ИССЛЕДОВАНИЕ КАЧЕСТВА НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ СТУДЕНТОВ ПРИ ВХОДЕ В АУДИТОРИЮ ПУТЁМ МОДЕЛИРОВАНИЯ ВИДЕОПОТОКА ИЗОБРАЖЕНИЙ ЛИЦ ИЗ БАЗЫ ДАННЫХ
DOI:
https://doi.org/10.5281/zenodo.20799872Ключевые слова:
компьютерное зрение, видеорегистрация студентов, видеопоток, свёрточная нейронная сеть, модель VGGFace16, распознавание лиц, метрики качестваЛицензия
Аннотация
Статья посвящена автоматизации регистрации присутствия студентов на учебном занятии с помощью компьютерного зрения. Выполнена математическая постановка задачи компьютерного распознавания лиц с ориентацией на использовании предварительно обученной нейросети. Предложена функциональная схема системы, обеспечивающая распознавание лиц студентов в режиме реального времени с помощью свёрточной нейронной сети VGGFace16. В данной работе динамика процесса распознавания моделировалась с помощью специальных экспериментов на примере цветных фотографий 1680 человек. При моделировании световой поток с изображениями лиц, подаваемый на видеокамеру системы распознавания, генерировался отдельным компьютером, задающим различные варианты вычислительных экспериментов. Проведено исследование влияния размера датасета и динамики передачи лиц в видеопоток на точность распознавания. Оценки эффективности алгоритмов распознавания получены с помощью различных метрик качества. Систему видеоконтроля можно рекомендовать преподавателям образовательных учреждений.
Скачивания
Библиографические ссылки
1. Goodfellow, I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. – Cambridge, Mass.: MIT Press, 2016. – 802 p.
2. Gulli, A. Deep Learning with Keras : implement neural networks with Keras on Theano and TensorFlow / A. Gulli, S. Pal. – Birmingham: Packt Publishing, 2017. – 318 p.
3. Golikov, O. Y. Methods of the development of the architecture of the neural networks for identification and authentication of individuals / O. Y. Golikov, M. A. Ramos // Physical Sciences and Technology. – 2020. – Vol. 7, No. 3-4. – P. 44-49.
4. Ong, J. W. The application of image processing for monitoring student’s attention level during online class / J. W. Ong, W. J. Chew, S. K. Phang // Journal of Physics: Conference Series. – 2021. – Vol. 2120, No. 1. – P. 012028
5. Puthea, Kh. The Attendance Marking System based on Eigenface Recognition using OpenCV and Python / Kh. Puthea, R. Hartanto, R. Hidayat // Journal of Physics: Conference Series. – 2020. – Vol. 1551, No. 1. – P. 012012.
6. Reading and Writing Images and Video [Электронный ресурс] // OpenCV 2.4.13.7 documentation. – URL: https://docs.opencv.org/2.4/modules/highgui/doc/reading_and_writing_images_and_video.html (дата обращения 14.01.2026).
7. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features / P. Viola, M. Jones // Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. – IEEE, 2001. – 8 p.
8. Simonyan, K. Very Deep Convolutional Networks for Large-Scale Image Recognition [Электронный ресурс] / K. Simonyan, A. Zisserman // arXiv. – 2014. – URL: https://arxiv.org/abs/1409.1556 (дата обращения 15.02.2026).
9. Abdlkader, F. D. Design and analysis of face recognition system based on VGGFace-16 with various classifiers / F. D. Abdlkader, M. F. Ghanim // IAES International Journal of Artificial Intelligence. – 2024. – Vol. 13, No. 2. – P. 1499.
10. Суханов, А. А. Исследование качества распознавания студентов по изображению лиц в системе видеоконтроля / А. А. Суханов, О. И. Федяев // Информационно-телекоммуникационные системы и технологии: материалы Всероссийской научно-практической конференции, Кемерово, 23–25 октября 2024 года. – Кемерово: Кузбасский государственный технический университет им. Т.Ф. Горбачева, 2024. – С. 210-214.
11. Face Recognition Dataset - Oneshot Learning [Электронный ресурс] // Kaggle. – URL: https://www.kaggle.com/datasets/stoicstatic/face-recognition-dataset/data (дата обращения 15.02.2026).
12. Khawaja Muhammad Fahd. Comparison of Evaluation Metrics used in Machine Learning Models [Электронный ресурс] // Educative. – URL: https://www.educative.io/blog/evaluation-metrics-ml-models (дата обращения 16.02.2026).
REFERENCES LIST
1. Goodfellow, I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. – Cambridge, Mass.: MIT Press, 2016. – 802 p.
2. Gulli, A. Deep Learning with Keras : implement neural networks with Keras on Theano and TensorFlow / A. Gulli, S. Pal. – Birmingham: Packt Publishing, 2017. – 318 p.
3. Golikov, O. Y. Methods of the development of the architecture of the neural networks for identification and authentication of individuals / O. Y. Golikov, M. A. Ramos // Physical Sciences and Technology. – 2020. – Vol. 7, No. 3-4. – P. 44-49.
4. Ong, J. W. The application of image processing for monitoring student’s attention level during online class / J. W. Ong, W. J. Chew, S. K. Phang // Journal of Physics: Conference Series. – 2021. – Vol. 2120, No. 1. – P. 012028
5. Puthea, Kh. The Attendance Marking System based on Eigenface Recognition using OpenCV and Python / Kh. Puthea, R. Hartanto, R. Hidayat // Journal of Physics: Conference Series. – 2020. – Vol. 1551, No. 1. – P. 012012.
6. Reading and Writing Images and Video [Электронный ресурс] // OpenCV 2.4.13.7 documentation. – URL: https://docs.opencv.org/2.4/modules/highgui/doc/reading_and_writing_images_and_video.html (дата обращения 14.01.2026).
7. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features / P. Viola, M. Jones // Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. – IEEE, 2001. – 8 p.
8. Simonyan, K. Very Deep Convolutional Networks for Large-Scale Image Recognition [Электронный ресурс] / K. Simonyan, A. Zisserman // arXiv. – 2014. – URL: https://arxiv.org/abs/1409.1556 (дата обращения 15.02.2026).
9. Abdlkader, F. D. Design and analysis of face recognition system based on VGGFace-16 with various classifiers / F. D. Abdlkader, M. F. Ghanim // IAES International Journal of Artificial Intelligence. – 2024. – Vol. 13, No. 2. – P. 1499.
10. Суханов, А. А. Исследование качества распознавания студентов по изображению лиц в системе видеоконтроля / А. А. Суханов, О. И. Федяев // Информационно-телекоммуникационные системы и технологии: материалы Всероссийской научно-практической конференции, Кемерово, 23–25 октября 2024 года. – Кемерово: Кузбасский государственный технический университет им. Т.Ф. Горбачева, 2024. – С. 210-214.
11. Face Recognition Dataset - Oneshot Learning [Электронный ресурс] // Kaggle. – URL: https://www.kaggle.com/datasets/stoicstatic/face-recognition-dataset/data (дата обращения 15.02.2026).
12. Khawaja Muhammad Fahd. Comparison of Evaluation Metrics used in Machine Learning Models [Электронный ресурс] // Educative. – URL: https://www.educative.io/blog/evaluation-metrics-ml-models (дата обращения 16.02.2026).
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
