InvisibleSoul: l’Innovazione di InvisibleFarm nel riconoscimento facciale con Python

InvisibleFarm ha introdotto una nuova business unit dedicata all’Intelligenza Artificiale, all’interno di questa è stato sviluppato un progetto chiamato InvisibleSoul scritto interamente in Python. InvisibleSoul rappresenta una svolta nel campo del riconoscimento facciale, composto da due script fondamentali:

encode_face.py e recognize_faces_video.py.

encode_face.py: il cuore della Face Recognition

Questo script è il pilastro del meccanismo di face recognition di InvisibleSoul. Un ciclo attraverso le foto di un database, esegue la face detection con il metodo face_locations e successivamente codifica il volto trovato in un vettore di 128 dimensioni tramite il metodo face_encodings. Questi risultati vengono salvati per essere utilizzati nello script successivo.

recognize_faces_video.py: l’implementazione in tempo reale

Questo script, a differenza del precedente, è progettato per operare in tempo reale. Carica gli encodings dei volti conosciuti prodotti dallo script precedente e inizializza un flusso video dalla fotocamera del computer. Per ogni frame del video, vengono eseguite diverse operazioni, tra cui la conversione in bianco e nero, il resize del frame, la face detection e la codifica del volto. Successivamente, si confrontano i volti rilevati con quelli presenti nel database attraverso il metodo compare_faces.

Se si rileva un match su più persone diverse, il sistema seleziona quella con il numero di match maggiori, restituendo il riconoscimento solo se il numero di match supera una certa soglia prestabilita.

Tecnologie utilizzate:

• Tutti i metodi utilizzati sono presenti nella libreria face_recognition.
• Il modello di machine learning utilizzato per la face detection in encode_face.py è una Convolutional Neural Network (CNN) sviluppata da Dlib.
• Il modello di machine learning utilizzato per la face detection in recognize_faces_video.py è un caffemodel, una Deep Neural Network, sviluppato da OpenCV.

Questi script, differenziati in base ai modelli di machine learning utilizzati, dimostrano la flessibilità e l’efficienza del progetto InvisibleSoul nel soddisfare le esigenze di applicazioni in tempo reale.