Comparação de métodos de detecção facial sob influência da variação da iluminação

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.