ต้นแบบระบบตรวจจับและติดตามใบหน้าด้วยการประมวลผลภาพดิจิทัลประกอบแขนกล
Article Sidebar
Main Article Content
บทคัดย่อ
ระบบตรวจจับและติดตามใบหน้าเป็นเทคโนโลยีที่ใช้การประมวลผลภาพดิจิทัลเพื่อวิเคราะห์และระบุใบหน้าบุคคล เทคโนโลยีนี้นำมาใช้ประโยชน์อย่างแพร่หลายในหลายสาขา เช่น ระบบรักษาความปลอดภัย
การติดตามบุคคล และการวิเคราะห์พฤติกรรมลูกค้า ในทางทหารเทคโนโลยีติดตามใบหน้าอาจถูกพัฒนาเป็นระบบควบคุมการยิงอัตโนมัติ โดยเปลี่ยนเป้าหมายจากวัตถุทั่วไปเป็นใบหน้าบุคคล เมื่อทำงานร่วมกับระบบควบคุมแท่นปืน กลายเป็นอาวุธที่มีประสิทธิภาพ การทำงานของระบบเริ่มจากการตรวจจับใบหน้า ระบบใช้กล้องดิจิทัลจับภาพ จากนั้นใช้ซอฟต์แวร์วิเคราะห์ภาพเพื่อค้นหาและระบุใบหน้าบุคคลในเฟรม ทำการติดตามใบหน้า เมื่อระบบพบใบหน้าแล้วส่งค่าจุดเซนทรอยด์สู่แขนกลอาดูโน่ เพื่อทำการติดตามการเคลื่อนไหวของใบหน้าในเฟรมต่อ ๆ ไป ในการควบคุมแขนกล แขนกลปรับมุมและตำแหน่งตามข้อมูลที่ได้รับจากระบบ โดยชี้เป้าหมายไปที่ใบหน้าบุคคล อัลกอริทึม 4 ตัวในการทดลองในการตรวจจับภาพใบหน้าประกอบด้วย Viola-Jones Algorithm, Dlib Library, Convolutional Neural Networks (CNN) และ Multi-task Cascaded Convolutional Networks (MTCNN) ผลการวัดประสิทธิภาพด้วย Confusion Matrix มีค่าเฉลี่ยในการตรวจจับภาพใบหน้าจากทั้ง 4 อัลกอริทึมพบว่า อัลกอริทึม (CNN) มีประสิทธิภาพดีที่สุด มีค่า Precision ที่ 0.95, Recall ที่ 0.92 และ F1 score ที่ 0.93 ดังนั้น (CNN) เป็นอัลกอริทึมที่มีประสิทธิภาพในการตรวจจับใบหน้าสูงที่สุด ประสิทธิภาพการทำงานของแขนกลร่วมกับอัลกอริทึมที่ใช้ในการตรวจจับใบหน้าพบว่าอัลกอริทึม (CNN) มีประสิทธิภาพดีที่สุดในการระบุและติดตามใบหน้าบุคคลได้อย่างแม่นยำ แม้ในสภาพแสงน้อยหรือสภาพแวดล้อมที่ซับซ้อน เมื่อทำงานร่วมกับแขนกลทำการทดสอบหมุนแขนกลในมุม 45 องศา และ 135 องศา สามารถทำงานในการติดตามใบหน้าได้ถึงร้อยละ 82.5
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิชาการโรงเรียนนายเรือ ด้านวิทยาศาสตร์และเทคโนโลยี ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิชาการโรงเรียนนายเรือ ด้านวิทยาศาสตร์และเทคโนโลยี ถือเป็นลิขสิทธิ์ของโรงเรียนนายเรือ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากโรงเรียนนายเรือก่อนเท่านั้น
References
Smith J, Johnson A. Robotic Arm Control for Shooting: Design and Implementation. Int J Robot Autom. 2020;15(2):45-62.
Brown R, Lee C. Face Tracking using Digital Image Processing: A Review of Algorithms and Applications. Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR). 2018:275-90.
Li H, Zhang L, Chen Y. Performance Evaluation of Face Detection Algorithms: A Comparative Study. J Image Process Comput Vis. 2019;27(3):112-30.
Johnson M, Davis R. Advanced Image Processing Techniques for Face Recognition and Tracking in Robotic Systems. IEEE Trans Robot. 2017;33(5):789-804.
Gonzalez R, Woods R, Eddins S. Digital Image Processing. Pearson Education; 2018.
Viola P, Jones M. Rapid object detection using a boosted cascade of simple features. CVPR 2001: In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. 2001 Dec 8(1); Kauai, HI, USA. [place unknown]: IEEE; 2001. p. I-I.
King DE. Dlib-ml: A machine learning toolkit. J Mach Learn Res [Internet]. 2009;10:1755-8. Available from:https://jmlr.org/papers/volume10/king09a/king09a.pdf
Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Adv Neural Inf Process Syst [Internet]. 2012;25:1097-1105. Available from: https://proceedings.neurips.cc/paper_ files/paper/2012/file/c399862d3b9d6b76c8436e
a68c45b-Paper.pdf
Zhang K, Zhang Z, Li Z, Qiao Y. Joint face detection and alignment using multi-task cascaded convolutional networks. IEEE Signal Processing Letters [Internet]. 2016;23(10):1499-1503. Available from: https://arxiv.org/ pdf/1604.02878
National Institute of Standards and Technology (NIST). Face Recognition Vendor Test (FRVT) Part 3: Demographic Effects. NIST Interagency Report (NISTIR) 8280. 2019. Available from: https://nvlpubs.nist.gov /nistpubs/ir/2019/nist.ir.8280.pdf
Viola P, Jones M. Rapid object detection using a boosted cascade of simple features. CVPR 2001: In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. 2001 Dec 8(1); Kauai, HI, USA. [place unknown]: IEEE; 2001. p. I-I.
King DE. Dlib-ml: A machine learning toolkit. J Mach Learn Res [Internet]. 2009;10:1755-8. Available from: https://jmlr.org/papers/volume10/king09a/king09a.pdf
Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Adv Neural Inf Process Syst [Internet]. 2012;25:1097-1105. Available from: https://proceedings.neurips.cc/ paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
Zhang K, Zhang Z, Li Z, Qiao Y. Joint face detection and alignment using multi-task cascaded convolutional networks. IEEE Signal Processing Letters [Internet]. 2016;23(10):1499-1503. Available from: https://arxiv.org/ pdf/1604.02878
พิศณุ คูมีชัย. การจำแนกและการติดตามเรือผิวน้ำด้วยระบบอัตโนมัติ. วารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ (NKRAFA JOURNAL OF SCIENCE AND TECHNOLOGY). ก.ค. – ธ.ค. 2566;19(2):9–22.
Viola P, Jones MJ. Robust real-time face detection. International journal of computer vision [Internet]. 2004 May;57:137-54. Available from: https://www.face-rec.org/algorithms/Boosting-Ensemble/16981346.pdf
Ahonen T, Hadid A, Pietikäinen M. Face recognition with local binary patterns. IEEE Trans Pattern Anal Mach Intell [Internet]. 2006;28(12):2037-41. Available from: https://www.researchgate.net/publication/ 221304831_Face_Recognition_with_Local_Binary_Patterns
Agarwal A, Agrawal A. Robust face detection in challenging conditions using dlib library. Int J Comput Appl. 2019;160(1):26-32.
Sawhney S, Singh M, Gupta V. Face detection using dlib library and adaptive thresholding. 2019 International Conference on Intelligent Systems, Signal Processing and Applications (ISSPA). IEEE; 2019. p. 1-6.
Ren S, He K, Girshick R, Sun J. Faster r-cnn: Towards real-time object detection with region proposal networks. Advances in neural information processing systems [Internet]. 2015;28. Available from:https://arxiv.org/pdf/1506.01497
Redmon J, Divvala S, Girshick R, Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 779-88.
Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu CY, Berg AC. Ssd: Single shot multibox detector. In Computer Vision–ECCV 2016: 14th European Conference; 2016 October 11–14; Netherlands, Amsterdam. [place unknown]: Springer International Publishing; 2016. p. 21-37.
พิศณุ คูมีชัย. การตรวจจับใบหน้าบุคคลจาก 3 สภาวะแวดล้อมด้วย YOLOv4. วารสารวิทยาศาสตร์และเทคโนโลยี (THAI SCIENCE AND TECHNOLOGY JOURNAL). มี.ค – เม.ย. 2567;32(2):99-114.
Wang J, Wang L. Face Recognition: A Survey. IEEE Trans Syst Man Cybern C Appl Rev. 2013;43(3):401-22.