在教育部门使用深度学习的计算智能实时安全监控系统

科学领域:

• 计算机视觉 计算机视觉
• 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:

• 传统的面部检测方法 (Haar-like,MTCNN,AdaBoost) 使用模板匹配和几何特征平衡速度和准确性.
• 实时安全监控和身份匹配需要先进的面部检测和识别技术.

研究的目的:

• 展示一个增强的FaceNet网络,以实现高精度,实时的面部检测和识别.
• 根据现有的传统和深度学习技术,对拟议的框架进行评估.

主要方法:

• 雇员RetinaFace用于快速检测和对准面部.
• 使用了增强的FaceNet,并改进了丢失功能,用于准确的面部验证和识别.
• 进行了检测和识别性能的比较评估.

主要成果:

• 增强的FaceNet框架满足了实时面部识别的要求.
• 实现了99.86%的面部识别准确度,满足了实际需求.
• 与传统和其他深度学习方法相比,表现优越.

结论:

• 提议的增强FaceNet解决方案有效用于实时安全监控和身份匹配.
• 显示了教育领域的应用,需要强大的面部检测和识别的巨大潜力.