| dc.description.abstract |
A detecção facial, parte crucial do reconhecimento facial, tem sido um avanço
tecnológico de crescente relevância em áreas como segurança, autenticação, análise
forense e publicidade, sendo significativa a análise da influência da variação da
iluminação. Nesse cenário, a exploração da interação entre a luminosidade e
os algoritmos de identificação busca discernir como as flutuações na iluminação
repercutem na precisão e confiabilidade do reconhecimento facial. Neste trabalho,
a investigação dos impactos dessas variações nas características faciais por meio
da análise de um banco de dados, para diferentes condições de iluminação, avalia
a eficácia de métodos distintos para detecção facial, como o pré-processamento
de imagens e algoritmos especializados de aprendizado de máquina. Os métodos
comparados neste estudo foram modelos diferentes do Haar-Cascaded, HOG, Deep
Neural Networks (DNN), Multi-Task Cascaded Neural Networks (MTCNN) e You
Only Look Once (YOLO). Dentre esses, os melhores resultados foram obtidos com
DNN e MTCNN. Com a interpretação dos resultados, pretende-se contribuir para a
compreensão dos desafios impostos pela variação da iluminação em sistemas de
detecção de faces, consolidando um embasamento crítico para futuros avanços. |
pt_BR |
