ОПТИМІЗАЦІЯ РОЗПІЗНАВАННЯ ОБЛИЧ ЗА ДОПОМОГОЮ CUDA ПРИСКОРЕНОЇ БІБЛІОТЕКИ DLIB
DOI:
https://doi.org/10.28925/2663-4023.2026.32.1154Ключові слова:
кібербезпека, комплексні системи безпеки, розпізнавання облич, dlib, CUDA, GPU прискорення, комп’ютерний зір, відеоспостереження, біометрична ідентифікація, CNN, HOG, Python, машинне навчання, оптимізація обчислень, бенчмаркінгАнотація
У даній роботі проведено комплексне дослідження ефективності методів комп’ютерного зору для задачі детекції облич на зображеннях та у відеопотоці. Основну увагу приділено порівняльному аналізу двох алгоритмів бібліотеки dlib: класичного методу на основі гістограм орієнтованих градієнтів (HOG) та сучасного методу на основі згорткових нейронних мереж (CNN). Розглянуто проблему високої обчислювальної складності нейромережевих методів та запропоновано шлях її вирішення через використання технології паралельних обчислень NVIDIA CUDA. Розроблено програмний алгоритм для бенчмаркінгу, який дозволяє в автоматичному режимі оцінювати швидкість обробки кадрів (FPS), час інференсу та стабільність детекції на різному апаратному забезпеченні. В ході експерименту доведено, що використання графічного процесора (GPU) дозволяє досягти кратного прискорення (speedup) обробки зображень при використанні CNN, забезпечуючи можливість роботи в режимі реального часу з високою точністю. Результати дослідження дозволяють визначити оптимальні конфігурації обладнання та програмного забезпечення для побудови систем відеоспостереження, контролю доступу та біометричної ідентифікації. Отримані висновки можуть бути використані при проектуванні високонавантажених систем відеоаналітики.
Завантаження
Посилання
King, D. E. (2015). Max-margin object detection. Journal of Machine Learning Research, 16, 1113–1120. https://doi.org/10.48550/arXiv.1502.00046
Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/CVPR.2005.177
Shanahan, J. G. (2020). Introduction to computer vision and real-time deep learning-based object detection. In Proceedings of the 29th ACM International Conference on Information & Knowledge Management (CIKM 2020) (pp. 3515–3516). https://doi.org/10.1145/3340531.3412177
Mozaffari, M. H. (2025). Deep learning for computer vision applications. Electronics, 14, 2874. https://doi.org/10.3390/electronics14142874
Chen, Y., Wang, S., Lin, L., Cui, Z., & Zong, Y. (2024). Computer vision and deep learning transforming image recognition and beyond. International Journal of Computer Science and Information Technology, 2(1), 45–51. https://doi.org/10.62051/ijcsit.v2n1.06
International Journal of Computer Science and Information Technology. (2023). Based on intelligent advertising recommendation and abnormal advertising monitoring system in the field of machine learning. International Journal of Computer Science and Information Technology, 1(1), 17–23. https://doi.org/10.62051/ijcsit.v1n1.03
Tan, K., et al. (2024). Integrating advanced computer vision and AI algorithms for autonomous driving systems. Journal of Theory and Practice of Engineering Science, 4(1), 41–48. https://doi.org/10.53469/jtpes.2024.04(01).06
International Journal of Computer Science and Information Technology. (2023). A deep learning-based algorithm for crop disease identification positioning using computer vision. International Journal of Computer Science and Information Technology, 1(1), 85–92. https://doi.org/10.62051/ijcsit.v1n1.12
Kuznetsov, O., Smirnov, O., Kuznetsova, T., Shaikhanova, A., & Svatowsky, I. (2025). Privacy-utility trade-offs in IoT networks: A comparative analysis of differential privacy mechanisms for sensor data aggregation. In Security and privacy of cyber-physical systems: Emerging trends, technologies and applications (pp. 589–622).
Kuznetsov, O., Smirnov, O., Akhmetov, B., Alimseitova, Z., & Imoize, A. L. (2025). Deep learning frontiers in copy-move forgery detection: Advances, challenges, and future directions. In Advancements in cybersecurity: Next-generation systems and applications (pp. 202–229). https://doi.org/10.1201/9781003546153
Al-Azzeh, J., Ayyoub, B., Mesleh, A., Smirnova, T., Gnatyuk, S., Drieiev, O., Smirnov, O., & Dorenskyi, O. (2025). Cloud-based information system for evaluating caverns in the process of blasting metal surfaces of details. International Review on Modelling and Simulations, 18(1), 32–42. https://doi.org/10.15866/iremos.v18i1.25596
Smirnov, O., Fedorov, E., Neskorodieva, A., & Neskorodieva, T. (2024). Intellectual classification method of gymnastic elements based on combinations of descriptive and generative approaches. CEUR Workshop Proceedings, 3664, 11–23.
Kuznetsov, O., Frontoni, E., Kuznetsova, Y., Smirnov, O., & Chevardin, V. (2023). Achieving enhanced security in biometric authentication: A rigorous analysis of code-based fuzzy extractor. CEUR Workshop Proceedings, 3624, 330–339.
Smirnov, O., Karapetyan, A., & Fedorov, E. (2022). Creating neural network and human-based metaheuristic methods for solving the traveling salesman problem. CEUR Workshop Proceedings, 3312, 47–58.
Smirnov, O., Neskorodieva, T., Fedorov, E., Rudakov, K., & Neskorodieva, A. (2022). Method for detecting audit data anomalies based on restricted Cauchy machine. CEUR Workshop Proceedings, 3187, 1–12.
Smirnov, O., Smirnova, T., Al-Oraiqat, A. M., Drieiev, O., Polishchuk, L., Khan, S., Hasan, M. Y., Amro, A. M., & AlRawashdeh, H. S. (2022). Method for determining treated metal surface quality using computer vision technology. Sensors, 22(16), 6223. https://doi.org/10.3390/s22166223
Lysenko, I., Minailenko, R., Smirnov, S., Buravchenko, K., Yakymenko, N., & Smirnov, O. (2025). Study of artificial intelligence tools for intelligent data analysis. Cybersecurity: Education, Science, Technique, 3(31), 227–241. https://doi.org/10.28925/2663-4023.2025.31.1022
Smirnov, O. A., Konstantynova, L. V., Konoplitska-Slobodeniuk, O. K., Kozirova, N. V., Yakymenko, N. M., Dorenskyi, O. P., & Buravchenko, K. O. (2025). Study of artificial intelligence tools for database management and data analysis. Cybersecurity: Education, Science, Technique, 3(27), 429–448. https://doi.org/10.28925/2663-4023.2025.27.763
King, D. E. (n.d.). Dlib C++ library documentation. http://dlib.net
NVIDIA. (n.d.). CUDA programming guide. https://docs.nvidia.com/cuda/
Rosebrock, A. (2017). Deep learning for computer vision with Python. PyImageSearch. https://dokumen.pub/deep-learning-for-computer-vision-with-python-starter-bundle.html
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Олексій Смірнов, Віктор Заріцкий , Костянтин Буравченко , Оксана Конопліцька-Слободенюк, Лілія Константинова , Наталія Якименко , Сергій Смірнов
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
