الفهرس 
Chapter (1) IntroductionOnly 14 pages are availabe for public view
 |  | from | 148 |  |  |
| | | from | 148 | | |
Abstract
في العقد الماضي، زادت الحاجة إلى نموذج القياسات الحيوية غير المتصل للتعرف على الأشخاص من مشيتهم، خاصة بعد ظهور جائحة COVID 19 وانتشاره في جميع أنحاء العالم. تقدم هذه الدراسة ثلاثة نماذج مقترحة تستند إلى تقنيات التعلم العميق (DL) التي تضمن مصادقة بشرية سريعة وآمنة ودقيقة عبر دراسات خالية من النماذج ومستندة إلى النماذج وذلك يتم عن طريق استخراج مجموعات بيانات صورة المشية من مقاطع فيديو المراقبة وفصلها من الخلفية، وتحسينها، وزيادة عددها باستخدام شبكة الخصومة التوليدية GAN، ومن ثم تم تقديم النموذج الأول المقترح المستند إلى بنية الشبكة العصبية التلافيفية العميقة (DCNN) لتحديد صور المشية بناءً على أسلوب المشي الخاص بهم وتطبيقه أيضًا على النماذج المتاحة مسبقًا، بما في ذلك مجموعات LeNet وAlexNet وVGG وInception وXception لقياس متانة النموذج المقترح. سجلت دقة هذا النموذج حوالي 99.9 ٪ لكل من مجموعات بيانات CASIA وOU-ISIR و99.8 ٪ لمجموعة بيانات OU-MVLP، مع الأخذ في الاعتبار وقت تدريب منخفض بشكل واضح يبلغ حوالي 3 دقائق. اعتمد النموذج الثاني على اختيار أفضل السمات باستخدام نماذج تحسين مختلفة، بما في ذلك تحسين الجسيمات (PSO)، وتحسين الذئب الرمادي (GWO)، والخوارزمية الجينية (GA)، ثم التعرف عليها باستخدام نموذج DNN المقترح وسجل دقة 99.46٪ و99.09٪ في تحديد مجموعات البيانات casia-B وOU-ISIR، على التوالي. يعتمد النموذج الأخير في هذه الدراسة على استخراج الأشكال ثلاثية الأبعاد والمفاصل والأطراف ومسافات المفاصل الثابتة وفقًا للنموذج القائم على النموذج، ثم صياغتها في إطار البيانات ودمجها مع سمات خالية من النماذج. ثم التعرف عليها من خلال نموذج الشبكة العصبية العميقة (DNN) المقترح، سجل هذا النموذج دقة تبلغ 99.8٪ و99.6٪ في تحديد مجموعات بيانات casia-B وcasia-A، على التوالي. علاوة على ذلك، تم استخدام العديد من مقاييس الأداء، مثل الدقة والنوعية والحساسية والمعدل السلبي الكاذب (FNR) ووقت التدريب، للنماذج الثلاثة المقترحة ومقارنتها بأحدث الدراسات لقياس كفاءة النماذج المقترحة.