Chomtip PornpanomchaiSukanya PhongsuphapChittrapol Inkuna2024-02-092024-02-09200920092009Research Project (M.Sc. (Computer Science))--Mahidol University, 2009https://repository.li.mahidol.ac.th/handle/20.500.14594/96077Computer Science (Mahidol University 2009)งานวิจัยนี้เสนอระบบสำหรับการรู้จำใบหน้ามนุษย์โดยใช้ภาพบุคคลจากเจ้าหน้าที่ในสำนัก เทคโนโลยีสารสนเทศ กรมสรรพากรเพื่อพัฒนานำไปใช้กับระบบควบคุมเจ้าหน้าที่เข้า-ออก ภายในตึกสำนักเทคโนโลยีสารสนเทศ กรมสรรพากร โดยใช้เทคนิคของการประมวลผลภาพซึ่ง สามารถ แบ่งการทำงานออกเป็น 3 ขั้นตอนหลักๆ ดังนี้ 1) การเตรียมภาพบุคคลในสำนัก เทคโนโลยีสารสนเทศ กรมสรรพากร โดยเก็บคนละ 10 ภาพเพื่อใช้ในการสอนระบบ 8 ภาพ และทดสอบระบบ 2 ภาพต่อ 1 บุคคลจำนวน 100 คน และภาพของคนที่ไม่ได้อยู่ในสำนัก เทคโนโลยีสารสนเทศ คนละ 1 รูปจำนวน 20 คน ในการทดสอบกับระบบ 2) การแยกบล็อก องค์ประกอบของตา,จมูก และปาก เพื่อนำมาคำนวณค้นหาระยะห่างระหว่างอวัยวะแต่ละส่วน จำนวน 20 ส่วนที่มีค่าแตกต่างกัน 3) การรู้จำตัวเลขจากการคำนวณหาระยะห่างระหว่างอวัยวะ โดยใช้ Neural Network จากการทดลองอ่านข้อมูลบนภาพใบหน้าบุคคลในสำนักเทคโนโลยี สารสนเทศ จำนวน 200 ภาพประกอบด้วย 100 คนๆละ 2 ภาพ และอีกส่วนภาพบุคคลที่ไม่ได้ สอนให้แก่ระบบจำนวน 20 ภาพ พบว่าระบบสามารถค้นองค์ประกอบบนใบหน้ามนุษย์เพื่อ คำนวณค่าระยะห่างได้ถูกต้องเฉลี่ย 100 เปอร์เซ็นต์โดยสามารถรู้จำใบหน้าบุคคลที่ภาพในการ สอนแก่ระบบได้ถูกต้องเฉลี่ย 96.00 เปอร์เซ็นต์ (192 ภาพ จากจำนวนทั้งสิ้น 200 ภาพ) และ สามารถรู้จำใบหน้ามนุษย์ที่ไม่มีการสอนในระบบได้ถูกต้องเฉลี่ย 100 เปอร์เซ็นต์(20 ภาพ จาก จำนวนทั้งสิ้น 20 ภาพ)This research proposed a Human Face Recognition System. Images of staff of the Office of Information Technology at the Revenue Department (RD) of Thailand, were used to develop a system to control access and departure of officers at the IT office building. The system uses a technique of image processing consisting of 3 major processes: 1) preprocessing or preparation of images of the RD staff of 100 officers (10 images each, with 8 for system training and 2 for system testing). In addition, images of 20 people not working in the RD were also prepared ( 1 image each, for system testing); 2) Feature Extraction from images of eyes, ears, noses and mouths, used for a calculation of 20 Euclidean Distances between each organ; and 3) Face Recognition using a Neural Network. Based on the experimental results from reading image a total of 200 images of face staff, with 2 images of each of 100 staff, and another 20 images of people not used for system training, it was found that the system was able to extract 100% face features to calculate the Euclidean Distances. For face recognition, the findings revealed that the average accuracy rate was 96.00% (192 recognized of 200 images) for face images of those used for system training. The average accuracy rate was 100% (20 images recognized) for face images of those not included in the system training.xii, 119 leaves : ill.application/pdfengผลงานนี้เป็นลิขสิทธิ์ของมหาวิทยาลัยมหิดล ขอสงวนไว้สำหรับเพื่อการศึกษาเท่านั้น ต้องอ้างอิงแหล่งที่มา ห้ามดัดแปลงเนื้อหา และห้ามนำไปใช้เพื่อการค้าFaceFace perceptionHuman face recognition (Computer science)Master ThesisMahidol University