Reconhecimento de Face Aplicada ao Controle de Chamada de Classe

Transcrição

1 1/18 Reconhecimento de Face Aplicada ao Controle de Chamada de Classe Felipe Soalheiro Negrão¹, Liliane Ribeiro dos Santos¹, Hélio Rubens Soares¹ ¹Instituto de Informática Centro Universitário do Triângulo (UNITRI) Uberlândia MG Brasil Abstract. The present article is a work based on a bibliography research and applied in a proof of concept. It was developed over the face recognition system, an app to work in the Rekognition tool and applied to class call control. Due to the increasing need for efficient systems in which it is possible to identify the human face with agility and with a view to streamlining the class call process, this work aims to analyze the existing tools to perform the face identification and ways by how it can be used in class calls. After the use of the tool and tests performed, 58% of face recognition was obtained, among other results. Resumo. O presente artigo é um trabalho baseado em uma pesquisa documental e aplicada em uma prova de conceito, foi desenvolvido sobre o sistema de reconhecimento de face um aplicativo para trabalhar com a ferramenta Rekognition aplicado ao controle de chamada de classe. Diante do aumento da necessidade de sistemas eficientes nos quais sejam possíveis identificar com agilidade a face humana e visando agilizar o processo de chamada de classe, esse trabalho tem como objetivo analisar as ferramentas existentes para realizar a identificação de faces e formas em que podem ser utilizadas em chamadas de classe. Após o uso da ferramenta e testes realizados, foi obtido entre outros resultados, 58% de reconhecimento das faces. 1.INTRODUÇÃO A capacidade do ser humano de reconhecer faces é notável. Uma pessoa pode reconhecer milhares ao longo de sua vida e identificar rostos familiares de forma rápida, mesmo após anos de separação. Embora sofram diversas mudanças devido a diferentes expressões faciais, distrações pelo uso de acessórios como óculos, tapa-olho etc., mudanças no corte de cabelo, barba, o ser humano consegue realizar esta tarefa de forma robusta. O reconhecimento facial por computadores, geralmente, é usado em situações, como: identificação criminal, sistemas de segurança, processamento de imagens e interação homem-máquina. Entretanto, desenvolver sistemas de reconhecimento facial não é uma tarefa trivial, devido à complexidade dos rostos e suas variações. Foram desenvolvidas algumas ferramentas que auxiliam nesta habilidade.

2 2/18 O presente trabalho tem como objetivos descrever um pouco da história do reconhecimento facial, apresentar alguns modelos que podem ser utilizados na computação e, principalmente, aplicar e testar a ferramenta Rekognition, da empresa AWS, através do desenvolvimento de um software. A pesquisa foi estruturada em seções, nas quais são apresentados os trabalhos correlatos em relação à ferramenta de reconhecimento de face e demonstradas as ferramentas da AWS (Amazon Web Server) - com algumas funcionalidades da empresa. Também são expostos o estudo de caso que foi desenvolvido para esse trabalho e os resultados obtidos ao concluir esse projeto. 2. CONCEITOS E TRABALHOS CORRELATOS Na década de 1960, foi criado um sistema para reconhecimento de face automatizado, pois já nesta época surgia a necessidade de encontrar mecanismos de identificação com rapidez e precisão. O sistema existente era considerado quase totalmente automatizado, pois exigia que o administrador identificasse nas fotografias características como olhos, nariz, boca, antes do sistema calcular distâncias e rácios para um ponto de referência comum [Sinfic_ ]. Dessa forma, as características eram comparadas com as informações disponíveis no sistema, conforme é mostrado no modelo da Equação 1 [Santos 2016]. n HI(x) = (x, y) y=1 m VI(x) = (x, y) x=1 Equação 1. Equação de Analise de Face [Santos 2016] O algoritmo do software para o reconhecimento das imagens realiza uma análise do tamanho e formato do rosto, fazendo varreduras vertical e horizontal das imagens, observando a luminosidade das figuras e também do objeto que será estudado [Batista; Neves; Santos, Schinaid; Sousa 2017]. Em 1970, Goldstein, Harmon e Lesk utilizaram 21 marcadores subjetivos específicos incluindo a cor do cabelo e a espessura dos lábios para automatizarem o reconhecimento. [Sinfic_ ]. Porém, o principal problema foi a necessidade da entrada dos dados de forma manual, a qual permaneceu. [Batista; Neves; Santos, Schinaid; Sousa 2017]. O início do estudo da análise de componentes feito por Kirby e Sirovich ocorreu somente no ano de Para resolver o problema do reconhecimento facial, houve a criação de um cálculo conhecido por standard, o que resultou em grande evolução, pois, com essa técnica, foi identificado que não havia necessidade de vários valores para

3 3/18 codificar com precisão uma imagem [Sinfic_ ], [Batista; Neves; Santos, Schinaid; Sousa 2017]. Em 1991, de acordo com [Sinfic_ ], os pesquisadores Turk e Pentland desenvolveram a técnica eigenfaces - um conjunto de autovetores que auxiliam no reconhecimento de faces humanas que antigamente eram limitadas por vetores ambientais, mas com o tempo foram desenvolvidas novas tecnologias de reconhecimento de face automatizadas. 2.1 Reconhecimento Facial O reconhecimento de face é, basicamente, uma ferramenta que faz a captura de imagens utilizando uma parametrização simples de geometria de face. Com o tempo foram aperfeiçoadas as metodologias, de forma a criar uma tecnologia chamada ciência de representações matemáticas sofisticadas e de processos de comparação [Sinfic_ ]. 2.2 Componentes Geométricos da Face Existem duas abordagens predominantes ao problema do reconhecimento da face: a geométrica (baseada em características) e a fotométrica (baseada na visualização). Com isso, foram desenvolvidos vários algoritmos diferentes três deles são objetos de um importante estudo na literatura sobre o reconhecimento da face, conforme o que foi apresentado em [Sinfic_ ]. Um dos componentes mais usados são as abordagens geométrica e fotométrica. Em busca de mais, inovações foram realizados vários algoritmos, métodos e modelos, sendo três mais abordados na literatura. Abaixo estão listados: Components Analysis (PCA) Linear Discriminant Analysis (LDA) Elastic Bunch Graph Matching (EBGM) Components Analysis (PCA) O Components Analysis (PCA) é uma utilização da técnica de eigenfaces, que consiste na extracção de toda a informação relevante da imagem facial analisada, codificação dessa informação a mais eficientemente possível e posterior comparação da face codificada com toda uma base de dados composta por faces codificadas de forma semelhante. [Segundo Sinfic por Almeida e Bento 2018]. Esse método visa obter informações de imagens faciais que são analisadas e codificadas a fim de obter um melhor resultado das informações das imagens, diferente dos métodos antigos onde tinham somente informações primárias. A abordagem é

4 4/18 parecida com a técnica usada por Fourier (FT), utilizada para processos de sinais (Figura 1). A Figura 1 demonstra a operação de uma função que faz a decomposição do sinal adquirido em funções e parâmetros como, por exemplo, a amplitude e a frequência. Verifica-se do lado esquerdo sinais elétricos e lado direito formas de FT para obter sinal adquirido. [Sinfic_ ], [Batista; Neves; Santos, Schinaid; Sousa 2017]. Figura 1. Fourier (FT) [Sinfic_ ]. Para obter o resultado na PCA, as imagens a serem pesquisadas e as do banco de dados precisam estar nas mesmas dimensões. A PCA tem como finalidade reduzir e agrupar os dados, dando, assim, uma dimensão eficaz para padronizar a face. Com isso, são retiradas as informações necessárias das imagens. Cada face pode ser identificada através da soma de vetores de características das eigenfaces que já estão armazenados, através de uma imagem que se pretende analisar e uma imagem que existe no banco de dados, medindo os vetores de característica para trazer um resultado satisfatório. Vale ressaltar que PCA tem a função de reduzir dados, então se usa para face frontal da imagem, conforme verifica-se na Figura 2 [Sinfic_ ]. Figura 2. Eigenfaces Vetores de Característica [Sinfic_ ] Linear Discriminant Analysis (LDA) O Linear Discriminant Analysis (LDA) tem como propósito comparar imagens armazenadas no banco de dados. Para esse fim, guardam-se as conhecidas e as desconhecidas, visando agrupar o máximo de diferença entre elas. Com isso pode-se

5 5/18 obter mais agilidade na comparação final das mesmas, conforme se verifica na Figura 3 [Sinfic_02, 2008], [Batista; Neves; Santos, Schinaid; Sousa 2017]. Figura 3. Utilização do LDA [Sinfic_ ] Elastic Bunch Graph Matching (EBGM) O Elastic Bunch Graph Matching (EBGM) tem a característica de identificar faces dinâmicas (que não estejam no padrão linear) nas imagens. Pode ser usada como exemplo a iluminação da imagem, com menor ou maior luminosidade, e a postura serena ou mais distraída. Uma das técnicas usadas é a estrutura de grelha elástica (Figura 4). Trata-se da projeção das imagens por ligamento da face nesta grelha. O EBGM é um nó dessa estrutura que descreve o círculo da imagem de um dado pixel. Com o EBGM é possível capturar formas e extrair características de uma determinada imagem. Para obter resultado satisfatório, é preciso de uma localização exata, mas isso pode ser ajustado com a combinação dos métodos PCA e LDA. Figura 4. Elastic Bunch Map Graphing [Sinfic_ ].

6 6/ Ferramentas de Identificação de Face O reconhecimento de face, é uma ferramenta utilizada na identificação biométrica onde o algoritmo é usado para mapear traços faciais, identificar o rosto para extrair suas características e, assim, retornar o resultado das imagens. Dessa forma, as imagens são agrupadas e nomeadas para que sejam armazenadas no banco de dados e utilizadas de acordo com a necessidade de identificação do indivíduo, retornando o resultado esperado pelo mesmo. Essa ferramenta é usada para fazer o reconhecimento de face com pontos estratégicos como parte do rosto ou um a identificação de um determinado lugar na imagem [Projetodraft 2018]. Ao reconhecer um ponto estratégico de programação para auxiliar na identificação, existem os chamados pontos nodais, que são as características distintas de cada ser humano. Com essas informações, faz-se a gravação dos dados. Informações pré-estabelecidas nas imagens auxiliam na identificação de um lugar específico, como um objeto característico do ambiente que esteja na foto, para direcionar as imagens no banco de dados, por exemplo. Pode ser identificado, também, o sexo das pessoas que estão na imagem, mesmo comparando-se a mesma pessoa em duas fotos, posições ou expressões diferentes e dizer que é a mesma pessoa [Projetodraft 2018]. Com a evolução e aumento expressivo da quantidade de imagens, haverá um grande volume de dados que poderão ser usados para identificar pessoas e coisas mais facilmente. As mesmas ficarão gravadas em um banco de dados que deverá ser consultado sempre que necessário para identificar e mostrar os dados pré-estabelecidos. Soluciona-se, assim, vários problemas, como o caso de pessoas maliciosas que tentam roubar residências, bancos, entre outros Idwall - Face Match A Face Match é uma ferramenta da empresa Idwall que tem como funcionalidade auxiliar no reconhecimento facial, evitando fraude ao identificar o usuário da ferramenta com mais agilidade. Para que isso aconteça, é feito um comparativo entre a foto tirada no cadastro e a foto que é usada em um documento oficial. Assim, a probabilidade de erro é quase nula, o que gera confiabilidade [Idwall 2017] API de Detecção Facial da Microsoft A API de detecção facial da Microsoft é armazenada em nuvem. Com isso, a API tem algoritmos mais avançados para fazer a detecção facial. São duas as funções principais: [Microsoft 2018]. Detecção facial com atributos. Reconhecimento facial.

7 7/18 A detecção facial consegue perceber até 64 faces humanas. Com alta definição da imagem, ela pode ser identificada por bytes ou URL válido. A partir das imagens, é possível extrair vários atributos relacionados à face como: pose, idade, posição da cabeça, óculos, pelos faciais e pontos de referência facial. Com isso, é feita uma comparação de rostos que já estão armazenadas no banco de dados. Esse reconhecimento facial é usado em várias imagens que tem interface humana. É o caso da área de segurança para fazer análise e gerenciar o conteúdo de imagens dos aplicativos móveis, mas também pode ser utilizada para outros fins relacionados à necessidade de identificação do indivíduo [Microsoft 2018] IBM - Watson A API Watson Visual Recognition é uma ferramenta da IBM que identifica informações das imagens. Esta ferramenta contém modelos previamente treinados para ajudar a identificar com máxima precisão. Como exemplos: objetos, alimentos, rostos e cenas. Isso, facilita a absorção das informações, retornando o resultado mais rápido. O maior diferencial desta API é a capacidade de treinar a Watson para reconhecer classes customizadas para obter precisão da informação, o que é fundamental para alcançar melhores resultados na ferramenta [IBM 2018] AWS - Rekognition O Rekognition é uma ferramenta utilizada pela empresa AWS para fazer o armazenamento e captura das imagens. Essas imagens são salvas em um banco de dados armazenado nas nuvens, o que evita o transtorno em ter um servidor local. Com isso, as informações gravadas podem ser utilizadas sempre que for preciso. A ferramenta Rekognition detecta objetos, rostos e imagens. Nela pode ser feita uma análise com retorno de resultado mais preciso. Essa API é de fácil manuseio. Há mais agilidade em alcançar o resultado esperado usando a API da AWS. Com as aplicações da AWS, é possível fazer comparações de faces, objetos e lugares [Amazon_2 2018]. 2.4 Aplicações do Reconhecimento de Face O reconhecimento facial é uma aplicação como a biometria, que tem como objetivo identificar o usuário pela face. Um exemplo é a comunicação pelo sistema CFTV (Circuito Fechado de Televisão), digital ou Analógico, que é usado por muitas empresas para auxiliar nas câmeras de segurança em operação que captura as imagens das pessoas para saber se são autorizados ou não em determinado local e fazer a identificação das mesmas [Revista Segurança Eletrônica 2017]. Esta solução possibilita que quaisquer estabelecimentos comerciais, indústrias, condomínios residenciais e prédios comerciais possam integrar de forma imediata seus

8 8/18 sistemas de vigilância de CFTV, ampliando a segurança, dando inteligência às imagens geradas e aproveitando toda a infraestrutura de câmeras já instaladas, sem a necessidade de novos investimentos nesses equipamentos [Revista Segurança Eletrônica 2017]. 2.5 Trabalhos com Reconhecimento de Face (Imagens) Com a finalidade de exemplificar as diversas maneiras e ferramentas que podem ser usadas no reconhecimento de face, serão demonstrados neste artigo alguns trabalhos realizados Sistema de Reconhecimento de face Existem trabalhos desenvolvidos sobre o tema reconhecimento de face. Inclusive, um deles buscou implementar um sistema de face totalmente automatizado, o qual foi elaborado por [Braga 2013]. Na parte teórica é necessário fazer um estudo profundo para o melhor entendimento do processo. Para implementar um sistema de reconhecimento facial totalmente automatizado que vai desde a detecção até o reconhecimento fácil. [Braga 2013]. Para isso, são necessários algoritmos adequados de identificação de diversas poses do indivíduo e luminosidade das imagens (esses são alguns parâmetros que são usados para fazer a análise de todas as imagens). Para fazer a implementação do sistema, ele tem como base o módulo de detecção de face que foi baseado nos algoritmos de Viola-Jones (primeira estrutura de detecção de objetos criada por Paul Viola e Michael Jones em 2001) que trouxe resultados satisfatórios das imagens. na época, foi sugerido pelo autor treinar mais o módulo de detecção de face, com mais exemplos, para obter melhores resultados treinando faces diferentes, para que assim cada vez menos erros se tenham nas imagens armazenadas no banco de dados [Braga 2013] Aplicativo de reconhecimento de imagens em dispositivos móveis para ambientes previamente mapeados. Em relação ao aplicativo de reconhecimento de imagens em dispositivos móveis para ambientes previamente mapeados, para obter melhor resultado, foi desenvolvida a ferramenta SIROAM (Sistema Integrado de Reconhecimento de Objetos em Ambientes Mapeados). Trata-se de uma ferramenta segura, onde são alocadas as imagens para fazer a comparação e o reconhecimento das imagens. Com as análises que feitas, essa ferramenta é recomendável para fazer o reconhecimento de imagens previamente mapeadas no sistema, o qual demonstra a confiabilidade do algoritmo adquirido. Essa ferramenta dispensa o tempo de treino do algoritmo, o que reduz o tempo de resposta do sistema. Isso ocorre porque os testes foram feitos em ambientes de patrimônio histórico que são padronizados, com isso foi

9 9/18 detectado uma redução no custo do sistema e assim tendo precisão na comparação das imagens [Tomasel 2014] Processamento de imagens para identificação de placas de automóveis. Na pesquisa feita, em relação ao processamento de imagens para identificação de placas de automóveis, foi necessário realizar um estudo sobre as necessidades de melhorias. Percebe-se que ainda é preciso melhorar a área da matemática, que é a parte sólida para fazer o reconhecimento das placas. A tecnologia para esse processamento ainda é obsoleta. Segundo a pesquisa, ainda existe a necessidade de desenvolver novas tecnologias para fazer o processamento das imagens para a identificação das placas com mais precisão. Houve alguns erros na identificação das imagens que, com as novas tecnologias, devem ser melhoradas para obter o resultado satisfatório [Lima 2009]. Na 3ª seção deste artigo, são abordadas algumas das aplicações que existem da empresa AWS, com destaque para a Rekognition, a qual foi usada para desenvolver o projeto estudado neste trabalho. 3. AWS - AMAZON Amazon é uma grande empresa criada por Jeffrey Bezos em 1994 em Seattle (Washington) que começou investindo nas vendas de livros pela internet, mas com o passar dos anos foi se aprimorando no mercado e trazendo outros tipos de produtos e serviços, conquistando vários lugares do mundo. Um dos produtos que a Amazon disponibiliza é a ferramenta AWS (Amazon Web Server) [Ptcomputador 2018]. 3.1 Ferramentas AWS A Ferramenta AWS (Amazon Web Server) é uma plataforma segura de serviços nas nuvens, onde é feito o armazenamento de banco de dados, a distribuição de conteúdo e outras funcionalidades para ajudar as empresas em seu dimensionamento e crescimento. Esses serviços são oferecidos em vários lugares do mundo. A Amazon Web Services oferece um amplo conjunto de produtos globais de nuvem, como: computação, armazenamento de dados, BD, análise, redes, dispositivos móveis, ferramentas para o desenvolvedor, ferramentas de gerenciamento, segurança e aplicações empresariais. Esses serviços ajudam as empresas a se moverem mais rapidamente, têm baixo custo da área de TI e boa funcionalidade das ferramentas. As maiores e melhores empresas desenvolvem-se no mercado acreditando no potencial da AWS como base para uma grande variedade de cargas de trabalho, como: aplicativos da web e móveis, desenvolvimento de jogos, processamento de dados, data warehousing, armazenamento, arquivamento entre outros [Amazon_ ].

10 10/ DynamoBD O DynamoDB é um banco de dados não relacional que tem uma estrutura confiável. O serviço do DynamoDB é um banco de dados gerenciado que pode ser administrado em várias regiões e com vários usuários. É um banco consistente e rápido que tem vários recursos de segurança, backup e restauração e armazenamento em cache de memória [Amazon_ ]. Milhares de clientes da AWS utilizam o DynamoDB para aplicativos móveis e web, bem como para jogos, tecnologia de anúncios e de várias outras áreas que precisam de acesso a dados com baixa latência, por não ter a necessidade de ter um servidor físico para fazer a manutenção necessários. Crie uma nova tabela para o aplicativo e deixe que o DynamoDB se encarregue do resto armazenando os dados e retornando o resultado quando for necessário [Amazon_ ] LAMBDA O Lambda é um serviço da AWS que executa códigos sem o gerenciamento de servidores. Quando é necessário, o código é executado, assim não sendo cobrado quando o código não estiver em execução. Essa ferramenta tem como linguagem compatíveis o Node.js, Java, C#, Go e Python [Amazon_ ] Amazon S3 A Amazon S3 é uma ferramenta de armazenamento de objetos de segurança que é gerada por criptografia que armazena e recupera dados tanto de sites e aplicativos móveis, quanto corporativos, entre outros. S3 é um recurso abrangente de segurança de dados e um serviço de armazenamento nas nuvens que tem o maior suporte do mercado, que, juntamente com outros serviços da AWS, pode ser replicado para outra região da AWS sem perda de dados e que mostra sempre os melhores resultados [Amazon_ ] Rekognition Rekognition é uma das ferramentas de API da AWS que faz o armazenamento de imagens e vídeos. Com essa ferramenta, é possível fazer o reconhecimento de imagens, devido à alta tecnologia desenvolvida pela AWS. Demonstrada a eficiência da API, ela pode ser usada para várias áreas, basta fazer a comparação de imagens já cadastradas no banco de dados e retorna-se um resultado com precisão. O banco usado para fazer esse armazenamento é o Amazon S3 AWS [Amazon_ ]. 4. PROVA DE CONCEITO Esse estudo baseia-se na criação e análise de um sistema de chamada online por meio de reconhecimento facial, utilizando a funcionalidade Rekognition disponibilizada pela Amazon Web Service (AWS).

11 11/18 Foram observados três problemas no método atual de chamada para controle de presença dos alunos em sala de aula. Dentre os identificados está a obrigatoriedade da frequência escolar mínima de 75% (setenta e cinco por cento), conforme prevista pela lei Federal 9.394/96, na qual o controle é de responsabilidade da instituição de ensino frequentada pelo aluno. Da forma como é realizada, onde é retirado pelo professor um período da aula para a realização da chamada, perde-se tempo, o qual poderia ser usado para explicação ou questionamentos sobre o conteúdo. Há, também, falhas que esse processo pode acarretar, visto que outros alunos, no momento da chamada, podem se passar por algum colega ausente. Diante das situações pontuadas, foram pensadas maneiras para solucioná-las, sendo escolhida a ideia de utilizar o reconhecimento de face para tornar o processo mais rápido, sem comprometimento do período da aula e minimizando a possibilidade de falsos resultados. Existem várias empresas e ferramentas para reconhecimento facial, mas, devido alguns pontos observados, foi escolhida a ferramenta Rekognition, da empresa AWS. Primeiramente são notados aspectos da empresa AWS como o porte, idoneidade e posicionamento no mercado. Também se observa o suporte dado para uso das ferramentas. A empresa disponibiliza amplo conteúdo de estudo e apoio para desenvolvedores em várias línguas. Fo percebida a quantidade de ferramentas disponibilizadas, não sendo necessário buscar outras soluções de outras empresas para serem utilizadas no projeto. É demonstrada a arquitetura do projeto conforme a figura 5. Figura 5. Arquitetura do Rekognition [Autoria própria 2018] A arquitetura demonstra a utilização de dois serviços da AWS: o S3 como banco de dados e o Rekognition como o controle de faces. Inicialmente, é capturada a imagem da face por uma câmera, é feito o upload dela para o S3, e o Rekognition é acionado para reconhecimento e comparação dos rostos, trazendo o resultado no aplicativo criado. 4.1 Funcionamento do Rekognition Para a utilização do Rekognition, foram necessárias algumas etapas. Primeiramente há o cadastro na AWS. O próximo passo foi realizar a conexão do computador com as ferramentas da AWS, a qual se fez via SDK, pacote de ferramentas da linguagem de programação que a Amazon, com suas documentações, facilita a configuração.

12 12/18 Pelo site da Amazon, nas configurações do S3, criou-se um bucket para imagens de análise. Cada bucket tem um nome único e não pode ser usado mais por nenhum outro. Neste momento o upload das imagens que serão utilizadas como análise já foi realizado. Para a criação da aplicação utilizada neste teste, foi escolhida a linguagem Python devido facilidade de material disponibilizado como apoio para criar a aplicação e utilização das ferramentas da AWS. O início da programação da aplicação foi o acesso ao bucket, onde criou-se uma função a qual verifica todas as imagens que estão dentro do bucket de análise, criando uma matriz com as id. Depois, criou-se uma coleção. Essa função foi adquirida da documentação para que houvesse um conjunto de faces que pudesse ser pesquisado. Tal conjunto é chamado de coleção, tende cada uma possui um nome único que não pode ser utilizado novamente. O Rekognition quando utilizado em uma imagem traz como resposta informações como: número de identificação de face, o FaceId ; informações sobre os pontos reconhecidos no rosto, o BoundingBox ; número de identificação da imagem utilizada para reconhecimento, o ImageId ; nome do arquivo, chamado de ExternalImageId e a porcentagem de o reconhecimento ser realmente uma face, chamado de Confidence. Sendo assim, foi criado uma função de looping que passa o Rekognition em todas as imagens da matriz e indexa as faces reconhecidas com essas informações na coleção criada. Obtidas todas as faces do S3 de análise, é realizada a captura da imagem de teste. Assim, na função criada, realiza-se o mesmo processo para reconhecimento de face onde utiliza-se o Rekognition, diferenciando de uma única maneira. As faces reconhecidas são salvas em uma lista e não são indexadas na coleção. Após o reconhecimento de todas as faces, é criada uma função para as comparações da lista com a coleção de faces. Se a comparação for positiva, retorna o nome do arquivo salvo no bucket de análise. Realizada toda a programação e configuração do S3 e do Rekognition, é mostrada a programação da aplicação web criada. Trata-se de uma página em PHP que contém uma função em Java script. Esta função habilita a câmera do Hardware e possibilita a captura de uma imagem. Na página web criada é exibida somente a imagem da câmera e um botão escrito Tirar foto. Quando acionado o botão, esta imagem capturada é salva no próprio dispositivo por uma função PHP que chama a programação em linguagem Python com todas as funções referentes ao funcionamento do Rekognition.

13 13/18 Após o Rekognition realizar a comparação da lista de faces com a face reconhecida na imagem capturada pelo aplicativo, retorna-se ou o nome da face ou não reconhecido, resultado que é apresentado para o usuário em uma nova tela do aplicativo. Nela contém a resposta e um botão escrito Tirar nova foto, que, quando acionado, retorna para a página de captura de imagem. Como a idealização e o objetivo do projeto são a rapidez e funcionalidade, o aplicativo contém apenas estas duas páginas, visto que não seriam necessárias mais para o teste da funcionalidade do Rekognition. 4.2 Teste Após a implementação conforme arquitetura mostrada, foram feitos testes para avaliar a proposta. A estrutura física do projeto funciona da seguinte forma: No momento da matrícula dos alunos para as disciplinas tiram-se fotos deles, as quais são salvas no banco de dados, sendo as imagens de análise. Para realizar a chamada de presença, uma filmadora é apontada para a porta da sala de aula, gravando a entrada dos alunos. Essa gravação fornece as imagens de teste. Posteriormente, estas duas imagens, imagens de teste e fotos de análise, são analisadas e comparadas pelo Rekognition, retornando o resultado da lista de presença, como demonstrado na figura 6. Figura 6. Linha de funcionamento do projeto [Autoria própria 2018] No teste realizado, não foi utilizada a filmadora, mas uma câmera de 1.3MP HD que captura as fotos, para serem as imagens de teste. As imagens de análise foram tiradas por meio da câmera de um celular com 8MP, anterior à captura das imagens de teste. O objetivo do presente estudo é testar a funcionalidade de análise e comparação da ferramenta Rekognition. Para obter as imagens de análise, foram capturadas 22 fotos utilizando a câmera do celular. As imagens contêm características como: nenhum uso de acessórios, utilizando óculos, utilizando boné, com o cabelo longo solto e amarrado. Após capturadas as imagens de análise, foi realizado o upload de todas as fotos com os seus respectivos nomes para um bucket no S3. Foi acionada a função da aplicação para criar a lista de faces reconhecidas pelo Rekognition, finalizando os processos com as imagens de análise. Após isso, pode-se começar a captura das imagens de teste. Para isso foi utilizado um notebook que executa o aplicativo web. Sendo assim, ele captura as fotos

14 14/18 de teste, aciona a função de reconhecimento e de comparação do Rekognition e retorna o resultado praticamente em tempo real no aplicativo. Foram capturadas as imagens de análise e de teste com aspectos diferentes, totalizando 24 fotos, pois pensou-se em verificar o que pode ajudar ou atrapalhar a funcionalidade Rekognition no reconhecimento destas faces. Após este processo do teste, observa-se resultados e algumas conclusões. 4.3 Resultados e discussão Para o experimento capturou-se 22 fotos carregadas no bucket como imagens de análise. As imagens foram separadas com as seguintes classificações: uso de óculos, uso de boné, uso de óculos e boné, e sem uso de acessórios, conforme mostra a tabela 1. Tabela 1. Quantidade e classificação das fotos capturadas para análise [Autoria própria 2018]. Acessórios Quantidade de Fotos Sem uso de acessórios 14 Somente óculos 6 Somente boné 1 Boné e óculos 1 Total 22 Também foram tiradas 24 fotos como imagens de teste. O parâmetro usado para testar as imagens foi com relação ao uso de acessórios pelos alunos, sendo que 15 dessas fotos não tinham qualquer tipo de acessório, 6 fotos possuíam somente óculos, 2 tinha somente boné e em 1 era usados boné e óculos, conforme mostra a Tabela 2. Tabela 2: Quantidade e classificação das fotos capturadas para teste [Autoria própria 2018]. Acessórios Quantidade de Fotos Sem uso de acessórios 15 Somente óculos 6 Somente boné 2 Boné e óculos 1 Total 24 A Tabela 3 mostra os resultados obtidos pela classificação dos acessórios utilizados após todas as fotos tiradas e executadas no aplicativo web.

15 15/18 Tabela 3: Resultados Referentes às Fotos tiradas para Testes [Autoria própria 2018]. Resultados Sem acessórios Somente óculos Somente boné Com boné e óculos Total Reconhecidos Não reconhecidos Total Os testes permitem algumas conclusões: demonstram que, apesar de poucos dados coletados, consegue-se um resultado que demonstra que a ferramenta funciona, mas apresenta falhas, demonstrando, assim, não ser 100% eficiente. Dos resultados obtidos, há uma porcentagem por volta de 58% de reconhecimento total. Ao verificar os resultados por utilização ou não de acessórios, há uma diferença pequena: o Rekognition conseguiu identificar 60% sem qualquer tipo de acessório, mas para as faces com algum tipo de acessório este resultado cai para 55,55%. Alguns detalhes chamam a atenção nos resultados obtidos. Foi observado que, após realizado o primeiro teste, independentemente do resultado obtido através do Rekognition, caso realizado um segundo teste com a mesma face em sequência, o resultado trazido pela aplicação seria não reconhecido. No presente estudo foi possível observar algumas limitações no aplicativo criado e no uso da ferramenta Rekognition, impedindo que sejam reconhecidas todas as faces cadastradas novamente ou com alguma variação: seja pelo uso de acessório ou por alguma mudança nas variáveis analisadas, conforme citadas nesse trabalho. Ao final do estudo foi observado que, de forma geral, o Rekognition conseguiu realizar a chamada de pouco mais da metade da turma. É importante frisar que em todas as imagens capturadas para o teste foram detectados rostos. Sendo assim, observa-se a grande capacidade do Rekognition em reconhecer faces. Foram observadas, durante o estudo, duas ocorrências que merecem atenção: um falso positivo (uma face reconhecida como outra) e também não houve reconhecimento referente a face negra testada. Sendo assim, o cuidado com a ferramenta Rekognition não deve ser apenas em relação às mudanças físicas das faces ou de acessórios usados, mas também da configuração de calibragem do reconhecimento de face, tanto para peles escuras como para possíveis erros no reconhecimento. Devem ser verificados alguns problemas que possam ter prejudicado os resultados como, qualidade da câmera e luminosidade do local de coleta das imagens.

16 16/18 Também se sugere estudos mais aprofundados sobre configurações da própria API para tentar obter melhor performance de reconhecimento da ferramenta. Assim, potencializar-se-á os resultados obtidos no teste, melhoramento no código fonte da aplicação criada e principalmente os acessórios utilizados. Demonstra-se, assim, a necessidade de melhorias e mais estudos das configurações e integrações das ferramentas, buscar aperfeiçoar o desenvolvimento do aplicativo e da tecnologia utilizada para fazer a chamada, como as câmeras utilizadas. Deve-se procurar esses avanços para o reconhecimento de face, a fim de conseguir o principal objetivo: mesmo se a pessoa estiver portando algum acessório, diferente ou não (usado no momento do registro da imagem de análise) a pessoa seja ser reconhecida pela ferramenta Rekognition. 5. CONCLUSÃO E SUGESTÕES PARA TRABALHOS FUTUROS Na pesquisa realizada no presente trabalho, constata-se a existência de várias aplicações no mercado para reconhecimento facial e que são de uso possível para realizar esse procedimento por uma aplicação, sendo verificado através da pesquisa bibliográfica e também de artigos que abordam o tema. Porém, para atender o objetivo desse trabalho (a análise do Rekognition), foi criado um aplicativo, para capturar as imagens e realizar o processamento das mesmas, a fim de demonstrar suas funcionalidades e testá-la para o controle de chamada de classe. A pesquisa não teve como intenção esgotar o assunto, devido sua complexidade, mas visa dar sua singela contribuição na construção de uma ferramenta que posteriormente possa vir a cooperar para melhoria dos processos tecnológicos da instituição e com os demais que tiverem interesse em informatizar os seus sistemas de chamadas, sejam eles educacionais ou empresariais. Embora tenha margem de erro do sistema, ele conseguiu retornar o nome do indivíduo quando reconhecido. Espera-se que pesquisadores futuros possam tomar este estudo como base para novas pesquisas e, dessa forma, aprimorar a ferramenta, visando utilizá-la como instrumento eficiente no processo de substituição da chamada de classe, que atualmente é manual, facilitando o trabalho do professor. Ficam para estudos futuros questões como iluminação, posição de câmera, objetos que possam interferir na captura da imagem, qualidade da câmera, melhores configurações das aplicações utilizadas e mudanças físicas das pessoas cadastradas durante o tempo. 6. REFERÊNCIAS Amazon_01 DynamoDB. Banco de dados não relacional para aplicativos que exigem alta performance em qualquer escola. Disponível em: Acesso em: 05 Out 2018.

17 17/18 Amazon_02 Rekognition. Adicione facilmente análise inteligente de imagens e vídeos aos aplicativos. Disponível em Acesso em: 05 Out Amazon_03 S3. Armazenamento de objetos para armazenar e recuperar qualquer quantidade de dados de qualquer local. Disponível em: Acesso em: 05 Out Amazon_04 Lambda. Execute códigos sem pensar sobre os servidores. Pague apenas pelo tempo de computação que você utilizar. Disponível em: Acesso em: 05 Out Amazon_05. Produtos em nuvem. Disponível em: Acesso em: 05 Out BATISTA. Gabriel de Almeida; NEVES. Felipe da Silva Borges; SANTOS. Igor Faggion Silveira; SCHINAID. Anderson Alves; SOUSA. Washington Lopes. Sistema de Identificação e Autenticação Biométrica. Disponível em: O_E_AUTENTICA%C3%87%C3%83O_BIOM%C3%89TRICA. Acesso em: 23 Out BRAGA. Luiz Filipe Zenicola. Sistemas de Reconhecimento Facial. Disponível em: file:///c:/users/user/downloads/braga_luiz_filipe_zenicola.pdf. Acesso em: 03 Out IBM. Watson Visual Recognition. Disponível em Acesso em: 02 Out Idwall. Face Match. Disponível em: Acesso em: 02 Out LIMA. Antônio Vinícius G. Processamento de imagens para identificação de placas de automóveis. Disponível em: Acesso em: 04 Out Microsoft. O que é o Serviço da API de Detecção Facial? Disponível em: Acesso em: 02 Out PtComputador. Como a Amazon começou. Disponível em: Acesso em: 11 Out Projetodraft: O que é Reconhecimento facial. Disponível em: Acesso em: 23 Out 2018.

18 18/18 Revista Segurança eletrônica. 2BFace lança sistema de reconhecimento facial integrado a sistemas de CFTV Digital e Analógico. Disponível em: Acesso em: 03 Out SANTOS. Wagner Ricardo Alves dos. Biometria facial. Disponível em: Acesso em: 23 Out Sinfic_01: um Pouco de História e Principais Abordagens. Disponível em: Acesso em: 02 Out Sinfic_02. Reconhecimento de padrões através de Eigenfaces. Disponível em: Acesso em: 24 out TOMASEL. Tiago Souza, Aplicativo de Reconhecimento de Imagens em Dispositivos Móveis para Ambientes Previamente Mapeados. Disponível em: 014/tstomasel.pdf. Acesso em: 03 Out 2018.