ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Performance Analysis of Eigenface and Lbph Algorithms in Raspberry Pi Environment

المؤلف الرئيسي: Barry, Ahmed Elrasheed Ali (Author)
مؤلفين آخرين: Al Hassan, Ahmed Mohammed
التاريخ الميلادي: 2020
موقع: الخرطوم
الصفحات: 1 - 46
رقم MD: 1140670
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: جامعة النيلين
الكلية: كلية الهندسة
الدولة: السودان
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

5

حفظ في:
المستخلص: عند تصميم نظام التعرف على الوجوه على بيئة ال Raspberry pi، ينبغي النظر في قضيتين رئيسيتين؛ محدودية ذاكرة التخزين التي تؤثر على مجموعة بيانات النظام، والمشكلة الأخرى هي اختيار عتبة أداة التعرف. يهدف هذا العمل إلى تحليل ودراسة التأثير الناتج من تقليل حجم مجموعة البيانات، وزيادة عدد المعرفات المحددة -الأشخاص الذين تم تعريفهم في مجموعة البيانات بصورهم- على قيم مستوى الثقة التي تم الحصول عليها من خوارزميات Eigenfaces وخوارزمية الأنماط الثنائية الخطية المتكررة (LBPH). كما تهدف إلى اقتراح طريقة مناسبة لتحديد عتبة أداة التعرف لكل خوارزمية. لتحقيق ذلك تم تنفيذ ثلاثة اختبارات؛ وهي استخدام اختبار حجم مجموعة البيانات، واختبار المعرفات المتعددة، وفي الاختبار الأخير استخدمت كل من نسبة الرفض الخاطئ (FRR) ونسبة القبول الخاطئ (FAR) كمقياس لتحديد العتبة. حددت نتائج أول اختبارين أن خوارزمية LBPH أقل تأثرا بالتغييرات وأصبحت خوارزمية Eigenfaces أقل دقة عندما انخفض حجم مجموعة البيانات. تم إنشاء الطريقة المقترحة لتحديد العتبة عن طريق حساب متوسط مستوى الثقة لكل الصور "المعرفة" و"غير المعرفة" (530 صورة لكل منهما)، ثم حساب المتوسط مرة أخرى بين تلك المتوسطات لكل خوارزمية على حدا. سجلت خوارزمية Eigenfaces نسبة أقل من 5% لكل من FRR وFAR، بينما سجلت خوارزمية LBPH 16.41% ل FRR و4.53% ل FAR. وأشارت أيضا إلى أن الطريقة المقترحة سهلة وفعالة، ولكنها ليست مثالية أو حاسمة. هناك مشكلة أخرى مهمة تتمثل في إضاءة الصورة، حيث تأثر كل من Eigenfaces وLBPH سلبا بهذا العامل، على الرغم من أن LBPH كان أقل تأثرا من Eigenfaces، لكن من الأفضل مراعاة تنوع الإضاءة في مجموعة البيانات.

عناصر مشابهة