Avaliando a Eficácia de Redes Neurais Artificiais para Reconhecimento de Face Utilizando Raspberry Pi

• Ejziel Sampaio Santos UFRB
• Fabrício Velôso de Jesus UFRB
• Walber Conceição de Jesus Rocha UFRB
• João Carlos Nunes Bittencourt UFRB

DOI: https://doi.org/10.5753/erbase.2021.20366

Resumo

A ascensão da robótica móvel fez com que diversas tarefas do cotidiano fossem executadas com o auxílio de plataformas computacionais. Aplicações de visão computacional voltadas ao reconhecimento de faces, embora seja uma tarefa simples para os humanos, demandam um grande poder de processamento. Este trabalho apresenta um sistema de reconhecimento facial utilizando redes neurais convolucionais e regressores softmax, tendo em vista avaliar as taxas de acurácia e desempenho da aplicação na plataforma computacional Raspberry Pi. Foram avaliadas 3 diferentes topologias de redes neurais, com 7 diferentes usuários, apresentando taxa de acurácia de 69.23% e tempo de execução médio de 301,45 ms, no melhor caso.

Referências

Amos, B., Ludwiczuk, B., Satyanarayanan, M., et al. (2016). Openface: A general-purpose face recognition library with mobile applications. CMU School of Computer Science, 6(2).

Braga, A. d. P., Ludermir, T. B., and Carvalho, A. C. P. d. L. F. (2000). Redes neurais artificiais: teoria e aplicações. LTC.

Costa, L. R., Obelheiro, R. R., and Fraga, J. S. (2006). Introdução á biometria. Livro-texto de Minicursos-VI SBSeg.

Faceli, K., Lorena, A. C., Gama, J., and Carvalho, A. (2011). Inteligência artificial. Uma Abordagem de Aprendizado de Máquina. Editora LTC.

Haykin, S. (1999). Neural networks a comprehensive foundation. ed. sl: Pearson prentice hall.

Khan, S., Rahmani, H., Shah, S. A. A., and Bennamoun, M. (2018). A guide to convolutional neural networks for computer vision. Synthesis Lectures on Computer Vision, 8(1):1–207.

Lourenço, G. F. d. F. (2009). Reforço da segurança das biométricas utilizando codificação de fonte distribuída. Master’s thesis, Dissertação de Mestrado, Instituto Superior Técnico, Universidade Técnica de . . . .

Parkhi, O. M., Vedaldi, A., and Zisserman, A. (2015). Deep Face Recognition. In Procedings of the British Machine Vision Conference 2015, pages 41.1–41.12, Swansea. British Machine Vision Association.

Ranjan, R., Castillo, C. D., and Chellappa, R. (2017). L2-constrained Softmax Loss for Discriminative Face Verification. arXiv:1703.09507 [cs]. arXiv: 1703.09507.

Schroff, F., Kalenichenko, D., and Philbin, J. (2015). FaceNet: A Unified Embedding for Face Recognition and Clustering. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 815–823. arXiv: 1503.03832.

Sebe, N., Cohen, I., Garg, A., and Huang, T. S. (2005). Machine Learning in Computer Vision, volume 29. Springer Science Business Media.

Serengil, S. I. and Ozpinar, A. (2020). Lightface: A hybrid deep face recognition framework. In 2020 Innovations in Intelligent Systems and Applications Conference (ASYU), pages 1–5. IEEE.

Silva, A. L. (2016). Redução de características para classificação de imagens de faces. Master’s thesis, Dissertação de Mestrado, Universidade Federal Rural do Semi-Árido.

Silva, D. G. d. and Zampirolli, F. d. A. (2020). Reconhecimento facial para validação de usuário durante um questionário no Moodle. In Anais dos Workshops do Congresso Brasileiro de Informática na Educação (WCBIE), pages 124–131. SBC. ISSN: 0000-0000.

Taigman, Y., Yang, M., Ranzato, M., and Wolf, L. (2014). DeepFace: Closing the Gap to Human-Level Performance in Face Verification. In 2014 IEEE Conference on Computer Vision and Pattern Recognition, pages 1701–1708, Columbus, OH, USA. IEEE.