Lösning för ansiktsigenkänning: 80% noggrannhet vid identifiering av ansikten

Innowise har utvecklat en avancerad lösning för ansiktsigenkänning för att förbättra säkerheten och effektivisera identifieringsprocesserna.

Kund

Industri

Detaljhandel

Region

Kund sedan

2020

Vår kund är ett australiensiskt mjukvaruutveckling och IT-konsultföretag som specialiserat sig på att bygga IT-lösningar för detaljhandeln. Företaget har en imponerande meritlista med konceptualisering, design, utveckling och lansering av en rad digitala detaljhandelslösningar för olika produktkategorier, inklusive allmänna varor, kläder och dagligvaror.

Det globala företaget erbjuder en rad mycket skalbara produkter och har en bred kundbas, som sträcker sig från multinationella detaljhandelsjättar till enskilda butiksägare.

Utmaning

Förbättrad noggrannhet för ansiktsigenkänning inom detaljhandeln

Vårt team fick i uppdrag att utveckla ett banbrytande ansiktsigenkänningssystem för detaljhandeln. Projektets primära mål var att skapa en skalbar och distribuerad arkitektur som använde olika algoritmer för exakt ansiktsigenkänning.

Ett betydande hinder som vi stötte på var den ojämna kvaliteten och egenskaperna hos videoinmatningarna och deras respektive bilder. Denna inkonsekvens berodde främst på varierande ljusförhållanden och den ojämna kvaliteten på de ingående bilderna, vilket hindrade systemets förmåga att identifiera och analysera antropometriska punkter och deras intilliggande funktioner på ett korrekt sätt. Att övervinna denna utmaning var avgörande för att säkerställa tillförlitligheten och effektiviteten hos lösningen för ansiktsigenkänning.

De bilder som presenteras nedan är antingen icke-homogent belysta eller suddiga eller "två-i-ett" - suddiga och icke-homogent belysta på en och samma gång. Det är komplicerat att få ett tillfredsställande igenkänningsresultat på grundval av sådana bilder.

Lösning

Öka säkerheten och effektiviteten i detaljhandeln med ett system för ansiktsigenkänning

Innowise påbörjade ett projekt för att utveckla en skräddarsydd programvara för ansiktsigenkänning för detaljhandeln.

Olika algoritmer för ansiktsigenkänning

Vi har implementerat en samling algoritmer för ansiktsigenkänning, t.ex. PCA för ohanterad ansiktsigenkänning, PCA för hanterad ansiktsigenkänning och eigenfaces för hanterad ansiktsigenkänning. Dessa algoritmer är sömlöst utbytbara och erbjuder flexibilitet och anpassningsförmåga för att uppfylla de specifika kraven.

Ohanterad ansiktsigenkänning PCA

Denna metod använder principalkomponentanalys (PCA) för att effektivt identifiera och extrahera viktiga ansiktsdrag, vilket förbättrar systemets förmåga att känna igen ansikten under olika förhållanden.

Hanterad ansiktsigenkänning PCA

Denna metod förbättrar det grundläggande PCA-ramverket och introducerar precisionshantering för att optimera extrahering av funktioner, vilket säkerställer tillförlitlig igenkänning även när bildkvaliteten varierar.

Hanterad ansiktsigenkänning eigenfaces

Systemet utnyttjar tekniken med egenytor och använder ett sofistikerat urval av egenvektorer för att förbättra igenkänningseffektiviteten, vilket är särskilt användbart vid bearbetning av stora bildvolymer.

Förbättringar av bildprecision och systemprestanda

Vi fokuserade på att förbättra bildernas noggrannhet och systemets prestanda. Genom att implementera två OpenCV-algoritmer för ansiktsigenkänning och ögonlokalisering uppnådde vi en stabil och tillförlitlig ansiktsigenkänning.

Vi stötte dock på problem med ögonlokaliseringsalgoritmens noggrannhet. Därför konfigurerade vi systemet för att detektera mitten av ögonpupillerna, vilket avsevärt förbättrade systemets stabilitet. Denna justering möjliggjorde en mer exakt bildstabilisering, rotation och skalnormalisering samtidigt som bilder som tagits i felaktiga vinklar filtrerades bort.

Effektiv bildbehandling i batch

För att förenkla bildbehandlingen har Innowise utvecklat en modul för batchbaserad bildbehandling. Vi integrerade sedan denna modul i systemet för att möjliggöra effektiv extrahering av bilder från bildserier, videor eller kameror. Det sparar mycket tid och arbete och möjliggör smidig drift även vid hantering av stora datamängder.

Integration med ett CCTV-system (closed-circuit television)

Integrationen av en lösning för ansiktsigenkänning med ett CCTV-system (closed-circuit television) innebär att avancerad teknik för ansiktsigenkänning kombineras med den befintliga övervakningsinfrastrukturen. Integrationen förändrar övervakningsmöjligheterna och möjliggör exakt identifiering i realtid av personer i butiker eller lager. Ett sådant system förstärker säkerhetsåtgärderna mot obehörig åtkomst och optimerar personalhanteringen genom att övervaka närvaro och beteende. Denna heltäckande strategi säkerställer en säkrare och mer effektiv driftsmiljö för detaljhandeln.

Nu kan lösningen för ansiktsigenkänning få tillgång till livevideoflöden från CCTV-kamerorna. Det bidrar till analysen av individers ansikten i videoströmmen i realtid. Lösningen för ansiktsigenkänning använder sofistikerade algoritmer för att upptäcka och extrahera ansiktsdrag från videofilmerna. Dessa algoritmer analyserar de unika egenskaperna hos varje ansikte, t.ex. formen på ögon, näsa och mun.

Integrationen omfattar dessutom funktioner som ansiktsspårning, vilket gör att systemet kan följa en persons rörelser i olika kameravyer. Denna funktion förbättrar situationsmedvetenheten och ger en heltäckande översikt över de anställdas aktiviteter.

Teknik

Back-end

.NET 3.5 SP1, C# 3.0 och plattforms-SDK

Cloud

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

DevOps

Jenkins, Nginx, Docker, Docker Compose

Maskininlärning

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

VCS

Git, GitHub

Process

Vårt utvecklingsprojekt för ansiktsigenkänning inleddes med en grundlig utvärdering av kundens krav. För att effektivisera utvecklingsprocessen använde vi oss av Scrum-metoden. Denna metod innebar dagliga stand-up-möten för uppdateringar i realtid och månatliga demonstrationer för att presentera framsteg och be om feedback från kunden.

Vi organiserade vårt arbetsflöde och vår dokumentation med hjälp av Jira och Confluence för att säkerställa effektiv uppgiftsspårning och kunskapsdelning, medan Microsoft Teams fungerade som vår huvudkanal för kundkommunikation.

Kärnan i vår tekniska strategi var att integrera avancerade algoritmer för exakt ansikts- och ögonavkänning. En viktig innovation var att förfina systemets förmåga att upptäcka pupillcentrum och förbättra bildkvaliteten genom bättre stabilisering och normalisering, vilket är avgörande för att hantera problemet med inkonsekvent videoinmatningskvalitet.

Denna omfattande Agile-metod gjorde det möjligt för oss att leverera ett skräddarsytt, högpresterande ansiktsigenkänningssystem som uppfyllde kundens specifika behov, vilket visar vårt engagemang för innovation och kundnöjdhet.

Team

Affärsanalytiker

Projektledare

Datavetare

Back-End-utvecklare

Front-end-utvecklare

Resultat

Förbättrad säkerhet och förenklad ansiktsidentifiering

Vi uppnådde en hög grad av noggrannhet när det gäller att identifiera och särskilja individer, även när vi arbetade med sämre källor. Denna noggrannhet förbättrade säkerhetsåtgärderna avsevärt genom robust autentisering, vilket gav behöriga personer säker tillgång till begränsade områden och system och förhindrade obehörigt tillträde. Dessutom möjliggjorde systemet realtidsövervakning via videoövervakningskameror, vilket snabbt upptäckte och varnade säkerhetspersonal om obehöriga eller misstänkta personer försökte ta sig in på begränsade områden.

Sammantaget visade sig ansiktsigenkänningssystemet vara en mycket tillförlitlig, effektiv och säker lösning för identifiering och autentisering. Lösningen ger fördelar inom olika sektorer, inklusive åtkomstkontroll, närvarohantering och förbättrad kundupplevelse.

Projektets löptid

Maj 2020 - oktober 2020

80%

noggrannhet vid identifiering av ansikten

75%

tidsbesparing för kontroll av anställda

Relaterade fall

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

Namn

Företag

E-post

Telefon

Meddelande Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information

Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre

Bifoga ytterligare dokument vid behov

Ladda upp filen

Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

Vad händer härnäst?

Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.

Lösning för ansiktsigenkänning: 80% noggrannhet vid identifiering av ansikten

Kund

Utmaning

Förbättrad noggrannhet för ansiktsigenkänning inom detaljhandeln

Lösning