Applying ISO/ICAO standards in an institutional photo using Deep Learning

Abstract

The verification of photographs in academic institutions is currently a subjective and inconsistent process. Unlike passport control, which adheres to strict international standards (ISO/ICAO), institutional environments lack a universal definition for acceptable photographs, resulting in variable criteria and a reliance on manual approval. This dissertation addresses this inefficiency by establishing a formal classification of visual requirements for academic identification and developing an automated classification system, based on deep learning, to ensure compliance.Two distinct datasets were used in this study: a private database of photos used in an institutional environment, and a public dataset of images that are usually used to train models for feature identification in passport images. Comparative experiments were conducted between Weightless Neural Networks (WNN) and YOLO models (v8 and v11). The results unequivocally identified YOLO models as superior, consistently outperforming WNNs and the CNN models used to obtain baseline metrics. Additionally, a critical analysis of data quality revealed that models trained on the expert-labeled public dataset achieved better generalization than those trained on institutional data. This demonstrates that label accuracy and data balance are more valuable for this study, yielding better results than training with the specific institutional image dataset.The final contribution consists of an API that directly implements these empirical findings. The system integrates the optimal specific YOLO model and a pre-processing strategy (e.g., cropping versus full image) adapted to each individual requirement. Validation on a real university database demonstrated that only 12% of currently accepted images were in full compliance, underscoring the severity of the manual verification problem and the effectiveness of the optimized solution proposed in this work.

A verificação de fotografias em instituições académicas é, atualmente, um processo subjetivo e inconsistente. Ao contrário do controlo de passaportes, que segue normas internacionais rigorosas (ISO/ICAO), os ambientes institucionais carecem de uma definição universal para fotografias aceitáveis. Isto resulta em critérios variáveis e numa forte dependência da aprovação manual. Esta dissertação aborda essa ineficiência através do estabelecimento de uma classificação formal de requisitos visuais para a identificação académica e do desenvolvimento de um sistema de classificação automatizado, baseado em deep learning, para assegurar o seu cumprimento.Neste estudo, utilizaram-se dois conjuntos de dados distintos: uma base de dados privada de fotografias recolhidas em ambiente institucional e um conjunto de dados público de imagens, tipicamente usado no treino de modelos para identificação de características em passaportes. Foram realizadas experiências comparativas entre Weightless Neural Networks (WNN) e modelos YOLO (v8 e v11). Os resultados identificaram inequivocamente os modelos YOLO como superiores, superando consistentemente as WNN e os modelos CNN utilizados para obter as métricas de referência (baseline). Adicionalmente, uma análise crítica da qualidade dos dados revelou que os modelos treinados no conjunto de dados público, rotulado por especialistas, alcançaram uma melhor generalização do que os treinados com dados institucionais. Isto demonstra que a precisão da rotulagem e o equilíbrio (balanceamento) dos dados são mais valiosos para este estudo, gerando melhores resultados do que o treino com o conjunto específico de imagens da instituição.A contribuição final consiste numa API que implementa diretamente estas conclusões empíricas. O sistema integra o modelo YOLO ideal e uma estratégia de pré-processamento (por exemplo, recorte versus imagem completa) adaptada a cada requisito individual. A validação numa base de dados universitária real demonstrou que apenas 12% das imagens atualmente aceites estavam em total conformidade, sublinhando a gravidade do problema da verificação manual e a eficácia da solução otimizada proposta neste trabalho.