Pengesanan muka secara automatik merupakan langkah pertama bagi kebanyakan
sistem biometrik masa kini yang berasaskan muka seperti pengecaman muka,
pengecaman ekspresi wajah, pengecaman jantina dan pengesanan kedudukan kepala
manusia. Walau bagaimanapun, teknologi pengesanan muka berpandukan kepada
sistem komputer masih mempunyai pelbagai kelemahan serta cabaran sama ada
di persekitaran yang tertutup dan terbuka seperti pencahayaan lampu yang tidak
terkawal, oklusi pada muka, arah muka dan perubahan pada ekspresi muka. Tesis
ini mencadangkan teknik untuk mengesan pelbagai muka manusia bagi tujuan aplikasi
pengawasan video dengan seni bina algoritma yang strategik dan berdasarkan struktur
reka bentuk secara hierarki. Teknik ini terdiri daripada dua blok utama yang dikenali
sebagai Penyetempatan Kulit Muka (FSL) dan Kawasan Kulit Muka Berhierarki
(HSA). FSL dirumus untuk mengekstrak data kulit bagi tujuan proses pada peringkat
pertama bagi sistem pengesanan ini di mana ia juga terdiri daripada Penggabung
Kulit Muka (FSM) bagi menggabung kawasan kulit yang terpisah dengan tepat. HSA
dicadangkan untuk memperluaskan pencarian muka manusia pada kawasan segmentasi
kulit yang dikenal pasti dengan menggunakan strategi seni bina secara berhierarki, di
mana setiap peringkat hierarki terdiri daripada integrasi di antara algoritma Adaboost
dan Neural Network. Uji kaji dijalankan ke atas sebelas jenis pangkalan data
yang terdiri daripada pelbagai cabaran terhadap sistem pengesanan muka manusia.
Keputusan masing-masing menunjukkan bahawa kaedah H-SKANN memperolehi
peratusan ketepatan secara purata sebanyak 98.03% dan 97.02% bagi pangkalan data
penanda aras dan kawasan pengawasan.
__________________________________________________________________________________
Automatic face detection is mainly the first step for most of the face-based
biometric systems today such as face recognition, facial expression recognition, and
tracking head pose. However, face detection technology has various drawbacks caused
by challenges in indoor and outdoor environment such as uncontrolled lighting and
illumination, features occlusions and pose variation. This thesis proposed a technique
to detect multiface in video surveillance application with strategic architecture
algorithm based on the hierarchical and structural design. This technique consists of
two major blocks which are known as Face Skin Localization (FSL) and Hierarchical
Skin Area (HSA). FSL is formulated to extract valuable skin data to be processed at
the first stage of system detection, which also includes Face Skin Merging (FSM) in
order to correctly merge separated skin areas. HSA is proposed to extend the searching
of face candidates in selected segmentation area based on the hierarchical architecture
strategy, in which each level of the hierarchy employs an integration of Adaboost and
Neural Network Algorithm. Experiments were conducted on eleven types database
which consists of various challenges to human face detection system. Results reveal
that the proposed H-SKANN achieves 98.03% and 97.02% of of averaged accuracy
for benchmark database and surveillance area databases, respectively.
Development of hierarchical skin adaboostneural network h skann for multiface detection in video surveillance system_Zulhadi Zakaria_E3_2017_MYMY