LinkedIn Compartilhar no LinkedIn

Dando continuidade ao desenvolvimento do protótipo de um comparador biométrico funcional, implementei uma melhoria significativa: agora é possível realizar buscas do tipo 1:N, utilizando a mesma rede siamesa já treinada.

Essa evolução amplia consideravelmente a aplicabilidade do sistema, mantendo as premissas fundamentais do projeto:

  • ✅ Baixo custo computacional
  • ✅ Alta escalabilidade
  • ✅ Execução viável em ambientes locais com infraestrutura limitada
  • ✅ Possibilidade de utilização também em infraestrutura offline, ideal para ambientes sensíveis ou isolados para identificação de grupos predefinidos de pessoas.

🧠 Relembrando o conceito do Projeto

Como mencionei no post anterior, um dos objetivos deste projeto é simplificar o pipeline de verificação biométrica, ❌evitando ou otimizando etapas clássicas presentes em sistemas tradicionais, como:

  • Segmentação da imagem
  • Normalização via histograma
  • Extração de minúcias por regras heurísticas
  • Matching geométrico com validação espacial

🚀 O Que Mudou

A principal evolução foi a incorporação de uma base vetorial de embeddings, o que habilita buscas 1:N de forma simples e rápida. Para isso, criei um script específico chamado create_database.py, responsável por:

  • Carregar o modelo siamesa treinado (em formato .h5)
  • Aplicar o pré-processamento padronizado nas imagens da base (ex: conversão para escala de cinza, redimensionamento e normalização)
  • Utilizar a sub-rede geradora de embeddings (base_model) para codificar cada imagem como um vetor latente
  • Armazenar os vetores resultantes (templates.npy) e os nomes de arquivos correspondentes (filenames.txt)

Outras alterações foram aplicadas ao app.py para gerenciamento de respostas a partir Flask.

🔄 A Nova Abordagem

O modelo proposto substitui as etapas convencionais por uma arquitetura mais enxuta e eficiente:

  • Pré-processamento direto para normalização da entrada
  • CNN Siamesa que gera embeddings latentes ao invés de extrair minúcias manualmente
  • Distância Euclidiana entre vetores como métrica de similaridade, eliminando matching geométrico

Com isso, conseguimos um sistema mais robusto, contínuo, e adaptado a diversas condições de entrada, sem sacrificar desempenho.

🚀 Como resultado, esperamos:

  • Inferência e treinamento possíveis com CPUs convencionais, sem necessidade de GPUs;
  • Viabilidade de operação em:
    • Ambientes locais (on-premises)
    • Servidores portáteis ou embarcados
    • Infraestruturas com orçamento restrito
  • Execução local completa: desde a captura até a verificação, tanto para uso operacional quanto para desenvolvimento, ensino ou pesquisa.

Para isso, a abordagem que estou consolidando é baseada em:

  • Redes siamesas convolucionais (CNN) que extraem embeddings discriminativos;
  • Pipeline vetorial contínuo, onde cada impressão é mapeada para um vetor latente fixo;

📂 Repositório + Demo

🔗 Demo operacional: https://projetos.tiago.cafe/
🔗 GitHub: https://github.com/algodas/BiomatchML.git