Projekt részletei
FaceGate - Mesterséges intelligencián alapuló arcfelismerő biztonsági rendszer
Tokaj-Hegyalja Egyetem
Szoftverek
Kiemelt
Professzionális arcfelismeréses hozzáférés-vezérlő rendszer, amely mesterséges intelligenciát (CNN) és Arduino-alapú fizikai access control-t integrál. A rendszer képes valós idejű arcazonosításra és automatikus ajtóvezérlésre.
A FaceGate egy komplex, önállóan tanulni képes biztonsági infrastruktúra, amely a biometrikus azonosítás, valós idejű képfeldolgozás és fizikai hozzáférés-vezérlés zökkenőmentes integrációját valósítja meg. A projekt a Tokaj-Hegyalja Egyetem Robotika, Mesterséges Intelligencia és Neurális Hálózatok kurzusán készült 2025 őszén.
A rendszer alapvető működési elve a többrétegű biztonsági architektúra, amely a legmodernebb konvolúciós neurális hálózatok (CNN) alkalmazásán keresztül biztosítja a megbízható személyazonosítást. A speciálisan tervezett neurális architektúra lehetővé teszi nemcsak a statikus arcfelismerést, hanem a folyamatos tanulást és adaptációt is.
Főbb technológiai jellemzők:
- CNN-alapú arcfelismerés: Saját fejlesztésű konvolúciós neurális háló, amely 4 konvolúciós rétegből (32, 64, 128 szűrő), BatchNormalization-ból, MaxPooling-ból és Dropout-ból áll, valamint 512 és 256 neuronos teljesen összekapcsolt rétegekből
- Valós idejű adaptív döntéshozatal: Dinamikus alkalmazkodás változó környezeti feltételekhez (világítás, kameraszögek, arckifejezések)
- Arduino integráció: Intelligens aktuátorrendszer fizikai ajtóvezérléshez
- Proaktív biztonság: Ismeretlen arcok azonnali észlelése és hozzáférés megtagadása
- Folyamatos tanulás: Új arcok automatikus betanítása és modellfrissítés
Funkcionális képességek:
- Valós idejű arcfelismerés élő kamera képen
- Automatikus arc regisztráció (15 kép automatikus rögzítése)
- Időzített ajtónyitás (1-60 másodperc, alapértelmezett: 8 másodperc)
- Részletes biztonsági naplózás
- Több arc egyidejű kezelése
- Teljes körű grafikus menürendszer
Hardver követelmények:
- USB vagy beépített kamera
- Minimum 8 GB RAM (16 GB ajánlott CNN tanításhoz)
- Arduino Uno (opcionális, fizikai vezérléshez)
- GPU (opcionális, de ajánlott a gyorsabb feldolgozáshoz)
A rendszer Python 3.8+ környezetben fut, OpenCV 4.5+, TensorFlow 2.8+ és egyéb modern könyvtárak felhasználásával. A projekt kiváló példája a mesterséges intelligencia, a számítógépes látás és a fizikai rendszerek integrációjának, demonstrálva az elméleti tudás gyakorlati alkalmazását egy komplex biztonsági megoldásban.
A rendszer alapvető működési elve a többrétegű biztonsági architektúra, amely a legmodernebb konvolúciós neurális hálózatok (CNN) alkalmazásán keresztül biztosítja a megbízható személyazonosítást. A speciálisan tervezett neurális architektúra lehetővé teszi nemcsak a statikus arcfelismerést, hanem a folyamatos tanulást és adaptációt is.
Főbb technológiai jellemzők:
- CNN-alapú arcfelismerés: Saját fejlesztésű konvolúciós neurális háló, amely 4 konvolúciós rétegből (32, 64, 128 szűrő), BatchNormalization-ból, MaxPooling-ból és Dropout-ból áll, valamint 512 és 256 neuronos teljesen összekapcsolt rétegekből
- Valós idejű adaptív döntéshozatal: Dinamikus alkalmazkodás változó környezeti feltételekhez (világítás, kameraszögek, arckifejezések)
- Arduino integráció: Intelligens aktuátorrendszer fizikai ajtóvezérléshez
- Proaktív biztonság: Ismeretlen arcok azonnali észlelése és hozzáférés megtagadása
- Folyamatos tanulás: Új arcok automatikus betanítása és modellfrissítés
Funkcionális képességek:
- Valós idejű arcfelismerés élő kamera képen
- Automatikus arc regisztráció (15 kép automatikus rögzítése)
- Időzített ajtónyitás (1-60 másodperc, alapértelmezett: 8 másodperc)
- Részletes biztonsági naplózás
- Több arc egyidejű kezelése
- Teljes körű grafikus menürendszer
Hardver követelmények:
- USB vagy beépített kamera
- Minimum 8 GB RAM (16 GB ajánlott CNN tanításhoz)
- Arduino Uno (opcionális, fizikai vezérléshez)
- GPU (opcionális, de ajánlott a gyorsabb feldolgozáshoz)
A rendszer Python 3.8+ környezetben fut, OpenCV 4.5+, TensorFlow 2.8+ és egyéb modern könyvtárak felhasználásával. A projekt kiváló példája a mesterséges intelligencia, a számítógépes látás és a fizikai rendszerek integrációjának, demonstrálva az elméleti tudás gyakorlati alkalmazását egy komplex biztonsági megoldásban.
Funkciók
CNN-alapú arcfelismerés
Valós idejű feldolgozás
Arduino fizikai vezérlés
Automatikus tanulás és adaptáció
Proaktív biztonsági rendszer
Több arc egyidejű felismerése
Részletes naplózás
Időzített ajtónyitás
Grafikus menürendszer
Moduláris felépítés
Használt technológiák
Python 3.8+
TensorFlow 2.8+
OpenCV 4.5+
PyTorch
NumPy
scikit-learn
PySerial
Arduino
C++
CNN
Haar Cascade
Projekt információk
Ügyfél
Tokaj-Hegyalja Egyetem
Készült
2025. 11.
Kategória
Szoftverek
Kiemelt
Igen