Attendance using Face

face_recognition_attendance_system

基本的なアプローチ

これは、教室やオフィスの出席のための顔認識システムを作ろうとする私の試みです。このシステムは、シャムネットワークとして知られる特別なタイプのCNNアーキテクチャに基づいています。このようなネットワークは、ネットワークに供給されている顔の画像が適切に揃ってトリミングされていることを考えると、非常に正確でほぼユニークな128ベクトルを生成するように訓練されています。
次に、これらの埋め込みを入力して、別の密なニューラルネットワークが訓練されます。 2番目のニューラルネットワークは、分類のみを目的としています。次に、システムによって特定された人、システムへの出席者は1によって増加します。
システムが閉じられると、すべての学生の出席からなるExcelファイルが生成されます。

deeplearning.aiから取得。
これらのビデオを見ることができます。 Andrew Ng教授は、これらのネットワークに優れた説明をしています。

埋め込みジェネレーター

Nyoki-Mtl Githubuから前払いのFacenetモデルをダウンロードしました
このネットワークは、かなり大きなデータセットで前提とされており、供給された画像が顔の領域のみにトリミングされ、同定されているため、特定の顔に一意の128次元ベクトルを生成します。このNetowrkの画像の入力サイズは160x160x3です

顔の検出

顔の検出は、opencvのhaar cascadesを使用することで痛みます。顔の検出ハーカスカードは顔を検出するために使用され、この検出された領域は埋め込み発生器に供給されます。

2番目のニューラルネット

2番目のニューラルネットワークには密なアーキテクチャがあり、分類に使用されます。 2番目のニューラルネットワークは、128次元ベクトルを入力し、顔が学生の1つになる確率を吸収します。2番目のニューラルネットワークのアーキテクチャはです。

出席の更新

使用されるデータベースはMongoDBです。 Pymongoは、レコードを追加、削除し、特定の学生の出席を増やすために使用されます。

CSVファイル生成

アプリケーションが閉じた後、Excelファイルが生成されます。このExcelファイルには、すべての学生の出席が含まれています。

要件

要件のインストール

1. OSに応じて、CMDの端末を起動します。

2. NVIDIA GPUをお持ちの場合は、TensorFlow GPUのインストールの前提条件があることを確認してください（公式サイトを参照）。次に、このコムマンドを使用します

   PIPインストール-R要件_gpu.txt

3. GPUを持っていない場合は、このコマンドを使用してください

 pip install -r requirements_cpu.txt

これらすべてとは別に、システムにMongoDBをインストールする必要があります。

自分で実行したいです

1）すべての要件をインストールします

2）引用なしで「People」という名前のフォルダーを作成します

3）generating_training_data.pyを実行すると、これが実行されると、たとえばゼロから始まるインデックスが続く人の名前を入力すると、「ravi」のデータを生成する場合、「ravi0」を書き込み、次の名前「secondname1」を書きます。次に、このすべてのフォルダーをPeopleフォルダーに入れます

4）今トレーナー。pyフォルダーの数に応じてクラスの数を変更してから、トレーナーを実行します。

5）モデルはトレーニングされます。

6）MongoDBを使用してデータベースを作成します。出席してすべての名前を入力します。これは、それによって達成される可能性があります
a）「new」という名前のデータベースを作成する
b）「PA」という名前のコレクションを作成する
c）Enterieを追加します。たとえば、db.pa.insert（{"name"： "satinder"、 "出席"：0}）

7）承認剤を開いて、データに従って辞書「A」と人々を変更します。配列「A」のキーは人のインデックスであり、データは特定のセッションで、人の出席が取得されたかどうかを示すために使用される示す変数です。

8）辞書「人」は自明です。

9）人を認識するために承認者を実行します。彼らの出席はMongoDBデータベースに登録されます。

結果

データベースの出席を更新しました

気に入った

あなたがそれを気に入ったら、あなたは私の他のレポもきっと好きになるでしょう。また、YouTubeチャンネル「Reactor Science」をご覧ください。疑問がある場合は、私のFacebookページ「Reactor Science」で私に連絡できます

参照

1）Francois CholletによるPythonによる深い学習
2）keras.io
3）CourseraによるDeeplearning.ai（Andrew Ng教授）
4）スタンフォードによるCS231N
5）pyimagesearch.com（Adrian Rosenberg）
6）ブランドンアモス（github：https：//github.com/bamos）