O documento discute reconhecimento facial, incluindo sua história, técnicas como PCA, ICA, LDA, e aplicações como segurança, identificação e sites de redes sociais. Problemas como iluminação e mudanças físicas ainda precisam ser resolvidos para reconhecimento facial em larga escala.

1. Reconhecimento facial
Helton Eduardo Ritter
Kerly Selzler
Lucas Gabriel Menin
Helmuth Grossmann Jr.

2. Biometria
Biometria - Um estudo que faz

medições sobre os seres vivos;
Atenção científica - apenas no fim
do século XIX “características
físicas passaram a ser
armazenadas para fins judiciais”;
Cédulas de identidade – Brasil,
início do século XX;

3. O “fundamento” disso é..
●Baseaiam-se em
algorítmos matemátios;
●Necessidade de testar
em uma grande amostra;
A biometria é a única maneira de garantir a

presença do proprietário durante a operação;
O reconhecimento facial tem pouco impacto
cultural;

4. O ambiente
O software vai ter que processar
JPEG/MJPG/MP4/h264;
Ambiente controlado: fator determinante para o
reconhecimento facial. Qualidade da câmera,
iluminação do ambiente...
Em biometria sempre temos:
 FAR: taxa de falsa aceitação
 FRR: taxa de falsa rejeição

5. CV
O “reconhecimento” de
imagens faz parte de uma
área que se chama “Visão
computacional” - Computer
Vision.
Bom artigo para quem quiser saber mais:
http://www.acm.org/crossroads/xrds3-1/vision.html
Mais específico sobre reconhecimento facial:
http://www.face-rec.org

6. Temos então os principais tipos
Reconhecimento em imagem
X
Reconhecimento em vídeo

7. PCA
Derivado da transformação de Karhunen-Loeve.
PCA – Principal Components Analisys - Tende a
encontrar um subespaco t-dimensional entre a
base do vetor correspondente para a máxima
direção de variância do espaço de imagem
original.
Esse novo subespaço é normalmente menor
(t<<s). Se os elementos são considerados
variáveis randômicas, os vetores do PCA são
designados de “eigenvectors” ou “scatter
matrix” (algo como matriz de covariância).

8. ICA
Independent Component Analysis, minimiza a
dependência dos dados de entrada entre a
segunda e a maior ordem, tenta encontrar uma
base nos dados para serem estatísticamente
independentes (a covariância não ocorre). Há
duas arquiteturas propostas por Bartlett, Movellan
e Sejnowski, uma é baseada na bases
independente estatísticamente e a segunda é
baseada na representação fatorial do código.

9. LDA
Linear Discriminant Analysis, procura os vetores
bases (underlying space) que melhor descrevem
a classe. No fim se tem um espaço de busca
menor.

10. EP
Evolotionary Pursuit. Trata-se de uma abordagem
baseada no eigenspace que busca as melhores
projeções dos eixos para maximizar o retorno da
função, avaliando ao mesmo tempo a acurácia e
a habilidade de generalização do sistema. Como
a dimensão do problema é muito grande, é
solucionada usando-se de algoritimos genéticos.

11. EBGM
Elastic Bunch Graph Matching. Os seres
humanos compartilham de uma mesma topologia
de estrutura facial. Faces são representadas
como gráficos com nós posicionados em pontos
fiductiais (fixos, padrões, que possam servir de
referência para comparações como o nariz,
olhos...) e são guardados a distância desses
vetores. Cada nó contém 40 coeficientes em
diferentes escalas e orientações.

12. Trace Transform
É uma generalização de transformações de
Radon, é uma ferrameta para processar imagens
que pode reconhecer objetos em transformação,
rotação, translação e mudança de escala. Para
produzir esse resultado um computador traça
linhas ao longo da imagem.

13. 3-D Morphable Model
As faces são representadas em um modelo 3-D,
porque esse é melhor para problemas de
representação de faces, tratando melhor difrentes
posições, iluminação. Tudo é “codificado” em
formas e texturas.

14. SVM - Support Vector Machine
Consiste em definir uma
série de pontos em um
espaço multidimensional
e encontrar um hiperplano
que separe esses pontos
que estejam em classes
diferentes.
Se tem habilidade com números veja também:
http://en.wikipedia.org/wiki/Support_vector_machine

15. Aplicações
 Garantir a presença;
 Ajudar tetraplégicos;
Reconhecimento da idade da
pessoa (venda de cigarro);
Reconhecimento de
criminosos;

16. Aplicações
 Sites que reconhecem pessoas em fotos;
Câmeras digitais / enquadramento da foto na
face / esperar a pessoa piscar;
 Logins em sistemas;
 Identificação para abrir portas;

17. Problemas
 Iluminação;
 Mudanças físicas;
 Machucados;
 Iluminação / qualidade da imagem

18. Conclusões
Muitas aplicabilidades

Muitos problemas a resolver

Uso em aplicações não-críticas

Reconhecimento em vídeo


19. Referências
Lopes, Vinicius Rodrigues. Reconhecimento Facial
usando SVM. PUC-RJ Departamento de Informática,
2007.
FARIA, Alessandro de Oliveira. Biometria em Linux
existe?. X Fórum Internacional do Software Livre. Porto
Alegre, 2009.
http://www.baixaki.com.br/info/2852-comparacao-
gerenciadores-de-fotos-com-reconhecimento-facial.htm ,
09/11/2009 as 19:58.
GRGIC, Mislav, DELAC, Kresimir. Face Recognization,
Algorithms. Disponível em <http://www.face-
rec.org/algorithms/>