Publicação:
Avaliação de algoritmos de reconhecimento facial para autenticação de usuários

Página do item simplificado
dc.contributor.advisor1Ribeiro, Thiago Pirola
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8887726177714522pt_BR
dc.contributor.referee1Nascimento, Marcelo Zanchetta do
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5800175874658088pt_BR
dc.contributor.referee2Martinez, Ana Cláudia
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6993507870608075pt_BR
dc.creatorSilva, Eliabe Vinicius Costa e
dc.date.accessioned2024-01-30T19:09:27Z
dc.date.available2024-01-30T19:09:27Z
dc.date.issued2023-11-29
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoA segurança digital tem uma grande importância no cenário de rápida evolução tecnológica. Assim, a biometria de reconhecimento facial se torna uma promissora ferramenta para a aprimorar a segurança de dados. O objetivo dessa pesquisa é aprofundar o entendimento sobre o uso do reconhecimento facial e identificar os métodos que são amplamente usados no cenário atual. O projeto se divide em duas partes principais, a primeira sendo a pesquisa teórica para fazer um investigação de estudos atuais e selecionar os métodos que se mostram importantes para esse cenário. Após isso, a segunda parte da pesquisa faz experimentos com esses algoritmos para determinar a precisão do identificação facial. A partir de referenciais teóricos, os algoritmos de Eigenface, Fisherface, Local Binary Patterns Histograms (LBPH) e Facenet foram escolhidos para fazerem parte do estudo, isto sendo baseado nos melhores resultados de estudos mais recentes. Portanto, os métodos foram testados com dois datasets de imagens faciais, O Labelled Faces in the Wild e o Celebrity Face Image Dataset. Após os experimentos, foi apresentado uma superioridade do Modelo Facenet usando Transfer Learning com uma acurácia de média 99%, além disso o modelo LBPH se mostra superior aos outros dois tendo um de media entre 64% e 78%. Porém, os algoritmos de Eigenface e fisherface apresentam resultados inferiores ao esperado, trazendo acurácias no intervalo de 17% até 51% e 11% até 63% de acurácia, sucessivamente.pt_BR
dc.identifier.citationSILVA, Eliabe Vinicius Costa e. Avaliação de algoritmos de reconhecimento facial para autenticação de usuários. 2023. 40 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2024.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/41074
dc.languageporpt_BR
dc.orcid.putcode152001381
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseCiência da Computaçãopt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.sizeorduration40pt_BR
dc.subjectReconhecimento facialpt_BR
dc.subjectFacenetpt_BR
dc.subjectEigenfacept_BR
dc.subjectFisherfacept_BR
dc.subjectLBPHpt_BR
dc.subjectLabelled faces in the wildpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAOpt_BR
dc.titleAvaliação de algoritmos de reconhecimento facial para autenticação de usuáriospt_BR
dc.title.alternativeEvaluation of facial recognition algorithms for user authenticationpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dspace.entity.typePublication

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AvaliaçãoAlgoritmosReconhecimento.pdf
Tamanho:
2.47 MB
Formato:
Adobe Portable Document Format
Descrição:
TCC
Baixar

Coleções

TCC - Ciência da Computação