukan karena beberapaHal itu menghalangi wajah, baik benda atau wajah lain, atau jika wajah miring dengan cara menghilangkan fitur yang dibutuhkan untuk mendeteksi wajah, terutama alis atau hidung, dari pada lokasi sebelumnya tidak dapat digunakan karena tidak ada.

Teknologi anak bangsa -- Isu terakhir yang bisa muncul adalah masalah jika dua atau lebih wajah ada di wilayah yang diminati.Masalah ini bisa terjadi jika dua subjek dengan wajah yang terdeteksi masuk ke wilayah yang diminati.Wajah yang paling tinggi dan paling kiri dalam bingkai akan dipilih sebagai wajah baru, yang menciptakan false positive.Sementara ada metode lain yang memberikan rasa pelacakan yang lebih kuat, tim memutuskan untuk menerapkan metode berbasis observasi ini sehingga menjadi asli OpenCV melalui deteksi riam HAAR.

Teknologi anak bangsa -- Membandingkan Hasil Setelah kita menerapkan implementasi Eigenfaces, kami mengumpulkan beberapa data dan menentukan kinerja implementasi kami dan membandingkan hasilnya dengan algoritme lainnya.Kami meneliti Pola Biner Lokal, Eigenfaces, dan Fisherfaces untuk mendapatkan kinerja keseluruhan dari masing-masing dan kemudian membandingkannya dengan milik kita.Umumnya, ini bukan perbandingan yang bagus karena kami tidak menjalankan implementasi kami di database yang sama dengan dokumen yang ada di surat kabar.Namun, ini memberi kami gagasan bagus tentang bagaimana kinerja implementasi kami.

Teknologi anak bangsa -- EKSPERIMEN DAN HASIL Agar dapat membandingkan penerapan Eigenface kami, kami memerlukan database gambar wajah yang dapat kami uji.Kami memilih database face94 dari Dr.Libor Spacek di University of Essex untuk database utama kami.Database memiliki 153 individu dan masing-masing individu memiliki 20 gambar 180 × 200 piksel.

Teknologi anak bangsa -- Dari 153 individu, kami memilih 23 dari mereka untuk berada di bagian pengakuan database dan juga diri kami sendiri.Itu berarti kita memiliki database dari 26 individu dimana kita memiliki 10 gambar untuk setiap individu.Dengan menggunakan 10 gambar untuk setiap individu, kami membuat wajah rata-rata untuk individu dengan merata-ratakan semua 10 gambar.Beberapa wajah berarti ditunjukkan di bawah pada Gambar 3.

Teknologi anak bangsa -- Gambar 3: Lima sayasebuah wajah dari 26 individu termasuk tim proyek (24, 25, dan 26).Begitu kita memiliki wajah rata-rata untuk setiap individu, kami terus menciptakan wajah rata-rata untuk semua 26 individu gabungan.Wajah yang ditunjukkan pada Gambar 4 adalah rata-rata 260 gambar dalam database pengakuan kami.Wajah digunakan untuk mewakili wajah manusia dan kita menggunakan ini untuk membantu menghilangkan "wajah" yang terdeteksi yang bukan wajah.

Teknologi anak bangsa -- Gambar 4: Wajah rata-rata dari 26 individu Langkah selanjutnya adalah membuat Eigenface untuk setiap individu dan untuk keseluruhan wajah rata-rata.Ini memberi kita 27 Eigenfaces yang ditunjukkan pada Gambar 5.Gambar 5: The Eigenfaces untuk semua 26 individu dan untuk wajah rata-rata dataset.Begitu kita menghitung Eigenfaces, kita menyimpan koefisien ke dalam satu matriks besar untuk digunakan untuk membandingkan gambar masukan.

Teknologi anak bangsa -- Gambar input diambil dari Teknologi anak bangsa dan dari database face94.Database uji mencakup 10 gambar yang tersisa untuk masing-masing dari 23 individu dan juga 400 negative gambar wajah dari database face94 Beberapa gambar ini ditunjukkan pada Gambar 6.Kami juga ingin memastikan tidak mengenali sesuatu seperti rusa sebagai wajah di database kami, jadi kami mengambil beberapa gambar dari Teknologi anak bangsa untuk membantu memberi lebih banyak variasi pada rangkaian tes.Gambar-gambar ini ditunjukkan pada Gambar 7.

Teknologi anak bangsa -- Gambar 6: Gambar Uji dari database wajah Essex Gambar 7: Non-faceritm menggunakan nomor X dari wajah Eigen (vektor eigen) dengan nilai eigen terbesar.Kami kemudian terus jumlah wajah konstan dan kemudian bervariasi ambang batas untuk melihat dampak pada kesalahan.Ketika kami mengubah ambang batas, kami mencatat kesalahan individu yang tidak diketahui yang diidentifikasi sebagai individu dalam database dan kesalahan karena gambar yang diidentifikasi dengan benar yang salah diidentifikasi sebagai tidak diketahui.Dari Gambar 9, kita dapat melihat bahwa ada ambang batas optimal sekitar 2,7 x10 ^ 14.

Teknologi anak bangsa -- Namun, seperti yang telah kami katakan sebelumnya, kami memilih ambang yang lebih tinggi karena kami lebih memilih untuk memiliki tingkat positif palsu yang lebih tinggi daripada tidak mendeteksi wajah sama sekali.Gambar 9: Tingkat kesalahan sistem pengenalan wajah Eigen dengan nilai ambang batas yang berbeda untuk jarak pengenalan maksimum.Total Error mewakili persentase input gambar ke dalam program yang identifikasi identitasnya salah.Kesalahan 1 mewakili bagian dari Total Error karena individu yang tidak diketahui yang diidentifikasi sebagaiindividu dalam database Kesalahan 2 mewakili bagian dari kesalahan total karena gambar yang diidentifikasi dengan benar yang salah diidentifikasi sebagai tidak diketahui.

Teknologi anak bangsa -- Setelah data kinerja kami diterapkan, kami kemudian meneliti bagaimana LBP, Eigenfaces, dan Fisherfaces dilakukan pada kumpulan data yang lebih besar.Dari [1], penulis membandingkan beberapa algoritma pengenalan untuk basis data yang berbeda.Pada Tabel 1 dan 2, keakuratan setiap algoritma disajikan untuk dataset tertentu.Dengan TT dan tanpa TT adalah apakah run menggunakan algoritma normalisasi penyinaran Tan dan Triggs untuk mengurangi efek pencahayaan.

Teknologi anak bangsa -- Algoritma yang kita lihat adalah Spatial Pyramid Matching (SPM) dan Naive Bayes Nearest Neighbors (NBNN) untuk Pola Biner Lokal, EigenFaces (Eig), dan Fisherfaces (Fish) Tabel 1: Hasil algoritma pengenalan wajah yang berbeda pada AT & T- Dataset ORL Tabel diambil dari [1].Tabel2: Hasil algoritma pengenalan wajah yang berbeda berjalan di dataset Yale.Tabel tindividu dalam database Kesalahan 2 mewakili bagian dari kesalahan total karena gambar yang diidentifikasi dengan benar yang salah diidentifikasi sebagai tidak diketahui.Setelah data kinerja kami diterapkan, kami kemudian meneliti bagaimana LBP, Eigenfaces, dan Fisherfaces dilakukan pada kumpulan data yang lebih besar.

Teknologi anak bangsa -- Dari [1], penulis membandingkan beberapa algoritma pengenalan untuk basis data yang berbeda.Pada Tabel 1 dan 2, keakuratan setiap algoritma disajikan untuk dataset tertentu.Dengan TT dan tanpa TT adalah apakah run menggunakan algoritma normalisasi penyinaran Tan dan Triggs untuk mengurangi efek pencahayaan.Algoritma yang kita lihat adalah Spatial Pyramid Matching (SPM) dan Naive Bayes Nearest Neighbors (NBNN) untuk Pola Biner Lokal, EigenFaces (Eig), dan Fisherfaces (Fish) Tabel 1: Hasil algoritma pengenalan wajah yang berbeda pada AT & T- Dataset ORL Tabel diambil dari [1].

Teknologi anak bangsa -- Tabel2: Hasil algoritma pengenalan wajah yang berbeda berjalan di dataset Yale.Tabel tSaya jika objek yang dideteksi sebagai wajah memang wajah.Jika "wajah" dibersihkan sebagai wajah, maka pemeriksaan visual tingkat kedua dijalankan untuk menentukan orang mana, jika ada, bahwa wajah yang terdeteksi ada di dalamnya.Subjek diberi skor terhadap 26 wajah di dalam kumpulan data kami.

Teknologi anak bangsa -- Setelah menemukan orang yang wajahnya menerima jarak euclidian terendah dan kurang dari ambang batas kita, wajah ini kemudian ditampilkan dikelilingi oleh kotak hijau berisi nama orang yang paling tepat diwakili wajah itu.HASIL KUALITATIF Untuk memberikan pemahaman yang lebih baik tentang penerapan Eigenface kami, kami akan menyajikan gambaran tentang beberapa keberhasilan dan kegagalan serta beberapa video demo.Citra pertama (Gambar 10) menunjukkan bagian deteksi wajah sistem kami.Dari gambar kita dapat melihat bahwa ia mendeteksi 3 wajah di mana dua wajah sebenarnya dan satu positif palsu.

Teknologi anak bangsa -- Kita juga bisa melihat bahwa sistem deteksi tidak bisa mendeteksi wajah profil.Gambar 10: Hasil dari penggunaan Haar Cascades untuk deteksi wajah.SEBUAHKegagalan deteksi wajah ditunjukkan di bawah pada Gambar 11.Haar Cascade kami menemukan wajah dengan mencari alis dan hidung.

Teknologi anak bangsa -- Pada gambar di bawah, T di VT terdeteksi sebagai wajah.Tto the Haar cascade, T terlihat seperti alis dan hidung.Gambar 11: Kasus kegagalan deteksi wajah dimana non-wajah terdeteksi.Gambar berikutnya (Gambar 12) di bawah ini menunjukkan sebuah kasus sukses.

Teknologi anak bangsa -- Di sini telah diakui Ryan Munz sebagai Ryan Munz, serta masih mendeteksi semua wajah lain dalam bingkai.Gambar 12: Algoritma Eigenface benar mengidentifikasi Ryan Munz dengan label 24 yang merupakan Ryan Munz dalam database.Gambar berikutnya (Gambar 13) menunjukkan kasus kegagalan algoritma pengenalan kami.Disini algoritma tersebut mengenali rekan kerja kami, Marcus, sebagai wajah di database kami saat dia tidak berada dalam database.

Teknologi anak bangsa -- Gambar 13: Hasil negatif untuk implementasi Eigenface Kasus kegagalan lain yang ditunjukkan pada Gambar 14, adalah di mana algoritma benar tentang wajah yang ada di database, namun memberi label pada wajah wrong.Dalam kasus ini, Thomas Coleman berada di database, tapi mengidentifikasi dia sebagai Daniel McCall dalam database.Gambar 14: Kasus kegagalan di mana seseorang dalam database dikenali sebagai orang lain dalam database.Pada Gambar 15, kasus kegagalan karena oklusi / distorsi wajah ditunjukkan.

Teknologi anak bangsa -- Disini Thomas sedang meletakkan kepalanya di tangannya yang menghalangi sebagian dagunya sambil juga meremas pipinya.Karena itu, algoritma salah mengidentifikasinya sebagai Ryan.Gambar 15: Kegagalan akibat oklusi dan distorsi wajah.Kesuksesan ditunjukkan pada Gambar 16 dimana Ryan diidentifikasi dengan benar.

Teknologi anak bangsa -- Gambar 16: Ryan diidentifikasi dengan benar Dengan bantuan beberapa rekan lab kami, Marcus dan Josh, kami dapat menunjukkan bahwa penerapan kami dapat mendeteksi wajah dan mengidentifikasi wajah secara bersamaan (Gambar 17).Namun, dalam kasus ini, Thomas diidentifikasi secara tidak benar.Gambar 17: Di atas menunjukkan dua wajah yang tidak diketahui terdeteksi sementara satu wajah diidentifikasi secara tidak benar.Di atas ada beberapagambar kasus sukses dan kegagalan.

Teknologi anak bangsa -- Sekarang kami akan menyajikan beberapa video demo algoritma kami selama sesi pengambilan video.Karena keterbatasan ukuran, video tidak dapat diunggah dan malah dialihkan ke Teknologi anak bangsa untuk dilihat.Tautan yang terkait dapat ditemukan dalam deskripsi video.Video 1 - berisi contoh yang menunjukkan keterbatasan protokol deteksi wajah yang digunakan.

Teknologi anak bangsa -- dibatasi oleh memutar wajah di tiga poros tengah kepala dan oklusi alis atau hidung: https:E WORK Dari penelitian yang dilakukan sepanjang semester, kelompok ini mampu menggunakan metode Eigenface untuk pengenalan wajah.Implementasi ini dikembangkan dari teori matematika yang digunakan untuk menggambarkan operasi Eigenface.Setelah melakukan tes pada kedua gambar diam, kami menemukan bahwa penerapan kami menerima nilai akurasi yang serupa dengan yang dijelaskan dalam penelitian sebelumnya.Seiring dengan keberhasilan yang ditemukan pada pengenalan citra diam, umpan video langsung dijalankan dengan menggunakan subjek uji dari tim dalam kumpulan data untuk menguji ketiga bidang deteksi, pengenalan, dan pelacakan wajah.

Teknologi anak bangsa -- Sementara program mampu mendeteksi dan mengenali wajah dari kumpulan data, kode tersebut tidak cukup kuat untuk mengenali dan melacak individu yang berbeda.Agar sistem lebih kuat, jumlah sudut pandang yang lebih tinggi perlu diterapkan untuk menghasilkan berbagai macam nilai dataset per individu dalam masalah pengenalan.Untuk ketahanan pelacakan, garis dinamisModel ar dengan penyaringan kalman perlu digunakan jika subjek dilacak dengan benar.Deteksi wajah bisa diperbaiki dengan memasukkan kaskade yang berisi profil wajah, sehingga wajah bisa terasa saat berbalik sembilan puluh derajat jauh dari kamera.

Teknologi anak bangsa -- Dengan fokus pada area ini, kode tersebut dapat menjadi lebih kuat dan dengan demikian mengidentifikasi subjek dari dataset.