Reconhecimento Facial é um dos conceitos tecnológicos mais comentado nas plataformas digitais. O assunto ultrapssou as telas digitais e chegou em nosso dia a dia. O conceito já está sendo aplicado em áreas como segurança púlica, educação, saúde. Em todos estes casos existem questionamentos sobre resultados gerados para a sociedade. Nesta discussão tem racismo algoritmico, direitos humanos, algoritmos enviesados, roubo de dados, identidade digitial, direitos digitais e por ai vai, são muitas áreas. Bom o meu objetivo é tentar explicar da forma mais acessível possível sobre reconhecimento facial, tenho uma preocupação em como os conceitos tecnológicos chegam para as pessoas e como cientista da computação talvez eu possa ajudar a tornar mais acessível a linguagem. talvez não, to me esforçando para realizar isso. tá, vamos lá!
O Reconhecimento facial é um metódo biométrico. A biometria é uma tecnologia utilizada para meio de comparação e checagem de uma característica humana com uma informação armazenada anteriormente em banco de dados , tem o objetivo de permitir acessos a identificação de um individuo por exemplo, em tese com mais segurança. exemplos: impressão digital, quando você vai criar documento de indentificação (RG, passaporte, etc) e tem que colocar seu dedão la outro exemplo é o reconhecimento a partir da iris, os filmes que as pessoas abrem as portas depois que um sistema reconhece sua iris(no olho). Enfim o Reconhecimento facial se baseia nestes metodos que também são verificações digitais. Vantagens apontadas por pesquisadores que pode explicar o sucesso do uso desta ferramenta é que pode ser captada a distância, devido a avanços rápidos em dispositivos de captura de imagem (câmeras de vigilância, câmera no celular), disponibilidade de grandes quantidades de imagens de rostos na Web e aumento demandas por maior segurança. TODAS ESTAS VANTAGENS SÃO QUESTIONÁVEIS, PRINCIPALMENTE QUANDO COLOCADAS DIFERENTES REALIDADES DA SOCIEDADE.
Em 1973 foi desenvolvido o primeiro sistema de reconhecimento facial por Takeo Kanade em seu Ph.D. porém somente a partir do trabalho desenvolvido por (Kirby, et al., 1990) que a comunidade cientifica começou a interessar-se pelo desenvolvimento de novas técnicas de reconhecimento a partir de imagens faciais. O principal aporte de Kirby e Sirovich foi representar às imagens faciais como pontos num espaço de reduzida dimensão por médio da transformação de Karhunen-Loeve (colocarei aqui de forma simplória como usada para compressão de dados). A partir de então, ferramentas estatísticas e probabilísticas foram utilizadas na solução de problemas de reconhecimento facial. Turk e Pentland usaram as Análises de Componentes Principais para gerar uma representação da face num espaço de pequena dimensão, definido pelas componentes principais que, neste contexto, passaram a ser chamadas de autofaces (eigenfaces do inglês) (Turk, et al., 1991). Com o tempo, várias extensões das autofaces foram desenvolvidas. Assim, outros autores (Belhumeur, et al., 1997), (Zhao, et al., 1998) sugeriram outras técnicas de aplicação... A história continua mas não é o objetivo deste texto, no final terão links que tratam bastante desta parte histórica da tecnologia.
Importante do paragrafo anterior são as datas, 1973 ou seja não é uma tecnologia atual! Diante disso da pra perceber que avançaram muito desde então e que um dos maiores responsáveis para que cada vez mais os sistemas "acertem" é a base de dados, quanto maior for o número de rostos (principalmente diversos e inclusivos) dentro de uma base melhor vai ser o desempenho do sistema de reconhecimento facial. Um dos maiores problemas atuais é justamente um base de dados não diversa e não inclusiva no uso da criação dos sistemas que também interfere na lógica dos algoritmos que são usados.
Como um sistema biométrico, um sistema de reconhecimento de rosto opera em um ou dois modos que são: (1) verificação facial (ou autenticação) e (2) identificação facial (ou reconhecimento). A verificação de rosto envolve uma correspondência um a um que compara um rosto de consulta. A identificação facial envolve uma correspondência de um para muitos que compara um rosto de consulta contra várias rostos no banco de dados de inscrição para associar a identidade do rosto consultado a um daqueles no banco de dados. Em alguns aplicativos de identificação, um só precisa encontrar o rosto mais semelhante.
Em uma verificação de lista de observação ou identificação de rosto no vídeo de vigilância, o requisito é mais do que encontrar rostos semelhantes; o limite do nível de confiança é especificado e todas aquelas faces cuja pontuação de similaridade(pontos em comum nos rostos) é acima do limite são relatados.
O desempenho de um sistema de reconhecimento facial depende muito de uma variedade de fatores como iluminação, pose facial, expressão, faixa etária, cabelo, roupa facial e movimento. Com base nesses fatores, os aplicativos de reconhecimento facial podem ser divididos em duas categorias amplas em termos de cooperação de um usuário:
(1) cenários de usuário cooperativo e (2) cenários de usuário não cooperativos.
O caso cooperativo é encontrado em aplicativos como login de computador,
controle de acesso físico, e passaporte eletrônico, onde o usuário está disposto a cooperar apresentando seu rosto de maneira adequada (por exemplo, em uma pose frontal com
expressão neutra e olhos abertos), a fim de ter acesso . No caso não cooperativo, que é típico em aplicações de vigilância, o usuário não tem conhecimento de que está sendo identificado. Em termos de distância entre o rosto e a câmera, reconhecimento de face de campo próximo (menos de 1 m) para aplicações cooperativas (por exemplo, acesso
controle) é o problema menos difícil, enquanto as aplicações não cooperativas de campo distante (por exemplo, identificação de lista de observação) em vídeo de vigilância é o mais desafiador.
Aplicações entre as duas categorias acima também podem ser previstas. Por exemplo, no controle de acesso à distância baseado em rosto, o usuário deseja cooperar, mas não consegue apresentar o rosto em condições favoráveis em relação ao Câmera. Isso pode representar desafios para o sistema, embora tais casos ainda sejam mais fácil do que identificar a identidade do rosto de um sujeito que não coopera.No entanto, em quase todos os casos, a iluminação ambiente é o principal desafio para a maioria dos aplicativos de reconhecimento de rosto.
O reconhecimento facial é um problema de reconhecimento de padrão visual, onde o rosto, representado como um objeto tridimensional que está sujeito a diferentes tipos de iluminação, pose, expressão e outros fatores, precisa ser identificado com base nas imagens adquiridas. Embora as imagens bidimensionais do rosto sejam comumente usadas na maioria das aplicações, certas aplicações que exigem níveis mais elevados de segurança exigem o uso de imagens tridimensionais (profundidade ou alcance) imagens ou imagens ópticas além do espectro visual. Um reconhecimento de rosto.
O sistema geralmente consiste em quatro módulos localização de rosto, normalização, extração de recursos e correspondência.
Face Detection (Localização do rosto) segmenta a área do rosto do fundo. No caso do vídeo, os rostos detectados podem precisar ser rastreados em vários quadros usando um componente de rastreamento de rosto. Enquanto a detecção de rosto fornece uma estimativa aproximada da localização e escala do rosto, o ponto de referência do rosto localiza pontos de referência faciais (por exemplo, olhos, nariz, boca e contorno facial). Isso pode ser realizado por um módulo de referência ou módulo de alinhamento de face.
A normalização da face é realizada para normalizar a face geometricamente e fotometricamente. Isso é necessário porque os métodos de reconhecimento de última geração devem reconhecer imagens de rosto com pose e iluminação variadas. O processo de normalização geométrica transforma a face em uma moldura padrão por corte de face. A distorção ou a transformação podem ser usadas para uma normalização geométrica mais elaborada. O processo de normalização fotométrica normaliza a face com base nas propriedades como iluminação e escala de cinza.
A extração de características faciais é realizada na face normalizada para extrair saliências
informações que são úteis para distinguir rostos de pessoas diferentes e são robustas
no que diz respeito às variações geométricas e fotométricas. Os recursos de rosto extraídos
são usados para correspondência de rosto. ( marcas faciais nos rostos importantes nesta etapa também).
Na correspondência de face(match), os recursos extraídos da face de entrada são comparados com um ou mais rostos registrados no banco de dados. O matcher produz 'sim' ou‘Não’ para verificação um a um ; para identificação um comparando com todas as imagens do banco, a saída é a identidade da face de entrada quando a correspondência superior é encontrada com confiança suficiente ou desconhecida quando a pontuação de correspondência de ponta está abaixo de um limite. O principal desafio nesta fase de face
reconhecimento é encontrar uma métrica de similaridade(pontos em comum comparando com rostos e rostos) adequada para comparar características faciais.
A precisão dos sistemas de reconhecimento de rosto depende muito dos recursos que são extraído para representar a face que, por sua vez, depende da localização correta da face e normalização.
O reconhecimento facial é um desafio, está em construção e estamos longe dos minutos finais. Cada vez que é utilizada na sociedade é possível visualizar e perceber mais erros por parte de quem ta criando produtos e soluções utilizando este conceito. Eu sei que existem os sistemas de redes neurais que buscam soluções para que a tarefa de reconhecimento seja mais rápida e eficaz na classificação de imagens, que existem também técnicas como deep learning que sao aplicadas junto com as redes neurais artificiais na tarefa de reconhecimento, e que o método mais utilizado é o aprendizado de maquina supervisionado que busca padroes nas imagens. Mas devemos estar atentos e questionar quem desenvolve, tem pessoas por trás de toda tecnologia e neste lugar da criação e acesso a maioria destas pessoas são brancas. Como que é possível desenvolver tudo isso sem uma base de imagens diversa e inclusiva? sem dialogar com outras areas da sociedade? sem um time diverso e inclusivo? e sem compartilhar o conhecimento basico com a sociedade? educação é o caminho e para isso precisamos abrir o debate e os conhecimentos técnicos!
Exemplos de problemas encontrados em reconhecimento facial:
Video de 2009 sobre o software da Hewlett-Packward, que não conseguia identificar rostos negros https://www.youtube.com/watch?v=t4DT3tQqgRM.
Camera da Nikon não identificando rostos asiáticos : http://content.time.com/time/business/article/0,8599,1954643,00.html
Google Fotos tageando pessoas negras como gorilas https://www.theguardian.com/technology/2015/jul/01/google-sorry-racist-auto-tag-photo-app
Experimento da ONG Desabafo Social mostra invisibilidade negra nos bancos de imagens como Shutterstock, GettyImages, Depositphotos e outras https://www.youtube.com/watch?v=tA7MllCbq00#action=share
Recentemente mais um caso no twitter : https://twitter.com/tarciziosilva/status/1307471213808226305
Aplicativos como Face App , art.tokyo art que embraquece fotos de pessoas pretas https://ai-art.tokyo/en/ e https://www.estadao.com.br/infograficos/link,alem-de-envelhecer-faceapp-embranquece-rostos-negros,1018384
Eu sou Nina da Hora e da hora é meu sobrenome assim como minha paixão pela ciência!. Beijos e se cuidem!
Links de materiais que tenho estudado, essa lista será atualizada sempre pois o estudo não para:
- Livro Handbook of Face recognition - Stan Z. Li e Anil k. Jain - Livro técnico demais não esperem abordagem de algoritmos discriminatórios aqui.
- Livro Algorithms of Opression - Safiya Umoja - Entender mais de uma ssunto que não abordei tanto no texto. Como os algoritmos contribuem para o racismo algoritmico.
- Comunidades, Algoritmos e Ativismos Digitais: olhares afrodiaspóricos - Tarcizio Silva : O principal objetivo da publicação é reunir reflexões diversas e multidisciplinares sobre as interfaces dentre os fenômenos da comunicação digital, raça, negritude e branquitude nos últimos 20 anos, oferecendo material de referência para estudantes e pesquisadoras/es em diversos níveis.
- Artigo Aberba Birhane e Vinay Prahbu - https://t.co/6sqIgcBx8s?amp=1 - Neste artigo, investigaram práticas problemáticas e consequências de conjuntos de dados de visão em grande escala. Examinamos questões amplas, como a questão do consentimento e justiça, bem como preocupações específicas.
- Artigo Fernanda Carrera RACISMO E SEXISMO EM BANCOS DE IMAGENS DIGITAIS:
ANÁLISE DE RESULTADOS DE BUSCA E ATRIBUIÇÃO DE
RELEVÂNCIA NA DIMENSÃO FINANCEIRA/PROFISSIONAL -https://www.researchgate.net/publication/341767578_Racismo_e_sexismo_em_bancos_de_imagens_digitais_analise_de_resultados_de_busca_e_atribuicao_de_relevancia_na_dimensao_financeiraprofissional