Avaliação da CNN FaceNet para reconhecimento facial de estudantes em sala de aula / Evaluation of CNN FaceNet for facial recognition of students in the classroom

Authors

  • Bernardo Janko Gonçalves Biesseck Brazilian Journals Publicações de Periódicos, São José dos Pinhais, Paraná
  • Valber Lemes Zacarkim

DOI:

https://doi.org/10.34117/bjdv7n3-455

Keywords:

aplicativo, frequência escolar, reconhecimento facial, rede convolucional.

Abstract

Nos últimos anos o reconhecimento facial tem se tornado bastante maduro, principalmente devido aos avanços obtidos com Redes Neurais Convolucionais (CNNs). A partir dos resultados publicados recentemente pela comunidade de Visão Computacional elaboramos a ideia de desenvolver um aplicativo para realizar o registro automático de frequência escolar (chamada) através de reconhecimento facial em imagens registradas pelo professor na sala de aula. Para avaliar a viabilidade e os limites de funcionamento desta aplicação foram realizados experimentos preliminares com a CNN FaceNet nos datasets FEI, com 99.74% de acurácia, e PICS com 91.3% de acurácia. Os resultados obtidos até agora mostram a viabilidade da aplicação no que se refere à qualidade do reconhecimento.

References

Ahonen, T., Member, S., Hadid, A., Pietikäinen, M., and Member, S. (2006). Face description with local binary patterns: Application to face recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28:2037–2041.

Belhumeur, P. N., Hespanha, J. P., and Kriegman, D. J. (1997). Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection. IEEE Trans. Pattern Anal. Mach. Intell., 19(7):711–720.

de Oliveira Junior, L. L. and Thomaz, C. E. (2006). Captura e alinhamento de imagens: Um banco de faces brasileiro. Department of Electrical Engineering, FEI.

de Sousa, A. L., Costa, S. W. S., Pires, Y., and Araújo, F. (2020). Fourface: Uma ferramenta de reconhecimento de expressões faciais. Brazilian Journal of Development (BJD), Vol 6, No 10, 2020.

Liu, C. and Wechsler, H. (2002). Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition. Trans. Img. Proc., 11:467–476.

Parkhi, O. M., Vedaldi, A., and Zisserman, A. (2015). Deep face recognition. In Proceedings of the British Machine Vision Conference (BMVC). BMVA Press.

School of Natural Sciences, S. (2008). Psychological image collection at stirling (pics). University of Stirling.

Schroff, F., Kalenichenko, D., and Philbin, J. (2015). Facenet: A unified embedding for face recognition and clustering. In In CVPR.

Taigman, Y., Yang, M., Ranzato, M., and Wolf, L. (2014). Deepface: Closing the gap to human-level performance in face verification. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

Turk, M. and Pentland, A. (1991). Eigenfaces for recognition. J. Cognitive Neuroscience, (1):71–86.

Published

2021-03-18

How to Cite

Biesseck, B. J. G., & Zacarkim, V. L. (2021). Avaliação da CNN FaceNet para reconhecimento facial de estudantes em sala de aula / Evaluation of CNN FaceNet for facial recognition of students in the classroom. Brazilian Journal of Development, 7(3), 27558–27563. https://doi.org/10.34117/bjdv7n3-455

Issue

Section

Original Papers