اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,258 |
| تعداد مقالات | 9,115 |
| تعداد مشاهده مقاله | 8,324,051 |
| تعداد دریافت فایل اصل مقاله | 5,039,013 |
ارائه یک ساز و کار هوشمند برای تشخیص چهره مرتبطین نیروهای مسلح در نقاط قرمز با استفاده از الگوریتم Big-GAK | ||
| فصلنامه پژوهش های حفاظتی امنیتی | ||
| دوره 11، شماره 43، بهمن 1401، صفحه 123-158 اصل مقاله (7.19 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محسن رب دوست* 1؛ میثم رب دوست2؛ محمدرضا حسنی آهنگر3؛ محمد جعفری خرمی4 | ||
| 1کارشناس ارشد هو ش مصنوعی ، دانشگاه جامع امام حسین (ع)، تهران، ایران (نویسنده مسئول) | ||
| 2دانشجو دکتری مدیریت فناوری اطلاعات ، واحد تهران جنوب، دانشگاه ازاد اسلامی، تهران، ایران | ||
| 3استاد، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 4کارشناس ارشد مدیریت، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| تاریخ دریافت: 10 اردیبهشت 1401، تاریخ بازنگری: 03 خرداد 1401، تاریخ پذیرش: 27 خرداد 1401 | ||
| چکیده | ||
| مطابق سند معماری هوشمند سازی ساحفاهای نیروهای مسلح، کاهش حضور فیزیکی نیروهای عملیاتی با بکارگیری فناوری های نوین و توانمندسازی های دیجیتال در اقدامات عملیاتی مانند: تعقیب و مراقبت، از اهداف سازمان های حفاظت اطلاعات می باشد. یکی از ابزارهای هوشمند برای تحقق این امر، طراحی و پیاده‌سازی سامانه های تشخیص چهره است که به دلیل استفاده از تکنیک‌های مختلف پردازش تصویر به صورت توأمان و شباهت بسیار زیاد تصاویر چهره انسان در بانک‌های اطلاعاتی حجیم، با پیچیدگی‌های فراوانی روبرو شده است. ما برای فائق آمدن بر این مشکلات و ایجاد امکان تشخیص چهره در بانک‌های اطلاعاتی حجیم بالای ۵۰۰ هزار تصویر، ضمن تشریح الگوریتم Big-GAK به ارائه مکانیسم هوشمندی شامل مراحل ذیل خواهیم پرداخت: 1.استخراج ویژگی ها در تعامل با واحدهای شناختی پیش‌پردازش و کنترل کیفی 2.دسته بندی با استفاده از الگوریتم های شناختی و الگوریتم ژنتیک 3. بکارگیری الگوریتم محلی LBP و الگوریتم K-Points جهت کاهش محدوده تصاویر و سپس تشخیص دقیق 4. صحت سنجی به صورت باناظر و ارجاع به مرحله دوم الگوریتم ژنتیک در صورت عدم موفقیت. | ||
| کلیدواژه‌ها | ||
| استخراج ویژگی؛ الگوریتم ژنتیک؛ الگوریتم Big-GAK؛ شناسایی چهره؛ سوژه یابی | ||
| عنوان مقاله [English] | ||
| Providing an Intelligent Mechanism to Recognize the Face of the Relevant Armed Forces in Red Points Using the Big-GAK Algorithm | ||
| نویسندگان [English] | ||
| Mohsen rabdoost1؛ Meysam rabdoost2؛ Mohmmad Reza Hassani Ahangar3؛ Mohammad jafari khorami4 | ||
| 1Master’s degree, Department of Artificial Intelligence, Imam Hossein University, Tehran, Iran. | ||
| 2PhD student of Information Technology Management, South Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 3Professor, Faculty of Artificial Intelligence and Cognitive Sciences, Imam Hossein University, Tehran, Iran | ||
| 4Master’s degree of Management, Imam Hossein University, Tehran, Iran. | ||
| چکیده [English] | ||
| According to the architecture document of intelligentization of armed forces intelligence, reducing the physical presence of operational forces by using new technologies and digital empowerment in operational actions such as: pursuit and surveillance, is one of the goals of counter-intelligence organizations. One of the smart tools to realize this is the design and implementation of facial recognition systems, which have faced many complications due to the use of different image processing techniques simultaneously and the high similarity of human face images in massive databases. In order to overcome these problems and make it possible to recognize faces in massive databases of over 500,000 images, while explaining the Big-GAK algorithm, we will provide an intelligent mechanism including the following steps: 1. Feature extraction in interaction with pre-processing and quality control cognitive units. 2. Classification using cognitive algorithms and genetic algorithms. 3. Applying local LBP algorithm and K-Points algorithm to reduce the range of images and then accurate diagnosis. 4. Verification by an observer and referral to the second stage of the genetic algorithm in case of failure. | ||
| کلیدواژه‌ها [English] | ||
| Big-GAK Algorithm, Face Recognition, Feature Extraction, Genetic Algorithm, Subject Finding | ||
| مراجع | ||
|
[1] Afra S, Alhajj R. Early warning system: From face recognition by surveillance cameras to social media analysis to detecting suspicious people. Physica A: Statistical Mechanics and its Applications. 2020 Feb 15;540:123151. [2] Zhao F, Li J, Zhang L, Li Z, Na SG. Multi-view face recognition using deep neural networks. Future Generation Computer Systems. 2020 Oct 1;111:375-80. [3] Agarwal L, Mukim M, Sharma H, Bhandari A, Mishra A. Face Recognition Based Smart and Robust Attendance Monitoring using Deep CNN. In2021 8th International Conference on Computing for Sustainable Global Development (INDIACom) 2021 Mar 17 (pp. 699-704). IEEE. [4] Beham MP, Roomi SM. A review of face recognition methods. International Journal of Pattern Recognition and Artificial Intelligence. 2013 Jun 16;27(04):1356005. [5] Somogyi Z, Somogyi Z. Face Recognition. The Application of Artificial Intelligence: Step-by-Step Guide from Beginner to Expert. 2021:175-84. [6] Shahid AM, Fraz MM, Shahzad M. Large Scale Face Recognition In the Wild: Technical Challenges and Research Directions. In2021 International Conference on Digital Futures and Transformative Technologies (ICoDT2) 2021 May 20 (pp. 1-7). IEEE. [7] Fredj HB, Bouguezzi S, Souani C. Face recognition in unconstrained environment with CNN. The Visual Computer. 2020 Jan 18:1-0. [8] Chen C, Surette R, Shah M. Automated monitoring for security camera networks: promise from computer vision labs. Security Journal. 2020 Feb 17:1-21. [9] Zhang R, Lee EJ. Human Face Recognition Based on improved CNN Model with Multi-layers. Journal of Korea Multimedia Society. 2021;24(5):701-8. [10] Young AW, Burton AM. Insights from computational models of face recognition: A reply to Blauch, Behrmann and Plaut. Cognition. 2021 Mar 1;208:104422. [11] Hirzi MF, Efendi S, Sembiring RW. Literature Study of Face Recognition using The Viola-Jones Algorithm. In2021 International Conference on Artificial Intelligence and Mechatronics Systems (AIMS) 2021 Apr 28 (pp. 1-6). IEEE. [12] Nagrani A, Chung JS, Xie W, Zisserman A. Voxceleb: Large-scale speaker verification in the wild. Computer Speech & Language. 2020 Mar 1;60:101027.. [13] Zhang Q, Li H, Li M, Ding L. Feature extraction of face image based on LBP and 2-D Gabor wavelet transform. Math. Biosci. Eng. 2020 Jan 1;17(2):1578-92. [14] Dubey S, Meena R. A Review of Face Recognition Using SIFT Feature Extraction. [15] Winnicka A, Kęsik K, Połap D, Woźniak M. SURF Algorithm with Convolutional Neural Network as Face Recognition Technique. InInternational Conference on Artificial Intelligence and Soft Computing 2020 Oct 12 (pp. 95-102). Springer, Cham. [16] Khalid NA, Ahmad MI, Mandeel TH, Isa MN. Palmprint Verification System Using LBP And KAZE Features Detection. In2021 8th International Conference on Computer and Communication Engineering (ICCCE) 2021 Jun 22 (pp. 13-16). IEEE. [17] Dixit D, Parashar S, Gondalia A, Sengupta A, Sivagami M. Facial Identification using Haar Cascading with BRISK. In2020 International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE) 2020 Feb 24 (pp. 1-7). IEEE. [18] Zeghina AO, Zoubia O, Behloul A. Face Recognition Based on Harris Detector and Convolutional Neural Networks. InInternational Symposium on Modelling and Implementation of Complex Systems 2020 Oct 24 (pp. 163-171). Springer, Cham. [19] Kusnadi A. Face Detection Keypoints Using Dct And Clahe. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 2021 May 10;12(11):4365-72. [20] Soualmi A, Alti A, Laouamer L. A novel blind watermarking approach for medical image authentication using MinEigen value features. Multimedia Tools and Applications. 2021 Jan;80(2):2279-93.
| ||
|
آمار تعداد مشاهده مقاله: 95 تعداد دریافت فایل اصل مقاله: 117 |
||