CNN para reconocimiento de huellas dactilares

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.

Instalación

Usar entorno virtual con python 3.7, Linux Ubuntu.

• numpy
• matplotlib
• keras
• sklearn
• imgaug
• pymysql
• paramiko
• sshtunnel
• PIL

Como usar

1. 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=<>

2. Se establece el path cambiando la linea 14 de train_fingerprint.py

3. En fingerprint_db se cambia linea 31 y 38 con la tabla correspondiente.

4. Cambiar el nombre de las columnas en las querys

5. Conexión:

python fingerprint_db.py 

6. Entrenamiento:

python train_fingerprint.py

Descripción

El 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.

La arquitectura de la red

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
__________________________________

Resultados

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.

Publicación

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

Créditos

El código que fue generado durante el proyecto está basado en fingerprint_recognition