Two approaches for face recognition with IOT technologies

Facial recognition system, has been seen back in 1960. A system that classifies photos of faces by hand using a RAND tablet, a device that people could use to input horizontal and vertical coordinates on a grid using a stylus that emits electromagnetic pulses. The system could manually record the coordinate locations of various facial features including the nose, hairline, eyes and mouth. (brief-history-of-face-recognition-software, 2018) Since then, face recognition has evolved using different kinds of algorithms to identify a person as accurately as possible. After series of failures, verifying a person from a digital image or a video frame from a video source is today used in security systems, for law enforcement agencies, and state governments. Spreading to social media, through unlocking mobile devices, face recognition plays a big part in security and other similar technologies today. (Facial recognition system, 2018) The Internet of things allows objects to be sensed or controlled remotely across existing network infrastructures. It converges of multiple technologies such as wireless communication, real-time analytics, machine learning, commodity sensors, and embedded systems. Iot’s global market value is grossing quickly, it is estimated that it will reach $7.1 trillion by the year 2020. This gives perfect reason to use such systems for face recognition. It is easy distributable, easy-accessible, compatible and easy to deploy. (Internet_of_things, 2018) In this thesis, we discuss about two facial recognition approaches using the Raspberry Pi 3 model (Iot device). We will include different technologies with same samples for matching results. We will study the physics of the approaches, we will compare these results to see which is better suited for what, and what are their pros and cons.

Sistema di riconoscimento facciale, è stato visto nel 1960. Un sistema che classifica le foto dei volti a mano usando un tablet RAND, un dispositivo che le persone potrebbero usare per inserire le coordinate orizzontali e verticali su una griglia usando uno stilo che emette impulsi elettromagnetici. Il sistema potrebbe registrare manualmente le posizioni delle coordinate di varie caratteristiche del viso tra cui naso, attaccatura dei capelli, occhi e bocca. Da allora, il riconoscimento facciale si è evoluto utilizzando diversi tipi di algoritmi per identificare una persona nel modo più accurato possibile. Dopo una serie di fallimenti, la verifica di una persona da un'immagine digitale o da una cornice video da una sorgente video è oggi utilizzata nei sistemi di sicurezza, per le forze dell'ordine e i governi statali. Diffondendo ai social media, attraverso lo sblocco di dispositivi mobili, il riconoscimento facciale gioca oggi un ruolo importante nella sicurezza e in altre tecnologie simili. L'Internet delle cose consente di rilevare o controllare gli oggetti da remoto attraverso le infrastrutture di rete esistenti. Converge più tecnologie come comunicazione wireless, analisi in tempo reale, apprendimento automatico, sensori di merci e sistemi integrati. Il valore di mercato globale di Iot sta incassando rapidamente, si stima che raggiungerà $ 7,1 trilioni entro il 2020. Ciò fornisce una ragione perfetta per utilizzare tali sistemi per il riconoscimento facciale. È facilmente distribuibile, facilmente accessibile, compatibile e facile da implementare. In questa tesi, discutiamo di due approcci di riconoscimento facciale che utilizzano il modello Raspberry Pi 3 (dispositivo Iot). Includeremo diverse tecnologie con gli stessi campioni per i risultati corrispondenti. Studieremo la fisica degli approcci, confronteremo questi risultati per vedere quale è più adatto a cosa e quali sono i loro pro e contro.