Testez notre technologie de reconnaissance faciale sur la plateforme STM32H7.
Le kit MicroFace STM32H7 permet aux utilisateurs de tester les fonctionnalités de base de notre SDK de reconnaissance faciale pour les plateformes basées sur le microcontrôleur stm32h747. Nous avons optimisé nos algorithmes pour qu’ils fonctionnent sur de petites cibles embarquées avec des ressources de traitement limitées. Cette solution permet de développer des applications de reconnaissance faciale sur des systèmes embarqués, réduisant ainsi les coûts de développement.
Fonctionnalités incluses
Capture de visage
Compatible avec une large gamme de caméras des principaux fabricants, il garantit une acquisition de données biométriques polyvalente et complète.
Extraction
Extrait les caractéristiques faciales des visages détectés, produisant un modèle de visage compact pour une correspondance efficace des visages.
Reconnaissance faciale
Garantit une identification précise en comparant les visages détectés à une base de données avec des performances ultra-rapides dans les modes de recherche un-à-un et un-à-plusieurs.
Performance
Modèles d’IA optimisés.
Exécution sur des plates-formes embarquées.
Les modèles que nous développons sont optimisés pour réduire la taille de la bibliothèque et améliorer la vitesse d’exécution sur MicroFace STM32H7. Les modèles générés par nos algorithmes d’extraction sont parmi les plus petits du marché (moins de 148 octets) et l’algorithme d’appariement nécessite également très peu de ressources.
400 ms
Détection
1.2 s
Extraction
0.01 ms
Matching
Technologie reconnue.
Technologie Fiable Testée Par l’évaluation du NIST.
L’algorithme de reconnaissance faciale d’id3 Technologies a démontré un excellent compromis entre la précision, la vitesse et la taille du modèle dans le cadre de l’évaluation “Face Recognition Technology Evaluation” (FRTE) en cours au NIST. Le FRTE a été lancé par le National Institute of Standards and Technologies (NIST) en février 2017. Elle vise à mesurer les performances des technologies de reconnaissance faciale automatisée appliquées à un large éventail d’applications civiles, d’application de la loi et de sécurité intérieure, notamment la vérification des images de visas, la déduplication des passeports, la reconnaissance d’images de photojournalisme et l’identification des enfants victimes d’exploitation.
Membre Du Programme ST Partner.
Avec plus de 300 partenaires agréés, le programme ST Partner apporte aux clients une large gamme de technologies, de produits et de services avancés pour simplifier la conception de solutions de bout en bout et mieux répondre aux besoins des entreprises.
We support you at every stage of your project.
Building an algorithmic model for image processing requires many steps. It is crucial that our experts intervene at the start of the project to help qualify the data to be collected.
Understanding your needs
Begin by defining the problem you want to solve. What kind of visual data do you need to process? Is it image classification, object detection, or something else?
- Identify the specific use case and requirements.
- Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.
- Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.
Data Collection and Preprocessing
Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.
- Gather a diverse dataset of images relevant to your problem.
- Clean and preprocess the data by resizing, normalizing, and augmenting it.
- Split the dataset into training, validation, and test sets.
Feature Extraction and Representation
Extract meaningful features from the images. Common techniques include:
- SIFT (Scale-Invariant Feature Transform): Identifies local features like corners or blobs in images.
- HOG (Histogram of Oriented Gradients): Captures edge and texture information.
- CNN (Convolutional Neural Networks): Automatically learns hierarchical features.
Model Selection and Training
Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.
- Choose an appropriate model architecture (e.g., CNN, ResNet, VGG).
- Train the model using the training data.
- Optimize hyperparameters (learning rate, batch size, etc.).
Post-Processing and Deployment
Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.
- Evaluate the model’s performance on the validation set.
- Apply post-processing steps to refine the model’s predictions.
- Deploy the model in your desired environment (cloud, edge device, etc.).
Real-World Testing and Monitoring
Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed ipsum dolor sit amet, consectetur adipiscing elit.
- Test the model on real-world data.
- Monitor its performance and make adjustments as needed.
- Keep refining the model based on user feedback and new data.
Découvrez nos technologies.
Contactez nous pour en savoir plus sur nos solutions et découvrir comment elles peuvent transformer vos produits et services.
