ANÁLISE DE MÉTODOS DE DETECÇÃO E RECONHECIMENTO DE FACES UTILIZANDO VISÃO COMPUTACIONAL E ALGORITMOS DE APRENDIZADO DE MÁQUINA
Palavras-chave:
Detecção facial, reconhecimento de face, visão computacional, aprendizado de máquinaResumo
O avanço da tecnologia das últimas décadas tem proporcionado muitas facilidades para a humanidade em várias aplicações, e a tecnologia de reconhecimento facial é uma delas. Existem vários problemas a serem resolvidos para se realizar o reconhecimento de faces a partir de imagens digitais, como variação de iluminação do ambiente, mudança das características físicas do rosto e resolução das imagens utilizadas. Este trabalho buscou realizar uma análise comparativa entre alguns dos métodos de detecção e reconhecimento facial, assim como o tempo de execução dos mesmos. Foram utilizados os algoritmos de reconhecimento facial Eigenface, Fisherface e LBPH em conjunto com o algoritmo de detecção facial Haar Cascade, todos da biblioteca OpenCV. Também foi explorado o uso de uma rede neural CNN para reconhecimento facial em conjunto com o algoritmo de detecção facial HOG, estes da biblioteca Dlib. O trabalho almejou, além de analisar os algoritmos com relação a taxas de acertos, fatores como grau de confiabilidade e tempo de execução também foram considerados.
Downloads
Referências
BALAN, J. As vantagens e os perigos do reconhecimento facial. Meio&Mensagem, 2019. Disponível em: https://www.meioemensagem.com.br/home/midia/2019/07/30/reconhecimento-facial-quando-vale-dar-a-cara-a-tapa.html. Acesso em: 17 nov. 2019.
BELHUMEUR, P. N.; HESPANHA, J. P.; KRIEGMAN, D. J. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 19, n. 7, p. 711-720, jul. 1997. https://doi.org/10.1109/34.598228
CHELALI, F. Z.; DJERADI, A.; DJERADI, R. Linear discriminant analysis for face recognition. In: INTERNATIONAL CONFERENCE ON MULTIMEDIA COMPUTING AND SYSTEMS, Ouarzazate, Morocco, p. 1-10, 2009. https://doi.org/10.1109/MMCS.2009.5256630
COLAH´S BLOG, C. Understanding Convolutions. 2014. Disponível em: http://colah.github.io/posts/2014-07-Understanding-Convolutions. Acesso em: 31 dez. 2019.
CORREIA, T. A.; PITERI, M. A.; ARTERO, A. O.; SILVA, F. A.; PEREIRA, D. R. Development of an application for security based in face recognition on Android platform. In: X WORKSHOP DE VISÃO COMPUTACIONAL (WVC 2014), 2014, Uberlândia, MG. Proceedings. p. 137-142, 2014.
DLIB. Dlib Files. Dlib. Disponível em: http://dlib.net/files/. Acesso em: 20 mai. 2019.
ÉPOCA NEGÓCIOS, E. Boticário vai ter ferramentas de reconhecimento facial. 2019. Disponível em: https://epocanegocios.globo.com/Tecnologia/noticia/2019/11/epoca-negocios-artur-grynbaum-vamos-ter-ferramentas-de-reconhecimento-facial.html. Acesso em: 20 nov. 2019.
GEORGIA TECH, Georgia Tech face database. Georgia Tech, 1999. Disponível em: http://www.anefian.com/research/face_reco.htm. Acesso em: 11 fev. 2019.
HE, K.; ZHANG, X.; REN, S.; SUN, J. Deep Residual Learning for Image Recognition. In: IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), Las Vegas, NV, USA, p. 770 - 778, 2016. https://doi.org/10.1109/CVPR.2016.90
HIRAKURI, M. H. Aplicação da Rede Neural Neocognitron para Reconhecimento de Atributos Faciais. 2003. 100 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Carlos. São Carlos, 2003.
KAUR, R.; HIMANSHI, E. Face recognition using Principal Component Analysis. In: IEEE INTERNATIONAL ADVANCE COMPUTING CONFERENCE (IACC), Banglore India, p. 585-589, 2015. https://doi.org/10.1109/IADCC.2015.7154774
KAZEMI, V.; SULLIVAN, J. One millisecond face alignment with an ensemble of regression trees. In: IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, Columbus, OH, USA, p. 1867-1874, 2014. https://doi.org/10.1109/CVPR.2014.241
KHAN, A. S.; ALIZAI, L. K. Introduction to Face Detection Using Eigenfaces. In: INTERNATIONAL CONFERENCE ON EMERGING TECHNOLOGIES, Peshawar, Pakistan, p. 128-132, 2006. https://doi.org/10.1109/ICET.2006.335908
WEBER, M. Caltech face database. Caltech, 1999. Disponível em: http://www.vision.caltech.edu/html-files/archive.html. Acesso em: 11 fev. 2019.
MIRANDA, J. Brasileiros preferem biometria a senhas. Reconhecimento Facial, 2017. Disponível em: http://reconhecimentofacial.com.br/2018/02/14/brasileiros-preferem-biometria-a-senhas/. Acesso em: 04 set. 2018.
NAGI, J; DUCATELLE, F.; DI CARO, G. A.; CIREŞAN, D.; MEIER, U.; GIUSTI, A.; NAGI, F.; SCHMIDHUBER, J.; GAMBARDELLA, L. M. Max-Pooling Convolutional Neural Networks for Vision-Based Hand Gesture Recognition. In: IEEE INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING APPLICATIONS (ICSIPA), 2011, Kuala Lumpur, Malaysia, p. 342 - 347, 2011. https://doi.org/10.1109/ICSIPA.2011.6144164
OPENCV. Face Recognition with OpenCV. OpenCV. Disponível em: https://docs.opencv.org/2.4/modules/contrib/doc/facerec/facerec_tutorial.html#fisherfaces-in-opencv. Acesso em: 12 set. 2018.
PETRI, R. A. L.; PITERI, M. A.; ARTERO, A. O.; SILVA, F. A. Digital Image Face Detection. In: IX WORKSHOP DE VISÃO COMPUTACIONAL (WVC 2013), Rio de Janeiro, RJ. Proceedings, 2013.
PORTAL, A. Detran implanta reconhecimento facial na habilitação de condutores. Portal no Ar, 2019. Disponível em: https://portalnoar.com.br/detran-implanta-reconhecimento-facial-na-habilitacao-de-condutores. Acesso em: 20 nov. 2019.
PRADO, E. O interesse pelo reconhecimento facial da IA. Convergência Digital, 2017a. Disponível em: http://www.convergenciadigital.com.br/cgi/cgilua.exe/sys/start.htm?UserActiveTemplate=site&UserActiveTemplate=mobile,site&infoid=46223&sid=15. Acesso em: 04 set. 2018.
PRADO, K. Face Recognition: Understanding LBPH Algorithm. Towards Data Science, 2017b. Disponível em: https://towardsdatascience.com/face-recognition-how-lbph-works-90ec258c3d6b. Acesso em: 12 set. 2018.
STACKEXCHANGE, S. Implement the Max-Pooling operation from Convolutional Neural Networks. 2018. Disponível em: https://codegolf.stackexchange.com/questions/195348/implement-the-max-pooling-operation-from-convolutional-neural-networks. Acesso em: 31 dez. 2019.
STEKAS, N.; HEUVEL, D. Face recognition using Local Binary Patterns Histograms (LBPH) on an FPGA-based System on Chip (SoC). In: 2016 IEEE INTERNATIONAL PARALLEL AND DISTRIBUTED PROCESSING SYMPOSIUM WORKSHOPS (IPDPSW), 2016. Proceedings… Chicago: IEEE, p. 300-304, 2016. https://doi.org/10.1109/IPDPSW.2016.67
TRIGGS, B.; DALAL, N. Histograms of Oriented Gradients for Human Detection. In: IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR’05). Proceedings..., p. 886-893, 2005.
TURK, M.A.; PENTLAND, A.P. Face Recognition Using Eigenfaces. In: IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, 1991. Proceedings…, Maui: IEEE, p. 586-591, 1991.
UCSD COMPUTER VISION, Yale Face Database. UCSD Computer Vision, 1997. Disponível em: http://vision.ucsd.edu/content/yale-face-database. Acesso em: 11 fev. 2019.
VIOLA, P.; JONES, M. Rapid Object Detection using a Boosted Cascade of Simple Features. In: 2001 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, 2001. Proceedings… Kauai: IEEE, p. 511-518, 2001.
YAN, K.; HUANG, S.; SONG, Y.; LIU, W.; FAN, N. Face Recognition Based On Convolution Neural Network. In: 36th CHINESE CONTROL CONFERENCE (CCC), Dalian, China, p. 4077 - 4081, 2017. https://doi.org/10.23919/ChiCC.2017.8027997