Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2021 - zeszyt 9

The Automatic Detection of Underage Troopers from Live- Videos Based on Deep Learning

10.15199/48.2021.09.18

nr katalogowy: 133242
10.15199/48.2021.09.18

Streszczenie

Military service is undoubtedly among the most profound forms of service to the nation. With military service young people can develop qualities of discipline within them, but nobody should be forced to serve, and especially young children. A real-time Child Troopers detection surveillance system is built to overcome these bad acts, based on Convolutional Neural Networks (CNNs). This method is focused on the automatic face, age, and weapon detection. The proposed detection and identification system consist of many steps of process: starting with, a pre-trained deep learning model based on SSD-ResNet network to perform face detection operation. Then, an age estimation using VGG-Face model is performed, finally, a weapon detection based on MobileNetV2-SSD pretrained model. The results of these steps are combined to look for children under 18 years old with guns in the images. These models have been selected because of there fast and accurate in infering to integrate network for detecting and identifying children with weapons in images. The experimental result using global datasets of various images for faces and weapons showed that the use of this method enhances the accuracy level of detection.

Abstract

Dzięki służbie wojskowej młodzi ludzie mogą rozwinąć w sobie cechy dyscypliny, ale nikt nie powinien być zmuszany do służby, a zwłaszcza małe dzieci. Zaproponowano jest system nadzoru wykrywający w czasie rzeczywistym Child Troopers, oparty na Convolutional Neural Networks (CNN). Ta metoda skupia się na automatycznym wykrywaniu twarzy, wieku i broni. Proponowany system detekcji i identyfikacji składa się z wielu etapów procesu: zaczynając od wstępnie wytrenowanego modelu głębokiego uczenia opartego na sieci SSD-ResNet do wykonywania operacji wykrywania twarzy. Następnie przeprowadzana jest estymacja wieku za pomocą modelu VGG-Face, a na koniec detekcja broni w oparciu o wstępnie wytrenowany model MobileNetV2-SSD. Wyniki tych kroków są łączone w celu wyszukania na zdjęciach dzieci poniżej 18 roku życia z bronią. Modele te zostały wybrane ze względu na szybkie i dokładne wnioskowanie do integracji sieci do wykrywania i identyfikacji dzieci z bronią na obrazach. Wyniki eksperymentalne wykorzystujące globalne zbiory danych różnych obrazów twarzy i broni wykazały, że zastosowanie tej metody zwiększa poziom dokładności wykrywania. (Automatyczne wykrywanie nieletnich żołnierzy z wideo na żywo w oparciu o metodę Deep Learning)

Słowa kluczowe

Keywords

Bibliografia

[1] J. Chmielińska and J. Jakubowski, “Application of convolutional neural network to the problem of detecting select ed symptoms of driver fatigue,” Przegląd Elektrotechniczny, vol. 93, no. 10, pp. 6-10, 2017.
[2] J. Chmielińska and J. Jakubowski, “Face recognition based on deep learning techniques and image fusion,” Przegląd Elektrotechniczny, vol. 95, no. 11, pp. 150-154, 2019.
[3] A. Othmani, A. R. Taleb, H. Abdelkawy, and A. Hadid, "Age estimation from faces using deep learning: A comparative analysis," Computer Vision and Image Understanding, p. 102961, 2020.
[4] M. T. Ghazal and K. Abdullah, "Face recognition based on curvelets, invariant moments features and SVM," Telkomnika, vol. 18, no. 2, pp. 733-739, 2020.
[5] W. Qiong, L. Zhang, L. Yan, and K. Kpalma, "Overview of deep-learning based methods for salient object detection in videos," Pattern Recognition, p. 107340, 2020.
[6] Z.-Q. Zhao, P. Zheng, S.-t. Xu, and X. Wu, "Object detection with deep learning: A review," IEEE transactions on neural networks and learning systems, vol. 30, no. 11, pp. 3212-3232, 2019.
[7] S. Ghosh, N. Das, I. Das, and U. Maulik, "Understanding deep learning techniques for image segmentation," ACM Computing Surveys (CSUR), vol. 52, no. 4, pp. 1-35, 2019.
[8] G. Guo and N. Zhang, "A survey on deep learning based face recognition," Computer Vision and Image Understanding, vol. 189, p. 102805, 2019.
[9] X. Wu, D. Sahoo, and S. C. Hoi, "Recent advances in deep learning for object detection," Neurocomputing, 2020.
[10] X. Lu, X. Kang, S. Nishide, and F. Ren, "Object detection based on SSD-ResNet," in 2019 IEEE 6th International Conference on Cloud Computing and Intelligence Systems (CCIS), 2019: IEEE, pp. 89-92.
[11] Z. Qawaqneh, A. A. Mallouh, and B. D. Barkana, "Deep convolutional neural network for age estimation based on VGGface model," arXiv preprint arXiv:1709.01664, 2017.
[12] N. S. Sanjay and A. Ahmadinia, "MobileNet-Tiny: A Deep Neural Network-Based Real-Time Object Detection for Rasberry Pi," in 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA), 2019: IEEE, pp. 647-652.
[13] K. Zhang et al., "Fine-grained age estimation in the wild with attention LSTM networks," IEEE Transactions on Circuits and Systems for Video Technology, 2019.
[14] Y. Elmir, S. A. Laouar, and L. Hamdaoui, "Deep Learning for Automatic Detection of Handguns in Video Sequences," in JERI, 2019.
[15] S. L. Fernandes and G. J. Bala, "Developing a novel technique for face liveness detection," Phys. Procedia, vol. 78, pp. 241-247, 2016.
[16] Y. Akbulut, A. Şengür, Ü. Budak, and S. Ekici, "Deep learning based face liveness detection in videos," in 2017 international artificial intelligence and data processing symposium (IDAP), 2017: IEEE, pp.1-4.
[17] N. Ramanathan and R. Chellappa, "Modeling age progression in young faces," in 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06), 2006, vol. 1: IEEE, pp. 387-394.
[18] X. Geng, Z.-H. Zhou, and K. Smith-Miles, "Automatic age estimation based on facial aging patterns," IEEE Transactions on pattern analysis and machine intelligence, vol. 29, no. 12, pp. 2234-2240, 2007.
[19] K. Scherbaum, M. Sunkel, H. P. Seidel, and V. Blanz, "Prediction of Individual NonLinear Aging Trajectories of Faces," in Computer Graphics Forum, 2007, pp. 285-294.
[20] https://www.pyimagesearch.com/2020/05/11/an-ethicalapplication- of-computer-vision-and-deep-learning-identifyingchild- soldiers-through-automatic-age-and-military-fatiguedetection.
[21] Flitton G, Breckon TP, Megherbi N. “ A comparison of 3D interest point descriptors with application to airport baggage object detection in complex CT imagery”. Pattern Recognition. 2013;46(9):2420-36.
[22] M. T. Ghazal, N. Waisi and N. Abdullah, " The Detection of Handguns from Live-Video in Real-Time Based on Deep Learning," Telkomnika, vol. 18, no. 6, pp. 3030-3036, 2020.
[23] C. Zhenzhou and D. Pengcheng, "Face recognition based on improved residual neural network," in 2019 Chinese Control And Decision Conference (CCDC), 2019: IEEE, pp. 4626-4629.
[24] H. Ling, J. Wu, L. Wu, J. Huang, J. Chen, and P. Li, "Self residual attention network for deep face recognition," IEEE Access, vol. 7, pp. 55159-55168, 2019.
[25] F. Dornaika, S. E. Bekhouche, and I. Arganda-Carreras, "Robust regression with deep CNNs for facial age estimation: An empirical study," Expert Systems with Applications, vol. 141, p. 112942, 2020.
[26] M. K. Islam and S. U. Habiba, "Human Age Estimation and Gender Classification Using Deep Convolutional Neural Network," in International Conference on Cyber Security and Computer Science, 2020: Springer, pp. 503-514.
[27] M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, "Mobilenetv2: Inverted residuals and linear bottlenecks," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 4510-4520.
[28] L. Hu and Q. Ge, "Automatic facial expression recognition based on MobileNetV2 in Real-time," in Journal of Physics: Conference Series, 2020, vol. 1549, no. 2: IOP Publishing, p. 022136.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2021-9 , nr katalogowy 133242 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-9 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2021-9

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma