3 research outputs found
Face Recognition using Deep Learning and TensorFlow framework
Get PDFDetecting human faces and recognizing faces and facial expressions have always been an area of interest for different applications such as games, utilities and even security. With the advancement of machine learning, the techniques of detection and recognition have become more accurate and precise than ever before. However, machine learning remains a relatively complex field that could feel intimidating or inaccessible to many of us. Luckily, in the last couple of years, several organizations and open-source communities have been developing tools and libraries that help abstract the complex mathematical algorithms in order to encourage developers to easily create learning models and train them using any programming languages.
As part of this project, we will create a Face Detection framework in Python built on top of the work of several open-source projects and models with the hope to reduce the entry barrier for developers and to encourage them to focus more on developing innovative applications that make use of face detection and recognition
Structuring visual information for person detection in video: Application to VIDTIMIT database
No full textENHANCING ACCESS CONTROL WITH SVM-BASED FACIAL RECOGNITION: PERFORMANCE ANALYSIS AND EFFICIENCY EVALUATION
Get PDFCet article présente le développement d'un système de reconnaissance faciale utilisant l'algorithme Support Vector Machine (SVM). Le système est implémenté en Python avec une interface conviviale créée à l'aide de Tkinter. Il a été formé sur l'ensemble de données AT&T, composé de 400 images en niveaux de gris de 40 individus. Améliorer le modèle SVM pour obtenir des performances optimales pour un système déployable répondant à des exigences strictes est l'objectif principal de cette thèse. De manière cruciale, cet article souligne l'importance des paramètres C et du type de noyau SVM dans l'évaluation des performances. Il souligne l'importance d'une application de contrôle d'accès fiable, l'efficacité en termes de temps d'exécution et d'utilisation de la mémoire, ainsi que le rôle crucial de la reconnaissance faciale dans l'amélioration des mesures de sécurité. En équilibrant ces aspects, cet article démontre non seulement l'efficacité de l'algorithme SVM dans la reconnaissance faciale, mais jette également les bases d'améliorations futures en termes de précision et d'évolutivité, en ligne avec les besoins changeants des applications de sécurité et de contrôle d'accès. le SVM a atteint une précision d'entraînement impressionnante de 100 %. Lors de la phase de test, le système a démontré une précision louable de 95 %
