Oplossing voor gezichtsherkenning: 80% nauwkeurigheid bij het identificeren van gezichten

Innowise heeft een geavanceerde gezichtsherkenningsoplossing ontwikkeld om de beveiliging te verbeteren en identificatieprocessen te stroomlijnen.

Klant

Industrie

Detailhandel

Regio

Klant sinds

2020

Onze klant is een Australische softwareontwikkeling en IT-adviesbureau gespecialiseerd in het bouwen van IT-oplossingen voor de detailhandel. Dit bedrijf heeft een indrukwekkende staat van dienst in het bedenken, ontwerpen, ontwikkelen en lanceren van een reeks digitale retailoplossingen voor verschillende productcategorieën, waaronder algemene goederen, kleding en kruidenierswaren.

Dit bedrijf is wereldwijd actief, biedt een reeks zeer schaalbare producten en bedient een gevarieerd klantenbestand, variërend van multinationale retailgiganten tot individuele winkeleigenaren.

Uitdaging

Nauwkeuriger gezichtsherkenning voor de detailhandel

Ons team werd belast met de ontwikkeling van een geavanceerd gezichtsherkenningssysteem voor de detailhandel. Het primaire doel van het project was het creëren van een schaalbare en gedistribueerde architectuur die gebruik maakt van verschillende algoritmen voor nauwkeurige gezichtsherkenning.

Een belangrijke hindernis die we tegenkwamen was de inconsistentie in de kwaliteit en kenmerken van de video-inputs en hun respectievelijke beelden. Deze inconsistentie kwam voornamelijk voort uit verschillende lichtomstandigheden en de ongelijke kwaliteit van de inputframes, wat het vermogen van het systeem om antropometrische punten en hun aangrenzende kenmerken nauwkeurig te identificeren en te analyseren belemmerde. Het overwinnen van deze uitdaging was cruciaal om de betrouwbaarheid en effectiviteit van de gezichtsherkenningsoplossing te garanderen.

De onderstaande beelden zijn ofwel niet-homogeen verlicht of wazig of "twee-in-één" - wazig en niet-homogeen tegelijk. Het is moeilijk om een bevredigend herkenningsresultaat te krijgen op basis van zulke frames.

Oplossing

Meer veiligheid en efficiëntie in de detailhandel met een gezichtsherkenningssysteem

Innowise begonnen aan een project om gezichtsherkenningssoftware op maat te ontwikkelen voor de detailhandel.

Diverse gezichtsherkenningsalgoritmen

We hebben een verzameling algoritmen voor gezichtsherkenning geïmplementeerd, zoals onbeheerde gezichtsherkenning PCA, beheerde gezichtsherkenning PCA en beheerde gezichtsherkenning eigenfaces. Deze algoritmen zijn naadloos uitwisselbaar en bieden flexibiliteit en aanpassingsvermogen om aan de specifieke eisen te voldoen.

Onbeheerde gezichtsherkenning PCA

Deze benadering maakt gebruik van principale componentenanalyse (PCA) om de belangrijkste gezichtskenmerken efficiënt te identificeren en te extraheren, waardoor het systeem gezichten onder verschillende omstandigheden beter kan herkennen.

Beheerde gezichtsherkenning PCA

Deze methode verbetert het PCA-basisraamwerk en introduceert precisiebeheer om de extractie van kenmerken te optimaliseren, waardoor betrouwbare herkenning wordt gegarandeerd, zelfs wanneer de beeldkwaliteit varieert.

Beheerde eigenfaces voor gezichtsherkenning

Door gebruik te maken van de eigenfaces-techniek, maakt het systeem gebruik van een geavanceerde selectie van eigenvectoren voor verbeterde herkenningsefficiëntie, wat vooral nuttig is bij het verwerken van grote beeldvolumes.

Verbeteringen voor beeldnauwkeurigheid en systeemprestaties

We hebben ons gericht op het verbeteren van de nauwkeurigheid van afbeeldingen en de prestaties van het systeem. Door twee OpenCV-algoritmen voor gezichtsdetectie en ooglokalisatie te implementeren, bereikten we stabiele en betrouwbare gezichtsherkenning.

We ondervonden echter problemen met de nauwkeurigheid van het algoritme voor ooglokalisatie. Daarom hebben we het systeem geconfigureerd om de middelpunten van de oogpupillen te detecteren, wat de stabiliteit van het systeem aanzienlijk verbeterde. Deze aanpassing maakte een nauwkeurigere beeldstabilisatie, rotatie en schaalnormalisatie mogelijk, terwijl beelden die onder een verkeerde hoek waren gemaakt, werden uitgefilterd.

Efficiënte beeldverwerking in batches

Om beeldverwerkingstaken te vereenvoudigen, ontwikkelde Innowise een batch beeldverwerkingsmodule. We integreerden deze module in het systeem om beelden efficiënt uit beeldreeksen, video's of camera's te extraheren. Het bespaart aanzienlijk op tijd en moeite en maakt een soepele verwerking mogelijk, zelfs bij het verwerken van grote hoeveelheden gegevens.

Integratie met een gesloten televisiecircuit (CCTV) systeem

De integratie van een gezichtsherkenningsoplossing met een gesloten televisiecircuit (CCTV)-systeem houdt in dat geavanceerde gezichtsherkenningstechnologie wordt gecombineerd met de bestaande bewakingsinfrastructuur. Deze integratie transformeert de bewakingsmogelijkheden en maakt precieze real-time identificatie van personen in winkels of magazijnen mogelijk. Een dergelijk systeem versterkt de beveiligingsmaatregelen tegen ongeautoriseerde toegang en optimaliseert het personeelsbeheer door aanwezigheid en gedrag te controleren. Deze allesomvattende aanpak zorgt voor een veiligere en efficiëntere operationele omgeving voor winkels.

Nu heeft de gezichtsherkenningsoplossing toegang tot live videofeeds van de CCTV-camera's. Het draagt bij aan de analyse van gezichten binnen de videostroom in realtime. Het draagt bij aan de analyse van gezichten van individuen binnen de videostream in realtime. De gezichtsherkenningsoplossing maakt gebruik van geavanceerde algoritmes om gezichtskenmerken te detecteren en te extraheren uit de videobeelden. Deze algoritmes analyseren de unieke kenmerken van elk gezicht, zoals de vorm van de ogen, neus en mond.

Daarnaast bevat de integratie functies zoals gezichtsherkenning, waarmee het systeem de bewegingen van een persoon in verschillende cameraweergaven kan volgen. Deze functie verbetert het situationeel bewustzijn en biedt een uitgebreid overzicht van de activiteiten van hun werknemers.

Technologieën

Back-end

.NET 3.5 SP1, C# 3.0 en Platform SDK

Cloud

AWS (Kinesis Videostreaming, EC2, EKS, ECR, S3, Glue)

DevOps

Jenkins, Nginx, Docker, Docker Compose

Machine learning

OpenCV, ONNX Runtime, Armadillo, Scikit-learn, numpy, pandas

VCS

Git, GitHub

Proces

Ons ontwikkelingsproject voor gezichtsherkenning begon met een grondige evaluatie van de vereisten van de klant. Om het ontwikkelingsproces te stroomlijnen, gebruikten we de Scrum-methodologie. Deze aanpak bestond uit dagelijkse stand-up meetings voor real-time voortgangsupdates en maandelijkse demonstraties om vorderingen te presenteren en feedback van de klant te krijgen.

We organiseerden onze workflow en documentatie met behulp van Jira en Confluence, zodat taken efficiënt konden worden bijgehouden en kennis kon worden gedeeld, terwijl Microsoft Teams diende als ons belangrijkste kanaal voor communicatie met klanten.

De kern van onze technische strategie was de integratie van geavanceerde algoritmen voor nauwkeurige gezichts- en oogdetectie. Een belangrijke innovatie was het verfijnen van het vermogen van het systeem om pupilcentra te detecteren en het verbeteren van de beeldkwaliteit door betere stabilisatie en normalisatie, wat cruciaal is voor het omgaan met het probleem van inconsistente video-invoerkwaliteit.

Dankzij deze uitgebreide Agile-benadering konden we een op maat gemaakt, goed presterend gezichtsherkenningssysteem leveren dat voldeed aan de specifieke behoeften van de klant, wat onze toewijding aan innovatie en klanttevredenheid aantoont.

Team

Bedrijfsanalist

Project
Manager

Data Wetenschapper

Back-End Ontwikkelaar

Front-End Ontwikkelaar

Resultaten

Verbeterde beveiliging en gestroomlijnde gezichtsherkenning

We bereikten een hoge mate van nauwkeurigheid bij het identificeren en onderscheiden van personen, zelfs wanneer we met minderwaardige bronnen werkten. Deze nauwkeurigheid zorgde voor een aanzienlijke verbetering van de beveiligingsmaatregelen door robuuste authenticatie, waardoor geautoriseerde personen veilig toegang kregen tot afgeschermde gebieden en systemen en onbevoegde toegang werd voorkomen. Bovendien maakte het systeem realtime bewaking via videobewakingscamera's mogelijk, waardoor beveiligingspersoneel onmiddellijk werd gedetecteerd en gewaarschuwd over onbevoegde of verdachte personen die verboden gebieden probeerden binnen te komen.

Over het geheel genomen bleek het gezichtsherkenningssysteem een zeer betrouwbare, efficiënte en veilige oplossing voor identificatie en authenticatie. De oplossing biedt voordelen in verschillende sectoren, waaronder toegangscontrole, aanwezigheidsbeheer en een verbeterde klantervaring.

Duur van het project

Mei 2020 - oktober 2020

80%

nauwkeurigheid bij het identificeren van gezichten

75%

tijdsbesparing voor verificatie door werknemers

Gerelateerde gevallen

Neem contact met ons op!

Boek een gesprek of vul het onderstaande formulier in en we nemen contact met je op zodra we je aanvraag hebben verwerkt.

Naam

Bedrijf

E-mail

Telefoon

Bericht Voeg projectgegevens alsjeblieft, duur, technische stapel, IT-professionals nodig en andere relevante informatie toe

Neem een spraakbericht over uw
project op om het ons beter te helpen begrijpen

Voeg indien nodig aanvullende documenten bij

Bestand uploaden

Je kunt maximaal 1 bestand van 2MB bijvoegen. Geldige bestanden: pdf, jpg, jpeg, png

Wij wijzen u erop dat wanneer u op de verzendknop klikt, Innowise uw persoonsgegevens verwerkt in overeenstemming met ons Privacybeleid om u van de juiste informatie te voorzien.

Wat gebeurt er nu?

Na ontvangst en verwerking van uw aanvraag, nemen wij binnenkort contact met u op om uw projectbehoeften in detail te beschrijven en een NDA te ondertekenen om de vertrouwelijkheid van informatie te garanderen.

Na het bestuderen van de vereisten, stellen onze analisten en ontwikkelaars een projectvoorstel met de omvang van de werkzaamheden, teamgrootte, tijd en kosten schattingen.

Wij regelen een ontmoeting met u om het aanbod te bespreken en tot een overeenkomst.

We tekenen een contract en beginnen zo snel mogelijk aan uw project te werken.