Tecnologia biométrica de reconhecimento pessoal
DOI:
https://doi.org/10.22633/rpge.v28i00.19390Palavras-chave:
Sistema de reconhecimento de objetos, Algoritmo, Visão computacional, Tecnologias biométricasResumo
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.
Downloads
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.
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.
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Revista on line de Política e Gestão Educacional
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Manuscritos aceitos e publicados são de propriedade da Revista on line de Política e Gestão Educacional. É vedada a submissão integral ou parcial do manuscrito a qualquer outro periódico. A responsabilidade do conteúdo dos artigos é exclusiva dos autores. É vedada a tradução para outro idioma sem a autorização escrita do Editor ouvida a Comissão Editorial Científica.
