Please use this identifier to cite or link to this item: http://cuir.car.chula.ac.th/handle/123456789/63618
Title: การรู้จำใบหน้าแบบมีสิ่งบดบังโดยใช้โครงข่ายประสาทเทียมแบบสังวัฒนาการ และการสร้างคืนภาพด้วย 2DPCA และ 2DLDA
Other Titles: Face Recognition with Occlusion Using Convolutional Neural Network and 2DPCA and 2DLDA Image Reconstruction
Authors: สิทธิพันธุ์ สระภักดิ์
Advisors: ชาญชัย ปลื้มปิติวิริยะเวช
เผดิม หนังสือ
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Advisor's Email: Charnchai.P@Chula.ac.th
ไม่มีข้อมูล
Issue Date: 2561
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: แม้ว่าระบบจดจำใบหน้าส่วนใหญ่ต้องการส่วนประกอบของใบหน้าทั้งหมดเพื่อผลลัพธ์ที่แม่นยำ แต่ในโลกแห่งความเป็นจริงหลายคนรวมถึงผู้ก่อการร้ายมักอำพรางตัวเองจากกล้องวงจรปิดด้วยการสวมแว่นกันแดดหรือผ้าพันคอหรือหลีกเลี่ยงมุมกล้อง ทำให้การจดจำใบหน้ามีความท้าทายมากขึ้น ในวิทยานิพนธ์นี้ใช้การวิเคราะห์องค์ประกอบสองมิติ (2DPCA) และการวิเคราะห์แบ่งแยกเชิงเส้นสองมิติ (2DLDA) ประยุกต์กับการรวบรวมข้อมูลภาพแบบโครงข่ายประสาทแบบสังวัฒนาการ (Convolutional Neural Network) โดยใช้แบบจำลองของ Alexnet เมื่อใช้ฐานข้อมูล AR กับ 227 มิติเวกเตอร์เฉพาะ (Eigenvector) สำหรับ 2DPCA และ 2DLDA ให้ความแม่นยำร้อยละ 53.06 และ 49.71 ตามลำดับ อย่างไรก็ตามเมื่อใช้เวกเตอร์เฉพาะสำหรับสร้างภาพใหม่ความแม่นยำจะเพิ่มขึ้นเป็นร้อยละ 81.55 และ 80.56 ตามลำดับ เมื่อใช้ฐานข้อมูล GTAV กับ 227 มิติเวกเตอร์เฉพาะ สำหรับ 2DPCA และ 2DLDA ให้ความแม่นยำร้อยละ 86.36 และ 78.54 ตามลำดับ อย่างไรก็ตามเมื่อใช้เวกเตอร์เฉพาะสำหรับสร้างภาพใหม่ความแม่นยำจะเพิ่มขึ้นเป็นร้อยละ 96.46 และ 91.92 ตามลำดับ
Other Abstract: Although most face recognition systems require all face components for accurate results, in the real world, many people including the terrorists often camouflage themselves from CCTVs by wearing sunglasses or scarf or evade the camera angle.  This makes face recognition more challenging.  In this thesis, we are to recognize faces with occlusions using two-dimensional principal component analysis (2DPCA) and two-dimensional linear discriminant analysis (2DLDA), which are applied together with convolutional neural network using Alexnet model.  When using the AR database with 227 eigenvectors for 2DPCA and 2DLDA, the recognition accuracy is 53.06% and 49.71%, respectively.  However, when using the eigenvectors to reconstruct a new image, the accuracy is increased to 81.55% and 81.62%, respectively.  When using the GTAV database with 227 eigenvectors for 2DPCA and 2DLDA, the recognition accuracy is 87.12% and 83.08%, respectively.  When using the eigenvectors to reconstruct a new image, the accuracy is increased to 97.22% and 94.95%, respectively.
Description: วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2561
Degree Name: วิศวกรรมศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: วิศวกรรมและเทคโนโลยีการป้องกันประเทศ
URI: http://cuir.car.chula.ac.th/handle/123456789/63618
Type: Thesis
Appears in Collections:FACULTY OF ENGINEERING

Files in This Item:
File Description SizeFormat 
5970376721.pdf2.04 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.