Video surveillance is an effective method to improve public safety and privacy. Video surveillance technology has entered a stage where increasing video cameras are inexpensive but requiring open staff to evaluate the videos is expensive. The extensive researches conducted using machine learning for automatic face recognition doesn’t provide accurate results as of human evaluation. To enhance the biometric features of the security applications, automatic face recognition is used. Surveillance records incorporate various challenges for face recognition and face detection. For instance, facial recognition systems can be affected by the size of a face image, occlusion, posture, lighting conditions, and establishment, while recognition accuracy may be affected as a result of low objectives, occlusion, posture, light, and dimness. To conquer these obstacles, an effective face detection and recognition framework is proposed with optimal feature extraction methods. At first, the keyframes with face pictures are extracted using a strategy known as keyframe extraction using wavelet information. After the extraction of keyframes, the multi-angle movement feature, SURF feature, holo-entropy, and appearance features are used for feature extraction. Finally, the recognition can be done using optimal deep neural network based on the gravitational search algorithm. Therefore, the proposed method’s performance is evaluated using various benchmark video dataset. The efficiency of the proposed approach is evaluated by comparing it using sensitivity, specificity, accuracy, keyframe extraction time, etc.

中文翻译：

---

视频中遮挡人脸识别系统的基于引力搜索的最优深度神经网络

视频监控是提高公共安全和隐私的有效方法。视频监控技术已经进入一个阶段，越来越多的摄像机价格低廉，但需要开放的人员来评估视频是昂贵的。使用机器学习进行自动人脸识别的广泛研究并没有提供人类评估的准确结果。为了增强安全应用的生物特征，使用了自动人脸识别。监控记录包含了人脸识别和人脸检测的各种挑战。例如，人脸识别系统可能会受到人脸图像大小、遮挡、姿势、光照条件和设置的影响，而识别精度可能会因低目标、遮挡、姿势、光线和暗淡而受到影响。为了克服这些障碍，提出了一种具有最佳特征提取方法的有效人脸检测和识别框架。首先，使用称为使用小波信息的关键帧提取的策略来提取具有面部图片的关键帧。提取关键帧后，利用多角度运动特征、SURF特征、全息熵和外观特征进行特征提取。最后，可以使用基于引力搜索算法的最优深度神经网络进行识别。因此，使用各种基准视频数据集来评估所提出方法的性能。通过使用敏感性、特异性、准确性、关键帧提取时间等对其进行比较来评估所提出方法的效率。提出了一种具有最佳特征提取方法的有效人脸检测和识别框架。首先，使用称为使用小波信息的关键帧提取的策略来提取具有面部图片的关键帧。提取关键帧后，利用多角度运动特征、SURF特征、全息熵和外观特征进行特征提取。最后，可以使用基于引力搜索算法的最优深度神经网络进行识别。因此，使用各种基准视频数据集来评估所提出方法的性能。通过使用敏感性、特异性、准确性、关键帧提取时间等对其进行比较来评估所提出方法的效率。提出了一种具有最佳特征提取方法的有效人脸检测和识别框架。首先，使用称为使用小波信息的关键帧提取的策略来提取具有面部图片的关键帧。提取关键帧后，利用多角度运动特征、SURF特征、全息熵和外观特征进行特征提取。最后，可以使用基于引力搜索算法的最优深度神经网络进行识别。因此，使用各种基准视频数据集来评估所提出方法的性能。通过使用敏感性、特异性、准确性、关键帧提取时间等对其进行比较来评估所提出方法的效率。使用称为使用小波信息的关键帧提取的策略来提取具有面部图片的关键帧。提取关键帧后，利用多角度运动特征、SURF特征、全息熵和外观特征进行特征提取。最后，可以使用基于引力搜索算法的最优深度神经网络进行识别。因此，使用各种基准视频数据集来评估所提出方法的性能。通过使用敏感性、特异性、准确性、关键帧提取时间等对其进行比较来评估所提出方法的效率。使用称为使用小波信息的关键帧提取的策略来提取具有面部图片的关键帧。提取关键帧后，利用多角度运动特征、SURF特征、全息熵和外观特征进行特征提取。最后，可以使用基于引力搜索算法的最优深度神经网络进行识别。因此，使用各种基准视频数据集来评估所提出方法的性能。通过使用敏感性、特异性、准确性、关键帧提取时间等对其进行比较来评估所提出方法的效率。识别可以使用基于引力搜索算法的最优深度神经网络来完成。因此，使用各种基准视频数据集来评估所提出方法的性能。通过使用敏感性、特异性、准确性、关键帧提取时间等对其进行比较来评估所提出方法的效率。识别可以使用基于引力搜索算法的最优深度神经网络来完成。因此，使用各种基准视频数据集来评估所提出方法的性能。通过使用敏感性、特异性、准确性、关键帧提取时间等对其进行比较来评估所提出方法的效率。