실시간 안면인식 출입 시스템을 위한 Cloud Caching 기반의 연구
Cloud Caching-Based Research for Real-Time Facial Recognition Access System
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 몇 년 동안 안면인식 기술은 다양한 분야에서 상당한 주목을 받아왔다. 이 기술은 개인 식별, 보안 시스템, 그리고 다양한 분야의 접근 제어에서 중요한 역할을 하고 있다. 특히 안면인식 기술은 안정성과 무접촉 편의성으로 인해 스마트폰의 잠금 해제 및 소규모 그룹의 출입 시스템에 널리 사용되고 있다. 그러나 이 기술을 대중 교통과 같은 대규모 환경에서 사용하는 것은 다수의 동시 사용자에 대한 실시간 데이터 처리에서 복잡한 문제를 유발한다. 이러한 문제에 대응하기 위해 본 연구에서는 새로운 임베디드 보드용 안면인식 출입 시스템과 결합된 혁신적인 실시간 클라우드 캐싱 접근법을 제안한다. 이 방법은 사용자의 MAC 주소를 감지하면 클라우드 서버에서 로컬 캐시 서버로 사용자 데이터를 미리 복사하여 데이터 접근 시간을 효과적으로 단축한다. 클라우드 캐싱기법은 특히 대규모 데이터 및 동시 사용자가 있는 상황에서 실시간 안면인식 시스템의 성능을 현격히 향상시켰다. 대학 강의실 환경에서 Raspberry Pi 3 Model B+, 무선 AP, 카메라 모듈, 'Dlib' 라이브러리, 32GB SD 카드 등을 활용하여 이 방법을 구현하고 검증한 결과, 데이터 용량 및 실시간 처리와 관련된 문제를 극복하면서도 상당한 시간 절약을 이루어냈다. 이러한 결과는 대규모 안면인식 기술 분야에서 주목할 만한 진전을 나타낸다.
Abstract
In recent years, facial recognition technology has garnered significant attention across various fields, playing crucial roles in personal identification, security systems, and access control. Particularly, facial recognition technology is widely used for smartphone unlocking and small-group access systems, owing to its stability and touchless convenience. However, deploying this technology in large-scale environments like public transportation presents complex challenges in real-time data processing for numerous simultaneous users. Addressing these challenges, this study proposes an innovative real-time cloud caching approach integrated with a facial recognition access system designed for new embedded boards. The method involves pre-copying user data from the cloud server to a local cache server upon detecting the user's MAC address, effectively reducing data access times. This approach significantly enhances the performance of real-time facial recognition systems, especially in scenarios with high data volume and concurrent users. Implementation and validation of this approach in a university lecture room setting, utilizing Raspberry Pi 3 Model B+, wireless AP, camera module, 'Dlib' library, and a 32GB SD card, demonstrate its efficacy in overcoming challenges related to data capacity and real-time processing, resulting in considerable time savings. These findings represent a noteworthy advancement in the field of large-scale facial recognition technology.
참고문헌 (18)
- X. Zhao, "A real-time face recognition system based on the improved LBPH algorithm", 2017 IEEE 2nd international conference on signal and image processing (ICSIP) (2017), IEEE
- 백순철, "안면인식과 OTAC를 사용한 스마트 출입통제 시스템", 한국지식정보기술학회 논문지, 15(4), pp.451~461 (2020), 한국지식정보기술학회[DOI]
- M. Hassaballah, "Face recognition: challenges, achievements and future directions", IET Computer Vision, 9(4), pp.614~626 (2015)
- P. B. Balla, "IoT based facial recognition security system", 2018international conference on smart city and emerging technology(ICSCET). IEEE (2018)
- N. H. Barnouti, "Face recognition : A literature review", International Journal of Applied Information Systems, 11(4), pp.21~31 (2016)
- 송경태, "Key-value 데이터베이스를 활용한 빅데이터 처리 플랫폼의 동향 분석", 한국지식정보기술학회 논문지, 12(1), pp.47~57 (2017), 한국지식정보기술학회[DOI]
- M. Fazio, "Huge amount of heterogeneous sensed data needs the cloud", International Multi-Conference on Systems, Signals &Devices (2012), IEEE
- D. G. Chandra, "A study on cloud database", 2012Fourth International Conference on Computational Intelligence and Communication Networks (2012), IEEE
- Characterizing the impact of network latency on cloud-based applications’ performance, "D, Popescu", University of Cambridge, Computer Laboratory, ~, pp.No. UCAM-CL-TR-914 (2017)
- M. S. Bali, "Effect of latency on network and end user domains in cloud computing", 2013 International Conference on Green Computing, Communication and Conservation of Energy (ICGCE) (2013), IEEE
- J. A. Mahajan, "Face detection on distorted images by using quality HOG features", 2017 International Conference on Inventive Communication and Computational Technologies (ICICCT) (2017), IEEE
- C. Coin, "Encoding activity and face recognition", Memory, 5(5), pp.545~568 (1997)
- D. E. King, "Dlib-ml : A machine learning toolkit", The Journal of Machine Learning Research, 10, pp.1755~1758 (2009)
- S. Suwarno, "Analysis of face recognition algorithm : Dlib and opencv", Journal of Informatics and Telecommunication Engineering, 4(1), pp.173~184 (2020)
- N. Boyko, "Performance evaluation and comparison of software for face recognition, based on dlib and opencv library", 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP) (2018), IEEE
- A. J. Smith, "Cache memories", ACM Computing Surveys(CSUR), 14(3), pp.473~530 (1982)
- G. Borgström, "Faster functional warming with cache merging", Proceedings of the DroneSE and RAPIDO: System Engineering for constrained embedded systems, pp.39~47 (2023)
- Y. Zhang, "Warming up {storage-level} caches with {bon fire}", 11th USENIX Conference on File and Storage Technologies(FAST 13) (2013)