RECONHECIMENTO PERIOCULAR USANDO REDES PROFUNDAS PRÉ-TREINADAS

ARAÚJO, Bruno de Oliveira1; JUNIOR, Alceu de Souza Britto2;

Resumo

Introdução:A região periocular, que compreende além do olho, as pálpebras, cílios e sobrancelhas é uma interessante alternativa para a identificação pessoal baseada em características biométricas. Esta é capaz de obter melhores resultados em situações não controladas do que características de face, sendo menos afetada por variações de expressão, envelhecimento ou presença de barba (pelos faciais).

Objetivo:Este projeto tem como objetivo avaliar o desempenho de redes profundas pré-treinadas em bases de imagens de diferentes aplicações (face, principalmente) no reconhecimento da região periocular, aplicando o conhecimento pré-adquirido nessas redes (características extraídas da face) na identificação/verificação da região periocular, método conhecido como transfer learning.

Metodologia:O reconhecimento da região periocular tem grande utilidade na área de segurança, devido a se mostrar mais tolerante à variabilidade de expressão, oclusão e imagens parciais da face. Para realizar os experimentos que avaliam o desempenho de redes profundas pré-treinadas para reconhecimento da região periocular (transfer learning) foram consideradas imagens de região periocular disponíveis na base UBIRIS.v2, as quais foram adquiridas a 6, 7 e 8 metros de distância e ângulos diferentes. Estas foram catalogadas no que diz respeito a qual olho correspondem (esquerdo ou direito) e o ângulo em que a imagem foi capturada (frontal, ângulo para esquerda ou para direita). Foram avaliados modelos pré-treinados de três redes profundas com arquiteturas e bases diferentes através da plataforma Facenet utilizando Tensorflow em Python.

Resultados:O modelo pré-treinado de arquitetura SqueezeNet com a base de imagens de face VGGFace2 apresentou o melhor resultado entre os testes realizados, com um f-score de 0,41. Na continuidade desta pesquisa, pretende-se fazer o ajuste fino desta rede profunda, pré-treinada em faces, a partir de imagens de região periocular

Conclusões:De um modo geral, observou-se que apenas a transferência de conhecimento não é suficiente para obter resultados compatíveis com o estado da arte em verificação biométrica via região periocular. Portanto, o que pode ser feito no futuro para melhorar o desempenho desse método seria treinar novamente esse modelo com imagens da região periocular para observar se alcançam resultados encontrados na literatura.

Palavras-chave: Redes convolucionais profundas pré-treinadas. Reconhecimento da Região Periocular. Transferência de conhecimento.

Legendas

    1. Estudante
    2. Orientador