一个使用机器学习和深度神经网络的混合人类识别框架

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 生物识别信息 生物识别信息

背景情况:

• 面部识别对身份至关重要,但面具和环境因素对其构成挑战.
• 尽管戴面罩,但COVID-19大流行增加了对可靠识别的需求.
• 当前的人识别系统在各种条件下存在弱点,例如照明不良或面部模糊.

研究的目的:

• 开发一套先进的人身识别系统,适应面罩和低于最佳条件.
• 使用人工智能提高生物识别的准确性和可靠性.
• 克服现有的面部和步态识别技术的局限性.

主要方法:

• 一种混合方法,整合了深度和机器学习算法.
• 开发用于检测带有或没有口罩的个人的模型.
• 将步态分析纳入作为一个补充生物识别标识符.

主要成果:

• 在检测面孔和步态方面取得了出色的表现,F1分数,精度和回忆率在97%至100%之间.
• 与基线卷积神经网络 (CNN) 系统相比,表现出明显更高的识别精度.
• 成功应对面具面孔,照明不良和非正面视图所带来的挑战.

结论:

• 拟议的混合人工智能模型为在多样化和具有挑战性的环境中进行人身识别提供了卓越的解决方案.
• 这项技术显著改进了生物识别的现有方法.
• 该系统提供了一种强大而准确的方法来识别个人,即使面部部分或完全隐蔽.