Skip to main content
FHEDEEN
Request information material

Bachelor Flyer Master Flyer

Contact

Sekretariat Angewandte Informatik
Tel.: 0361 / 6700-5510 sekretariat-ai@fh-erfurt.de

Besucheranschrift:

Fachhochschule Erfurt
Fakultät Gebäudetechnik und Informatik
Fachrichtung Angewandte Informatik
Altonaer Straße 25
99085 Erfurt

Prototypische Entwicklung eines intelligenten, autonomen Systems zur Lokalisierung, Klassifizierung und Identifizierung von Objekten mit spezialisiertem Hardware-Beschleuniger auf Basis eines Raspberry Pi 5

KI generierte Darstellung eines Gesichtserkennungssystems YOLOv4+DeepSORT+Raspberry pi+Hailo+face_recognition

Diese Arbeit beschäftigt sich mit der Erstellung eines autonomen Systems zur Erkennung und Identifikation von Personen durch einen Vergleich mit gespeicherten Gesichtern. Das autonome System wird auf einem Einplatinencomputer aufgebaut. Zusätzlich erfolgt die Integration und Nutzung eines Beschleunigungsgeräts. Eine Schlüsselrolle in der Entwicklung spielt der Bereich der neuronalen Netzwerke, insbesondere auf CNN basierende Ansätze, wie YOLOv4. Für die Verwendung von YOLOv4 wurde ein eigener Datensatz bereitgestellt und ein Modell trainiert. Für eine vollständige Gesichtserkennung in Echtzeit sind zusätzlich die Bibliothek face_recognition, die neuronalen Netzwerke zur Suche nach Übereinstimmungen mit bekannten Fotos verwendet, sowie das fertige Paket deepSort, das die Bewegung eines erkannten Gesichtsrahmens über dessen Koordinaten vorhersagt, eingesetzt worden. In den jeweiligen Kapiteln wird aufgezeigt, wie durch den Einsatz einstufiger Modelle zur beschleunigten Erkennung eine praktische Umsetzung auf einem Raspberry Pi 5 realisiert werden kann. Dabei wird auch untersucht, inwieweit die Erkennung in Echtzeit funktioniert und wie sie hardware-technisch beschleunigt werden kann.

This work deals with the creation of an independent system for the recognition and identification of individuals by comparing them with faces from a database and integrating it onto a single-board computer with an additional acceleration device. A key role in the development is played by the field of neural networks, specifically based on CNN. A custom dataset was developed for independent training of the YOLOv4 model. For complete real-time facial recognition, the face_recognition library, which uses neural networks to find matches with known photos, as well as the ready-made package deepSort for tracking the movement of predicted face frame coordinates, are also employed. The respective chapters demonstrate the idea and technology, showing how the use of single-stage models for accelerated recognition can be practically implemented on a Raspberry Pi 5. The thesis also examines the extent to which real-time recognition works and how it can be technically accelerated.

 

Back