A Low-Cost Raspberry Pi-based System for Facial Recognition

Vista sencilla de ítem
dc.citation.epage95
dc.citation.issue34
dc.citation.journalTitleIngeniería y Cienciaeng
dc.citation.spage77
dc.citation.volume17
dc.contributor.affiliationUniversidad Industrial de Santaderspa
dc.contributor.affiliationUniversidad Industrial de Santanderspa
dc.contributor.affiliationInstituto Nacional de Astrofísica, Óptica y Electrónicaspa
dc.contributor.affiliationUniversidad Industrial de Santanderspa
dc.contributor.authorMiranda Orostegui, Cristianspa
dc.contributor.authorNavarro Luna, Alejandrospa
dc.contributor.authorManjarés García, Alejandrospa
dc.contributor.authorFajardo Ariza, Carlos Augustospa
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.date2021-12-01
dc.date.accessioned2022-03-23T16:59:34Z
dc.date.available2022-03-23T16:59:34Z
dc.date.issued2021-12-01
dc.description.abstractDeep learning has become increasingly popular and widely applied to computer vision systems. Over the years, researchers have developed various deep learning architectures to solve different kinds of problems. However, these networks are power-hungry and require high-performance computing (i.e., GPU, TPU, etc.) to run appropriately. Moving computation to the cloud may result in traffic, latency, and privacy issues. Edge computing can solve these challenges by moving the computing closer to the edge where the data is generated. One major challenge is to fit the high resource demands of deep learning in less powerful edge computing devices. In this research, we present an implementation of an embedded facial recognition system on a low cost Raspberry Pi, which is based on the FaceNet architecture. For this implementation it was required the development of a library in C++, which allows the deployment of the inference of the Neural Network Architecture. The system had an accuracy and precision of 77.38% and 81.25%, respectively. The time of execution of the program is 11 seconds and it consumes 46 [kB] of RAM. The resulting system could be utilized as a stand-alone access control system. The implemented model and library are released at https://github.com/cristianMiranda-Oro/FaceNet_EmbeddedSystemeng
dc.description.abstractEl aprendizaje profundo se ha vuelto cada vez más popular y se aplica ampliamente a los sistemas de visión por computadora. A lo largo de los años, los investigadores han desarrollado varias arquitecturas de aprendizaje profundo para resolver diferentes tipos de problemas. Sin embargo, estas redes consumen mucha energía y requieren computación de alto rendimiento (es decir, GPU, TPU, etc.) para funcionar correctamente. Mover la computación a la nube puede resultar en problemas de tráfico, latencia y privacidad. La computación en el borde puede resolver estos desafíos, pues permite acercar el proceso de computación al lugar donde se generan los datos. Un desafío importante es adaptar las altas demandas de recursos del aprendizaje profundo a dispositivos de computación de borde menos potentes. En esta investigación, presentamos una implementación de un sistema de reconocimiento facial integrado en una Raspberry Pi de bajo costo, la cual está basada en la red FaceNet. Esta implementación requirió el desarrollo de una biblioteca en C++ que puede describir la inferencia de la arquitectura de la red neuronal FaceNet. El sistema tuvo una exactitud y precisión de 77.38% y del 81.25 %,  respectivamente. El tiempo de ejecución de cada inferencia es de 11 segundos y consume 46 [kB] de RAM. El sistema resultante podría utilizarse como un sistema de control de acceso independiente. El modelo y la librería implementados están disponibles en https://github.com/cristianMiranda-Oro/FaceNet_EmbeddedSystem.spa
dc.formatapplication/pdf
dc.identifier.issn1794-9165
dc.identifier.issn2256-4314
dc.identifier.urihttp://hdl.handle.net/10784/31020
dc.language.isoeng
dc.publisherUniversidad EAFITspa
dc.relation.isversionofhttps://publicaciones.eafit.edu.co/index.php/ingciencia/article/view/6996
dc.relation.urihttps://publicaciones.eafit.edu.co/index.php/ingciencia/article/view/6996
dc.rightsCopyright © 2021 Cristian Miranda Orostegui, Alejandro Navarro Luna, Andrés Manjarrés García, Carlos Augusto Fajardo Arizaeng
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.localAcceso abiertospa
dc.sourceIngeniería y Ciencia, Vol. 17, Núm. 34 (2021)spa
dc.subject.keywordDeep learningeng
dc.subject.keywordfacial recognitioneng
dc.subject.keywordembedded systemseng
dc.subject.keywordFaceNeteng
dc.subject.keywordGoogLeNeteng
dc.subject.keywordLabeled Faces in the Wildeng
dc.subject.keywordDeep learningspa
dc.subject.keywordreconocimiento facialspa
dc.subject.keywordsistemas embebidosspa
dc.subject.keywordsystemsFaceNetspa
dc.subject.keywordFaceNetGoogLeNetspa
dc.subject.keywordLabeled Faces in the Wildspa
dc.titleA Low-Cost Raspberry Pi-based System for Facial Recognitioneng
dc.titleSistema de reconocimiento facial sin reentrenamiento para nuevos usuariosspa
dc.typeinfo:eu-repo/semantics/articleeng
dc.typearticleeng
dc.typeinfo:eu-repo/semantics/publishedVersioneng
dc.typepublishedVersioneng
dc.type.localArtículospa

Archivos

Bloque original
Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
A Low-Cost Raspberry.pdf
Tamaño:
1.06 MB
Formato:
Adobe Portable Document Format
Descripción:
Texto completo PDF
Descargar
No hay miniatura disponible
Nombre:
A Low-Cost Raspberry Pi-based.html
Tamaño:
292 B
Formato:
Hypertext Markup Language
Descripción:
Texto completo HTML
Descargar

Colecciones

Ingeniería y Ciencia, Vol. 17, Núm. 34 (2021)