Pengecaman wajah manusia dalam pencahayaan rendah mengguna sensor kedalaman dan infra merah

Abstract

Pengecaman wajah dalam pencahayaan rendah mengguna fitur-fitur infra merah dan sensor kedalaman merupakan garis dasar dalam bidang pendekatan pengecaman. Tahap ketepatan dalam teknik pengecaman wajah dalam pencahayaan rendah masih kurang berkesan apabila mengendali fitur-fitur imej yang kurang kontras. Terdapat banyak set data piawai mempunyai imej pelbagai pencahayaaan seperti Labeled Face in Wild (LFW) dan CasiaWebFace diguna dalam teknik pengecaman namun tahap ketepatan masih tidak memuaskan. Teknik peningkatan dan gabungan fitur-fitur imej perlu diperluas bagi menambah baik prestasi pengecaman wajah dalam pencahayaan rendah. Selain itu, penggunaan kamera litar tertutup yang dipasang dalam bandar tidak berupaya untuk mengecam dan mengesan wajah dalam pencahayaan rendah. Dengan dengan adanya kamera yang dilengkapi dengan fitur-fitur infra merah dan sensor kedalaman, ia mampu menyelesaikan permasalahan pengecaman. Kemampuan teknik ini dapat mengurangkan kes jenayah yang semakin aktif di kawasan-kawasan yang gelap. Kamera yang dilengkapi fitur-fitur infra merah dan sensor kedalaman mudah untuk diperolehi di pasaran dan harganya yang berpatutan. Justeru, kajian ini mencadang satu gabungan dari fitur-fitur infra merah dan sensor kedalaman serta tambahan peningkatan kontras pada fitur untuk pengecaman wajah dalam pencahayaan rendah. Teknik gabungan ini dipanggil fitur infra merah dan sensor kedalaman bersama penyamaan histogram adaptif had kontras atau IR_DEPT_AHE. Sebanyak 960 set data dari LFW dan 40 set data sendiri dilatih menggunakan konvolusen rangkaian neural dalam senibina Inception Resnet dan Softmax-Loss. Kajian ini merangkumi empat fasa iaitu, Modul Pengekstrakan Fitur, Modul Pengesanan Wajah, Modul Penjanaan Templat dan Modul Pengecaman Wajah. Fasa pertama mengekstrakkan fitur-fitur infra merah dan sensor kedalaman serta meningkatkan fitur-fitur tersebut mengguna kontras penyamaan histogram adaptif. Fasa kedua mengguna teknik Multi Cascaded Convolutional Neural Network (MTCNN) untuk mengesan fitur wajah pada imej. Fitur-fitur ini diekstrak menggunakan kaedah imej piramid, kotak sempadan, Non-Maximum suppression melalui proses 3 lapisan iaitu Pnet, Rnet dan Onet. Fasa Ketiga, apabila wajah individu dikesan, proses untuk penjanaan templat menggunakan teknik triplet-loss dijalankan dengan menghasilkan 512 dimensi vektor pembenaman wajah. Fasa keempat, penjanaan vektor pembenaman yang diperolehi akan dibandingkan dengan setiap vektor didalam set data yang telah dilatih. Perbandingan ini menggunakan teknik euclidean distance atau teknik yang sama seperti K-kejiranan terdekat. Keputusan peratusan ketepatan yang diperolehi adalah 99.5% berbanding ketepatan dari eksperimen pencahayaan rendah yang sebelum ini iaitu Eigenface 76.92%, FisherFace 84.0% dan Haar-LBP 85.7%.