Sistema de Reconhecimento Facial

Este projeto implementa um sistema completo de reconhecimento facial usando técnicas de Álgebra Linear Computacional, visão computacional e aprendizado de máquina.

📋 Descrição

O sistema oferece duas abordagens para reconhecimento facial:

1. Método Simples: Comparação direta entre imagens usando distância euclidiana
2. Método PCA: Redução de dimensionalidade usando Análise de Componentes Principais

🚀 Características

• ✅ Carregamento automático de datasets organizados
• ✅ Preprocessamento inteligente de imagens
• ✅ Validação cruzada para avaliação de desempenho
• ✅ Comparação entre diferentes algoritmos
• ✅ Visualização de resultados com matrizes de confusão
• ✅ Código bem documentado e organizado

📁 Estrutura do Projeto

reconhecimento_facial/
├── main.py                  # 🎯 Menu principal do sistema
├── requirements.txt         # Dependências do projeto
├── README.md               # Este arquivo
├── src/                    # Código fonte
│   ├── reconhecimento_facial.py    # Classe principal do sistema
│   ├── reconhecimento_neural.py    # Sistema com redes neurais
│   ├── demo_completa_neural.py     # Demonstração completa
│   ├── exemplo_uso.py              # Exemplos de uso
│   ├── exemplo_neural.py           # Exemplos com redes neurais
│   ├── guia_pratico.py             # Guia para iniciantes
│   ├── resumo_final.py             # Resumo e comparações
│   └── teste*.py                   # Arquivos de teste
├── data/                   # Dados e datasets
├── docs/                   # Documentação
├── examples/               # Exemplos adicionais
└── recdev-master/          # Dataset de faces
    ├── very-easy/          # Imagens mais fáceis
    ├── easy/               # Imagens fáceis
    ├── medium/             # Imagens médias
    └── hard/               # Imagens difíceis

🛠️ Instalação

1. Clone ou baixe o projeto

2. Instale as dependências:

   pip install -r requirements.txt

3. Verifique se o dataset está presente:

   • O diretório recdev-master/ deve conter as pastas com imagens
   • As imagens devem estar nomeadas no formato: pessoa-foto.jpg (ex: 2-1.jpg)

📖 Como Usar

🎯 Opção 1: Menu Interativo (Recomendado)

Execute o arquivo principal para acessar o menu interativo:

python main.py

O menu oferece as seguintes opções:

• Demonstração Completa: Comparação entre todos os métodos
• Reconhecimento Tradicional: Algoritmos PCA e método simples
• Redes Neurais: Sistema avançado com deep learning
• Guia Prático: Tutorial passo a passo para iniciantes
• Testes Específicos: Execução de testes individuais

🔧 Opção 2: Execução Direta

Você também pode executar os módulos diretamente da pasta src:

# Exemplo de uso básico
python src/exemplo_uso.py

# Demonstração com redes neurais
python src/exemplo_neural.py

# Guia prático passo a passo
python src/guia_pratico.py

# Comparação completa de métodos
python src/demo_completa_neural.py

🚀 Opção 3: Instalação Automática (Windows)

Para usuários Windows, use o script de inicialização:

start.bat

Este script irá:

• Verificar se o Python está instalado
• Instalar automaticamente as dependências
• Configurar o ambiente
• Iniciar o menu principal

🛠️ Instalação Manual Detalhada

1. Configuração Inicial

Execute o script de instalação para configurar automaticamente:

python install.py

2. Instalação Manual das Dependências

Se preferir instalar manualmente:

Uso Básico - Benchmark Completo

from reconhecimento_facial import ReconhecimentoFacial

# Cria o reconhecedor para um dataset específico
reconhecedor = ReconhecimentoFacial("recdev-master/easy")

# Executa benchmark completo (compara métodos simples vs PCA)
resultados = reconhecedor.benchmark_dataset(n_componentes_pca=50)

Uso Avançado - Teste Individual

# Carrega o dataset
reconhecedor = ReconhecimentoFacial("recdev-master/easy")
reconhecedor.carregar_imagens()

# Treina o modelo PCA
reconhecedor.treinar_pca(n_componentes=30)

# Carrega uma imagem de teste
import cv2
img_teste = cv2.imread("recdev-master/easy/2-1.jpg", 0)

# Reconhecimento usando PCA
indice, distancia, pessoa_predita = reconhecedor.reconhecimento_pca(img_teste)
print(f"Pessoa predita: {pessoa_predita}")

Executar Exemplos Prontos

# Executa benchmark completo em todos os datasets
python reconhecimento_facial.py

# Executa exemplos específicos
python exemplo_uso.py

📊 Funcionalidades Principais

1. Carregamento de Dados

• Lê automaticamente todas as imagens de um diretório
• Extrai IDs das pessoas do nome dos arquivos
• Normaliza e preprocessa as imagens

2. Algoritmos de Reconhecimento

Método Simples:

• Compara diretamente os pixels das imagens
• Rápido mas menos preciso
• Boa baseline para comparação

Método PCA:

• Reduz dimensionalidade preservando características importantes
• Mais robusto a variações de iluminação
• Melhor desempenho em geral

3. Validação e Avaliação

• Validação cruzada para resultados confiáveis
• Cálculo de acurácia e tempo de execução
• Matriz de confusão para análise detalhada

4. Visualização

• Gráficos de matriz de confusão
• Comparação visual entre métodos
• Relatórios detalhados de desempenho

🎯 Parâmetros Importantes

n_componentes_pca

• Descrição: Número de componentes principais a manter
• Valores típicos: 20-100
• Impacto: Mais componentes = maior precisão, mas mais lento

n_splits

• Descrição: Número de divisões na validação cruzada
• Valores típicos: 3-10
• Impacto: Mais splits = resultado mais confiável, mas mais lento

📈 Exemplo de Resultados

=== COMPARAÇÃO DOS MÉTODOS ===
Método Simples: 75.2% ± 8.1%
Método PCA:     87.3% ± 5.2%
✓ PCA apresentou melhor desempenho

🔧 Solução de Problemas

Erro: "Dataset não encontrado"

• Verifique se o caminho do dataset está correto
• Certifique-se de que o diretório contém arquivos .jpg ou .png

Erro: "Nome de arquivo inválido"

• Os arquivos devem estar no formato pessoa-foto.jpg
• Exemplo: 1-1.jpg, 2-3.jpg, etc.

Baixa precisão

• Experimente diferentes números de componentes PCA
• Verifique se as imagens estão bem organizadas
• Considere usar datasets mais fáceis para teste inicial

🎓 Conceitos Implementados

• Visão Computacional: Processamento e análise de imagens
• PCA: Redução de dimensionalidade para melhor desempenho
• Validação Cruzada: Avaliação robusta de modelos
• Métricas de Avaliação: Acurácia, matriz de confusão
• Preprocessamento: Normalização e padronização de dados
• Álgebra Linear Computacional: Uso intensivo de operações com matrizes e vetores para otimização de cálculos e extração de características

📚 Próximos Passos

Para melhorar ainda mais o sistema, você pode:

1. Implementar outros algoritmos: SVM, Random Forest, Deep Learning
2. Adicionar detecção de faces: Usar Haar Cascades ou MTCNN
3. Melhorar preprocessamento: Equalização de histograma, filtros
4. Interface gráfica: Criar GUI para uso mais amigável
5. Reconhecimento em tempo real: Integrar com webcam

Infos

Este projeto foi desenvolvido com base nos testes originais (teste.py e teste3.py), com melhorias em:

• Organização do código
• Tratamento de erros
• Documentação
• Flexibilidade de uso
• Visualização de resultados

---

Dataset: RecDev - Facial Recognition Development Dataset