Análise da efetividade de um sistema anti-spoofing para reconhecimento facial com a classificação de imagens estéreo através de uma rede neural convolucional

dc.contributorSilva, Bruno Marques Ferreira da
dc.contributor0000-0002-3467-472X
dc.contributorhttp://lattes.cnpq.br/4434241322790069
dc.contributorhttp://lattes.cnpq.br/7878437620254155
dc.contributorSantana, Fabiana Tristão de
dc.contributor3232330829280658
dc.contributorPeixoto, Helton Maia
dc.contributor8709900833456787
dc.creatorMarcone, Marcos Henrique Fernandes
dc.date2023-07-17T18:03:21Z
dc.date2023-07-17T18:03:21Z
dc.date2023-07-07
dc.date.accessioned2023-09-04T13:41:31Z
dc.date.available2023-09-04T13:41:31Z
dc.identifierMARCONE, Marcos Henrique Fernandes. Análise da efetividade de um sistema anti-spoofing para reconhecimento facial com a classificação de imagens estéreo através de uma rede neural convolucional. 2023. 42 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Departamento de Engenharia da Computação, Universidade Federal do Rio Grande do Norte, Natal, 2023
dc.identifierhttps://repositorio.ufrn.br/handle/123456789/53515
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8602833
dc.descriptionThe rise in the use of facial recognition technologies for authentication and security has hastened the need to develop effective methods to combat facial spoofing, known as face Presentation Attacks (PAs). This work addresses the challenge of Face Anti-Spoofing (FAS) and proposes a stereo vision-based approach to enhance the detection of 2D facial spoofing attacks. The research details the implementation of a Convolutional Neural Network (CNN) built from the Transfer Learning technique, which uses disparity images to add a depth dimension to the analysis. Throughout the work, the performance of the proposed model is also compared with an existing open-source model, the Silent-Face-Anti-Spoofing, providing insights into potential improvements. The results show that the exploration of disparity images can increase robustness and generalization compared to traditional approaches based solely on RGB images, achieving an accuracy of 100% in a controlled environment.
dc.descriptionO aumento no uso de tecnologias de reconhecimento facial para autenticação e segurança tem acelerado a necessidade de desenvolver métodos eficazes para combater a falsificação facial, conhecida como Ataques de Apresentação Facial. Este trabalho aborda o desafio do Face Anti Spoofing (FAS) e propõe uma abordagem baseada na visão estéreo para melhorar a detecção de ataques de spoofing facial 2D. A pesquisa detalha a implementação de uma Convolutional Neural Network (CNN) construída a partir da técnica de Transfer Learning, que usa imagens de disparidade para adicionar uma dimensão de profundidade à análise. Ao longo do trabalho também comparamos o desempenho do modelo proposto com um modelo de código aberto existente, o Silent-Face-Anti-Spoofing, e oferecemos insights sobre possíveis melhorias. Os resultados mostraram que a exploração de imagens de disparidade pode aumentar a robustez e a generalização em relação às abordagens tradicionais baseadas apenas em imagens RGB, atingindo uma acurácia de 100% em um ambiente controlado.
dc.formatapplication/pdf
dc.languagept_BR
dc.publisherUniversidade Federal do Rio Grande do Norte
dc.publisherBrasil
dc.publisherUFRN
dc.publisherEngenharia de Computação
dc.publisherCentro de Tecnologia
dc.rightsAttribution 3.0 Brazil
dc.rightshttp://creativecommons.org/licenses/by/3.0/br/
dc.rightsLOCKSS system has permission to collect, preserve, and serve this Archival Unit
dc.subjectFace Anti-Spoofing
dc.subjectVisão Estéreo
dc.subjectStereo Vision
dc.subjectConvolutional Neural Network
dc.subjectTransfer Learning
dc.subjectAtaques de Apresentação Facial
dc.subjectFace Presentation Attacks
dc.subjectCNPQ::ENGENHARIAS
dc.titleAnálise da efetividade de um sistema anti-spoofing para reconhecimento facial com a classificação de imagens estéreo através de uma rede neural convolucional
dc.typebachelorThesis


Este ítem pertenece a la siguiente institución