RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 1
TECNOLOGIA BIOMÉTRICA DE RECONHECIMENTO PESSOAL
TECNOLOGÍA BIOMÉTRICA DE RECONOCIMIENTO PERSONAL
BIOMETRIC TECHNOLOGY OF PERSONAL RECOGNITION
Alla KAPITON1
e-mail: kits_seminar@ukr.net
Nataliia KONONETS2
e-mail: natalkapoltava7476@gmail.com
Volodymyr MOKLIAK3
e-mail: vovchik01071981@gmail.com
Valentyna ONIPKO4
e-mail: valentyna.onipko@pdau.edu.ua
Serhiy DUDKO5
e-mail: dudko@pano.pl.ua
Vadym PYLYPENKO6
e-mail: pylypenko@pano.pl.ua
Аnna SOKIL7
e-mail: sokol7227@ukr.net
Como referenciar este artigo:
KAPITON, A.; KONONETS, N.; MOKLIAK, V.; ONIPKO, V.;
DUDKO, S.; PYLYPENKO, V.; SOKIL, А. Tecnologia biométrica
de reconhecimento pessoal. Revista on line de Política e Gestão
Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN:
1519-9029. DOI: https://doi.org/10.22633/rpge.v28i00.19390
| Submetido em: 11/03/2024
| Revisões requeridas em: 08/04/2024
| Aprovado em: 16/05/2024
| Publicado em: 19/06/2024
Editor:
Prof. Dr. Sebastião de Souza Lemes
Editor Adjunto Executivo:
Prof. Dr. José Anderson Santos Cruz
1
Universidade Nacional “Yuri Kondratyuk Poltava Politécnica”, Poltava – Ucrânia. Professor Associado do Departamento de Tecnologias e
Sistemas de Informação e Computação. Doutor em Ciências Pedagógicas.
2
Universidade Cooperativa “Poltava de Economia e Comércio”, Poltava – Ucrânia. Professor Associado do Departamento de Cibernética
Econômica, Economia de Negócios e Sistemas de Informação. Doutor em Ciências Pedagógicas.
3
Universidade Pedagógica Nacional V. G. Korolenko de Poltava, Poltava – Ucrânia. Professor do Departamento de Pedagogia Geral e
Andragogia. Doutor em Ciências Pedagógicas.
4
Universidade Estadual Agrária de Poltava, Poltava – Ucrânia. Professor do Departamento de Agricultura e Agroquímica nomeado após V. I.
Sazanov, Departamento de Construção e Educação Profissional. Doutor em Ciências Pedagógicas.
5
Academia de Educação Contínua M. V. Ostrogradsky de Poltava, Poltava – Ucrânia. Diretor Adjunto. Doutor em Ciências Pedagógicas.
6
Academia de Educação Contínua M. V. Ostrogradsky de Poltava, Poltava – Ucrânia. Primeiro Diretor Adjunto. Doutor em Ciências
Pedagógicas.
7
Universidade Pedagógica Nacional V. G. Korolenko de Poltava, Poltava – Ucrânia. Estudante de Pós-Graduação do Departamento de
Pedagogia Geral e Andragogia.
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 2
RESUMO: Atualmente, o processamento de imagens é amplamente utilizado em sistemas de
segurança para reconhecer pessoas. Para este estudo, foram selecionados algoritmos de
aprendizado de máquina, considerando a disponibilidade limitada de dados. O trabalho analisou
a área de reconhecimento facial, a relevância deste sistema nos dias de hoje, o reconhecimento
biométrico do sistema «Face ID», diversos métodos para o reconhecimento facial e investigou
em quais áreas de atividade o sistema de reconhecimento facial é utilizado e para qual
finalidade. Como parte do estudo, diversos algoritmos de reconhecimento facial foram
analisados. Foi comprovado que todo o sistema de reconhecimento facial pode ser modelado
utilizando o método de extração de contornos Violy-Jones e testado com um resultado bem-
sucedido de reconhecimento de aproximadamente 75%. As capacidades funcionais da
biblioteca de visão computacional OpenCV e outras bibliotecas foram consideradas.
PALAVRAS-CHAVE: Sistema de reconhecimento de objetos. Algoritmo. Visão
computacional. Tecnologias biométricas.
RESUMEN: En la actualidad, el procesamiento de imágenes se utiliza ampliamente en los
sistemas de seguridad para reconocer personas. Para este estudio se seleccionaron algoritmos
de aprendizaje automático, en presencia de una cantidad limitada de datos. El trabajo analizó
el área temática del reconocimiento facial, la relevancia de este sistema en nuestro tiempo, el
reconocimiento biométrico del sistema "FaceID", varios métodos diferentes para el
reconocimiento facial, e investigó en qué áreas de actividad se utiliza el sistema "Face
recognition" y con qué propósito. Como parte del estudio, se analizaron varios algoritmos de
reconocimiento facial. Se ha comprobado que todo el sistema de reconocimiento de caras puede
modelarse utilizando el método de extracción de contornos Violy-Jones y se ha probado con un
resultado de reconocimiento satisfactorio de aproximadamente el 75%. Se consideran las
capacidades funcionales de la biblioteca de visión por ordenador OpenCV y de otras
bibliotecas.
PALABRAS CLAVE: Sistema de reconocimiento de objetos. Algoritmo. Visión por
computadora. Tecnologías biométricas.
ABSTRACT: Today, image processing is widely used in security systems to recognize people.
For this study, machine learning algorithms were selected, in the presence of a limited amount
of data. The work analyzed the subject area of face recognition, the relevance of this system in
our time, biometric recognition of the «FaceID» system, several different methods for face
recognition, and investigated in which areas of activity the «Face recognition» system is used
for which purpose. As part of the study, a number of face recognition algorithms were analyzed.
It has been proven that the entire face recognition system can be modeled using the Violy-Jones
contour extraction method and tested with a successful recognition result of approximately
75%. The functional capabilities of the OpenCV computer vision library and other libraries are
considered.
KEYWORDS: Object recognition system. Algorithm. Computer vision. Biometric technologies.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 3
Introdução
Os principais conceitos do sistema de reconhecimento facial envolvem a capacidade de
detectar e identificar uma ou mais pessoas em uma imagem, ou sequência de quadros de vídeo.
Um sistema tecnológico dedicado a essa função é denominado sistema de reconhecimento
facial. Esses sistemas utilizam diversos métodos de identificação para comparar uma imagem
fornecida com rostos presentes em uma base de dados. Apesar de sua precisão relativamente
menor em comparação com tecnologias como reconhecimento de íris e impressões digitais, o
reconhecimento facial é amplamente empregado em sistemas de segurança devido à sua
capacidade de identificação sem contato direto (Engelbrecht, 2007). O processo geral de
reconhecimento facial pode ser visualizado no esquema apresentado na Figura 1.
Figura 1 – Esquema do processo de reconhecimento facial
Fonte: Elaborado pelos autores.
O reconhecimento facial compreende duas etapas principais. A primeira etapa consiste
na seleção de características faciais, enquanto a segunda etapa classifica os objetos
Webcam
Face detecon
Captured
face images
Image normalizaon
PCA based
training
SVM
classicaon
Recognion
results
PSO parameter
opmizaon
Feature
extracon
Feature
weight vector
Database of faces
Image preprocessing
Face recognion
Training database
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 4
identificados. Cada rosto humano possui numerosos pontos nodais que são utilizados como
características distintivas, tais como a distância entre os olhos, a largura do nariz, a
profundidade das cavidades oculares, o formato das maçãs do rosto e o comprimento da linha
da mandíbula. Esses pontos nodais são medidos para gerar um código numérico denominado
“faceprint”, que representa o rosto na base de dados (Engelbrecht, 2007).
No passado, o software de reconhecimento facial dependia de imagens 2D para comparar
ou identificar outras imagens 2D em uma base de dados. Para ser eficaz e preciso, a imagem
precisava capturar o rosto quase diretamente voltado para a câmera, com pouca variação na luz ou
na expressão facial em relação à imagem na base de dados. Isso representava um desafio
significativo, pois muitas vezes as fotografias não eram tiradas em ambientes controlados. Mesmo
pequenas variações na iluminação ou na orientação podiam degradar o desempenho do sistema,
resultando em dificuldades para encontrar correspondências precisas na base de dados e levando a
altas taxas de erro (Engelbrecht, 2007).
Anteriormente, os principais usuários de software de reconhecimento facial eram
agências de aplicação da lei, que utilizavam esses sistemas para identificar pessoas em
multidões. Algumas agências governamentais também empregam esses sistemas para garantir
a segurança e prevenir fraudes eleitorais. Um exemplo é o programa US-VISIT (US Visitor and
Immigrant Status Determination Technology) do governo dos EUA, que aplica essa tecnologia
aos visitantes estrangeiros admitidos no país. Quando um turista estrangeiro recebe um visto,
suas impressões digitais e uma fotografia são registradas. Esses dados são então verificados em
um banco de dados de criminosos conhecidos e suspeitos de terrorismo. Quando os viajantes
chegam a um ponto de verificação nos EUA, suas impressões digitais e fotografias são
novamente utilizadas para garantir sua identidade (Engelbrecht, 2007).
Pesquisas científicas exploram os problemas relacionados ao reconhecimento facial com
base em momentos invariantes (Reinartz, 2002; Jankowski; Grochowski, 2004). Os momentos
invariantes são frequentemente utilizados como características em tarefas de identificação de
pessoas. O trabalho de Jankowski e Grochowski (2004) investiga as propriedades desses
momentos, demonstrando que diferentes dados apresentam sensibilidades variadas a mudanças.
Apesar das abordagens existentes para seleção de características faciais, como lábios, nariz e
perfil facial, considerando diversos fatores complicadores na análise de imagens (como ruído,
variações na orientação facial e expressões emocionais), ainda não existe uma abordagem
universalmente eficaz para resolver esses desafios.
Propõe-se uma abordagem combinada que integra diversas ferramentas para o
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 5
reconhecimento facial. Isso inclui métodos de seleção de momentos invariantes, formação de
classes de referência de pessoas, a métrica Euclidiana-Mahalanobis, e o uso de redes neurais
artificiais (Reinartz, 2002). Transformações generalizadas modificadas para processamento de
imagens tridimensionais com parâmetros de rotação e escala desconhecidos têm sido abordadas
em vários estudos (Hart, 1968). Os resultados dos algoritmos para detecção rápida de objetos
utilizando o método de cascata de funções simples e métodos para reconhecimento facial em
tempo real são discutidos (Gates, 1972; Aha; Kibler; Albert, 1991).
Entre os estudos recentes dedicados ao reconhecimento facial, destacam-se os trabalhos
de Wilson (1972) e Kibler e Aha (1987), que desenvolvem modelos teórico-probabilísticos para
imagens em meio-tom e aplicam métodos de identificação de pessoas com base na regra
Bayesiana. Tomek (1976) enfatiza a importância de pesquisar sistemas modernos de
reconhecimento facial com base em estudos aprofundados de problemas de aprendizado de
máquina.
O estudo das questões relacionadas às ferramentas de reconhecimento de imagem por
computador e sua visualização com base em dados recebidos inclui a construção de histogramas
de gradientes orientados para identificação de pessoas (Jankowski, 2000). A segmentação
eficaz de imagens com base em sua representação gráfica é explorada por Broadley (1993) e
Wilson (2000). O uso de redes neurais para reconhecimento facial é amplamente investigado
no trabalho de et al. (1975).
Os principais métodos e técnicas de representação e reconhecimento de gestos, bem
como os métodos para reconhecimento facial dinâmico utilizando estudos de conteúdo de
vídeo, estão definidos (Skalak, 1994; Domingo; Gavalda; Watanabe, 1999). Foram
estabelecidas as principais etapas de projeto para o desenvolvimento e implementação de
sistemas de vigilância e monitoramento por vídeo (Kohonen, 1988; Madigan et al., 2002).
Problemas relacionados ao reconhecimento de atividades visuais e interações usando análise
estocástica, incluindo a projeção de modelos de imagem de fundo adaptativos para detecção e
rastreamento de pessoas em tempo real, são abordados em diversos estudos científicos
(Suykens; Vandewalle, 1999; Reeves; Bush, 2001; Li et al., 2007; Sane; Ghatol, 2007; Evans,
2008; Koskimaki et al., 2008; Subbotin, 2013a, 2013b).
Atualmente, há uma crescente popularização de softwares em diversas aplicações, à
medida que os sistemas se tornam mais acessíveis e seu uso se generaliza. Esses sistemas já
estão integrados com câmeras e computadores utilizados em bancos, aeroportos e outros
ambientes sociais. A Transport Security Administration (TSA) dos Estados Unidos está
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 6
atualmente testando um software para passageiros frequentes, que precisam se registrar na
plataforma. Esse software permite uma triagem rápida dos passageiros e realiza uma avaliação
de ameaças à segurança. Para otimizar o fluxo nos aeroportos, as filas foram organizadas em
duas colunas, onde uma delas utiliza biometria facial para verificação dos passageiros.
Outros aplicativos integram funcionalidades da TSA e serviços de transferência de
dinheiro. Esses programas conseguem verificar rapidamente a identidade do cliente, mediante
a autorização para armazenar uma imagem digital. O software FaceID gera uma impressão
facial a partir dessa imagem para proteger os clientes contra roubo de identidade. O uso de
reconhecimento facial elimina a necessidade de apresentar documento de identidade com foto,
cartão bancário ou Número Pessoal de Identificação (PIN) para verificar a identidade do cliente,
auxiliando as empresas na prevenção de fraudes.
Pelo menos todos os exemplos mencionados acima funcionam com permissão humana;
no entanto, existem também sistemas que não exigem autorização. Às vezes, o sistema pode
fotografar o cliente sem permissão, violando assim a lei de privacidade. É evidente que essas
tecnologias frequentemente têm sido criticadas, pois não se sabe como podem afetar a vida de
uma pessoa. Os danos causados pelas tecnologias de reconhecimento facial à privacidade, à
liberdade de expressão e ao devido processo afetam a todos nós e não devem ser tratados
levianamente. Mesmo que a tecnologia de reconhecimento facial não apresentasse problemas
de precisão enviesada ou fosse implantada de forma aleatória e descuidada, aumentando a
probabilidade de erro, ainda representaria uma séria ameaça aos valores democráticos,
funcionando exatamente como pretendido.
Este estudo investiga os processos de reconhecimento e processamento de imagens
amplamente utilizados em modernos sistemas de informação de segurança para o
reconhecimento de pessoas. Durante a execução das tarefas atribuídas, foi realizada uma análise
detalhada do reconhecimento facial biométrico usando o sistema FaceID, explorando diferentes
métodos de reconhecimento facial e investigando seu escopo de implementação e áreas de
aplicação. Uma contribuição significativa da pesquisa foi o desenvolvimento e avaliação de um
sistema de reconhecimento facial baseado no método de seleção de contorno Viola-Jones,
considerado eficaz e adequado para implementação. Os autores dedicaram especial atenção à
funcionalidade da biblioteca de visão computacional OpenCV, destacando a necessidade de
futuras investigações aprofundadas.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 7
Materiais e métodos
O objetivo deste estudo é determinar a viabilidade de implementar um sistema de
reconhecimento facial utilizando visão computacional e bibliotecas de reconhecimento facial.
As tarefas de pesquisa incluem o estudo da tecnologia de reconhecimento facial, análise de
métodos de detecção, reconhecimento, formação de pontos de características e codificação de
características faciais com base em um retrato eletrônico. O resultado planejado deste trabalho
é o desenvolvimento de um sistema capaz de identificar uma pessoa através de seu rosto
humano.
Entre os métodos de reconhecimento biométrico mais promissores, destaca-se o
reconhecimento facial. Essa técnica oferece diversas vantagens sobre métodos similares,
incluindo alta precisão na identificação, capacidade de verificação remota, análise anônima e
exigência apenas de uma câmera de vídeo. A diversidade de algoritmos disponíveis, aliada à
velocidade e precisão na busca, possibilita que o sistema opere eficazmente em diversas
condições. Essas características impulsionaram o desenvolvimento do método, tornando-o o
segundo mais comum após a impressão digital.
Para melhorar ainda mais a precisão, uma combinação de múltiplos algoritmos de
análise facial é essencial. Por exemplo, a identificação da orelha complementa a identificação
facial com eficácia comprovada. Contudo, a otimização inadequada ao usar múltiplos
algoritmos pode neutralizar os benefícios dessa abordagem combinada. Uma das tendências
mais promissoras no mercado de biometria é a introdução de câmeras digitais inteligentes com
capacidade de análise facial integrada. Essas câmeras não apenas oferecem alta qualidade de
imagem, mas também podem anexar metadados às imagens, contendo informações sobre os
rostos detectados. Isso reduz a carga de hardware, diminuindo o custo dos sistemas de
reconhecimento biométrico e tornando-os mais acessíveis. Além disso, a transmissão de dados
comprimidos e um pequeno fluxo de imagens de detecção de rostos aliviam os canais de dados.
A escolha do método Viola-Jones pelos pesquisadores deste estudo baseia-se em sua
eficiência comprovada na busca de objetos em imagens e vídeos em tempo real. Estudos
realizados por cientistas nacionais e internacionais demonstram que esse método apresenta
baixa probabilidade de erro na identificação de pessoas. A precisão de reconhecimento
utilizando este método é consideravelmente alta, o que é um resultado desejável. No entanto, é
importante notar que o método padrão não é capaz de detectar rostos humanos virados em
ângulos arbitrários, o que pode limitar sua aplicação em sistemas de produção modernos,
considerando as crescentes exigências tecnológicas (Winarno et al., 2018).
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 8
Sistemas de reconhecimento facial são utilizados amplamente não apenas para fins
como identificação de criminosos ou pessoas procuradas em locais movimentados, mas também
para tarefas domésticas cotidianas. Com a proliferação de câmeras e a melhoria contínua dos
algoritmos de detecção e análise facial, a precisão do reconhecimento aumentou
significativamente. Apesar das semelhanças funcionais entre os softwares disponíveis, a
escolha dos usuários geralmente é baseada em suas preferências individuais.
Resultados e Discussão
O reconhecimento facial de alta qualidade depende significativamente das condições
sob as quais o sistema é implementado. É crucial estabelecer essas condições para garantir o
desempenho adequado do sistema. A maioria dos sistemas modernos de reconhecimento facial
consegue operar eficientemente sob condições específicas. Por exemplo, é essencial organizar
o fluxo de pessoas em pontos de controle para permitir a captura facial eficaz a curto prazo.
Além disso, a posição das câmeras em relação ao rosto não deve variar mais do que 30 graus.
O cumprimento rigoroso dessas condições é fundamental para alcançar a identificação precisa
e a busca eficaz de indivíduos, conforme as altas taxas de precisão declaradas pelos fabricantes
desses sistemas.
Recentemente, tem havido uma tendência em direção ao uso de software de
reconhecimento facial que emprega modelos 3D para aumentar a precisão. O reconhecimento
facial 3D utiliza características faciais específicas, como os contornos das cavidades oculares,
nariz e queixo, para capturar uma imagem tridimensional em tempo real do rosto de uma pessoa
(Figura 2). Essas características são únicas para cada indivíduo e permanecem consistentes ao
longo do tempo (Engelbrecht, 2007).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 9
Figura 2 – Modelo de Face tridimensional
Fonte: Elaborado pelos autores.
Utilizando um eixo de profundidade e medição que não é afetado pela iluminação, o
reconhecimento facial 3D pode ser empregado mesmo em ambientes com pouca luz, permitindo
o reconhecimento do objeto a partir de diferentes ângulos de visualização, incluindo até 90
graus (perfil facial). Com o uso de software com capacidades de reconhecimento 3D, o sistema
executa uma série de etapas para verificar a identidade de uma pessoa:
– Detecção - a imagem pode ser obtida digitalizando uma fotografia existente (2D)
digitalmente ou capturando uma imagem ao vivo do objeto por meio de vídeo (3D);
– Alinhamento - após detectar a pessoa, o sistema determina a posição, tamanho e postura
da cabeça. No caso de reconhecimento 3D, o sistema é capaz de identificar o objeto em
um ângulo de até 90 graus, enquanto em modelos 2D a cabeça deve estar virada para a
câmera por pelo menos 35 graus;
– Mensurações - o sistema realiza cálculos das curvas da pessoa com uma precisão
submilimétrica ou de micro-ondas, criando assim um modelo detalhado;
– Codificação - o sistema traduz o modelo em um código único. Esta codificação atribui
a cada modelo um conjunto de números que representam as características faciais do
objeto;
– Correspondência - se a imagem for tridimensional e o banco de dados contiver imagens
tridimensionais, a comparação é realizada sem a necessidade de alterações na imagem
(Hart, 1968; Wilson, 1972; Tomek, 1976; Kibbler; Aha, 1987; Jankowski, 2000;
Reinartz, 2002; Jankowski; Grochowski, 2004; Engelbrecht, 2007).
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 10
Atualmente, há um desafio significativo com a autenticação de imagens que
permanecem em formato 2D. Em contraste, no contexto do reconhecimento 3D, que envolve a
representação de um objeto em três dimensões espaciais, geralmente através das coordenadas
X, Y e Z, pontos distintos são determinados, como a parte externa do olho, a parte interna do
olho e a ponta do nariz. Esses pontos são marcados e medidos para criar uma imagem 3D.
Posteriormente, um algoritmo é aplicado para projetar essa imagem em um formato 2D. Após
essa conversão, o programa compara a imagem resultante com as imagens 2D armazenadas no
banco de dados para identificar possíveis correspondências.
Existem dois modos principais de operação: verificação e identificação. Na verificação
(1:1), a imagem é comparada exclusivamente com uma figura específica no banco de dados
para validar a identidade. Em contrapartida, na identificação (1:2), a imagem é comparada com
múltiplas figuras no banco de dados, gerando uma pontuação para cada possível
correspondência. Esse método é utilizado quando é necessário identificar uma pessoa entre
várias.
O modelo vetorial é reduzido e utilizado principalmente para buscas rápidas em bancos
de dados, especialmente em buscas de um-para-muitos. A Análise de Textura de Superfície
(ATS) é a maior das três metodologias e realiza uma etapa final após a busca no modelo LFA,
baseando-se nos elementos da pele na imagem que contêm informações mais detalhadas.
Devido à combinação de todos esses padrões, o Face ID apresenta uma vantagem sobre outros
sistemas. Ele é insensível a mudanças na expressão facial, incluindo piscar, franzir a testa ou
sorrir, e pode compensar a presença de barba, bigode e o uso de óculos. No entanto, o Face ID
não é perfeito. Há diversos fatores que podem impedir o reconhecimento, como reflexos
significativos nos óculos, a presença de óculos escuros, cabelo cobrindo a parte central do rosto,
iluminação inadequada que resulte em uma imagem mal iluminada e baixa resolução (imagem
capturada de muito longe).
No entanto, os fabricantes estão se esforçando para melhorar a usabilidade e a precisão
dos sistemas. Os sistemas de reconhecimento facial são utilizados em várias áreas:
• Desbloqueio de telefones: Muitos celulares, incluindo os mais recentes iPhones, utilizam
o reconhecimento facial para desbloquear o dispositivo.
• Aplicação da lei: O reconhecimento facial é regularmente usado por agências de
segurança.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 11
• Aeroportos e controle de fronteiras: A tecnologia tornou-se comum em muitos
aeroportos ao redor do mundo.
• Busca por pessoas desaparecidas: Pode ser utilizado para localizar pessoas desaparecidas
e vítimas de tráfico humano.
• Redução de crimes no varejo: É empregado para identificar quando ladrões conhecidos,
criminosos organizados do varejo ou pessoas com histórico de fraude entram nas lojas.
• Aprimoramento da experiência de compra: A tecnologia tem o potencial de melhorar a
experiência do cliente no varejo.
• Bancos: O banco on-line biométrico é outro benefício do reconhecimento facial.
• Marketing e publicidade: Profissionais de marketing utilizam a tecnologia para melhorar
a experiência do consumidor.
• Saúde: Hospitais utilizam o reconhecimento facial para ajudar pacientes.
• Controle de presença de alunos ou funcionários: Algumas instituições educacionais usam
a tecnologia para garantir a presença dos alunos nas aulas. (Hart, 1968; Reinartz, 2002;
Jankowski; Grochowski, 2004; Engelbrecht, 2007; Subbotin, 2013a, 2013b).
Além dessas aplicações, o software de gestão de câmeras IP para trabalhadores de PC
(NVR) é suportado por um sistema autêntico de controle central, que é uma solução de
monitoramento e controle que suporta um número ilimitado de câmeras. O console principal é
o servidor de gravação do NVR, que exibe vídeo ao vivo e configura o sistema. O recurso Save
Video converte imagens para formatos de vídeo padrão. Para garantir brilho, nitidez e tons de
cinza uniformes na imagem, é necessário utilizar um aprimorador de vídeo. Outro uso
importante da análise de vídeo em sistemas de vigilância é o uso de câmeras inteligentes. Uma
câmera inteligente é uma câmera equipada com um módulo adicional que realiza o
processamento de vídeo, e esses dois elementos são geralmente integrados em um único corpo.
A principal diferença entre uma câmera inteligente e uma câmera comum é que a câmera
inteligente analisa o que vê e toma decisões com base nos resultados dessa análise. Um
programa de computador realiza uma análise matemática dos dados de entrada e encontra
padrões que podem ser descritos matematicamente. As características faciais únicas de uma
pessoa são codificadas em um arquivo de computador usando apenas uma pequena quantidade
de memória (menos de 100 bytes). Esse rosto é então comparado com rostos previamente
capturados e armazenados em um banco de dados. O operador que trabalha com os dados deve
ser informado exibindo informações adicionais sobre o fluxo de vídeo atual. As desvantagens
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 12
típicas de sistemas desse tipo incluem funcionalidade limitada, impossibilidade de expansão de
software e hardware, e processamento de dados em “nuvens” corporativas (Subbotin, 2013a,
2013b).
Atualmente, a empresa investe em pesquisa e desenvolvimento para expandir suas
capacidades de negócios no sistema de controle de acesso e alarme de segurança. As vantagens
desse sistema incluem: Vídeo em 1080p; Notificações instantâneas de atividades; Áudio
bidirecional; Imagem perfeita a uma distância de 500 metros, sem perda de qualidade;
Funcionamento no escuro e Possibilidade de definir zonas de atividade (Subbotin, 2013a,
2013b). A partir da pesquisa, foi elaborada uma tabela com os requisitos funcionais (Tabela 1).
Tabela 1 – Requisitos funcionais do programa
1.
O programa deve carregar a base de dados facial
2.
O programa deve extrair as características faciais das fotos no banco de dados
3.
O programa deve enviar a imagem da webcam para o monitor
4.
O programa deve exibir a assinatura do rosto reconhecido ou a palavra “Desconhecido” se o rosto não for
reconhecido
Fonte: Elaborado pelos autores.
A escolha da categoria e do método depende das restrições e condições de
reconhecimento de pessoas. Entre as restrições que influenciam a escolha do princípio para
resolver o problema, destacam-se: a presença ou ausência de obstáculos artificiais no rosto,
características espaciais da posição das pessoas, cor da imagem, escala do rosto e resolução da
imagem, número de pessoas na imagem, condições de iluminação dos objetos, e a prioridade
em minimizar falsos reconhecimentos ou em maximizar a quantidade de pessoas reconhecidas.
Existem diversos métodos e abordagens utilizados em sistemas de reconhecimento
facial. Entre eles, destaca-se o método dos Componentes Principais (PCA), a Análise
Discriminante Linear (LDA), Modelos Ocultos de Markov (HMM), e Wavelets de Gabor
(Barina, 2011; Yoon, 2009; Jurafsky; Martin, 2016). Ao utilizar Modelos Ocultos de Markov
para resolver o problema de reconhecimento facial, cada classe de rostos calcula seu próprio
modelo oculto de Markov. Em seguida, para o método desconhecido, todos os modelos
disponíveis são executados, e busca-se aquele que proporciona o resultado mais próximo. A
desvantagem dessa abordagem é que os Modelos Ocultos de Markov não possuem boa
resolução, pois o algoritmo de aprendizado maximiza a resposta para suas classes, mas não
minimiza a resposta para outras classes.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 13
Métodos de reconhecimento baseados no uso de Wavelets de Gabor mostram alta
eficiência. Filtros de Gabor são utilizados na etapa de pré-processamento para formar um vetor
de características de Gabor de uma imagem facial. O método das Wavelets de Gabor é resistente
a mudanças na iluminação, pois não utiliza diretamente os valores dos tons de cinza de cada
pixel, mas extrai características (Hart, 1968; Aha; Kibler; Albert, 1991; Reinartz, 2002;
Jankowski; Grochowski, 2004).
A seguir, o trabalho descreve e analisa métodos modernos de reconhecimento facial,
começando pelo Método dos Componentes Principais (PCA). A ideia é representar imagens
faciais como um conjunto de componentes principais das imagens, conhecidos como “rostos
próprios”. Estes rostos possuem a propriedade útil de que cada vetor correspondente se
assemelha ao formato de um rosto. O cálculo dos componentes principais é realizado através
da obtenção dos autovetores e autovalores da matriz de covariância derivada da imagem. A
reconstrução da imagem é obtida pela combinação linear dos principais componentes
multiplicados pelos vetores próprios correspondentes (Hart, 1968; Jankowski; Grochowski,
2004).
Para cada fotografia facial, são calculados seus principais componentes, variando
geralmente de 5 a 200. O processo de reconhecimento envolve a comparação dos principais
componentes do retrato desconhecido com os componentes de todas as imagens conhecidas.
Supõe-se que as imagens correspondentes à mesma pessoa formem clusters no espaço de
características. São selecionadas as fotos que apresentam menor distância em relação à imagem
de entrada (desconhecida) no banco de dados (Jankowski; Grochowski, 2004).
O método dos rostos próprios requer condições ideais para sua aplicação, como
iluminação uniforme, expressão facial neutra e ausência de obstruções como óculos e barba. Se
essas condições não forem atendidas, os componentes principais podem não captar variações
entre indivíduos. Em diferentes condições de iluminação, este método pode ser limitado, pois
os primeiros componentes principais frequentemente refletem variações na iluminação,
resultando em comparações que não são discriminativas. Sob condições ideais, a precisão de
reconhecimento utilizando este método pode alcançar mais de 90%, representando um resultado
significativo
O cálculo de um conjunto de autovetores é altamente demorado. Um dos métodos para
mitigar isso é reduzir as imagens por linhas e colunas, resultando em uma representação menor
que acelera o processo de cálculo e reconhecimento, embora não seja mais possível restaurar a
foto original. O Método Viola-Jones é altamente eficaz na detecção de objetos em imagens e
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 14
vídeos em tempo real. Esta abordagem apresenta uma baixa probabilidade de identificação
errônea de uma pessoa, sendo capaz de detectar características faciais mesmo sob pequenos
ângulos, aproximadamente até 30 graus. A precisão de reconhecimento utilizando este método
pode superar 90% (Winarno et al., 2018).
O Método de Comparação de Modelos (Template Matching) baseia-se na seleção e
comparação de áreas específicas do rosto em diferentes imagens. Cada área similar aumenta o
grau de similaridade entre as fotografias. Algoritmos simples, como comparação de pixels, são
utilizados para esta conferência (Hart, 1968; Reinartz, 2002; Jankowski; Grochowski, 2004).
Uma desvantagem deste método é a demanda por recursos significativos tanto para
armazenamento quanto para comparação de áreas. Além disso, requer que as imagens sejam
capturadas sob condições estritamente controladas, sem variações perceptíveis na pose,
iluminação, expressão facial, entre outros. A precisão de reconhecimento utilizando este
método é em torno de 80% (Jankowski; Grochowski, 2004).
A Rede Neural Hopfield utiliza um algoritmo de aprendizagem que difere dos métodos
clássicos de perceptron, calculando todos os coeficientes da matriz de pesos em um único ciclo.
Esta rede é configurada rapidamente para o reconhecimento de padrões. No entanto, suas
limitações incluem a sensibilidade a imagens muito semelhantes e a necessidade de que as
imagens não sejam deslocadas ou rotacionadas em relação ao estado original. Para superar estas
limitações, diversas modificações da rede neural Hopfield têm sido propostas, incluindo
transformações ortogonais que permitem a recuperação de imagens altamente correlacionadas
através de conjuntos duais de vetores. A precisão de reconhecimento utilizando este método
pode exceder 90%, alcançando em alguns casos resultados próximos a 100% (Hart, 1968; Aha;
Kibler; Albert, 1991; Broadley, 1993; Jankowski, 2000; Wilson, 2000; Reinartz, 2002;
Jankowski; Grochowski, 2004).
Uma abordagem abrangente para o reconhecimento facial, que se mostrou promissora
na resolução da tarefa proposta, envolve a implementação de experimentos computacionais que
utilizam imagens de meio-tom através de classificadores Euclidiano-Mahalanobis (baseados
em métricas), redes neurais probabilísticas e momentos invariantes. O uso da métrica
Euclidiano-Mahalanobis permite ao sistema lidar com variações na orientação da cabeça e
mudanças na luminosidade da imagem. Por outro lado, as redes neurais probabilísticas são
eficazes na gestão de desafios como olhos fechados e variações na expressão facial (como
sorrisos e caretas). Entretanto, o treinamento de inteligência artificial para redes neurais
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 15
demanda um investimento significativo de tempo devido à quantidade extensa de dados
necessária.
Deve-se destacar uma vantagem significativa da tecnologia de reconhecimento facial:
sua inviolabilidade, uma vez que não envolve elementos como senhas que possam ser roubados
ou alterados. Não é viável garantir que uma pessoa mantenha uma posição fixa para permanecer
parada e olhar diretamente para a câmera, o que ocasionalmente compromete a precisão dos
resultados. Se uma pessoa modificar sua aparência, como mudar o cabelo ou usar acessórios,
pode se tornar praticamente impossível reconhecê-la (Broadley, 1993; Jankowski, 2000;
Wilson, 2000; Reinartz, 2002; Jankowski; Grochowski, 2004).
Com base nas considerações anteriores, a criação de métodos híbridos que combinem
as vantagens e minimizem as desvantagens das abordagens individuais mencionadas parece ser
uma direção promissora para o avanço contínuo da tecnologia de reconhecimento facial.
Um algoritmo de particular destaque é o Viola-Jones. Embora seja lento para o
aprendizado, este algoritmo é capaz de detectar faces em tempo real com uma eficiência
impressionante. Funcionando em imagens em escala de cinza, o algoritmo examina várias sub-
regiões menores da imagem e procura por características específicas em cada uma delas para
identificar rostos. É necessário verificar muitas posições e escalas diferentes, pois uma imagem
pode conter múltiplas faces de diferentes tamanhos. Viola e Jones utilizaram funções
semelhantes a Haar para a detecção de rostos neste algoritmo (Reinartz, 2002; Jankowski;
Grochowski, 2004).
É importante notar que este método apresenta uma probabilidade muito baixa de
identificação falsa de uma pessoa. No entanto, a eficácia da detecção diminui significativamente
em ângulos superiores a 30 graus, dificultando a detecção de rostos humanos posicionados em
ângulos variáveis. Esse aspecto pode complicar a implementação do algoritmo em sistemas de
produção modernos, considerando as crescentes demandas por precisão. O algoritmo se baseia
em três tipos de características semelhantes a Haar, conforme ilustrado na Figura 3.
Figura 3 – Três Tipos de Características Viola-Jones
Fonte: Elaborado pelos autores.
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 16
A representação integral da imagem é uma matriz que coincide em tamanho com a foto
original. Cada elemento armazena a soma das intensidades de todos os pixels localizados à
esquerda e acima do elemento dado. A Wavelet transform (WT) é frequentemente empregada
para analisar processos instáveis, demonstrando eficácia na aplicação a diversas tarefas
relacionadas ao processamento de imagens. Os coeficientes contêm informações sobre o
processo analisado e a Wavelet utilizada, sendo a escolha desta, determinada pelo tipo de
informação a ser extraída do processo. Cada Wavelet possui características distintas durante o
movimento linear nos domínios temporal e de frequência.
Para a determinação dos contornos faciais, foram conduzidos diversos experimentos
utilizando o MatLab, um sistema de matemática computacional que utiliza as bibliotecas de
Visão Computacional (CV) e Toolbox. Os resultados dos experimentos indicaram que o método
de Prewitt e Sobel foi o mais eficaz dentro dos limites de aplicação especificados (Fig. 4). A
taxa de detecção facial foi de 75%, com uma variação de inclinação entre 14% e 26%. Estes
experimentos destacaram que os métodos de Sobel e Prewitt são os mais eficientes para a
seleção de contornos, devido à sua capacidade de refletir com precisão os principais e
secundários contornos da imagem sem introduzir ruído excessivo. Tais métodos serão adotados
em futuras aplicações.
Figura 4 – Métodos de Seleção de Contornos
Fonte: Elaborado pelos autores.
Para o sistema de Reconhecimento Facial, foi adotada a linguagem de programação
Python, e dentro dessa linguagem, a biblioteca OpenCV é utilizada. OpenCV é uma biblioteca
de visão computacional de código aberto projetada para análise, classificação e processamento
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 17
de imagens. Amplamente empregada em linguagens como C, C++, Python e Java, essa
biblioteca é aplicada na detecção de objetos, rostos, doenças, lesões, placas de veículos e até
mesmo texto manuscrito em diversas imagens e vídeos. Com o OpenCV em Aprendizado
Profundo (Deep Learning), expande-se o espaço vetorial e realizam-se operações matemáticas
sobre essas características para identificar padrões visuais e suas diversas características.
A visão computacional é definida como uma disciplina que explora como reconstruir,
extrair e entender um espaço 3D a partir de suas imagens 2D, em termos das propriedades da
estrutura presente no espaço. Ela dedica-se à modelagem e à replicação da visão humana
utilizando software e hardware de computador (Wilson, 1972).
A visão computacional é o processo pelo qual se compreende imagens e vídeos,
determinando como são armazenados e como podem ser manipulados e extraídos dados deles.
Essa tecnologia é fundamental para a inteligência artificial, desempenhando um papel
importante em carros autônomos, robótica e aplicativos de correção de fotos. Diferentemente
da fotografia, a visão computacional não reflete a realidade de forma direta, mas a interpreta,
muitas vezes incorretamente, impondo significados baseados em suposições estatísticas. Os
dados brutos dos algoritmos de visão computacional não possuem valor verdadeiro intrínseco;
eles fornecem apenas probabilidades estatísticas que são truncadas em estados booleanos,
disfarçados de resultados verdadeiros, com significados adicionados na pós-produção.
Dlib é uma das bibliotecas de código aberto mais poderosas e fáceis de usar, consistindo
em bibliotecas e algoritmos de aprendizado de máquina, além de várias ferramentas de
desenvolvimento de software. A licença de código aberto do Dlib permite seu uso gratuito em
qualquer aplicação (Tomek, 1976).
O Dlib oferece duas funções distintas para captura de rosto: HoG + Linear SVM e Max-
Margin CNN. O algoritmo Histogram Oriented Gradients (HoG) + Linear Support Vector
Machine (SVM) no Dlib proporciona reconhecimento facial frontal muito rápido, mas possui
capacidades limitadas para reconhecer poses faciais em ângulos agudos, como em imagens de
CCTV ou em ambientes de observação aleatória, onde o sujeito não participa ativamente do
processo de identificação. Este método é adequado para situações onde o sensor pode contar
com uma visão direta e desobstruída do rosto do participante, como em caixas eletrônicos,
sistemas de identificação de moldura móvel e sistemas de reconhecimento CCTV móvel, onde
as câmeras podem obter um perfil direto de motoristas.
O detector de rosto Max-Margin CNN (MMOD) é um detector robusto e confiável,
acelerado por GPU, que utiliza uma Rede Neural Convolucional (CNN). Este método é
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 18
significativamente melhor na detecção de rostos em ângulos obscuros e em ambientes
desafiadores, sendo adequado para vigilância casual e análise urbana.
O MMOD (Maximum-Margin Object Detection) não é uma alternativa independente ao
HoG (Histogram of Oriented Gradients) + Linear SVM, mas pode ser aplicado ao próprio HoG
ou a qualquer modelo visual de saco de palavras que trate clusters de pixels detectados como
entidades para possível rotulagem, incluindo o reconhecimento facial. A seguir, serão
comparados o HoG e o MMOD. A atratividade do HoG + Linear SVM no Dlib está em seu
baixo uso de recursos, sua eficácia ao trabalhar na CPU, e sua capacidade de lidar com rostos
não frontais, além de oferecer um procedimento relativamente poderoso de detecção de oclusão.
No entanto, a implementação padrão exige um tamanho mínimo de rosto de 80×80 pixels. Para
detectar rostos menores que esse limite, é necessário treinar uma implementação própria. Além
disso, essa abordagem apresenta resultados insatisfatórios para ângulos agudos do rosto, cria
quadros de delimitação que podem cortar excessivamente as características faciais e enfrenta
dificuldades em casos complexos de oclusão.
Por outro lado, a vantagem do MMOD (CNN) no Dlib reside principalmente em sua
capacidade de reconhecer orientações faciais complexas, uma característica decisiva
dependendo do ambiente-alvo. Ele também oferece uma velocidade impressionante com acesso
a uma GPU média, uma arquitetura de aprendizado fácil e excelente processamento de oclusão.
No entanto, ele pode produzir retângulos de delimitação ainda mais restritos que o HoG +
Linear SVM na implementação padrão, opera significativamente mais lento na CPU do que o
HoG/LSVM, e compartilha a incapacidade do HoG/LSVM de detectar rostos menores que 80
pixels, novamente exigindo uma construção personalizada para certos cenários, como pontos
de vista de ruas que se estendem à distância.
A principal tarefa do sistema de “Reconhecimento Facial” é a detecção de rostos.
Primeiro, é necessário encontrar um rosto em uma foto ou imagem antes de poder distingui-los.
Quando a câmera detecta rostos automaticamente, ela entende que todos os rostos estão em
foco antes de tirar a foto. Nesse caso, tal função é utilizada para detectar uma parte da imagem
que será posteriormente usada para reconhecimento.
Neste trabalho, foi escolhido o método “Histograma de Gradientes Orientados” (HoG)
por sua confiabilidade. Para encontrar um rosto em uma imagem, é necessário torná-la preta e
branca, pois os dados de cor não são necessários para este processo. Para converter uma foto
ou imagem em preto e branco, utiliza-se uma função da biblioteca OpenCV (Fig. 5).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 19
Figura 5 – Convertendo a Imagem para Preto e Branco
Fonte: Elaborado pelos autores.
Cada pixel da imagem é então examinado individualmente. Nesse processo, é necessário
considerar todos os pixels ao redor de cada pixel isolado. A principal tarefa deste procedimento
é identificar o pixel mais escuro da imagem e coletar dados sobre os outros pixels ao seu redor.
O próximo passo será determinar a direção em que a imagem se torna mais escura, representada
por setas (Fig. 6).
Figura 6 – Gradientes de Pixels
Fonte: Elaborado pelos autores.
Repetindo este procedimento para cada pixel da imagem, todos os pixels serão
substituídos por setas. Essas setas, chamadas de gradientes, indicam o fluxo dos pixels claros
para os escuros ao longo da imagem. A substituição dos pixels por gradientes é vantajosa na
análise comparativa de imagens, pois tanto imagens escuras quanto claras da mesma pessoa
terão valores de pixels diferentes. Contudo, ao considerar a direção da mudança no brilho da
foto, as imagens claras e escuras resultarão na mesma representação. A desvantagem desta
abordagem é que, como resultado, obteremos um grande número de gradientes, o que dificultará
o reconhecimento facial posterior.
Para mitigar essa complexidade, a imagem é dividida em quadrados de 256 pixels, ou
seja, quadrados com lados de 16 por 16. O próximo passo é calcular a quantidade de gradientes
que indicam a direção do brilho. Contabiliza-se quantos gradientes apontam para cima, para o
canto superior direito, para a direita e assim por diante. Nesse quadrado, o gradiente é
substituído pelas direções das setas que predominam. Como resultado, obtém-se uma imagem
simplificada na qual a estrutura principal do rosto é visível. Para encontrar um rosto em uma
imagem HOG, basta localizar a parte de outra imagem que seja mais semelhante ao padrão
HOG derivado de vários rostos de treinamento (Figura 7).
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 20
Figura 7 – Comparação de Características
Fonte: Elaborado pelos autores.
Para cumprir essas condições, utiliza-se a função de localização de rostos da biblioteca
“face_recognition”, que emprega o método de detecção (Figura 8). A tecnologia facilita a
identificação de rostos em qualquer imagem.
Figura 8 – Detecção Facial
Fonte: Elaborado pelos autores.
A próxima tarefa é a formação de pontos de referência faciais. O rosto na imagem é
isolado. A partir desse ponto, surge um problema: o rosto humano pode estar virado em
diferentes direções e, por isso, parecer diferente para a IA. Para resolver esse problema, é
necessário garantir que os lábios e os olhos estejam alinhados na imagem da mesma forma que
no modelo. Isso simplificará significativamente a comparação de rostos nas etapas
subsequentes. Para isso, é utilizado um algoritmo chamado “estimação de pontos de referência
facial”. Existem muitos métodos para resolver esse problema, mas nesta situação será utilizado
o método de Kazemi e Sullivan. A ideia básica é destacar 68 pontos específicos (chamados
landmarks) que existem em todo rosto – o topo do queixo, a borda externa de cada olho, a borda
interna de cada sobrancelha, e assim por diante. Depois disso, o algoritmo é programado para
encontrar esses 68 pontos específicos em diferentes formas e tipos de rosto (Figura 9).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 21
Neste ponto, após o algoritmo ser treinado para reconhecer rostos e bocas, resta apenas
rotacionar, dimensionar e transladar a imagem de modo que os olhos e a boca estejam o mais
centralizados possível. Em uma transformação afim, todas as linhas paralelas na imagem
original permanecerão paralelas na imagem resultante.
Figura 9 – Pontos-chave do rosto (Landmarks)
Fonte: Elaborado pelos autores.
Para encontrar a matriz de transformação, são necessários três pontos da imagem de
entrada e suas respectivas localizações na imagem de saída. Uma transformação afim utiliza
um ângulo de rotação no sentido horário, ao contrário do círculo unitário da geometria típica,
onde a rotação é medida no sentido anti-horário a partir do 0, começando no eixo X positivo.
Por isso, frequentemente se vê um valor de ângulo negativo sendo utilizado.
Uma transformação afim é caracterizada pelas seguintes propriedades: qualquer
transformação afim pode ser representada como uma sequência de operações simples, como
translação, estiramento/compressão e rotação. Linhas retas, o paralelismo das linhas retas, a
razão das distâncias de segmentos situados na mesma linha e a razão das áreas das figuras são
preservados. As novas coordenadas f(x), que possuem a mesma posição no espaço relativo ao
“novo” sistema de coordenadas, que as coordenadas x tinham no “antigo”. Portanto, será
suficiente utilizar as transformações básicas: escala e rotação, preservando as linhas paralelas,
ou seja, laços afins.
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 22
Assim, completa-se uma das principais tarefas: a centralização dos olhos e da boca.
Independentemente do ângulo do rosto na imagem, o algoritmo centralizará esses pontos na
mesma posição, o que é crucial para a precisão das etapas subsequentes.
Para identificar uma pessoa, utilizamos a abordagem de comparar um rosto
desconhecido com as características já descritas em uma base de dados de fotos coletadas. É
necessário que o rosto desconhecido não apenas se pareça com uma pessoa já registrada na base
de dados, mas que seja, de fato, essa pessoa. Esta abordagem apresenta vários desafios. Por
exemplo, um site como o Facebook, com bilhões de usuários e trilhões de fotos, não pode
comparar todos os rostos previamente marcados com cada nova imagem carregada, pois isso
demandaria um tempo excessivo.
Em vez disso, os algoritmos precisam ser capazes de reconhecer rostos em
milissegundos, não em horas. Para evitar sobrecarregar o dispositivo durante a comparação, é
necessário selecionar os principais parâmetros de algumas partes do rosto para serem
comparados por meio de cálculos. Para determinar a abordagem mais precisa para a
comparação, foram conduzidos uma série de experimentos que revelaram que, nesta situação,
é mais eficiente permitir que o computador escolha independentemente quais medições coletar.
Nesse aspecto, o algoritmo executa a tarefa de maneira mais eficaz do que um humano.
A solução envolve o treinamento de uma rede neural convolucional profunda. Essa rede
é treinada para gerar 128 valores únicos para qualquer rosto, o que é mais eficaz do que treiná-
la para reconhecer rostos diretamente. A capacitação da rede envolve a visualização simultânea
de três tipos de imagens faciais: uma imagem de treino do rosto de uma pessoa famosa, outra
imagem do mesmo rosto e uma imagem de uma pessoa completamente diferente. O algoritmo,
então, compara os valores gerados para as três imagens.
O próximo passo é ajustar a rede neural para garantir que as medições geradas para as
duas imagens da mesma pessoa sejam mais semelhantes entre si do que em relação à imagem
da pessoa diferente. Repetindo essa etapa milhões de vezes para imagens de milhares de pessoas
diferentes, a rede neural aprende a gerar 128 parâmetros únicos para cada rosto. Dez fotos
diferentes da mesma pessoa devem resultar em medições semelhantes. No campo do
aprendizado de máquina, esses 128 parâmetros de cada rosto são chamados de “embedding”.
Codificar uma imagem facial envolve treinar uma rede neural convolucional para extrair essas
embeddings, requerendo uma quantidade significativa de dados e poder computacional. Mesmo
com uma placa de vídeo Nvidia avançada, como a Tesla, são necessárias cerca de 24 horas de
treinamento contínuo para alcançar uma boa precisão (Jankowski, 2000).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 23
Após o treinamento, a rede neural adquire a capacidade de gerar medições para todos os
tipos de rostos, mesmo que nunca os tenha visto antes. Portanto, essa etapa de treinamento
precisa ser realizada apenas uma vez. Graças aos esforços dos colaboradores do projeto
OpenFace, que foram treinados e capacitados, seu trabalho resultou na publicação de várias
redes pré-treinadas, uma das quais foi utilizada neste estudo. Posteriormente, as imagens faciais
são processadas pela rede pré-treinada para obter 128 medições únicas para cada rosto (Figura
10).
Figura 10 – Codificação Facial
Fonte: Elaborado pelos autores.
A rede neural gera os mesmos valores numéricos ao comparar duas imagens diferentes
da mesma pessoa. Para utilizar uma rede neural pré-treinada em equipamentos potentes,
emprega-se a função de codificação facial da biblioteca Face Recognition (Figura 11).
Figura 11 – Codificação Facial
Fonte: Elaborado pelos autores.
A última etapa envolve o algoritmo identificar a pessoa no banco de dados de rostos
conhecidos cuja medição mais se aproxima da imagem de teste. Para isso, é necessário preparar
um classificador que analise a imagem de teste e indique a pessoa correspondente. Esse
classificador realiza a análise em milissegundos, resultando na identificação do nome da pessoa.
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 24
Todas as funções mencionadas anteriormente são então utilizadas para obter o resultado final
(Figura 12).
Figura 12 – Reconhecimento Facial
Fonte: Elaborado pelos autores.
Nesta etapa, é possível testar o programa e determinar a precisão com que a IA
reconhece rostos. Para este experimento, foram utilizadas várias imagens de pessoas famosas.
Para verificar a funcionalidade do software desenvolvido, foram realizados testes do sistema
após a conclusão dos testes de módulo e de integração. Em seguida, o software foi testado no
ambiente esperado. Foram empregados métodos de teste funcional e alguns métodos de teste
estrutural. O teste de sistema assegura que cada função do sistema esteja operando corretamente
e também verifica requisitos não funcionais, como desempenho, segurança, confiabilidade,
estresse e carga. Isso, no futuro, proporcionará a oportunidade de melhorar a qualidade do
produto final.
Uma análise dos defeitos encontrados na fase de teste de sistema foi realizada. Antes de
eliminar qualquer defeito, foi feita uma análise de seu impacto. Caso o sistema permita, os
defeitos são simplesmente documentados e mencionados como limitações conhecidas, ao invés
de serem corrigidos, se a correção for demorada ou tecnicamente impossível no design atual
(Jankowski, 2000).
A lista de condições sob as quais o teste ocorrerá inclui: determinação da pessoa
cadastrada no banco de dados; identificação de uma pessoa não cadastrada no banco de dados;
identificação de uma pessoa em diferentes condições de iluminação; identificação do rosto em
diferentes ângulos; identificação de uma pessoa com diferentes expressões faciais; e
identificação de uma pessoa com barba, bigode, óculos ou máscara. Para verificação, foram
compilados casos de teste, segundo os quais o programa foi verificado (Tabela 2).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 25
Tabela 2 – Teste para verificação do programa
№
Descrição
Ação
Resultado esperado
1.
Determinação da pessoa inserida no
banco de dado.
Aguardar os resultados
do reconhecimento.
Pessoa reconhecida
(nome exibido).
2.
Identificação de uma pessoa não inserida
na base de dados.
Aguardar os resultados
do reconhecimento.
A pessoa não é reconhecida.
3.
Identificação de uma pessoa em
iluminação adequada (lâmpada diurna de
900Lm).
Aguardar os resultados
do reconhecimento.
A pessoa é reconhecida.
4.
Identificação de uma pessoa no escuro.
Aguardar os resultados
do reconhecimento.
A pessoa não é reconhecida.
5.
Detecção de rosto em um ângulo de 16–
26%.
Aguardar os resultados
do reconhecimento.
A pessoa é reconhecida.
6.
Identificação de rosto em um ângulo de
26–40%.
Aguardar os resultados
do reconhecimento.
A pessoa é parcialmente
reconhecida.
7.
Identificação de uma pessoa com barba.
Aguardar os resultados
do reconhecimento.
A pessoa é reconhecida.
8.
Identificação de uma pessoa com bigode.
Aguardar os resultados
do reconhecimento.
A pessoa é reconhecida.
9.
Identificação de pessoa com óculos de
lentes transparentes.
Aguardar os resultados
do reconhecimento.
A pessoa é reconhecida.
10.
Identificação de uma pessoa com óculos
de lentes escuras.
Aguardar os resultados
do reconhecimento.
A pessoa não é reconhecida.
11.
Identificação de uma pessoa com
máscara médica cobrindo o nariz.
Aguardar os resultados
do reconhecimento.
A pessoa não é reconhecida.
12.
Identificação de uma pessoa com
máscara médica que não cubra o nariz.
Aguardar os resultados
do reconhecimento.
A pessoa é reconhecida.
13.
Identificação de uma pessoa sorrindo.
Aguardar os resultados
do reconhecimento.
A pessoa é reconhecida.
Fonte: Elaborado pelos autores.
Considerações finais
A novidade científica dos resultados obtidos reside no aprimoramento do sistema de
reconhecimento facial, especificamente no reconhecimento biométrico por meio do “Face ID”.
Foram investigadas as áreas de atividade em que o sistema de “Reconhecimento Facial” é
utilizado e para quais finalidades. Cada componente do sistema foi projetado e desenvolvido
progressivamente, culminando na construção do próprio sistema de reconhecimento facial. Para
assegurar o correto funcionamento do sistema, foram selecionadas várias fotos com imagens de
diferentes pessoas para testes.
Este trabalho incluiu a análise do campo de reconhecimento facial, destacando a
relevância atual desse sistema, o reconhecimento biométrico do sistema “Face ID”, e diversos
métodos de reconhecimento facial. Além disso, foi investigado em quais áreas de atividade o
sistema de “Reconhecimento Facial” é aplicado e com quais objetivos.
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 26
No decorrer do estudo, diversos algoritmos de reconhecimento facial foram analisados.
Com base nos resultados dessa análise, comprovou-se que o sistema de reconhecimento facial
pode ser modelado utilizando o método de extração de contornos de Viola-Jones, alcançando
uma taxa de reconhecimento bem-sucedido de aproximadamente 75%. As capacidades
funcionais da biblioteca de visão computacional OpenCV, entre outras bibliotecas, foram
consideradas.
A importância prática dos resultados obtidos reside no desenvolvimento de um software
que implementa os indicadores propostos, e os experimentos conduzidos confirmam a eficácia
do desenvolvimento proposto. Os resultados experimentais sustentam a recomendação do
produto de software para aplicação prática, além de identificar as condições ideais para sua
utilização.
Cada componente do sistema foi desenvolvido de maneira progressiva, resultando na
construção do próprio sistema de reconhecimento facial. Naturalmente, foi realizada uma
verificação para assegurar o funcionamento adequado do sistema, com a seleção de diversas
fotos contendo imagens de diferentes pessoas. O plano de teste elaborado reflete as principais
etapas da implementação tanto da pesquisa teórica quanto da prática realizada. A solução de
software proposta pode ser aplicada para implementar sistemas mais robustos, como sistemas
de vigilância por vídeo com reconhecimento inteligente.
As perspectivas para pesquisas futuras incluem aprimorar o desenvolvimento proposto
para aumentar sua eficiência de uso.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 27
REFERÊNCIAS
AHA, D. W.; KIBLER, D.; ALBERT, M. K. Instance-based learning algorithms. Machine
Learning, [S. l.], v. 6, p. 37–66, 1991. DOI: 10.1023/A:1022689900470.
BARINA, D. Gabor wavelets in image processing. In: CONFERENCE STUDENT EEICT,
17., 2011. Proceedings [...]. Brno: Brno University of Technology. 2011. v. 3, p. 522–526.
BROADLEY, C. E. Addressing the selective superiority problem: automatic algorithm/model
class selection. In: MACHINE LEARNING: TENTH INTERNATIONAL CONFERENCE,
Amherst, 1993. Proceedings […]. Burlington: Morgan Kaufmann, 1993. p. 17–24.
DOI: 0.1016/b978-1-55860-307-3.50009-5.
DOMINGO, C.; GAVALDA, R.; WATANABE, O. Adaptive sampling methods for scaling
up knowledge discovery algorithms. In: DISCOVERY SCIENCE: SECOND
INTERNATIONAL CONFERENCE, 1999, Tokyo. Proceedings […]. Berlin: Springer,
1999. p. 172–183. DOI: 10.1007/3-540-46846-3_16.
ENGELBRECHT, A. Computational intelligence: an introduction. Sidney: John Wiley &
Sons, 2007. 597 p. DOI: 10.1002/9780470512517.
EVANS, R. Clustering for classification: using standard clustering methods to summarise
datasets with minimal loss of classification accuracy. Saarbrücken: VDM Verlag, 2008.
108 p.
GATES, G. The reduced nearest neighbor rule. IEEE Transactions on Information Theory,
[S. l.], v. 18, n. 3, p. 431–433, 1972. DOI: 10.1109/TIT.1972.1054809.
HART, P. E. The condensed nearest neighbor rule. IEEE Transactions on Information
Theory, [S. l.], v. 14, p. 515–516, 1968. DOI: 10.1109/TIT.1968.1054155.
JANKOWSKI, N. Data regularization. In: NEURAL NETWORKS AND SOFT
COMPUTING, 5., 2000, Zakopane. Proceedings […]. Częstochowa: Polish Neural Networks
Society, 2000. p. 209–214.
JANKOWSKI, N.; GROCHOWSKI, M. Comparison of instance selection algorithms I.
Algorithms survey. In: ARTIFICIAL INTELLIGENCE AND SOFT COMPUTING, 7., 2004,
Zakopane. Proceedings […]. Berlin: Springer, 2004. p. 598–603. (Lecture Notes in Computer
Science, v. 3070). DOI: 10.1007/978-3-540-24844-6_90.
JURAFSKY, D.; MARTIN, J. Hidden Markov models. Speech and Language Processing.
Draft of November 7, 2016.
KIBBLER, D.; AHA, D. W. Learning representative exemplars of concepts: an initial case of
study. In: MACHINE LEARNING INTERNATIONAL WORKSHOP, 4., 1987, Irvine.
Proceedings […]. Burlington: Morgan Kaufmann, 1987. p. 24–30. DOI: 10.1016/b978-0-
934613-41-5.50006-4.
Tecnologia biométrica de reconhecimento pessoal
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 28
KOHONEN, T. Learning vector quantization. Neural Networks, [S. l.], v. 1, p. 303, 1988.
DOI: 10.1016/0893-6080(88)90334-6.
KOSKIMAKI, H.; JUUTILAINEN, I.; LAURINEN, P.; RÖNING, J. Two-level clustering
approach to training data instance selection: a case study for the steel industry. In: NEURAL
NETWORKS: INTERNATIONAL JOINT CONFERENCE, 2008, Hong Kong. Proceedings
[…]. Los Alamitos: IEEE, 2008. p. 3044–3049. DOI: 10.1109/ijcnn.2008.4634228.
LI, B.; CHI, M.; FAN, J.; XUE, X. Support cluster machine. In: MACHINE LEARNING
INTERNATIONAL CONFERENCE, 24., 2007, Corvallis. Proceedings […]. New York,
2007. p. 505–512. DOI: 10.1145/1273496.1273560.
MADIGAN, D.; RAGHAVAN, N.; DUMOUCHEL, W.; NASON, M. Likelihood-based data
squashing: a modeling approach to instance construction. Data Mining and Knowledge
Discovery, [S. l.], v. 6, n. 2. p. 173–190. DOI: 10.1023/A:1014095614948.
REEVES, C. R.; BUSH, D. R. Using genetic algorithms for training data selection in RBF
networks. In: Instance Selection and Construction for Data Mining. Norwell: Kluwer,
2001. Part VI. p. 339–356. DOI: 10.1007/978-1-4757-3359-4_19.
REINARTZ, T. A. Unifying view on instance selection. Data Mining and Knowledge
Discovery, [S. l.], v. 6, p. 191–210, 2002. DOI: 10.1023/A:1014047731786.
RITTER, G.; WOODRUFF, H.; LOWRY, S.; ISENHOUR, T. An algorithm for a selective
nearest neighbor decision rule. IEEE Transactions on Information Theory, [S. l.], v. 21, n.
6, p. 665–669, 1975. DOI: 10.1109/TIT.1975.1055464.
SANE, S. S.; GHATOL, A. A. A Novel supervised instance selection algorithm.
International Journal of Business Intelligence and Data Mining, [S. l.], v. 2, n 4. p. 471–
495, 2007. DOI: 10.1504/IJBIDM.2007.016384.
SKALAK, D. B. Prototype and feature selection by sampling and random mutation hill
climbing algorithms. In: MACHINE LEARNING: INTERNATIONAL CONFERENCE, 11.,
1994, New Brunswick. Proceedings […]. Burlington: Morgan Kaufmann, 1994. p. 293–301.
DOI: 10.1016/b978-1-55860-335-6.50043-x.
SUBBOTIN, S. The neuro-fuzzy network synthesis and simplification on precedents in
problems of diagnosis and pattern recognition. Optical Memory and Neural Networks
(Information Optics), [S. l.], v. 22, n. 2, p. 97–103, 2013a.
DOI: 10.3103/s1060992x13020082.
SUBBOTIN, S. Methods of sampling based on exhaustive and evolutionary search.
Automatic Control and Computer Sciences, [S. l.], v. 47, n. 3, p. 113–121, 2013b.
DOI: 10.3103/s0146411613030073.
SUYKENS, J. A.; VANDEWALLE, J. Least squares support vector machine classifiers.
Neural Processing Letters, [S. l.], v. 9, n 3. p. 293–300, 1999.
DOI: 10.1023/A:1018628609742.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO e Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 29
TOMEK, I. An experiment with the edited nearest-neighbor rule. IEEE Transactions on
Systems, Man and Cybernetics, [S. l.],v. 6, p. 448–452, 1976.
DOI: 10.1109/TSMC.1976.4309523.
WILSON, D. L. Asymptotic properties of nearest neighbor rules using edited data. IEEE
Transactions on Systems, Man, Cybernetics, [S. l.], v. 2, n. 3, p. 408–421, 1972.
DOI: 10.1109/TSMC.1972.4309137.
WILSON, D. R.; Martinez, D. R. Reduction techniques for instancebased learning algorithms.
Machine Learning, [S. l.],v. 38, n. 3, p. 257–286, 2000. DOI: 10.1023/A:1007626913721.
WINARNO, E.; HADIKURNIAWATI, W.; NIRWANTO, A.; ABDULLAH, D. Multi-view
faces detection using viola-jones method. Journal of Physics Conference Series, [S. l.],
v. 1114, n. 1, 2018. DOI: 10.1088/1742-6596/1114/1/012068.
YOON, B. J. Hidden Markov models and their application in the analysis of biological
sequences. Current Genomics, [S. l.], v. 10, n. 6, p. 402–415, 2009.
DOI: 10.2174/138920209789177575.
CRediT Author Statement
Reconhecimentos: Agradecemos à National University «Yuri Kondratyuk Poltava
Polytechnic».
Financiamento: Não aplicável.
Conflitos de interesse: Não há conflitos de interesse.
Aprovação ética: Não aplicável.
Disponibilidade de dados e material: Não aplicável.
Contribuições dos autores: Alla KAPITON: Análise e interpretação dos dados. Nataliia
KONONETS: Concepção, ideação, redação e revisão. Volodymyr MOKLIAK: Análise
e interpretação dos dados. Valentyna ONIPKO: Coleta de dados. Serhiy DUDKO:
Coleta de dados. Vadym PYLYPENKO: Colaboração na redação e revisão do artigo.
Аnna SOKIL: Colaboração na redação e revisão do artigo.
Processamento e editoração: Editora Ibero-Americana de Educação.
Revisão, formatação, normalização e tradução.
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 1
BIOMETRIC TECHNOLOGY OF PERSONAL RECOGNITION
TECNOLOGIA BIOMÉTRICA DE RECONHECIMENTO PESSOAL
TECNOLOGÍA BIOMÉTRICA DE RECONOCIMIENTO PERSONAL
Alla KAPITON1
e-mail: kits_seminar@ukr.net
Nataliia KONONETS2
e-mail: natalkapoltava7476@gmail.com
Volodymyr MOKLIAK3
e-mail: vovchik01071981@gmail.com
Valentyna ONIPKO4
e-mail: valentyna.onipko@pdau.edu.ua
Serhiy DUDKO5
e-mail: dudko@pano.pl.ua
Vadym PYLYPENKO6
e-mail: pylypenko@pano.pl.ua
Аnna SOKIL7
e-mail: sokol7227@ukr.net
How to reference this paper:
KAPITON, A.; KONONETS, N.; MOKLIAK, V.; ONIPKO, V.;
DUDKO, S.; PYLYPENKO, V.; SOKIL, А. Biometric technology
of personal recognition. Revista on line de Política e Gestão
Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN:
1519-9029. DOI: https://doi.org/10.22633/rpge.v28i00.19390
| Submitted: 11/03/2024
| Revisions required: 08/04/2024
| Approved: 16/05/2024
| Published: 19/06/2024
Editor:
Prof. Dr. Sebastião de Souza Lemes
Deputy Executive Editor:
Prof. Dr. José Anderson Santos Cruz
1
National University «Yuri Kondratyuk Poltava Polytechnic», Poltava – Ukraine. Associate Professor of the Department of Computer and
Information Technologies and Systems. Doctor of Pedagogical Sciences.
2
University of Ucoopspilka «Poltava University of Economics and Trade», Poltava – Ukraine. Associate Professor of the Department of
Economic Cybernetics, Business Economics and Information Systems. Doctor of Pedagogical Sciences.
3
Poltava V. G. Korolenko National Pedagogical University, Poltava – Ukraine. Professor of the Department of General Pedagogy and
Andragogy. Doctor of Pedagogical Sciences.
4
Poltava State Agrarian University, Poltava – Ukraine. Professor of the Department of Agriculture and Agrochemistry named after V. I.
Sazanov, Department of the Construction and Professional Education. Doctor of Pedagogical Sciences.
5
Poltava M. V. Ostrogradsky Academy of Continuous Education, Poltava – Ukraine. Deputy Director. PhD in Pedagogical Sciences.
6
Poltava M. V. Ostrogradsky Academy of Continuous Education, Poltava – Ukraine. First Deputy Director. PhD of Pedagogical Sciences.
7
Poltava V. G. Korolenko National Pedagogical University, Poltava – Ukraine. Postgraduate of the Department of General Pedagogy and
Andragogy.
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 2
ABSTRACT: Today, image processing is widely used in security systems to recognize people.
For this study, machine learning algorithms were selected, in the presence of a limited amount
of data. The work analyzed the subject area of face recognition, the relevance of this system in
our time, biometric recognition of the «FaceID» system, several different methods for face
recognition, and investigated in which areas of activity the «Face recognition» system is used
for which purpose. As part of the study, a number of face recognition algorithms were analyzed.
It has been proven that the entire face recognition system can be modeled using the Violy-Jones
contour extraction method and tested with a successful recognition result of approximately
75%. The functional capabilities of the OpenCV computer vision library and other libraries are
considered.
KEYWORDS: Object recognition system. Algorithm. Computer vision. Biometric
technologies.
RESUMO: Atualmente, o processamento de imagens é amplamente utilizado em sistemas de
segurança para reconhecer pessoas. Para este estudo, foram selecionados algoritmos de
aprendizado de máquina, considerando a disponibilidade limitada de dados. O trabalho
analisou a área de reconhecimento facial, a relevância deste sistema nos dias de hoje, o
reconhecimento biométrico do sistema «Face ID», diversos métodos para o reconhecimento
facial e investigou em quais áreas de atividade o sistema de reconhecimento facial é utilizado
e para qual finalidade. Como parte do estudo, diversos algoritmos de reconhecimento facial
foram analisados. Foi comprovado que todo o sistema de reconhecimento facial pode ser
modelado utilizando o método de extração de contornos Violy-Jones e testado com um
resultado bem-sucedido de reconhecimento de aproximadamente 75%. As capacidades
funcionais da biblioteca de visão computacional OpenCV e outras bibliotecas foram
consideradas.
PALAVRAS-CHAVE: Sistema de reconhecimento de objetos. Algoritmo. Visão computacional.
Tecnologias biométricas.
RESUMEN: En la actualidad, el procesamiento de imágenes se utiliza ampliamente en los
sistemas de seguridad para reconocer personas. Para este estudio se seleccionaron algoritmos
de aprendizaje automático, en presencia de una cantidad limitada de datos. El trabajo analizó
el área temática del reconocimiento facial, la relevancia de este sistema en nuestro tiempo, el
reconocimiento biométrico del sistema "FaceID", varios métodos diferentes para el
reconocimiento facial, e investigó en qué áreas de actividad se utiliza el sistema "Face
recognition" y con qué propósito. Como parte del estudio, se analizaron varios algoritmos de
reconocimiento facial. Se ha comprobado que todo el sistema de reconocimiento de caras puede
modelarse utilizando el método de extracción de contornos Violy-Jones y se ha probado con un
resultado de reconocimiento satisfactorio de aproximadamente el 75%. Se consideran las
capacidades funcionales de la biblioteca de visión por ordenador OpenCV y de otras
bibliotecas.
PALABRAS CLAVE: Sistema de reconocimiento de objetos. Algoritmo. Visión por
computadora. Tecnologías biométricas.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 3
Introduction
Let’s consider the main concepts of the face recognition system. A technology capable
of detecting and recognizing one or more persons in an image or sequence of video frames is a
face recognition system. In such systems, various identification methods exist for comparing a
given image with a face in the database. Facial recognition systems are increasingly being used
in robotics and mobile platforms. Despite its lower accuracy, compared to iris and fingerprint
recognition technologies, it is widely used in security systems due to the features of the
contactless identification process (Engelbrecht, 2007). The general scheme of recognition is
presented in Fig. 1.
Figure 1 – Process recognition scheme
Source: Prepared by the authors.
Facial recognition comprises two main stages. The first stage involves selecting facial
features, while the second stage classifies the identified objects. Each human face has numerous
nodal points used as distinctive features, such as the distance between the eyes, nose width,
Webcam
Face detecon
Captured
face images
Image normalizaon
PCA based
training
SVM
classicaon
Recognion
results
PSO parameter
opmizaon
Feature
extracon
Feature
weight vector
Database of faces
Image preprocessing
Face recognion
Training database
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 4
depth of eye sockets, cheekbone shape, and jawline length. These nodal points are measured to
generate a numerical code called a "faceprint," which represents the face in the database
(Engelbrecht, 2007).
In the past, facial recognition software relied on 2D images to compare or identify other
2D images in a database. To be effective and accurate, the image needed to capture the face
nearly straight-on to the camera, with slight variation in light or facial expression compared to
the database image. This posed a significant challenge, as photographs were often not taken in
controlled environments. Even minor variations in lighting or orientation could degrade system
performance, resulting in difficulties in finding accurate matches in the database and leading to
high error rates (Engelbrecht, 2007).
Historically, law enforcement agencies primarily used facial recognition software,
which utilized these systems to identify individuals in crowds. Some governmental agencies
also employ these systems to enhance security and prevent electoral fraud. An example is the
US-VISIT program by the U.S. government, which applies this technology to foreign visitors
admitted to the country. When a foreign tourist receives a visa, their fingerprints and
photographs are recorded. These data are then checked against a database of known criminals
and suspected terrorists. When travelers arrive at a checkpoint in the U.S., their fingerprints and
photographs are again used to verify their identity (Engelbrecht, 2007).
Scientific research explores issues related to facial recognition based on invariant
moments (Reinartz, 2002; Jankowski; Grochowski, 2004). Invariant moments are often used as
features in person identification tasks. The work by Jankowski and Grochowski (2004)
investigates the properties of these moments, demonstrating that different datasets exhibit
varying sensitivities to changes. Despite existing approaches to selecting facial features such as
lips, nose, and facial profile, considering various complicating factors in image analysis (such
as noise, variations in facial orientation, and emotional expressions), there is still no universally
effective approach to solving these challenges.
A combined approach is proposed that integrates various tools for facial recognition.
This includes methods for selecting invariant moments, forming reference classes of people,
the Euclidean-Mahalanobis metric, and the use of artificial neural networks (Reinartz, 2002).
Generalized transformations modified for processing three-dimensional images with unknown
rotation and scale parameters have been addressed in various studies (Hart, 1968). Algorithm
results for rapid object detection using the cascade method of simple functions and methods for
real-time facial recognition are discussed (Gates, 1972; Aha; Kibler; Albert, 1991).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 5
Among recent studies dedicated to facial recognition, notable works include those by
Wilson (1972) and Kibler and Aha (1987), who developed theoretical probabilistic models for
halftone images and applied methods for person identification based on the Bayesian rule.
Tomek (1976) emphasizes the importance of researching modern facial recognition systems
through in-depth studies of machine learning problems.
The study of issues related to computer image recognition tools and their visualization
based on received data includes the construction of histograms of oriented gradients for person
identification (Jankowski, 2000). Broadley (1993) and Wilson (2000) explore effective image
segmentation based on graphical representation. The use of neural networks for facial
recognition is extensively investigated in the work by Ritter et al. (1975).
Principal methods and techniques for gesture representation and recognition, as well as
methods for dynamic facial recognition using video content studies, are defined (Skalak, 1994;
Domingo; Gavalda; Watanabe, 1999). Key design stages for developing and implementing
video surveillance and monitoring systems have been established (Kohonen, 1988;
Madigan et al., 2002). Issues related to visual activity recognition and interactions using
stochastic analysis, including the projection of adaptive background image models for real-time
detection and tracking of people, are addressed in various scientific studies (Suykens;
Vandewalle, 1999; Reeves; Bush, 2001; Li et al., 2007; Sane; Ghatol, 2007; Evans, 2008;
Koskimaki et al., 2008; Subbotin, 2013a, 2013b).
Software is growing in popularity in various applications as systems become more
accessible and their use becomes widespread. These systems are already integrated with
cameras and computers used in banks, airports, and other social environments. The United
States Transportation Security Administration (TSA) is currently testing software for frequent
flyers who need to register on the platform. This software enables quick screening of passengers
and assesses security threats. Queues have been organized into two columns to optimize airport
flow, with one utilizing facial biometrics for passenger verification.
Other applications integrate TSA functionalities with money transfer services. These
programs can swiftly verify a customer's identity by obtaining authorization to store a digital
image. The FaceID software generates a facial imprint from this image to safeguard customers
against identity theft. The use of facial recognition eliminates the need to present a photo ID,
bank card, or Personal Identification Number (PIN) to verify the customer's identity, assisting
businesses in fraud prevention.
While all the examples mentioned above operate with human permission, there are also
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 6
systems that do not require authorization. Sometimes, the system may photograph the customer
without permission, thus violating privacy laws. It is clear that these technologies have often
faced criticism due to uncertainties about their impact on an individual's life. The harm caused
by facial recognition technologies to privacy, freedom of expression, and due process affects
us all and should not be taken lightly. Even if facial recognition technology did not have issues
of biased accuracy or were not deployed randomly and carelessly, thus increasing the likelihood
of errors, it would still pose a serious threat to democratic values, functioning exactly as
intended.
This study investigates the processes of recognition and image processing widely used
in modern security information systems for person recognition. During the execution of
assigned tasks, a detailed analysis of biometric facial recognition using the FaceID system was
conducted, exploring different facial recognition methods and investigating their scope of
implementation and application areas. A significant contribution of the research was developing
and evaluating a facial recognition system based on the Viola-Jones contour selection method,
considered effective and suitable for implementation. The authors paid special attention to the
functionality of the OpenCV computer vision library, emphasizing the need for further in-depth
investigations.
Materials and methods
The aim of this study is to determine the feasibility of implementing a facial recognition
system using computer vision and facial recognition libraries. Research tasks include studying
facial recognition technology, analyzing detection methods, recognition, formation of feature
points, and facial feature encoding based on an electronic portrait. The intended outcome of this
work is the development of a system capable of identifying a person through their human face.
Among the most promising biometric recognition methods, facial recognition stands
out. This technique offers several advantages over similar methods, including high accuracy in
identification, remote verification capability, anonymous analysis, and the requirement of only
a video camera. The diversity of available algorithms, combined with speed and accuracy in
searching, enables the system to operate effectively under various conditions. These
characteristics have driven the development of the method, making it the second most common
after fingerprinting.
To further enhance accuracy, a combination of multiple facial analysis algorithms is
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 7
essential. For example, ear identification effectively complements facial identification with
proven efficacy. However, improper optimization when using multiple algorithms can
neutralize the benefits of this combined approach. One of the most promising trends in the
biometrics market is the introduction of smart digital cameras with integrated facial analysis
capability. These cameras offer high image quality and can attach metadata to images
containing information about detected faces. This reduces hardware overhead, lowers the cost
of biometric recognition systems, and makes them more accessible. Additionally, compressed
data transmission and a small stream of face-detection images alleviate data channels.
The choice of the Viola-Jones method by the researchers in this study is based on its
proven efficiency in searching for objects in real-time images and videos. Studies conducted by
national and international scientists demonstrate that this method has a low probability of error
in identifying individuals. This method's recognition accuracy is considerably high, which is a
desirable outcome. However, it is essential to note that the standard method is unable to detect
human faces turned at arbitrary angles, which may limit its application in modern production
systems, considering increasing technological demands (Winarno et al., 2018).
Facial recognition systems are widely used not only for purposes such as identifying
criminals or wanted individuals in crowded places but also for everyday household tasks. With
the proliferation of cameras and the continuous improvement of facial detection and analysis
algorithms, recognition accuracy has significantly increased. Despite functional similarities
among available software, users' choices are often based on individual preferences.
Results and Discussion
High-quality facial recognition significantly depends on the conditions under which the
system is implemented. It is crucial to establish these conditions to ensure proper system
performance. Most modern facial recognition systems can operate efficiently under specific
conditions. For instance, it is essential to organize the flow of people at checkpoints to allow
effective short-term facial capture. Additionally, the positioning of cameras in relation to the
face should not vary by more than 30 degrees. Strict adherence to these conditions is paramount
to achieving accurate identification and effective individual search, as indicated by the high
precision rates reported by manufacturers of these systems.
Recently, there has been a trend towards the use of facial recognition software
employing 3D models to enhance accuracy. 3D facial recognition utilizes specific facial
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 8
features such as the contours of eye sockets, nose, and chin to capture a real-time three-
dimensional image of a person's face (Figure 2). These features are unique to each individual
and remain consistent over time (Engelbrecht, 2007).
Figure 2 – Three-dimensional face model
Source: Prepared by the authors
Using a depth axis and measurement unaffected by lighting, 3D facial recognition can
be employed even in low-light environments, allowing recognition of the object from different
viewing angles, including up to 90 degrees (profile view). With the use of software featuring
3D recognition capabilities, the system executes a series of steps to verify a person's identity:
• Detection - the image can be obtained by scanning an existing photograph (2D) digitally
or capturing a live image of the object through video (3D);
• Alignment - after detecting the person, the system determines the position, size, and
posture of the head. In the case of 3D recognition, the system can identify the object at
an angle of up to 90 degrees, whereas in 2D models, the head must be turned towards the
camera by at least 35 degrees;
• Measurements - the system performs calculations of the person's curves with
submillimeter or microwave precision, thus creating a detailed model;
• Encoding - the system translates the model into a unique code. This encoding assigns a
set of numbers to each model representing the facial features of the object;
• Matching - if the image is three-dimensional and the database contains three-
dimensional images, the comparison is conducted without needing alterations to the
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 9
image (Hart, 1968; Wilson, 1972; Tomek, 1976; Kibbler; Aha, 1987; Jankowski, 2000;
Reinartz, 2002; Jankowski; Grochowski, 2004; Engelbrecht, 2007).
There is a significant challenge with authenticating images that remain in 2D format. In
contrast, within the context of 3D recognition, which involves representing an object in three
spatial dimensions typically through X, Y, and Z coordinates, distinct points such as the outer
eye corner, inner eye corner, and nose tip are determined. These points are marked and
measured to create a 3D image. Subsequently, an algorithm is applied to project this image into
a 2D format. After this conversion, the program compares the resulting image with the 2D
images stored in the database to identify potential matches.
There are two main modes of operation: verification and identification. In verification
(1:1), the image is exclusively compared with a specific figure in the database to validate
identity. In contrast, in identification (1:2), the image is compared with multiple figures in the
database, generating a score for each potential match. This method is used when it is necessary
to identify a person among several.
The vector model is reduced and primarily used for fast searches in databases, especially
in one-to-many searches. Surface Texture Analysis (ATS) is the largest of the three
methodologies and performs a final step after the LFA model search, relying on skin elements
in the image that contain more detailed information. Due to the combination of all these
patterns, Face ID holds an advantage over other systems. It is insensitive to changes in facial
expression, including blinking, frowning, or smiling, and can compensate for the presence of a
beard, mustache, and wearing glasses. However, Face ID is not flawless. Several factors can
hinder recognition, such as significant reflections on glasses, the presence of sunglasses, hair
covering the central part of the face, inadequate lighting resulting in poorly illuminated images,
and low resolution (images captured from far away).
Nevertheless, manufacturers are striving to improve the usability and accuracy of
systems. Facial recognition systems are used in various areas:
• Phone unlocking: Many smartphones, including the latest iPhones, use facial recognition
to unlock the device.
• Law enforcement: Facial recognition is regularly used by security agencies.
• Airports and border control: The technology has become common in many airports
around the world.
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 10
• Missing persons search: It can be used to locate missing persons and victims of human
trafficking.
• Retail crime reduction: It is employed to identify known thieves, organized retail
criminals, or individuals with a history of fraud entering stores.
• Enhancing shopping experience: The technology has the potential to improve the retail
customer experience.
• Banks: Biometric online banking is another benefit of facial recognition.
• Marketing and advertising: Marketing professionals use technology to enhance
consumer experience.
• Healthcare: Hospitals use facial recognition to assist patients.
• Attendance control for students or employees: Some educational institutions use
technology to ensure students' attendance in classes (Hart, 1968; Reinartz, 2002;
Jankowski; Grochowski, 2004; Engelbrecht, 2007; Subbotin, 2013a, 2013b).
In addition to these applications, IP camera management software for PC workers
(NVR) is supported by an authentic central control system, which is a monitoring and control
solution that supports an unlimited number of cameras. The main console is the NVR's
recording server, which displays live video and configures the system. The Save Video feature
converts images to standard video formats. To ensure brightness, sharpness, and uniform
grayscale in the image, a video enhancer is required. Another significant use of video analytics
in surveillance systems is the use of intelligent cameras. A smart camera is equipped with an
additional module that performs video processing, and these two elements are typically
integrated into a single body.
The primary difference between an intelligent camera and a regular camera is that the
smart camera analyzes what it sees and makes decisions based on the results of that analysis. A
computer program performs mathematical analysis of input data and identifies patterns that can
be described mathematically. A person's unique facial features are encoded into a computer file
using only a tiny amount of memory (less than 100 bytes). This face is compared to previously
captured and stored in a database. The operator working with the data should be informed by
displaying additional information about the current video stream. Typical disadvantages of such
systems include limited functionality, inability to expand software and hardware, and data
processing in corporate "clouds" (Subbotin, 2013a, 2013b).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 11
Currently, the company is investing in research and development to expand its business
capabilities in access control and security alarm systems. The advantages of this system include:
1080p video; Instant notifications of activities; Two-way audio; Perfect image up to a distance
of 500 meters, without loss of quality; Operation in darkness; and the ability to define activity
zones (Subbotin, 2013a, 2013b). Based on the research, a table of functional requirements was
compiled (Table 1).
Table 1 – Functional requirements of the program
1.
The program must load the face base
2.
The program should extract face signatures from the names of photos in the database
3.
The program should output the image from the web camera to the monitor
4.
The program should display the signature of the recognized face or the word «Unknown» if the face is not
recognized
Source: Prepared by the authors.
The choice of category and method depends on the constraints and conditions of person
recognition. Among the constraints influencing the choice of principle to solve the problem, the
following stand out: the presence or absence of artificial obstacles on the face, spatial
characteristics of people's positions, image color, face scale and resolution, number of people
in the image, object lighting conditions, and the priority to minimize false recognitions or
maximize the number of recognized individuals.
Various methods and approaches are used in facial recognition systems. Among them,
Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Hidden Markov
Models (HMM), and Gabor Wavelets are prominent (Barina, 2011; Yoon, 2009; Jurafsky;
Martin, 2016). When using Hidden Markov Models to solve the facial recognition problem,
each face class computes its own hidden Markov model. Then, for the unknown method, all
available models are executed, and the one that provides the closest result is sought. The
drawback of this approach is that Hidden Markov Models do not have good resolution, as the
learning algorithm maximizes the response for its classes but does not minimize the response
for other classes.
Recognition methods based on Gabor Wavelets show high efficiency. Gabor filters are
used in the preprocessing stage to form a Gabor feature vector of a facial image. The Gabor
Wavelet method is robust against changes in illumination because it does not directly use the
grayscale values of each pixel but extracts features (Hart, 1968; Aha; Kibler; Albert, 1991;
Reinartz, 2002; Jankowski; Grochowski, 2004).
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 12
Next, the paper describes and analyzes modern facial recognition methods, starting with
Principal Component Analysis (PCA). The idea is to represent facial images as a set of principal
components of the images, known as "Eigenfaces." These faces have the useful property that
each corresponding vector resembles the shape of a face. The calculation of principal
components is achieved by obtaining the eigenvectors and eigenvalues of the covariance matrix
derived from the image. Image reconstruction is obtained by the linear combination of the
principal components multiplied by the corresponding eigenvectors (Hart, 1968; Jankowski;
Grochowski, 2004).
For each facial photograph, its principal components are calculated, typically ranging
from 5 to 200. The recognition process involves comparing the principal components of the
unknown portrait with the components of all known images. It is assumed that images
corresponding to the same person form clusters in the feature space. The photos with the
smallest distance to the input (unknown) image in the database are selected (Jankowski;
Grochowski, 2004).
The method of own faces requires idealized conditions for its application, such as
uniform lighting parameters, neutral facial expression, and the absence of obstacles such as
glasses and beards. If these conditions are not met, the principal components will not reflect
interclass variations. So, under different lighting levels, this method is practically useless, since
the first principal components mainly reflect changes in lighting, and the comparison gives
images with the same lighting level. Under idealized conditions, the recognition accuracy using
this method can reach a value of more than 90%, which is an excellent result.
Calculation of a set of eigenvectors is highly time-consuming. One of the methods is to
collapse images by rows and columns – in this form, the presented image is smaller, and the
calculation and recognition process is faster, but restoring the original image is no longer
possible. Viola-Jones method. This method is highly effective for searching for objects in
images and video sequences in real-time. This solution has an extremely low probability of
falsely identifying a person. The detector works perfectly and finds facial features even when
observing the object at a small angle, approximately up to 30 degrees. The recognition accuracy
using this method can reach over 90%, which is an excellent result (Winarno et al., 2018).
Comparison of templates (Template Matching). The basis of this method is the selection
of areas of the face in the image, and the subsequent comparison of these areas for two different
images. Each similar region increases the degree of image similarity. The simplest algorithms,
such as pixel comparison, are used to compare regions (Hart, 1968; Reinartz, 2002; Jankowski;
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 13
Grochowski, 2004). The disadvantage of this method is that it requires a lot of resources both
for storing plots and for comparing plots. Considering the fact that with the help of the simplest
comparison algorithm, the picture must be taken under strictly established conditions: it is
impossible to allow noticeable changes in the course, education, mental expression, etc. The
accuracy of recognition using this method is about 80%, which is a good result (Jankowski;
Grochowski, 2004).
Hopfield neural network. The Hopfield network learning algorithm differs significantly
from classical perceptron learning algorithms in that, instead of successively approaching the
desired state with error calculations, all coefficients of the weight matrix are calculated using a
formula, in just one cycle, after this procedure the network is ready for work. Limitations of the
method: the images should not be very similar for memorization; the image must not be shifted
or rotated relative to its original state. To eliminate these shortcomings, various modifications
of the classical Hopfield neural network are considered. This network with an orthogonal
transformation allows you to restore highly correlated images by processing their original set
into a dual set of vectors. Thus, a neural network is created, which has the ability to remember
several vectors, and when any vector is input, it can determine which of the memorized ones it
is most similar to. The accuracy of recognition using this method is more than 90%, and in
some cases, it even approaches 100%, which is an almost excellent result (Hart, 1968; Aha;
Kibler; Albert, 1991; Broadley, 1993; Jankowski, 2000; Wilson, 2000; Reinartz, 2002;
Jankowski; Grochowski, 2004).
A comprehensive approach to facial recognition, which has proven promising in
addressing the proposed task, involves the implementation of computational experiments using
halftone images through Euclidean-Mahalanobis classifiers (based on metrics), probabilistic
neural networks, and invariant moments. The use of Euclidean-Mahalanobis metrics allows the
system to handle variations in head orientation and changes in image brightness. On the other
hand, probabilistic neural networks effectively manage challenges such as closed eyes and
variations in facial expressions (such as smiles and frowns). However, training artificial
intelligence for neural networks requires significant time investment due to the extensive
amount of data required.
A significant advantage of facial recognition technology should be highlighted: its
inviolability, as it does not involve elements like passwords that can be stolen or altered. It is
not feasible to ensure that a person maintains a fixed position to remain still and look directly
at the camera, which occasionally compromises result accuracy. If a person changes their
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 14
appearance, such as altering their hair or wearing accessories, recognizing them can become
practically impossible (Broadley, 1993; Jankowski, 2000; Wilson, 2000; Reinartz, 2002;
Jankowski; Grochowski, 2004).
Based on the above considerations, the development of hybrid methods that combine
the advantages and minimize the disadvantages of the mentioned individual approaches seems
to be a promising direction for the continued advancement of facial recognition technology.
A particularly notable algorithm is Viola-Jones. Although slow for learning, this
algorithm can detect faces in real-time with impressive efficiency. Operating on grayscale
images, the algorithm examines various smaller sub-regions of the image and searches for
specific features in each to identify faces. It requires checking many different positions and
scales, as an image may contain multiple faces of varying sizes. Viola and Jones used Haar-like
features for face detection in this algorithm (Reinartz, 2002; Jankowski; Grochowski, 2004).
It is important to note that this method presents a very low probability of false
identification of a person. However, the detection effectiveness significantly decreases at angles
greater than 30 degrees, making it challenging to detect human faces positioned at variable
angles. This aspect can complicate the implementation of the algorithm in modern production
systems, considering the increasing demands for accuracy. The algorithm relies on three types
of Haar-like features, as illustrated in Figure 3.
Figure 3 – Three types of Viola-Jones characteristics
Source: Prepared by the authors.
The integral representation of the image is a matrix that coincides in size with the
original image. Each of its elements stores the sum of the intensities of all pixels located to the
left and above the given element. The wavelet transform is often used to analyze unstable
processes. Such a tool has shown its effectiveness in a wide class of tasks related to image
processing. Wavelet transform coefficients hold information about the analyzed process and
the used wavelet. Therefore, the choice of wavelet for analysis is determined by what
information needs to be extracted from the process. Each wavelet has characteristic features
during rectilinear movement in the temporal and frequency domains.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 15
To determine the contours of the face, several experiments were conducted in MatLab
– a system of computer mathematics, for which the CV (Computer vision) and Toolbox libraries
were connected. Results after the experiments: the method of Prewitt and Sobel turned out to
be the most effective within the given limits of application (Fig. 4); the percentage of finding a
face is 75%; the slope percentage is from 14% to 26%. These experiments showed that the most
effective methods of boundary selection are the methods of Sobel and Prewitt. They differ from
other methods in that they will reflect the main and additional contours of the image without
oversaturating the image with noise. These methods will be used in the future.
Figure 4 – Contour selection methods
Source: Prepared by the authors.
For the «Face recognition» system, the Python programming language was chosen, and
in this language, such a library as «OpenCV» is an open-source computer vision library
designed for image analysis, classification, and processing. Widely used in languages such as
C, C++, Python, and Java. The library is used to detect objects, faces, diseases, lesions, license
plates, and even handwritten text in various images and videos. With OpenCV in Deep
Learning, we expand the vector space and perform mathematical operations on these features
to identify visual patterns and their various characteristics. Computer vision can be defined as
a discipline that explains how to reconstruct, extract, and understand a 3D space from its 2D
images in terms of the properties of the structure present in the space. It is engaged in modeling
and replicating human vision using computer software and hardware (Wilson, 1972).
Computer vision is the process by which we can understand images and videos, how
they are stored, and how we can manipulate and extract data from them. Computer vision is the
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 16
basis of, or primarily used for, artificial intelligence. «Computer-Vision» plays a vital role in
self-driving cars, robotics, and photo-correction applications. Computer vision, unlike
photography, does not reflect reality, but instead interprets and misinterprets it by imposing
meaning on statistical assumptions. There is no true value in the raw data of computer vision
algorithms, only statistical probabilities truncated into Boolean states masquerading as true
results with added meaning in post-production. Let’s analyze other methods for face
recognition. Dlib is one of the most powerful and easy-to-use Open-source libraries consisting
of machine learning libraries/algorithms and various software development tools. Open-source
licensing of Dlib allows you to use it in any application for free (Tomek, 1976).
Dlib offers two different functions for face capture. In particular, HoG + Linear SVM –
the Histogram Oriented Gradients (HoG) + Linear Support Vector Machine (SVM) algorithm
in Dlib offers very fast frontal face recognition, but has limited capabilities for recognizing
facial poses at sharp angles (such as CCTV footage or random observation environment, where
the subject does not take an active part in the identification process). It also supports passport
profile faces, albeit with a very small margin of error (faces pointing up or down, etc.). HoG +
SVM is suitable for limited situations where the sensor can rely on a direct and unobstructed
view of the participant’s face, such as ATMs and mobile frame identification systems, as well
as mobile CCTV recognition systems where cameras can obtain a direct snapshot profile of
drivers.
CNN Max-Margin Face Detector (MMOD) MMOD is a robust and reliable GPU-
accelerated face detector that uses a Convolutional Neural Network (CNN) and is much better
at detecting faces at obscure angles and in challenging environments, suitable for casual
surveillance and urban analysis.
MMOD is not a stand-alone alternative to HoG + Linear SVM, but rather can be applied
to HoG itself or any visual bag-of-words model that treats detected clusters of pixels as probe
entities for potential labeling – including face recognition. Let’s compare HoG & MODD. The
appeal of HoG + Linear SVM under Dlib is its low resource usage; its effectiveness when
working on the CPU; the fact that it has at least some width for non-frontal faces; its
requirements for a low-impact model; and a relatively robust occlusion detection procedure. On
the other hand, the default deployment requires a minimum face size of 80x80 pixels. If you
need to detect faces below this threshold, you will need to train your implementation. In
addition, this approach produces poor results for sharp corners of the face; creates bounding
frames that can excessively crop facial features; and combats complex cases of occlusion.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 17
The advantage of MMOD (CNN) under Dlib is (perhaps primarily) its ability to
recognize complex face orientation (which may be a deciding factor, depending on your target
environment); its impressive speed with access to even an average GPU; easy learning
architecture; and its excellent occlusion processing. On the other hand, it can produce bounding
rectangles even more constrained than HoG + Linear SVM in the standard deployment; runs
significantly slower on CPU than HoG/LSVM; and shares HoG/LSVM’s inability to detect
faces smaller than 80 square pixels – again, requiring a custom build for certain scenarios, such
as sharp street vantage points that extend into the distance.
The main task of the «Face Recognition» system is face detection. Because you need to
find a face in a photo or picture before you can distinguish them, you can also use the
smartphone camera, and in this mode, the program will be able to recognize faces. Face
recognition is a function of cameras. When the camera can automatically detect faces, it
understands that all faces are in focus before taking the picture. In this case, such a function
will be used for another purpose – to detect a part of the image that will later be used for
recognition. This work chooses the more reliable method, «Histogram of Oriented Gradients»
– or simply HOG –. To find a face in an image, you need to make it black and white, since color
data is not needed for this process. A function in the OpenCV library is used to change the color
segment of a picture or photo. Thus, this function converts a photo or picture into black-and-
white format (Fig. 5).
Figure 5 – Converting the image to black and white
Source: Prepared by the authors.
Each pixel in the image is then examined one at a time. In this case, it is necessary to
consider all the pixels that are around the lonely pixels. The main task of this process is to find
information about the darkest pixel in the image and collect data about other pixels around it.
The next step will be an arrow indicating the direction in which the picture becomes darker
(Fig. 6).
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 18
Figure 6 – Pixel gradients
Source: Prepared by the authors.
Repeating this procedure for each pixel in the image will eventually replace all pixels
with an arrow. These arrows are called gradients, and they show the flow from light to dark
pixels throughout the image. It is worth replacing pixels with gradients. Based on the image
comparison analysis, it can be seen that both dark and very light photos of the same person will
have different pixel values. But if you take into account the direction of the change in brightness
in the photo, which light and dark images will ultimately result in the same image. The
disadvantage of this solution is that, as a result, we will get a large number of gradients, which
will complicate further face recognition.
Because of this, the image is divided into squares with an area of 256 pixels, that is, a
square with sides of 16 by 16, the next step calculates the number of gradients indicating the
direction of brightness. It is calculated which number points to the top, to the upper right corner,
to the right, and so on. Then, in this square, the gradient is replaced by the directions of the
arrows, which were in the majority. As a result, we get a simple image in which the main
structure of the face is visible. To find a face in an HOG image, all one needs to do is find the
part of another image that looks most similar to the now-known HOG pattern drawn from a
bunch of other training faces (Figure 7).
Figure 7 – Comparison of features
Source: Prepared by the authors.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 19
To fulfill the previous conditions, you need to use the function for finding faces in the
«face_recognition» library, which uses the detection method (Fig. 8). The technology makes it
easy to find faces in any image.
Figure 8 – Face detection
Source: Prepared by the authors.
The next task is the formation of a facial landmark. The face in the image is isolated.
From that moment, a problem appeared with the human face, which can be turned in different
directions, and because of this, it looks different to the AI. In order to solve this problem, you
need to make sure that the lips and eyes are aligned in the image in the same way as in the
sample. This will significantly simplify the comparison of faces in the next steps. For this, an
algorithm called «face landmark estimation» is used. Of course, there are many methods for
solving the given problem, but Kazema and Sullivan’s method will be used in this situation.
The basic idea is to highlight 68 specific points (called landmarks) that exist on every face –
the top of the chin, the outer edge of each eye, the inner edge of each eyebrow, and so on. After
that, the algorithm needs to be programmed so that it can find 68 specific points on different
face shapes and types (Fig. 9).
At this point, after we’ve trained the algorithm to recognize faces and mouths, all that’s
left to do is rotate, scale, and pan the image so that the eyes and mouth are as centered as
possible. In an affine transformation, all parallel lines in the original image will remain parallel
in the original image.
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 20
Figure 9 – Key points of the face «Landmarks»
Source: Prepared by the authors.
To find the transformation matrix, we need three points from the input image and their
corresponding locations in the output image. An affine transformation uses a clockwise rotation
angle, as opposed to the typical geometry unit circle, which is measured by rotating counter-
clockwise from 0, starting on the positive X-axis, so you’ll often see a negative angle value
used.
An affine transformation is one that has the following properties: any affine
transformation can be represented as a sequence of operations from among the simplest ones:
shift, stretching/compression, rotation; straight lines, the parallelism of consecutive lines, the
ratio of the lengths of segments lying on the same line, and the ratio of the areas of figures are
preserved. New coordinates f (x), which have the same position in space relative to the «new»
coordinate system, which coordinates x had in the «old». Therefore, it will be enough to use the
fundamental transformations: scale and rotation, but they must preserve parallel lines, that is,
affine loops. So, we have completed one of the main tasks, namely the centering of the eyes
and mouth, regardless of the angle of the face in the image, the algorithm will center plus-minus
in the same position. This is important for the accuracy of the following steps.
In order to identify a person, we use the approach of comparing an unknown face
according to the features we have already described, with faces already in the collected photo
database. Now, we need the unknown face to not just look like the person already in our
database; it has to be that person. This approach is very problematic. A website like Facebook,
with billions of users and trillions of photos, can’t go through every previously tagged face to
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 21
compare it to every newly uploaded image. It would take too much time. In contrast, algorithms
must be able to recognize faces in milliseconds, not hours. In order not to overload the device
for comparing faces, we need to choose the main parameters of some parts of the face that will
be compared by calculation. In order to determine the most accurate approach to face
comparison, the researcher conducted a series of experiments and found that in this situation, it
is better to allow the computer to independently choose which measurements to collect. In this,
the algorithm performs the task better than a human.
The solution is to train a deep convolutional neural network. Now, we need to train the
network to generate 128 values for any face, which is better and more efficient than training it
to recognize faces. The network is trained when three types of face images are viewed
simultaneously: a training image of a famous person's face, another image of the same famous
person, and an image of a completely different person. After that, the algorithm looks at the
values it generates in the process for all three images.
As a next step, the algorithm adjusts the neural network to ensure that the measurements
generated for the first and second images are more similar to each other than the measurements
between images. By repeating this step millions of times for images of thousands of different
personas, this neural network learns to generate 128 parameters for each persona. Ten different
photos of the same person should give similar measurements. People who study machine
learning call the 128 parameters of each face «embedding». In machine learning, the idea of
reducing raw data, such as images, is prevalent. Encoding our face image is a process of training
a convolutional neural network to extract embedded faces, which requires a lot of data and
computer power. Even with an expensive NVidia video card, Telsa requires about 24 hours of
continuous training to get good accuracy (Jankowski, 2000).
After training, the network has the ability to generate measurements for all types of
faces, even if it has never seen one. So this step only needs to be done once. Thanks to OpenFace
employees who were trained and trained, their work was published by implementing several
trained networks, and one of those networks was used in this work. You then pass your face
images through the pre-trained network to get 128 measurements for each face (Figure 10).
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 22
Figure 10 – Face coding
Source: Prepared by the authors.
This network generates the same numbers by comparing two different images of the
same person. In order to use a neural network pre-trained on powerful equipment, the face
coding function in the Face recognition library is used (Fig. 11).
Figure 11 – Face coding
Source: Prepared by the authors.
The last step involves the algorithm finding a person in the database of famous people
who has the closest measurements to the test image. It is necessary to prepare a classifier that
will analyze the text image and report which person corresponds the most. This classifier takes
milliseconds to run. The result of the classifier is the person’s name. Next, all the above-
mentioned functions are used (Fig. 12).
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 23
Figure 12 – Face recognition
Source: Prepared by the authors.
We can test the program at this stage and determine how accurately the AI recognizes
the face. For this experiment, several images of famous people were taken. To verify the
functionality of the created software product, system testing was conducted after the completion
of module and integration testing, after which the software was tested together with the
expected environment. Functional testing methods and some structural testing methods were
used. System testing ensures that each function of the system is working properly and also
checks non-functional requirements such as performance, safety, reliability, stress, and load,
which in the future will provide an opportunity to improve the quality of the final product. An
analysis of the defects found at the system testing stage was carried out. Before eliminating the
defect, an analysis of its impact was carried out. In case the system allows, defects are
documented and mentioned as known limitations instead of being addressed in case of a
situation where a fix is time-consuming or technically impossible in the current design,
etc. (Jankowski, 2000).
Test plans have been drawn up for testing. The list of conditions under which testing
will take place: determination of the person entered in the database; identification of a person
not entered in the database; identification of a person in different lighting conditions;
identification of the face at various angles of the face; identification of a person with different
facial expressions; identification of a person in the presence of a beard, mustache, glasses, mask.
Test cases are compiled for verification, according to which the program is verified (Table 2).
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 24
Table 2 – Test to verify the program
№
Description
Action
Expected result
1.
Determination of the person entered in
the database.
Wait for the recognition
results.
Person recognized
(name displayed).
2.
Identification of a person not entered in
the database.
Wait for the recognition
results.
The person is not recognized
(«unknown» is displayed).
3.
Identification of a person in light
(daylight lamp 900Lm).
Wait for the recognition
results.
The person is recognized.
4.
Identifying a person in the dark.
Wait for the recognition
results.
The person is not recognized
(«unknown» is displayed).
5.
Face detection at a face placement angle
of 16–26%.
Wait for the recognition
results.
The person is recognized.
6.
Identification of the face angle of
placement of the face 26–40%.
Wait for the recognition
results.
The person is partially
recognized.
7.
Identifying a person with a beard.
Wait for the recognition
results.
The person is recognized.
8.
Identification of a person in the presence
of a mustache.
Wait for the recognition
results.
The person is recognized.
9.
Identification of a person in the presence
of glasses with transparent lenses.
Wait for the recognition
results.
The person is recognized.
10.
Identification of a person in the presence
of glasses with dark lenses.
Wait for the recognition
results.
The person is not recognized.
11.
Identification of a person in the presence
of a medical mask covering the nose.
Wait for the recognition
results.
The person is not recognized.
12.
Identification of the person in the
presence of a medical mask that does not
cover the nose.
Wait for the recognition
results.
The person is recognized.
13.
Identification of a person in the presence
of a smile.
Wait for the recognition
results.
The person is recognized.
Source: Prepared by the authors.
Final considerations
The scientific novelty of the obtained results lies in the fact that the face recognition
system was improved, in particular, biometric recognition by means of «FaceID» it was
investigated in which spheres of activity the «Face recognition» system is used for which
purpose. Each part of the system was designed and developed step by step, and the face
recognition system itself was built. Of course, a check was carried out for the correct operation
of the system, and for this purpose, several photos with the images of different people were
selected.
This work considered the analysis of the subject area of face recognition, the relevance
of this system in our time, the biometric recognition of the «FaceID» system, several different
methods for recognizing faces, and investigated in which spheres of activity the «Face
recognition» system is used for which purpose.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 25
As part of the study, a number of face recognition algorithms were analyzed and based
on the analysis results, it was proved that the entire face recognition system can be modeled
using the Violi-Jones contour extraction method and tested with a successful recognition result
of approximately 75%. The functional capabilities of the OpenCV computer vision library and
other libraries are considered.
The practical significance of the obtained results is that software has been developed
that implements the proposed indicators, and the conducted experiments confirm the
effectiveness of the proposed development. The results of the experiment make it possible to
recommend the proposed software product for use in practice, as well as to determine effective
conditions of use of the proposed software product.
Each part of the system was developed step by step, and the face recognition system
itself was built; of course, a check was carried out for the correct functioning of the system, and
for this, several photos with the images of different persons were selected. The compiled test
plan reflects the main stages of the implementation of the theoretical and practical research that
was conducted. The proposed software solution can be used to implement a more powerful
system, for example, a video surveillance system with intelligent recognition. Prospects for
further research are to improve the proposed development to increase the efficiency of its use.
REFERENCES
AHA, D. W.; KIBLER, D.; ALBERT, M. K. Instance-based learning algorithms. Machine
Learning, [S. l.], v. 6, p. 37–66, 1991. DOI: 10.1023/A:1022689900470.
BARINA, D. Gabor wavelets in image processing. In: CONFERENCE STUDENT EEICT,
17., 2011. Proceedings [...]. Brno: Brno University of Technology. 2011. v. 3, p. 522–526.
BROADLEY, C. E. Addressing the selective superiority problem: automatic algorithm/model
class selection. In: MACHINE LEARNING: TENTH INTERNATIONAL CONFERENCE,
Amherst, 1993. Proceedings […]. Burlington: Morgan Kaufmann, 1993. p. 17–24.
DOI: 0.1016/b978-1-55860-307-3.50009-5.
DOMINGO, C.; GAVALDA, R.; WATANABE, O. Adaptive sampling methods for scaling
up knowledge discovery algorithms. In: DISCOVERY SCIENCE: SECOND
INTERNATIONAL CONFERENCE, 1999, Tokyo. Proceedings […]. Berlin: Springer,
1999. p. 172–183. DOI: 10.1007/3-540-46846-3_16.
ENGELBRECHT, A. Computational intelligence: an introduction. Sidney: John Wiley &
Sons, 2007. 597 p. DOI: 10.1002/9780470512517.
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 26
EVANS, R. Clustering for classification: using standard clustering methods to summarise
datasets with minimal loss of classification accuracy. Saarbrücken: VDM Verlag, 2008.
108 p.
GATES, G. The reduced nearest neighbor rule. IEEE Transactions on Information Theory,
[S. l.], v. 18, n. 3, p. 431–433, 1972. DOI: 10.1109/TIT.1972.1054809.
HART, P. E. The condensed nearest neighbor rule. IEEE Transactions on Information
Theory, [S. l.], v. 14, p. 515–516, 1968. DOI: 10.1109/TIT.1968.1054155.
JANKOWSKI, N. Data regularization. In: NEURAL NETWORKS AND SOFT
COMPUTING, 5., 2000, Zakopane. Proceedings […]. Częstochowa: Polish Neural Networks
Society, 2000. p. 209–214.
JANKOWSKI, N.; GROCHOWSKI, M. Comparison of instance selection algorithms I.
Algorithms survey. In: ARTIFICIAL INTELLIGENCE AND SOFT COMPUTING, 7., 2004,
Zakopane. Proceedings […]. Berlin: Springer, 2004. p. 598–603. (Lecture Notes in Computer
Science, v. 3070). DOI: 10.1007/978-3-540-24844-6_90.
JURAFSKY, D.; MARTIN, J. Hidden Markov models. Speech and Language Processing.
Draft of November 7, 2016.
KIBBLER, D.; AHA, D. W. Learning representative exemplars of concepts: an initial case of
study. In: MACHINE LEARNING INTERNATIONAL WORKSHOP, 4., 1987, Irvine.
Proceedings […]. Burlington: Morgan Kaufmann, 1987. p. 24–30. DOI: 10.1016/b978-0-
934613-41-5.50006-4.
KOHONEN, T. Learning vector quantization. Neural Networks, [S. l.], v. 1, p. 303, 1988.
DOI: 10.1016/0893-6080(88)90334-6.
KOSKIMAKI, H.; JUUTILAINEN, I.; LAURINEN, P.; RÖNING, J. Two-level clustering
approach to training data instance selection: a case study for the steel industry. In: NEURAL
NETWORKS: INTERNATIONAL JOINT CONFERENCE, 2008, Hong Kong. Proceedings
[…]. Los Alamitos: IEEE, 2008. p. 3044–3049. DOI: 10.1109/ijcnn.2008.4634228.
LI, B.; CHI, M.; FAN, J.; XUE, X. Support cluster machine. In: MACHINE LEARNING
INTERNATIONAL CONFERENCE, 24., 2007, Corvallis. Proceedings […]. New York,
2007. p. 505–512. DOI: 10.1145/1273496.1273560.
MADIGAN, D.; RAGHAVAN, N.; DUMOUCHEL, W.; NASON, M. Likelihood-based data
squashing: a modeling approach to instance construction. Data Mining and Knowledge
Discovery, [S. l.], v. 6, n. 2. p. 173–190. DOI: 10.1023/A:1014095614948.
REEVES, C. R.; BUSH, D. R. Using genetic algorithms for training data selection in RBF
networks. In: Instance Selection and Construction for Data Mining. Norwell: Kluwer,
2001. Part VI. p. 339–356. DOI: 10.1007/978-1-4757-3359-4_19.
REINARTZ, T. A. Unifying view on instance selection. Data Mining and Knowledge
Discovery, [S. l.], v. 6, p. 191–210, 2002. DOI: 10.1023/A:1014047731786.
Alla KAPITON; Nataliia KONONETS; Volodymyr MOKLIAK; Valentyna ONIPKO; Serhiy DUDKO; Vadym PYLYPENKO and Аnna SOKIL
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 27
RITTER, G.; WOODRUFF, H.; LOWRY, S.; ISENHOUR, T. An algorithm for a selective
nearest neighbor decision rule. IEEE Transactions on Information Theory, [S. l.], v. 21, n.
6, p. 665–669, 1975. DOI: 10.1109/TIT.1975.1055464.
SANE, S. S.; GHATOL, A. A. A Novel supervised instance selection algorithm.
International Journal of Business Intelligence and Data Mining, [S. l.], v. 2, n 4. p. 471–
495, 2007. DOI: 10.1504/IJBIDM.2007.016384.
SKALAK, D. B. Prototype and feature selection by sampling and random mutation hill
climbing algorithms. In: MACHINE LEARNING: INTERNATIONAL CONFERENCE, 11.,
1994, New Brunswick. Proceedings […]. Burlington: Morgan Kaufmann, 1994. p. 293–301.
DOI: 10.1016/b978-1-55860-335-6.50043-x.
SUBBOTIN, S. The neuro-fuzzy network synthesis and simplification on precedents in
problems of diagnosis and pattern recognition. Optical Memory and Neural Networks
(Information Optics), [S. l.], v. 22, n. 2, p. 97–103, 2013a.
DOI: 10.3103/s1060992x13020082.
SUBBOTIN, S. Methods of sampling based on exhaustive and evolutionary search.
Automatic Control and Computer Sciences, [S. l.], v. 47, n. 3, p. 113–121, 2013b.
DOI: 10.3103/s0146411613030073.
SUYKENS, J. A.; VANDEWALLE, J. Least squares support vector machine classifiers.
Neural Processing Letters, [S. l.], v. 9, n 3. p. 293–300, 1999.
DOI: 10.1023/A:1018628609742.
TOMEK, I. An experiment with the edited nearest-neighbor rule. IEEE Transactions on
Systems, Man and Cybernetics, [S. l.],v. 6, p. 448–452, 1976.
DOI: 10.1109/TSMC.1976.4309523.
WILSON, D. L. Asymptotic properties of nearest neighbor rules using edited data. IEEE
Transactions on Systems, Man, Cybernetics, [S. l.], v. 2, n. 3, p. 408–421, 1972.
DOI: 10.1109/TSMC.1972.4309137.
WILSON, D. R.; Martinez, D. R. Reduction techniques for instancebased learning algorithms.
Machine Learning, [S. l.],v. 38, n. 3, p. 257–286, 2000. DOI: 10.1023/A:1007626913721.
WINARNO, E.; HADIKURNIAWATI, W.; NIRWANTO, A.; ABDULLAH, D. Multi-view
faces detection using viola-jones method. Journal of Physics Conference Series, [S. l.],
v. 1114, n. 1, 2018. DOI: 10.1088/1742-6596/1114/1/012068.
YOON, B. J. Hidden Markov models and their application in the analysis of biological
sequences. Current Genomics, [S. l.], v. 10, n. 6, p. 402–415, 2009.
DOI: 10.2174/138920209789177575.
Biometric technology of personal recognition
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 28, n. 00, e023015, 2024. e-ISSN: 1519-9029
DOI: https://doi.org/10.22633/rpge.v28i00.19390 28
CRediT Author Statement
Acknowledgements: We thank the National University «Yuri Kondratyuk Poltava
Polytechnic».
Funding: Not applicable.
Conflicts of interest: There are no conflicts of interest.
Ethical approval: Not applicable.
Data and material availability: Not applicable.
Authors' contributions: Alla KAPITON: Data analysis and interpretation. Nataliia
KONONETS: Conception, ideation, writing and revision. Volodymyr MOKLIAK: Data
analysis and interpretation. Valentyna ONIPKO: Data collection. Serhiy DUDKO: Data
collection. Vadym PYLYPENKO: Collaboration in article writing and proofreading.
Аnna SOKIL: Collaboration in article writing and proofreading.
Processing and editing: Editora Ibero-Americana de Educação.
Proofreading, formatting, normalization and translation.
