การตรวจจับใบหน้าบุคคลจาก 3 สภาวะแวดล้อมด้วย YOLOv4
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มุ่งเน้นการตรวจจับใบหน้าบุคคลโดยใช้โมเดล YOLOv4 และเปรียบเทียบกับอัลกอริทึมอื่น ๆ ที่ใช้ในงานวิจัยตรวจจับใบหน้า โดยใช้ชุดข้อมูลรูปภาพจำนวนมากจาก 3 สภาวะแวดล้อมที่แตกต่างกันอย่างมีนัยสำคัญ คือภายในอาคารที่มีแสงน้อย, ภายในอาคารที่มีแสงสว่างเพียงพอ, และภายนอกอาคารในช่วงเวลาปกติที่มีแสงสว่าง เพื่อวัดประสิทธิภาพของแต่ละอัลกอริทึมในการตรวจจับใบหน้ากับอีก 4 อัลกอริทึมที่ถูกใช้ในการเปรียบเทียบคือ Viola-Jones Face Detection Algorithm, DeepFace, FaceNet, และ MTCNN ผลการทดลองพบว่า YOLOv4 วัดประสิทธิภาพด้วย confusion matrix มีค่าเฉลี่ยในการตรวจจับภาพใบหน้าจากทั้ง 3 สภาวะแวดล้อมด้วย precision ที่ 0.96, recall ที่ 0.93 และ f1-score ที่ 0.94 ดังนั้น YOLOv4 เป็นอัลกอริทึมที่มีประสิทธิภาพในการตรวจจับใบหน้าบุคคลที่ดีที่สุดในงานวิจัยนี้
Article Details
เอกสารอ้างอิง
Deng, D., Guo, J., & Yuxiang, Z. (2020). RetinaFace: Single-stage Dense Face Localisation in the Wild. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, 5203-5212.
Qin, Z., Zhang, Y., Huang, K., & Zhao, D. (2020). Towards Mask Face Detection with A Convolutional Neural Network. Applied Sciences, 10(17), 5945.
Arumugam, P., & Natarajan, N. (2017). A Survey of Face Detection, Extraction and Recognition. International Journal of Computer Applications, 163(7), 1-6.
Ranjan, R., Sankaranarayanan, S., & Castillo, C. D. (2020). Deep Learning-based Face Detection: A Comprehensive Survey. ACM Computing Surveys (CSUR), 53(6), 1-36.
Le, N. N. H., & Bui, T. D. (2021). Face Detection and Recognition using Deep Learning: A Survey. Journal of Ambient Intelligence and Humanized Computing, 12(2), 1735-1757.
Sarfraz, M. S., & Alahakoon, R. (2018). Face Detection and Recognition Techniques: A Survey. Journal of King Saud University-Computer and Information Sciences, 30(4), 428-444.
Ahmed, S. M., Abd El-Latif, S. M., Aly, S. S., & ElAlfy, A. S. (2020). A Comprehensive Survey of Face Recognition Techniques. IEEE Access, 8, 158557-158576.
Goyal, P., Bhatia, K., & Singh, R. (2017). Face Recognition Techniques: A Comprehensive Survey. International Journal of Computer Applications, 160(1), 18-25.
Zhou, Y., Liao, S., & Li, S. Z. (2018). Recent progress in facial landmark detection. arXiv preprint arXiv:1806.01893.
Taigman, Y., Yang, M., Ranzato, M., & Wolf, L. (2014). DeepFace: Closing the gap to human-level performance in face verification. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1701-1708).
Zhang, Z., Luo, P., Loy, C. C., & Tang, X. (2015). Facial landmark detection by deep multi-task learning. In European conference on computer vision (pp. 94-108).
Xie, S., Girshick, R., Dollár, P., Tu, Z., & He, K. (2016). Aggregated residual transformations for deep neural networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1492-1500).
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. In European conference on computer vision (pp. 21-37).
Wu, X., He, R., Sun, Z., & Tan, T. (2018). A light CNN for deep face representation with noisy labels. IEEE Transactions on Information Forensics and Security, 13(11), 2884-2896.
Dang, H., & Chan, C. S. (2019). Unconstrained face detection using deep learning and multi-task learning. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 0-0).
Li, Y., Li, F., Li, S., Li, X., & Chen, J. (2020). A novel attention-based deep convolutional neural network for facial landmark detection. Cognitive Computation, 12(3), 449-459.
Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934.
Wang, X., Liu, D., & Yu, X. (2021). Adaptive object detection for human faces using YOLOv4. Multimedia Tools and Applications, 80(16), 24807-24822.
Kumar, M., Singh, M., Verma, A. K., & Chandra, S. (2021). Performance evaluation of YOLOv4 and RetinaNet for face detection. Journal of Ambient Intelligence and Humanized Computing, 12(10), 11503-11512.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779-788).
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
Maghraby M.AbdallaO.Enany,Hybrid Face Detection System using Combination of Viola - Jones Method and Skin Detection, International Journal of Computer Applications (0975 – 8887) Volume 71– No.6, May 2013
Li Zhihua, Zhang Jianyu & Wei Zhongcheng. (2022). Design on face recognition system based on MTCNN and Facenet. Modern Electronic Technology (04), 139-143.
Zhang Ying. (2022). Study on improved face recognition algorithm based on Facenet. Electronic Technology (03), 25-27.
Schroff, F., Kalenichenko, D. & Philbin, J. (2015). FaceNet: A Unified Embedding for Face Recognition and Clustering. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Wang, J., & Wang, L. (2013). Face Recognition: A Survey. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 43(3), 401-422.
