Gesichtserkennung in einer unbeschränkten und Echtzeitumgebung unter Verwendung neuartiger BMC-LBPH-Methoden in Verbindung mit dem DJI-Visionssensor

Die Gesichtserkennung (FR) in einer unbeschränkten Umgebung, wie z.B. bei schwachem Licht, Beleuchtungsvariationen und schlechtem Wetter, ist sehr herausfordernd und erfordert weiterhin intensive weitere Studien. Zuvor wurden zahlreiche Experimente zur FR in einer unbeschränkten Umgebung mit Eigenface-, Fisherface- und Local Binary Pattern Histogram (LBPH)-Algorithmen bewertet. Das Ergebnis zeigt, dass die LBPH-FR im Vergleich zu anderen die optimale ist, da sie in verschiedenen Lichtbedingungen robust ist. Allerdings wurde kein spezifisches Experiment durchgeführt, um die besten Einstellungen von vier Parametern der LBPH – Radius, Nachbarn, Gitter und den Schwellenwert – für FR-Techniken in Bezug auf Genauigkeit und Rechenzeit zu identifizieren. Darüber hinaus wird die Gesamtleistung von LBPH in unbeschränkten Umgebungen häufig unterschätzt. Daher wurde in dieser Arbeit ein tiefgehendes Experiment durchgeführt, um die vier LBPH-Parameter unter Verwendung von zwei Gesichtsdataseten: der Lamar University-Datenbank (LUDB) und dem 5celebrity-Datensatz zu evaluieren, und eine neuartige Bilateral Median Convolution-Local Binary Pattern Histogram (BMC-LBPH)-Methode wurde vorgeschlagen und in Echtzeit bei Regenwetter mit einem unbemannten Luftfahrzeug (UAV) unter Verwendung von 4 Sensorsystemen untersucht. Die experimentellen Ergebnisse zeigten, dass die vorgeschlagenen BMC-LBPH-FR-Techniken die traditionellen LBPH-Methoden übertrafen, indem sie eine Genauigkeit von 65 %, 98 % und 78 % im 5celebrity-Datensatz, LU-Datensatz und bei Regenwetter erreichten. Letztlich bietet die vorgeschlagene Methode eine vielversprechende Lösung für die Gesichtserkennung unter Verwendung von UAV.