Este proyecto fue desarrollado durante la 2da edición de Saturdays.AI Guadalajara
Proyecto para el reconocimiento de huellas de cuerpos postmortem y validación de huella dentro de base de datos mysql.
Usar entorno virtual con python 3.7, Linux Ubuntu.
- numpy
- matplotlib
- keras
- sklearn
- imgaug
- pymysql
- paramiko
- sshtunnel
- PIL
- Agregar variables de entorno para conexion con instancia de base de datos mysql:
export SQL_HOSTNAME=<>
export SQL_USERNAME=<>
export SQL_PASSWORD=<>
export DB=<>
export DB_PORT=<>
export SSH_HOST=<>
export SSH_USER=<>
export SSH_PORT=<>-
Se establece el path cambiando la linea 14 de train_fingerprint.py
-
En fingerprint_db se cambia linea 31 y 38 con la tabla correspondiente.
-
Cambiar el nombre de las columnas en las querys
-
Conexión:
python fingerprint_db.py - Entrenamiento:
python train_fingerprint.pyEl modelo es una red neuronal convulocional que se entrno con 1k imagenes reales y 3k generados de forma aumentada. La base de datos no es de uso público y es necesario que el dataset que se utilice tenga el formato wsq.
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_4 (InputLayer) (None, 90, 90, 1) 0
__________________________________
input_5 (InputLayer) (None, 90, 90, 1) 0
__________________________________
model_3 (Model) (None, 22, 22, 32) 9568 input_4[0][0]
input_5[0][0]
__________________________________
subtract_2 (Subtract) (None, 22, 22, 32) 0 model_3[1][0]
model_3[2][0]
__________________________________
conv2d_6 (Conv2D) (None, 22, 22, 32) 9248 subtract_2[0][0]
__________________________________
max_pooling2d_6 (MaxPooling2D) (None, 11, 11, 32) 0 conv2d_6[0][0]
__________________________________
flatten_2 (Flatten) (None, 3872) 0 max_pooling2d_6[0][0]
__________________________________
dense_3 (Dense) (None, 64) 247872 flatten_2[0][0]
__________________________________
dense_4 (Dense) (None, 1) 65 dense_3[0][0]
==================================================================================================
Total params: 266,753
Trainable params: 266,753
Non-trainable params: 0
__________________________________
La salida del modelo es la imagen original con su etiqueta en el lado izquierdo, en el centro la imagen con mayor porcentage de parentesco y en la derecha una imagen con menor parentesco.
Hemos escrito un artículo en Medium sobre nuestra experiencia en el curso y detalles de la realización del proyecto en Medium: Parte 1 Parte 2
El código que fue generado durante el proyecto está basado en fingerprint_recognition
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent