Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UPF |
Texto Completo: | http://repositorio.upf.br/handle/riupf/2084 |
Resumo: | Avanços no campo de detecção e identificação facial efetivamente passam pela criação de modelos que permitam a extração automática de representações úteis em imagens. Neste contexto, este trabalho procurou explorar modelos de inteligência artificial, capazes de extrair milhões e até bilhões de representações em imagens contendo características faciais. O modelo desenvolvido neste trabalho consistiu em uma rede neural siamesa, formada por um par de redes neurais convolucionais idênticas utilizadas para calcular a diferença entre imagens. O modelo foi desenvolvido através da biblioteca TensorFlow, recentemente lançada pelo Google, e foi treinado com aproximadamente 700.000 imagens. Foi possível obter 84,78% de acurácia no conjunto de dados MUCT. Porém, como a aplicação específica para este trabalho consistiu em habilitar o acesso de usuários em um ambiente restrito, mediante registro prévio, para um sistema em tempo real, também procurou-se utilizar uma rede neural pré-treinada, que consistiu em uma implementação do modelo ResNet treinado com 3 milhões de imagens, disponível em uma biblioteca para a linguagem de programação Python denominada Face Recognition. Através deste método, foi possível obter 97,81% de acurácia no conjunto de dados MUCT. Portanto, foram apresentadas duas abordagens diferentes referentes à identificação facial, e utilizando-se do microcomputador Raspberry Pi, este projeto resultou na simulação do acesso de diferentes indivíduos em um ambiente controlado, através da pesquisa e do desenvolvimento de redes neurais com aplicações em visão computacional e reconhecimento facial. |
id |
UPF_1b20fb1d8ed00631fbc5af31cdd67854 |
---|---|
oai_identifier_str |
oai:localhost:riupf/2084 |
network_acronym_str |
UPF |
network_name_str |
Repositório Institucional da UPF |
repository_id_str |
1610 |
spelling |
2021-11-23T22:17:58Z2021-11-232021-11-23T22:17:58Z2019-12-12SALLA, Reinaldo Borges. Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de redes neurais. 2019. 78 f.Trabalho Final de Graduação (Engenheiro Eletricista). Curso de Engenharia Elétrica. Universidade de Passo Fundo, Passo Fundo, 2019.http://repositorio.upf.br/handle/riupf/2084Avanços no campo de detecção e identificação facial efetivamente passam pela criação de modelos que permitam a extração automática de representações úteis em imagens. Neste contexto, este trabalho procurou explorar modelos de inteligência artificial, capazes de extrair milhões e até bilhões de representações em imagens contendo características faciais. O modelo desenvolvido neste trabalho consistiu em uma rede neural siamesa, formada por um par de redes neurais convolucionais idênticas utilizadas para calcular a diferença entre imagens. O modelo foi desenvolvido através da biblioteca TensorFlow, recentemente lançada pelo Google, e foi treinado com aproximadamente 700.000 imagens. Foi possível obter 84,78% de acurácia no conjunto de dados MUCT. Porém, como a aplicação específica para este trabalho consistiu em habilitar o acesso de usuários em um ambiente restrito, mediante registro prévio, para um sistema em tempo real, também procurou-se utilizar uma rede neural pré-treinada, que consistiu em uma implementação do modelo ResNet treinado com 3 milhões de imagens, disponível em uma biblioteca para a linguagem de programação Python denominada Face Recognition. Através deste método, foi possível obter 97,81% de acurácia no conjunto de dados MUCT. Portanto, foram apresentadas duas abordagens diferentes referentes à identificação facial, e utilizando-se do microcomputador Raspberry Pi, este projeto resultou na simulação do acesso de diferentes indivíduos em um ambiente controlado, através da pesquisa e do desenvolvimento de redes neurais com aplicações em visão computacional e reconhecimento facial.Advances in the field of facial identification and facial detection effectively go through the creation of models that allow the automatic extraction of useful representations in images. In this context, this work intended to explore models of artificial intelligence, that promote the extraction of millions and even billions of representations in images containing facial characteristics. The model developed in this work consisted in a siamese neural network, formed by a pair of identical convolutional neural networks used to calculate the difference between images. The model was developed through the TensorFlow library, recently released by Google, and it was trained with approximately 700,000 images. It was possible to obtain 84.78% accuracy in the MUCT dataset. However, as the specific application for this work consisted in enabling the access of users in a restricted environment, upon previous registration, for a real time system, this projects also sought to use a pretrained neural network, which consisted in a implementation of the ResNet model, trained with 3 million images, available in a library for the Python programming language called Face Recognition. Through this method, it was possible to reach a 97.81% accuracy on the MUCT dataset. Thus, it was presented two different approaches for facial identification, and using the Raspberry Pi microcomputer, this project resulted in the simulating of the access of different individuals in a controlled environment, through the research and the development of neural networks with applications in computer vision and facial recognition.Submitted by Aline Rezende (alinerezende@upf.br) on 2021-11-23T22:17:58Z No. of bitstreams: 1 PF2019ReinaldoBorgesSalla.pdf: 3025630 bytes, checksum: 9a47f40404ac52b98c146ef4441ea411 (MD5)Made available in DSpace on 2021-11-23T22:17:58Z (GMT). No. of bitstreams: 1 PF2019ReinaldoBorgesSalla.pdf: 3025630 bytes, checksum: 9a47f40404ac52b98c146ef4441ea411 (MD5) Previous issue date: 2019-12-12porUniversidade de Passo FundoUPFBrasilFaculdade de Engenharia e Arquitetura - FEAREngenharia ElétricaInteligência artificialRede neural SiamesaRedes neurais convolucionaisTensorFlowResNetVisão computacionalReconhecimento facialPythonSistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neuraisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisToazza, Adriano LuisBorges Salla, Reinaldoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UPFinstname:Universidade de Passo Fundo (UPF)instacron:UPFLICENSElicense.txtlicense.txttext/plain; charset=utf-81855http://localhost:8080/bitstream/riupf/2084/2/license.txtf4e65a66a9c78bf84e99c734afe49b4cMD52ORIGINALPF2019ReinaldoBorgesSalla.pdfPF2019ReinaldoBorgesSalla.pdfTrabalho Final de Graduaçãoapplication/pdf3025630http://localhost:8080/bitstream/riupf/2084/1/PF2019ReinaldoBorgesSalla.pdf9a47f40404ac52b98c146ef4441ea411MD51riupf/20842022-02-16 17:53:12.373oai:localhost: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Repositório InstitucionalPRIhttp://repositorio.upf.br/oai/requestopendoar:16102022-02-16T19:53:12Repositório Institucional da UPF - Universidade de Passo Fundo (UPF)false |
dc.title.pt_BR.fl_str_mv |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais |
title |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais |
spellingShingle |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais Borges Salla, Reinaldo Engenharia Elétrica Inteligência artificial Rede neural Siamesa Redes neurais convolucionais TensorFlow ResNet Visão computacional Reconhecimento facial Python |
title_short |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais |
title_full |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais |
title_fullStr |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais |
title_full_unstemmed |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais |
title_sort |
Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de Redes Neurais |
author |
Borges Salla, Reinaldo |
author_facet |
Borges Salla, Reinaldo |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Toazza, Adriano Luis |
dc.contributor.author.fl_str_mv |
Borges Salla, Reinaldo |
contributor_str_mv |
Toazza, Adriano Luis |
dc.subject.por.fl_str_mv |
Engenharia Elétrica Inteligência artificial Rede neural Siamesa Redes neurais convolucionais TensorFlow ResNet Visão computacional Reconhecimento facial Python |
topic |
Engenharia Elétrica Inteligência artificial Rede neural Siamesa Redes neurais convolucionais TensorFlow ResNet Visão computacional Reconhecimento facial Python |
description |
Avanços no campo de detecção e identificação facial efetivamente passam pela criação de modelos que permitam a extração automática de representações úteis em imagens. Neste contexto, este trabalho procurou explorar modelos de inteligência artificial, capazes de extrair milhões e até bilhões de representações em imagens contendo características faciais. O modelo desenvolvido neste trabalho consistiu em uma rede neural siamesa, formada por um par de redes neurais convolucionais idênticas utilizadas para calcular a diferença entre imagens. O modelo foi desenvolvido através da biblioteca TensorFlow, recentemente lançada pelo Google, e foi treinado com aproximadamente 700.000 imagens. Foi possível obter 84,78% de acurácia no conjunto de dados MUCT. Porém, como a aplicação específica para este trabalho consistiu em habilitar o acesso de usuários em um ambiente restrito, mediante registro prévio, para um sistema em tempo real, também procurou-se utilizar uma rede neural pré-treinada, que consistiu em uma implementação do modelo ResNet treinado com 3 milhões de imagens, disponível em uma biblioteca para a linguagem de programação Python denominada Face Recognition. Através deste método, foi possível obter 97,81% de acurácia no conjunto de dados MUCT. Portanto, foram apresentadas duas abordagens diferentes referentes à identificação facial, e utilizando-se do microcomputador Raspberry Pi, este projeto resultou na simulação do acesso de diferentes indivíduos em um ambiente controlado, através da pesquisa e do desenvolvimento de redes neurais com aplicações em visão computacional e reconhecimento facial. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-12-12 |
dc.date.accessioned.fl_str_mv |
2021-11-23T22:17:58Z |
dc.date.available.fl_str_mv |
2021-11-23 2021-11-23T22:17:58Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SALLA, Reinaldo Borges. Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de redes neurais. 2019. 78 f.Trabalho Final de Graduação (Engenheiro Eletricista). Curso de Engenharia Elétrica. Universidade de Passo Fundo, Passo Fundo, 2019. |
dc.identifier.uri.fl_str_mv |
http://repositorio.upf.br/handle/riupf/2084 |
identifier_str_mv |
SALLA, Reinaldo Borges. Sistema para Controle de acesso em ambientes restritos utilizando reconhecimento facial através de redes neurais. 2019. 78 f.Trabalho Final de Graduação (Engenheiro Eletricista). Curso de Engenharia Elétrica. Universidade de Passo Fundo, Passo Fundo, 2019. |
url |
http://repositorio.upf.br/handle/riupf/2084 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade de Passo Fundo |
dc.publisher.initials.fl_str_mv |
UPF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia e Arquitetura - FEAR |
publisher.none.fl_str_mv |
Universidade de Passo Fundo |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UPF instname:Universidade de Passo Fundo (UPF) instacron:UPF |
instname_str |
Universidade de Passo Fundo (UPF) |
instacron_str |
UPF |
institution |
UPF |
reponame_str |
Repositório Institucional da UPF |
collection |
Repositório Institucional da UPF |
bitstream.url.fl_str_mv |
http://localhost:8080/bitstream/riupf/2084/2/license.txt http://localhost:8080/bitstream/riupf/2084/1/PF2019ReinaldoBorgesSalla.pdf |
bitstream.checksum.fl_str_mv |
f4e65a66a9c78bf84e99c734afe49b4c 9a47f40404ac52b98c146ef4441ea411 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UPF - Universidade de Passo Fundo (UPF) |
repository.mail.fl_str_mv |
|
_version_ |
1798492624443670528 |