Анализ возможностей использования глубокой нейронной сети в качестве технологии распознавания образов для решения задачи автоматизации учета посещаемости
Боковая панель статьи
Основное содержимое статьи
Аннотация
Задача подсчета количества людей актуальна при проведении разного рода мероприятий, к которым могут относиться семинары, лекции, конференции, собрания и пр. Взамен монотонного ручного подсчета участников гораздо эффективнее применить технологию распознавания лиц, предоставляющую возможность не только быстро проводить подсчет присутствующих, но также распознать каждого из них, благодаря чему становится возможным проведение дальнейшей аналитики этих данных, выявление в них закономерностей и прогнозирование. Проведенное в работе исследование определяет оценку качества использования технологии распознавания лиц на изображениях и видеопотоке, основанной на использовании глубокой нейронной сети, для решения задачи автоматизации учета посещаемости.
Скачивания
Информация о статье
Библиографические ссылки
Кругляк К. Одноплатные компьютеры для встраиваемых систем. // Журнал «Современные технологии автоматизации». 2003. N4. — С. 6-17.
Тест-эквайринг Иванов. 3D технология распознавания лиц. — 2016. — [Электронный ресурс]. URL: https://sec-group.ru/blog/tryohmernye-tehnologii-v-raspoznovanii-lic/.
«Центр 2М». Нейронные сети: распознавание образов и изображений c помощью ИИ. — 2018- 2020. — [Электронный ресурс]. URL: https://center2m.ru/ai-recognition.
Элементарное введение в технологию нейронных сетей с примерами программ / Р. Тадеусевич, Б. Боровик, Т. Гончаж, Б. Леппер. — М.: ООО «Научно-техническое издательство «Горячая линияТелеком», 2011. — С. 403.
Гришин А. И. Исследование эффективности методов обработки изображений в системах распознавания лиц: Выпускная квалификационная работа магистра направления 080500.68 «Бизнес-информатика» / Южно-Уральский государственный университет. — Челябинск, 2016. — С. 75.
Федорова А. А. Распознавание английского текста сверточной нейронной сетью: Выпускная квалификационная работа бакалавра направления 010400.62 «Прикладная математика и информатика» / Санкт-Петербургский Государственный Университет. — СПб., 2016. — С. 30.
OpenCV dev team. Introduction – OpenCV 2.4.13.7 documentation. — 2018. — [Электронный ресурс]. URL: https://docs.opencv.org/2.4.13.7/modules/core/doc/intro.html.
F. Schroff, D. Kalenichenko, J. Philbin. Facenet: A unified embedding for face recognition and clustering // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2015.
Dlib C++ Library. — 2019. — [Электронный ресурс]. URL: http://dlib.net/.
Ageitgey. Face_recognition: The world’s simplest facial recognition api for Python and the command line. — 2020. [Электронный ресурс]. URL: https://github.com/ageitgey/face_recognition.
Ageitgey. Face_recognition: api.py at master. — 2020. — [Электронный ресурс]. URL: https://github.com/ageitgey/face_recognition/blob/master/face_recognition/api.py.
LFW Face Database : Main. — 2018. — [Электронный ресурс]. URL: http://viswww.cs.umass.edu/lfw/.
Raspberry Pi. Buy a Raspberry Pi 3 Model B+. — 2018. — [Электронный ресурс]. URL: https://www.raspberrypi.org/products/raspberry-pi-3-model-b-plus/.
Face Research Lab London Set. — 2017. [Электронный ресурс]. URL: https://figshare.com/articles/Face_Research_Lab_London_Set/5047666.
Mike. Batch Resize Images using Linux Command Line and Imagemagick. — 2017. — [Электронный ресурс]. URL: https://guides.wp-bullet.com/batch-resize-images-using-linux-command-line-and-imagemagick/.
Репозиторий GitHub. — [Электронный ресурс]. URL: https://github.com/trnkv/facerec.