R ESULTADOS E XPERIMENTAIS

Das 650 faces capturadas, 130 (2 de cada indivíduo) são utilizadas no treinamento do classificador, 455 (7 de cada um dos 65 indivíduos) são reservadas à etapa de testes. Nessa etapa, cada uma das 455 amostras do conjunto de teste é apresentada ao classificador e, a partir da resposta obtida, computa-se a matriz de confusão. A partir da matriz de confusão calcula-se o percentual geral de acerto. Cada uma das imagens do conjunto de teste (455) foi submetida aos classificadores e as matrizes de confusão foram calculadas. A matriz de confusão não é aqui apresentada, uma vez que sua reprodução é inviável, pois contempla 65 usuários e, dessa forma, possui dimensões 65 × 65. A partir dessas matrizes, foi possível obter as taxas de verdadeiros positivos e falsos negativos. Essas duas métricas são utilizadas no cálculo da taxa total de acerto. Como é apresentado na Tabela I, a taxa total de acerto observada para o Eigenfaces foi de 88, 35%, 96, 26%, 97, 36% e 98, 02% para 5, 10, 20 e 65 componentes principais, respectivamente. Já para o SIFT/SURF, a taxa de acerto foi de 100% em todos os casos.

Tabela I

RESULTADO DOEigenfacesUTILIZANDO DIFERENTES QUANTIDADES DE COMPONENTES PRINCIPAIS: 5, 10, 20E65.

5 10 20 65

Taxa de Acerto 88,35 % 96,26 % 97,36 % 98,02 % Taxa de Erro 11,65 % 3,74 % 2,64 % 1,98 %

Os resultados obtidos a partir do SIFT/SURF apresentam melhor desempenho quando comparados aos resultados obti- dos pelo Eigenfaces. A situação na qual as duas abordagens apresentam resultados mais próximos é com o uso de 65 componentes principais. O SIFT/SURF, entretanto, mantém o desempenho de 100% até mesmo na situação com a menor quantidade de componentes principais. Dessa forma, a abor- dagem aqui proposta apresenta não apenas uma melhoria na precisão da classificação, mas também possibilita manter esta

melhora ao mesmo tempo em que o custo computacional é significativamente reduzido. Note que o uso de apenas 5 com- ponentes principais pelo SIFT/SURF possibilita a obtenção de 100% na taxa de acerto, ao passo que o uso de 65 componentes principais pelo Eigenfaces resulta na obtenção de 98, 02% de acerto. Para construir a base de dados, utilizou-se uma webcam VGA (Tipo fixo) com resolução de 640 × 480 pixels.

Uma amostra da base de dados com 3 (três) indivíduos está disponível para download (endereço: http://github.com/BaseFacesComp/Amostra-da-Base-de-Faces).

V. CONCLUSÕES

A utilização de novos métodos e algoritmos para reali- zar reconhecimento facial é uma necessidade, visto que os resultados desta modalidade de biometria quando aplicada a situações reais ainda deixa espaço para melhoramentos. Métodos tradicionais, já validados, são comuns na bibliografia, mas demandam condições de operação bem comportadas e estabelecidas. A busca por soluções mais heterodoxas e flexíveis é uma necessidade, mas para que sejam validadas faz-se necessária a comparação com os métodos tradicionais. O presente trabalho propôs a utilização do SIFT e do SURF como algoritmos de identificação biométrica, comparando-os ao tradicional Eigenfaces. Observou-se que o SIFT e o SURF apresentaram desempenho superior ao melhor desempenho do Eigenfaces (por volta de 2%). Tal diferença justifica-se pelo fato do Eigenfaces ser uma técnica extremamente sensível a condições externas, além de ter seu desempenho afetado por transformações geométricas, o que não ocorre com os demais métodos. Os testes mostraram que, apesar do SIFT e do SURF não terem sido originalmente propostos como algoritmos de reconhecimento biométrico, ambos apresentam potencial para superar o Eigenfaces, um algoritmo consagrado, em cenários mais adversos. Os resultados foram gerados utilizando uma base de dados (criada) de 650 imagens de faces, sendo elas compostas por 10 amostras faces de cada um dos 65 indivíduos. É sabido que existem bases de dados tradicionais para realizar comparação entre algoritmos de reconhecimento facial. Embora outros trabalhos já tenham utilizado essas bases tradicionais para testar o SIFT e o SURF, para garantir a validação consistente de uma nova proposta é possível considerar que avaliar o desempenho desta, quando aplicada à bases de dados independentes, faz parte do processo de convencimento científico. Finalmente, destaca-se que a base de dados construída (disponível para a comunidade científica) é composta por imagens de baixa qualidade/resolução, adqui- ridas com baixo grau de controle do ambiente e sem nenhuma instrução especial para os indivíduos colaboradores (cobaias). Trabalhos futuros podem incluir a formação de uma base de faces mais numerosa e diversa, a análise da capacidade de reconhecimento em diferentes ângulos faciais e a avaliação da capacidade de distinção entre gêmeos idênticos.

REFERÊNCIAS

[1] J. Wayman, A. Jain, D. Maltoni, and D. Maio, “An introduction to biometric authentication systems,” in Biometric Systems: Technology, Design and Performance Evaluation. London: Springer, 2005, ch. 1.

[2] A. K. Jain, A. Ross, and S. Prabhakar, “An introduction to biometric recognition,” IEEE Trans. Cir. and Sys. for Video Technol., vol. 14, no. 1, pp. 4–20, Jan. 2004. [Online]. Available: http://dx.doi.org/10.1109/TCSVT.2003.818349

[3] S. Liao, A. K. Jain, and S. Z. Li, “A fast and accurate unconstrained face detector,” IEEE transactions on pattern analysis and machine intelligence, vol. 38, no. 2, pp. 211–223, 2016.

[4] P. Dreuw, P. Steingrube, H. Hanselmann, H. Ney, and G. Aachen, “Surf-face: Face recognition under viewpoint consistency constraints.” in BMVC, 2009, pp. 1–11.

[5] S. Liao, A. K. Jain, and S. Z. Li, “Unconstrained face detection,” Technická zpráva, Department of Computer Science Michigan State University, prosinec, 2012.

[6] N. Wang, X. Gao, D. Tao, H. Yang, and X. Li, “Facial feature point detection: A comprehensive survey,” Neurocomputing, 2017.

[7] M. Turk and A. Pentland, “Eigenfaces for recognition,” J. Cognitive Neuroscience, vol. 3, no. 1, pp. 71–86, 1991.

[8] S. Tiwari, A. Singh, and S. K. Singh, “Integrating faces and soft- biometrics for newborn recognition,” Int. J. Adv. Comput. Eng. Archit, vol. 2, no. 2, pp. 201–209, 2012.

[9] E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, “Orb: An efficient alternative to sift or surf,” in Computer Vision (ICCV), 2011 IEEE international conference on. IEEE, 2011, pp. 2564–2571.

[10] R. Clarke, “Human identification in information systems: Management challenges and public policy issues,” Information Technology and Peo- ple, 1994.

[11] A. Jain, B. Klare, and A. Ross, “Guidelines for best practices in biometrics research,” 8th IAPR International Conference on Biometrics, 2015.

[12] N. K. Ratha and V. Govindaraju, Advances in Biometrics: Sensors, Algorithms and Systems, 1st ed. Springer-Verlag London, 2008. [13] J. Wayman, “A definition of biometrics,” in National Biometric Test

Center Colected Works 1997-2000. San Jose State University, 2000. [14] A. Ross and A. K. Jain, “Human recognition using biometrics: an over-

view,” in Annales Des Télécommunications, vol. 62, no. 1-2. Springer, 2007, pp. 11–35.

[15] S. Haykin, Redes Neurais - Principios e Praticas, 2nd ed. Bookman, 2001.

[16] P. Viola and M. J. Jones, “Robust real-time face detection,” International journal of computer vision, vol. 57, no. 2, pp. 137–154, 2004. [17] M. Turk and A. Pentland, “Eigenfaces for recognition,” J. Cognitive

Neuroscience, vol. 3, no. 1, pp. 71–86, Jan. 1991. [Online]. Available: http://dx.doi.org/10.1162/jocn.1991.3.1.71

[18] F. Chelali, A. Djeradi, and R. Djeradi, “Linear discriminant analysis for face recognition,” in Multimedia Computing and Systems, 2009. ICMCS ’09. International Conference on, April 2009, pp. 1–10.

[19] L. Wiskott, J.-M. Fellous, N. Kruger, and C. von der Malsburg, “Face recognition by elastic bunch graph matching,” in Image Processing, 1997. Proceedings., International Conference on, vol. 1, Oct 1997, pp. 129–132 vol.1.

[20] A. K. Jain and S. Pankanti, “Automated fingerprint identification and imaging systems,” in Advances in Fingerprint Technology, 2nd ed., H. C. Lee and R. E. Gaensslen, Eds. Boca Raton: CRC Press, 2001, ch. 8. [21] S.-K. Pavani, D. Delgado, and A. F. Frangi, “Haar-like features with optimally weighted rectangles for rapid object detection.” Pattern Re- cognition, vol. 43, no. 1, pp. 160–172, 2010.

[22] W. Fan, S. J. Stolfo, and J. Zhang, “The application of adaboost for distributed, scalable and on-line learning,” in Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ser. KDD ’99. New York, NY, USA: ACM, 1999, pp. 362–366. [Online]. Available: http://doi.acm.org/10.1145/312129.312283

[23] D. G. Lowe, “Distinctive image features from scale-invariant keypoints,” Int. J. Comput. Vision, vol. 60, no. 2, pp. 91–110, Nov. 2004. [Online]. Available: http://dx.doi.org/10.1023/B:VISI.0000029664.99615.94 [24] H. Bay, A. Ess, T. Tuytelaars, and L. Van Gool, “Speeded-

up robust features (surf),” Comput. Vis. Image Underst., vol. 110, no. 3, pp. 346–359, Jun. 2008. [Online]. Available: http://dx.doi.org/10.1016/j.cviu.2007.09.014

[25] G. Du, F. Su, and A. Cai, “Face recognition using surf features,” in Proceedings of the SPIE, vol. 7496, Oct 2009, pp. 749 628–1. [26] I. Jolliffe, Principal Component Analysis. Springer-Verlag, 2002. [27] R. A. Fisher, “The use of multiple measurements in taxonomic pro-

blems,” Annals of Eugenics, vol. 7, no. 7, pp. 179–188, 1936.

Automatic Vehicle Count in Multiple