Aprendizado de Máquina para o Auxílio à Localização de Pessoas em Ambientes Indoor Monitorados por Câmeras
Resumo
A segurança é um tema de grande relevância na sociedade, para isto, o desenvolvimento de estudos e o emprego de mecanismos se tornaram essenciais para auxiliar este direito social, como por exemplo, sistemas de câmeras de vigilância comumente adotados para monitorar ambientes. O uso desta tecnologia em conjunto com Inteligência Artificial (IA) foi responsável por localizar 600 criminosos procurados pelo governo da Bahia [Secom 2023], chegando a atingir um grau de similirade de 93% ao reconhecer um indivíduo. A fim de contribuir com o cenário de vigilância, o presente trabalho aborda um modelo inteligente baseado na arquitetura de microsserviços e comunicação assíncrona responsável por realizar a detecção e reconhecimento facial, alcançando, respectivamente, acurácias de 92,73% e 69,23% em imagens capturadas de um ambiente real monitorado à partir de microcontroladores com câmeras acopladas, com o intuito de realizar o monitoramento de pessoas consentidas em ambiente indoor.
Referências
Araujo, G. M. (2010). Algoritmo para reconhecimento de características faciais baseado em filtros de correlação. Master’s thesis, Programa de Pós-graduação em Engenharia Elétrica (PPEE) - UFRJ.
Ballard and Brown (1982). Computer Vision.
Barelli, F. (2018). Introdução à Visão Computacional: Uma abordagem prática com Python e OpenCV. Editora Casa do Código.
CNN (2021). September 11 terror attacks fast facts. [link]. Acessado em 12 Out. 2021.
Comitê Central, d. G. d. D. (2020). Guia de boas práticas lei geral de proteção de dados (lgpd). Disponivel em: [link]. acessado em 22 Mar. 2023.
da Silva Nunes, G. M. (2016). VISAO COMPUTACIONAL APLICADA A DETECÇÃO E AO RECONHECIMENTO FACIAL. PhD thesis, Engenharia Eletrônica e de Computação (Trabalho de Conclusão de Curso). Universidade Federal do Rio de Janeiro.
Dalal, N. and Triggs, B. (2005). Histograms of oriented gradients for human detection. In 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05), volume 1, pages 886–893. Ieee.
Farias, L. C. and Lima, M. A. C. (2018). Estudo e análise de técnicas para reconhecimento e armazenagem online de faces.
Geitgey, A. (2016). Machine learning is fun! part 4: modern face recognition with deep learning. Medium. Medium Corporation, 24.
Gonzalez, R. C. and Woods, R. E. (2000). Processamento de imagens digitais. Editora Blucher.
Lienhart, R. and Maydt, J. (2002). An extended set of haar-like features for rapid object detection. In Proceedings. international conference on image processing, volume 1, pages I–I. IEEE.
Moriggi Filho, E. (2018). Controle de acesso por reconhecimento facial e controle de ambientes.
Navlani, A. (2018). Knn classification using scikit-learn. Disponível em: [link]. Acessado em: 16 de Jul. de 2021.
Santana, L. M. Q. d. and Rocha, F. G. (2015). Processo de detecção facial utilizando viola-jones. Interfaces Científicas - Exatas e Tecnológicas, 1(1):35–40.
Secom (2023). Reconhecimento facial chega a marca de 600 foragidos localizados e presos. Disponível em: [link]. Acessado em 22 Mar. de 2023.
Souza, T. T. L. d. (2015). Auto-calibração de câmeras de vídeo-vigilância por meio de informações da cena. Master’s thesis, Instituto de Matemática. Departamento de Mecatrônica.
Viola, P. and Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001, volume 1, pages I–I. Ieee.
Zhao, W., Chellappa, R., Phillips, P. J., and Rosenfeld, A. (2003). Face recognition: A literature survey. ACM computing surveys (CSUR), 35(4):399–458.
