机器学习和深度学习方法的审查,用于人员检测,跟踪和识别,以及面部识别与应用程序
Beibut Amirgaliyev1, Miras Mussabek1, Tomiris Rakhimzhanova1
1Department of Computer Engineering, Astana IT University, Astana 010000, Kazakhstan.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
这篇评论分析了面部识别,跟踪和人体检测,并指出了深度学习方法的进步. 关键的挑战仍然在于这些人工智能技术的稳定性,适应性和伦理考虑.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 面部识别,跟踪和人体检测是关键的人工智能技术.
- 快速的进步是由机器学习和深度学习推动的.
- 现有研究对当前的能力和局限性提出了分散的观点.
研究的目的:
- 综合分析面部识别,跟踪,识别和人身检测方面的最新发展.
- 突出当前技术的优点和缺点.
- 确定机器学习和深度学习应用中的研究差距和趋势.
主要方法:
- 使用PRISMA方法进行系统的文献审查.
- 对142篇相关期刊文章进行选和评价.
- 分析方法质量,报告合规性和充分性.
主要成果:
- 确定了从经典到深度学习方法的明显过渡.
- 对每个任务 (检测,跟踪,识别,识别) 的当前趋势和数据集的详细统计.
- 突出了绩效指标的显著改进.
结论:
- 深度学习方法在人脸识别和人体检测方面取得了显著的改进.
- 在模型稳定性 (照明,遮蔽),相机角度调整以及伦理/法律隐私问题方面,仍然存在挑战.
- 需要进一步的研究来解决现实世界部署的这些局限性.


