การเพิ่มสมรรถนะของการตรวจจับใบหน้าด้วยโมเดลจำแนกสองระดับ
Article Sidebar
Main Article Content
บทคัดย่อ
ปัญหาผู้ก่อความรุนแรงในสามจังหวัดชายแดนภาคใต้ เป็นปัญหาสำคัญด้านความมั่นคง ของชาติ ความปลอดภัยในชีวิต รวมถึงทรัพย์สินของข้าราชการและประชาชนในพื้นที่ อีกทั้งยังส่งผล ต่อความสูญเสียทางด้านเศรษฐกิจ การลงทุนและการท่องเที่ยว ทั้งนี้รัฐบาลและกระทรวงกลาโหม ได้ร่วมกันแก้ไขปัญหาดังกล่าว แต่ได้ผลในขอบเขตที่จำกัด ยังคงมีเหตุการณ์วางระเบิดในที่สาธารณะและซุ่มโจมตีเจ้าหน้าที่ของรัฐอยู่เป็นระยะ แนวทางการแก้ปัญหาในปัจจุบันขาดการประยุกต์ใช้เทคโนโลยีอย่างเป็นรูปธรรม ทั้งระดับผู้ปฏิบัติแลในระดับ การวางแผนบังคับบัญชา อีกทั้งการข่าวที่ยัง ไม่เป็นเอกภาพ ขาดการบูรณาการระหว่างหน่วยงานต่าง ๆ ที่เกี่ยวข้อง งานวิจัยที่ได้นำเสนอในบทความนี้มีจุดมุ่งหมายที่จะแก้ไขปัญหาข้างต้นด้วยการนำข้อมูลภาพจากกล้องวงจรปิด ไปเป็นพื้นฐานของการปฏิบัติงานเชิงรุก โดยประยุกต์ใช้เทคโนโลยีรู้จำใบหน้าบุคคลเพื่อประโยชน์ในการรักษาความปลอดภัย ความแม่นยำของการรู้จำใบหน้านั้นขึ้นอยู่กับคุณภาพของผลลัพธ์จากขั้นการตรวจจับใบหน้า ที่จะทำการระบุพื้นที่ในภาพที่ศึกษาซึ่งมีคุณลักษณะของใบหน้าบุคคลปรากฏอยู่ ทั้งนี้วิธีการตรวจจับที่เป็นมาตรฐานของงานแขนงนี้ มักจะใช้โมเดลจำแนกประเภทของข้อมูลที่สร้างได้จากภาพตัวอย่างที่ใช่และที่ไม่ใช่ใบหน้า โมเดลดังกล่าวมีประสิทธิภาพในการจำแนกข้อมูลในระดับที่สูง แต่หากระดับความถูกต้องนั้น จะแปรผันตามคุณภาพและจำนวนของภาพตัวอย่างที่ใช้ในการพัฒนาโมเดล อนึ่งโมเดลจะมีความแม่นยำในการตรวจจับต่ำถ้าคุณภาพหรือปริมาณของภาพตัวอย่างไม่ดีหรือน้อยเกินไป เพื่อแก้ไขปัญหาดังกล่าวบทความนี้จึงได้นำเสนอโมเดลจำแนกประเภทข้อมูลแบบสองระดับ ซึ่งเป็นการใช้วิธีการที่มีความถูกต้องสูงมาเสริมการทำงานของโมเดลเดิม นอกจากนั้นโมเดลใหม่ยังสามารถแก้ไขกรณีของ ภาพใด ๆ ที่ไม่ใช่ใบหน้า แต่ถูกจำแนกว่าเป็นใบหน้า (false positive) ได้อย่างเป็นระบบอีกด้วย
Article Details
- เนื้อหาและข้อมูลในบทความที่ตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง กองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
- บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศถือเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ หรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักอักษรณ์จากวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ก่อนเท่านั้น
เอกสารอ้างอิง
[2] N. Iam-On and T. Boongoen. Improving Face Classification with Multiple-Clustering Induced Feature Reduction. In Proceedings of 49th IEEE International Conference on Security Technology: 241-246, 2015.
[3] T. Mita, T. Kaneko and O. Hori. Joint Haar-like features for face detection. In Proceedings of International Conference on Computer Vision: 1619-1626, 2005.
[4] N. Iam-On and T. Boongoen. Diversity-Driven Generation of Link-Based Cluster Ensemble and Application to Data Classification. Expert Systems with Applications, 42(21): 8259-8273, 2015.
[5] M.H. Yang, D.J. Kriegman and N. Ahuja. Detecting Faces in Images: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(1): 34-58, 2002.
[6] Y.Q. Wang. An Analysis of the Viola-Jones Face Detection Algorithm. Image Processing On Line, 4: 128-148, 2014.
[7] S.K. Pavani, D. Delgado and A.F. Fragni. Haar-like features with optimally weighted rectangles for rapid object detection. Pattern Recognition, 43: 160-172, 2010.
[8] G. Yang and T.S. Huang. Human Face Detection in A Complex Back Ground. Pattern Recognition, 27(1): 53-63, 1994.
[9] C. Kotropoulos and I. Pitas. Rule-Based Face Detection in Frontal Views. In Proceedings of International Conference on Acoustics, Speech and Signal Processing, 4: 2537-2540, 1997.
[10] K.C. Yow and R. Cipolla. A Probabilistic Framework for Perceptual Grouping of Features for Human Face Detection. In Proceedings of International Conference on Automatic Face and Gesture Recognition: 16-21, 1998.
[11] B. Scassellati. Eye Finding via Face Detection for a Foevated Active Vision System. In Proceedings of National Conference on Artificial Intelligence, 1998.
[12] K.K. Sung and T. Poggio. Example-Based Learning for View-Based Human Face Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(1): 39-51, 1998.
[13] P. Viola and M. Jones. Rapid object detection using a Boosted cascade of simple features. In Proceedings of International Conference on Computer Vision and Pattern Recognition: 1-9, 2001.
[14] P. Viola and M. Jones. Robust real-time face detection. International Journal of Computer Vision, 57(2): 137-154, 2004.
[15] N. Iam-on, T. Boongoen and S. Garrett. LCE: A link-based cluster ensemble method for improved gene expression data analysis. Bioinformatics, 26(12): 1513-1519, 2010.
[16] N. Iam-On and T. Boongoen. Comparative Study of Matrix Refinement Approaches for Ensemble Clustering. Machine Learning, 98(1-2): 269-300, 2015.
[17] J.P. Maurya and S. Sharma. A survey on face recognition techniques. Computer Engineering and Intelligent Systems, 4(6): 11–17, 2013.
[18] Y.J. Zhang. Advances in Face Image Analysis: Techniques and Technologies. IGI Global, 2010.
[19] M. Turk and A. Pentland. Eigen faces for recognition. Journal of Cognitive Neuroscience, 3(1): 71–86, 1991.
[20] S.H. Yoo, S.K. Oh and K. Seo. Design of face recognition algorithm using hybrid data preprocessing and polynomial-based RBF neural networks. In Proceedings of International Conference on Advances in Neural Networks: 213–220, 2012.
[21] A. Ng, M. Jordan, and Y. Weiss. On spectral clustering: Analysis and an algorithm. Advances in Neural Information Processing Systems, 14: 849–856, 2001.
[22] S.T.Roweis and L.K.Saul. Nonlinear dimensionality reduction by locally linear embedding. Science, 290(5500): 2323–2326, 2000.
[23] O. Samko abd A.D. Marshall and P.L. Rosin. Selection of the optimal parameter value for the Isomap algorithm. Pattern Recognition Letters, 27(9): 968–979, 2006.
[24] P. Dadech and S. Boonlue. An Applied of Image Processing for Plant Classification on Smartphone. NKRAFA Journal of Science and Technology, 11: 102-110, 2015.
[25] V. Vaswani, S. Loh, B. Tan, K. Singh and S. Srigrarom. Modular Quadrotor MAVs. NKRAFA Journal of Science and Technology, 10: 43-55, 2014.
[26] R. Lienhart and J. Maydt. An extended set of Haar-like features for rapid object detection. In Proceedings of International Conference on Image Processing: 900-903, 2002.
