Reconhecimento facial

.gitignore

@@ -0,0 +1,3 @@
+.env
+.env.local
+.DS_Store

Reconhecimento-Facial/README.md

@@ -0,0 +1,147 @@
+## Reconhecimento Facial 
+
+
+## 📝 Descrição
+
+Este projeto implementa um sistema de reconhecimento facial capaz de identificar pessoas mesmo quando elas estão usando máscaras. O sistema utiliza técnicas de Deep Learning e Metric Learning para realizar o reconhecimento facial.
+
+O diferencial deste projeto é sua capacidade de reconhecer faces com máscara a partir do treinamento realizado com fotos sem máscara, tornando-o especialmente útil em diversos contexto.
+
+## 🚀 Funcionalidades
+
+- Cadastro de pessoas através de 3-5 fotos sem máscara
+- Reconhecimento facial com máscara
+- Classificação e identificação da pessoa mais próxima no dataset
+- Análise vetorial através de Metric Learning
+- Processamento utilizando CNN (Convolutional Neural Network)
+
+## 🏗️ Estrutura do Projeto
+#### Estrutura do Código  
+```bash
+Reconhecimento-Facial/
+│
+├── src/
+│   ├── model.ipynb                  # Código para criação e treinamento do modelo
+│   ├── ModelFaceRecognition.h5      # Modelo treinado (arquivo gerado após treinamento)
+│   └── Reconhecimento_Facial.ipynb  # Código para realizar o reconhecimento facial
+│
+└── content/
+    ├── post-processed/              # Dataset de treinamento e teste (imagens de rostos)
+    ├── Gabriel_01.jpg               # Exemplos de imagens
+    └── ...
+```
+### Descrição dos Componentes
+
+- **src/**: Contém os arquivos principais do código
+  - `model.ipynb`: Notebook com a implementação e treinamento da CNN
+  - `ModelFaceRecognition.h5`: Modelo treinado exportado
+  - `Reconhecimento_Facial.ipynb`: Notebook com a implementação do reconhecimento facial utilizando Metric Learning
+
+- **content/**: Contém os datasets e imagens de teste
+  - `post-processed/`: Dataset de pessoas famosas para treinamento
+  - `imagens_teste/`: Imagens para teste do sistema
+
+## 💻 Tecnologias Utilizadas
+
+- Python
+- TensorFlow/Keras
+- Google Colab (para treinamento)
+- Técnicas de Deep Learning
+- Metric Learning
+- CNN (Convolutional Neural Network)
+
+## 🧰 Funcionamento
+
+O projeto utiliza uma combinação de técnicas avançadas de Deep Learning para realizar o reconhecimento facial com máscaras. O processo é dividido em duas etapas principais:
+
+### 1. Treinamento da CNN (model.ipynb)
+- **Preparação do Dataset**
+  - Utilização de um dataset de pessoas famosas como base
+  - Pré-processamento das imagens para normalização
+  - Divisão em conjuntos de treino e validação
+
+- **Arquitetura da CNN**
+  - Implementação usando TensorFlow/Keras
+  - Camadas convolucionais para extração de características
+  - Camadas de pooling para redução dimensional
+  - Camadas densas para classificação
+
+- **Processo de Treinamento**
+  - Realizado no ambiente Google Colab (GPU)
+  - Otimização dos parâmetros da rede
+  - Geração do modelo final (ModelFaceRecognition.h5)
+
+### 2. Metric Learning (Reconhecimento_Facial.ipynb)
+- **Extração de Características**
+  - Processamento das imagens de entrada
+  - Extração dos vetores característicos das faces
+  - Criação de embeddings faciais
+
+- **Processo de Reconhecimento**
+  - Cálculo de similaridade entre vetores
+  - Comparação com faces cadastradas
+  - Determinação do match mais próximo
+
+- **Fluxo de Identificação**
+  1. Carregamento da imagem com máscara
+  2. Detecção da região facial
+  3. Extração dos vetores característicos
+  4. Comparação com banco de faces cadastradas
+  5. Identificação da pessoa mais similar
+
+### 3. Métricas de Similaridade
+- Utilização de distância euclidiana entre vetores
+- Definição de threshold para reconhecimento
+- Análise de confiança da predição
+
+### 4. Cadastro de Novas Pessoas
+1. **Coleta de Imagens**
+   - 3-5 fotos sem máscara
+   - Diferentes ângulos e iluminações
+
+2. **Processamento**
+   - Extração dos vetores característicos
+   - Armazenamento no banco de dados
+
+3. **Validação**
+   - Testes de reconhecimento
+   - Ajustes de parâmetros se necessário
+
+## 📊 Resultados
+
+O sistema de reconhecimento facial demonstrou resultados promissores, atingindo métricas significativas de performance:
+
+### Performance Geral
+- **Acurácia**: 85% de acurácia no modelo ModelFaceRecognition.h5
+
+
+### Análise dos Resultados
+- O modelo apresenta melhor performance quando:
+  - As fotos de cadastro são tiradas com boa iluminação
+  - São fornecidas 4-5 fotos para cadastro
+  - As máscaras utilizadas não cobrem todo o rosto
+
+### Limitações Identificadas
+- Redução da precisão em condições de baixa luminosidade
+- Maior dificuldade com máscaras que cobrem além do nariz
+- Necessidade de ao menos 3 fotos de boa qualidade para cadastro efetivo
+
+### Casos de Teste
+1. **Cenário Ideal**
+   - 5 fotos de cadastro com boa iluminação
+   - Máscara padrão 
+   - Iluminação adequada
+
+2. **Cenário Desafiador**
+   - 3 fotos de cadastro
+   - Iluminação variada
+   - Diferentes tipos de máscara
+
+
+### Comparativo
+O resultado de 85% de acurácia coloca este projeto em um patamar competitivo, considerando:
+- A complexidade do reconhecimento com máscaras
+- O uso de apenas fotos sem máscara para treinamento
+- A variedade de condições de teste
+- A capacidade computacional disponivel para o treinamento da CNN
+