Reconhecimento facial baseado no algoritmo de aprendizado profundo YOLO

• Ano de defesa: 2021
• Autor(a) principal: Ribeiro, David Augusto
• Orientador(a): Zegarra Rodríguez, Demóstenes
• Banca de defesa: Zegarra Rodríguez, Demóstenes, Rosa, Renata Lopes, Begazo, Dante Coaquira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia de Sistemas e Automação
• Departamento: Departamento de Engenharia
• País: brasil
• Palavras-chave em Português: Reconhecimento facial; Biometria; Redes neurais artificiais; Reconhecimento de padrões; YOLO; Facial recognition; Biometry; Artificial neural networks; Pattern recognition
• Área do conhecimento CNPq: Engenharia de Software
• Link de acesso: https://repositorio.ufla.br/handle/1/49119

O desenvolvimento tecnológico possibilitou ao homem nas últimas décadas dar um grande salto em técnicas de processamento computacional voltado às Redes Neurais Artificiais (RNA). A biometria facial é uma área que está em crescimento no mundo, e suas aplicações são interessantes, tanto para empresas privadas, quanto públicas. Sua capacidade crescente de autenticação em sistemas de segurança e entretenimento a torna um dos melhores meios para validação de identidade e/ou monitoramento de fluxo de pessoas. No entanto, ainda nos deparamos com sistemas que apresentam certa lentidão no reconhecimento e que demandam alto poder de processamento. Objetiva-se então, suprir essa demanda com uma arquitetura de reconhecimento leve e robusta, e que ao mesmo tempo apresente índices de desempenho otimizados, como precisão média (mAP - Mean Average Precision), inferência, baixo tempo de resposta e interseção sobre união (IoU - Intersection Over Union). O presente trabalho apresenta um processo de aprendizagem supervisionado, no qual faz-se uso de uma arquitetura emergente que vem apresentando destaque no cenário de sistemas de reconhecimento de padrões em processamento de imagens. Programa-se nas linguagens Python e C, com uso de frameworks OpenCV e Darknet em arquitetura YOLOv4 (versão 4). Trabalha-se a RNA em máquina virtual em nuvem com GPU NVIDIA Tesla T4 em ambiente Colab, treinando-a em 3 bases de dados distintas: OIDv4, Personal e Wider Face. Nosso sistema também pode operar localmente em sistemas Linux, como o Ubuntu Minimal, que por sua vez requer ajustes básicos de configuração em IDE Jupyter. Os resultados mostram a capacidade de classificação/detecção otimizada na arquitetura YOLO, bem como obtenção de índices aprimorados no trabalho. O dataset OID obteve um mAP de 69,23% para classe de objetos, com inferência média de 82.2%, tempo de detecção de 16 segundos e alcançou um IoU de 52.63%. O segundo dataset Personal obteve os incríveis mAP de 99,11% em biometria facial de reconhecimento individual, com inferência média de 98%, tempo de detecção de 3 segundos e alcançou um IoU de 82.56%. E por fim, o terceiro dataset Wider Face, obteve um mAP de 86,04% em biometria facial multivariada, com inferência média de 91%, tempo de detecção de 5 segundos e alcançou um IoU de 61.32%. Os resultados, portanto, demonstram a qualidade da rede neural desenvolvida em virtude dos objetivos inicialmente propostos, nos quais mostram-se promissores em relação à comparativos com outros modelos da literatura no estado da arte dos últimos anos.