Reconhecimento de pessoas através da biometria da face e da orelha.

Abstract

A biometria refere-se aos métodos automatizados de identificação de indivíduos com base em suas características físicas ou comportamentais únicas. Essas características podem incluir impressões digitais, características faciais, padrões de íris, impressões de voz e até traços comportamentais, como ritmo de digitação ou a forma de andar. Os sistemas de identificação biométrica funcionam capturando essas características únicas e comparando-as com um banco de dados pré-existente de características conhecidas para autenticar a identidade do indivíduo. Os métodos biométricos tornaram-se cada vez mais populares nos últimos anos devido à sua capacidade de identificar indivíduos com precisão e segurança com base nessas características. Diferentes métodos de extração de características são utilizados nessa área, tais como Histograma de Gradientes Orientados - Histogram of Oriented Gradients (HOG), Support Vector Machine (SVM) e Rede Neural Convolucional - Convolutional Neural Network (CNN), como também o avanço recente na visão computacional, os Vision Transformer (ViT). Portanto, neste trabalho é explorado o uso de deep learning, utilizando como extratores de características CNNs e ViTs com o objetivo de realizar o reconhecimento de indivíduos a partir de imagens de sua face e orelha. São propostos dois modelos que fazem o uso de três classificadores distintos, sendo um para classificar o indivíduo a partir da face, outro para classificá-lo a partir da orelha, e um último, este sendo um Multi-layer Perceptron (MLP), para combinar os resultados dos anteriores em uma única classificação. Um dos modelos, utilizando CNNs como extrator de características, e o outro utilizando ViTs. Para testar a eficácia das composição dos modelos, foram conduzidos experimentos computacionais, utilizando diferentes conjuntos de dados que foram obtidos tanto em ambientes controlados quanto em ambientes não controlados. Os conjuntos de dados obtidos em ambiente controlado usados nesses experimentos incluem os conjuntos de dados AMI Ear e FEI Face, enquanto os conjuntos de dados obtidos em ambiente não controlado incluem os conjuntos de dados VGGFace-Ear e LFW Face. As amostras dos conjuntos de dados de faces e de orelhas foram pareados um a um, gerando uma base de dados sintética, de modo que pares de faces e orelhas componham um indivíduo. Quando treinado com o conjunto de dados controlados, o modelo baseado em CNNs obteve a acurácia de 100%, e também de 100% quando treinado com o conjunto de dados não controlados. O modelo baseado em ViTs, treinado apenas no conjunto de dados não controlados, obteve acurácia de 100% no conjunto de dados controlados. Diante dos resultados obtidos, foi possível concluir que a combinação dos resultados de múltiplos modelos por meio de uma rede neural é uma prática válida, além de que o uso de ViTs pode trazer melhores resultados em relação ao uso de CNNs.