2022–2023
Maskenerkennung
Echtzeit-Prüfung der Maskenpflicht aus Live-Video, dazu One-Shot-Gesichtsverifikation aus einem einzigen Referenzfoto.
Das Problem
Vision-Probleme aus der echten Welt sind nie sauber. Ein CCTV-Bild in einem vollen Gang muss in Echtzeit und auf einen Blick beantworten: 'Trägt diese Person eine Maske?', bei schlechtem Licht. Ein Gesichtserkennungs-Gate muss zwei Fremde anhand eines einzigen Referenzfotos unterscheiden.
Der Ansatz
- 01
Echtzeit-Maskenerkennung mit YOLO + CNN
Während COVID-19 baute ich einen Masken-Compliance-Detektor: YOLO lokalisiert jedes Gesicht im Bild, ein CNN-Klassifikator entscheidet maskiert vs. unmaskiert, schnell genug, um live auf einem Videostream zu laufen statt Einzelbilder im Batch zu verarbeiten.
- 02
One-Shot-Gesichtserkennung mit Siamese-Netzen
Statt einen Klassifikator pro Person zu trainieren, lernt ein Siamese-Netz ein Ähnlichkeitsmaß, ein einziges Enrolment-Foto genügt zur Verifizierung am Gate, und eine neue Person hinzuzufügen braucht kein Nachtrainieren.
Das Ergebnis
- Echtzeit Live-Maskenkontrolle auf Video, nicht im Batch
- ~95% Konf. Masken-Erkennungskonfidenz (illustrativ)
- One-Shot Gesichtsverifizierung aus einem einzigen Referenzfoto
Hier beginnt der rote Faden meiner Arbeit: von rohen Pixeln bis zur nutzbaren Entscheidung. Derselbe Instinkt trieb später die begutachtete LCBVAE-Forschung zu punktierten arabischen Daten an, ein sauberes Signal aus dem Rauschen dekodieren, ob das Ergebnis ein Masken-Alarm, eine Identität oder ein geparster Ausweis ist.
Gebaut mit
- YOLO
- CNN
- Siamese networks
- FaceVGG
- OpenCV