#stages
20face Opdrachten

Deze stage richt zich op het onderzoeken van de praktische toepassing van twee 2D IP-camera’s als een haalbaar alternatief voor een enkele 3D IP (diepte) camera voor het uitvoeren van anti-spoofing. Momenteel gebruiken we FRAMOS D435e 3D IP-camera’s die een zeer hoge (~500Mb/s) ongecomprimeerde gegevensstroom genereren die niet schaalbaar is voor grootschalige implementaties.

We hebben al een algoritme ontwikkeld om 2x2D USB-camera’s te gebruiken voor anti-spoofing. De kern van de opdracht is het onderzoeken en oplossen van problemen bij het toepassen van deze methode met IP-camera’s. Zaken als timingproblemen, framesynchronisatie en bijbehorend afdrijven bij het gelijktijdig vastleggen van frames met beide 2D-camera’s via een netwerk.

Aanvullende doelen kunnen zijn:

• Verbetering van het 2x2D anti-spoofing algoritme door de detectie van valse gezichten te verbeteren, bijvoorbeeld door het presenteren van twee foto’s van een gezicht vanuit verschillende hoeken, met behulp van technieken zoals stereobeeldvorming.
• Verbetering van het 2x2D algoritme door methoden te ontwikkelen om nauwkeurig meerdere gezichten van beide camerabronnen te onderscheiden en te correleren. Hierdoor wordt verwarring bij gezichtsrotatie voorkomen, met behulp van technieken zoals stereobeeldvorming, bijvoorbeeld.
• Verbetering van de prestaties van stereobeeldgeneratie.
• Verbetering van de snelheid van synchronisatie en het behouden van beeldconsistentie.

Lijkt dit jou wat?
Neem contact op met [email protected]

Deze stage richt zich op de ondersteuning van onze bestaande gezichtsherkenning software op (ARM-gebaseerde) embedded systemen. Hierbij wordt de noodzaak voor duurdere x86-gebaseerde hardware, zoals Intel NUC, geëlimineerd. Het primaire doel is het verkennen en implementeren van een hardwareoplossing die onze gezichtsherkenningmodel op de chip laat draaien, waarbij de grootte, efficiëntie en prestaties van het systeem worden geoptimaliseerd.

Dit kan het volgende omvatten:

Hardware verkenning:

• Onderzoek en identificeer geschikte embedded chips die in staat zijn om ons gezichtsherkenningmodel effectief uit te voeren.
• Evalueer de compatibiliteit van TensorFlow Lite met de geselecteerde embedded chips

Optimalisatie van het gezichtsdetectiemodel:

• Pas het bestaande gezichtsdetectiemodel aan zodat het efficiënt op de chip kan draaien.
• Verken meer prestatiegerichte alternatieve gezichtsdetectiemodellen die compatibel zijn.

Optimalisatie van het gezichtsherkenningmodel:

• Pas het bestaande TensorFlow-gezichtsherkenningmodel aan, bijvoorbeeld naar TensorFlow Lite, voor efficiënte uitvoering op de chip.
• Onderzoek technieken om de modelgrootte te verminderen terwijl de nauwkeurigheid en compatibiliteit behouden blijven.

Real-time verwerking:

• Implementeer mogelijkheden voor real-time verwerking op de geselecteerde embedded hardware.
• Optimaliseer de software om gezichtsherkenningstaken naadloos binnen de beperkingen van het embedded systeem af te handelen.

Prestatiemetingen:

• Definieer en meet belangrijke prestatie-indicatoren zoals verwerkingssnelheid, nauwkeurigheid en resourcegebruik.
• Fijnafstemming van het systeem om optimale prestaties op het gekozen embedded platform te bereiken.

Lijkt dit jou wat?
Neem contact op met [email protected]