INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO ACRE

FABRÍCIO SOUZA FERRARI

THIAGO SOUSA BARBOSA GOMES

PROTÓTIPO DE SISTEMA DE RECONHECIMENTO FACIAL COM USO DE

DRONE PARA SEGURANÇA PÚBLICA

Rio Branco
2022
 FABRÍCIO SOUZA FERRARI
THIAGO SOUSA BARBOSA GOMES

PROTÓTIPO DE SISTEMA DE RECONHECIMENTO FACIAL COM USO DE

DRONE PARA SEGURANÇA PÚBLICA

Trabalho de Conclusão de Curso apresentado

ao Curso Tecnólogo em Sistemas para
Internet do Instituto Federal de Educação,
Ciência e Tecnologia do Acre, Campus Rio
Branco, em cumprimento às exigências
legais como requisito parcial à obtenção do
título de Tecnólogo em Sistemas para
Internet.

Orientador: Breno Carrillo Silveira, Mestre.

Rio Branco
2022
 FABRÍCIO SOUZA FERRARI
THIAGO SOUSA BARBOSA GOMES

PROTÓTIPO DE SISTEMA DE RECONHECIMENTO FACIAL COM USO DE

DRONE PARA SEGURANÇA PÚBLICA

Trabalho de Conclusão de Curso apresentado ao Curso Tecnólogo em Sistema para Internet

do Instituto Federal de Educação, Ciência e Tecnologia do Acre, Campus Rio Branco, em
cumprimento às exigências legais como requisito parcial à obtenção do título de Tecnólogo
em Sistemas para Internet.

Trabalho de Conclusão de Curso apresentado e aprovado em 04/04/2022, pela seguinte Banca

Examinadora:

Prof. Mestre Breno Carrillo Silveira - Presidente

Instituto Federal de Educação, Ciência e Tecnologia do Acre

Prof. Doutor Darueck Acácio Campos, Secretário da Banca Examinadora

Instituto Federal de Educação, Ciência e Tecnologia do Acre

Prof. Mestre Diego Canizio Lopes, Membro da Banca Examinadora

Instituto Federal de Educação, Ciência e Tecnologia do Acre
Dedicatória

Foi pensando nas pessoas que executei este

projeto, por isso dedico este trabalho
principalmente a todos aqueles a quem esta
pesquisa possa salvar e ajudar de alguma
forma no futuro, assim como meu orientador,
meus familiares e colegas que me ajudaram na
implementação deste trabalho.

Fabrício Souza Ferrari

Dedico este trabalho à minha mãe, que me

motivam a evoluir cada vez mais em minha
vida profissional e pessoal, não medindo
esforços para me proporcionar um ensino de
qualidade mesmo diante de todas as
dificuldades.

Thiago Sousa Barbosa Gomes

 AGRADECIMENTO

O desenvolvimento desse trabalho de conclusão de curso contou com a ajuda de

diversas pessoas, dentre as quais agradeço:
Ao professor Breno Carrillo Silveira, por ter sido nosso orientador e ter
desempenhado tal função com dedicação, comprometimento e amizade.
Aos demais professores do curso, que apesar de não estarem envolvidos diretamente
no trabalho, foram suas correções e ensinamentos que me permitiram apresentar um melhor
desempenho no meu processo de formação.
Aos meus familiares, principalmente minha irmã Vanuza de Souza Ferrari, meu pai
Ruy Luiz Ferrari e minha mãe Inês Ribeiro de Souza Ferrari por todo o apoio e pela ajuda,
que muito contribuíram para a realização deste trabalho.

Fabrício Souza Ferrari

Em primeiro lugar agradeço a Deus por sempre ter me dado força para completar
meus desafios ao longo dos anos, agradeço a minha família que sempre me apoiaram nos
momentos mais difíceis especialmente minha Mãe pelo apoio, força e amor incondicional.
Sem o apoio dela isso jamais teria sido possível. Gostaria de agradecer a todos os meus
amigos que sempre me incentivaram nos momentos difíceis e sempre me motivaram a
continuar de cabeça erguida nos momentos mais extremos. Por fim, agradeço ao meu
Orientador Breno Silveira, por toda dedicação e exemplo profissional e pessoal, que sempre
me inspirou a dar meu melhor nessa etapa de tamanha importância.

Thiago Sousa Barbosa Gomes

"Aquele que se empenha a resolver as
dificuldades resolve-as antes que elas surjam.
Aquele que se ultrapassa a vencer os inimigos
triunfa antes que as suas ameaças se
concretizem."

Sun Tzu
 RESUMO

O Artigo 144 da Constituição Federal do Brasil de 1988 determina que a segurança pública é
dever do Estado e é direito e responsabilidade de todos. Nesse diapasão, faz-se necessário um
esforço coletivo para que novas tecnologias, processos e métodos sejam implementados, para
melhorar a vida das pessoas, tanto por parte do poder público e da sociedade civil. A
utilização de recursos tecnológicos, como o emprego de drones tende a melhorar os serviços
em segurança pública e, consequentemente proporcionar maior segurança aos cidadãos. Dessa
forma, o trabalho apresentou a proposta de implementação de um protótipo de
reconhecimento facial, com classificação do agente identificado e com a determinação de sua
localização, para auxiliar o operador em segurança pública em suas atividades. Empregando
técnicas de Inteligência Artificial e de Machine Learning foi possível desenvolver o algoritmo
para tal. Ao término do trabalho restou constatado a funcionalidade do protótipo e suas
aplicações.

Palavras-chave: Reconhecimento Facial. Drones. Machine Learning. Segurança Pública.

 ABSTRACT

Article 144 of the Federal Constitution of Brazil of 1988 determines that public security is a
duty of the State and everyone's right and responsibility. In this vein, a collective is necessary
so that new technologies, processes and methods are implemented, to improve people's lives,
both on the part of public authorities and civil society. The use of technological resources,
such as the use of drones, tends to improve public safety services and, consequently, provide
greater security to citizens. In this way, the proposed work of implementing a facial
recognition mechanism, with identified classification and with the determination of its
location, will help the operator in public safety. Using Artificial Intelligence and Machine
Learning techniques, it was possible to develop the development for this. At the end of the
work, the functionality of the operation and its applications remained.

Keywords: Facial recognition. Drones. Machine Learning. Public Security.

 LISTA DE ILUSTRAÇÕES

FIGURA 1 – Nome da Figura...................................................................................................00

MAPA 1 – Nome do Mapa.......................................................................................................00
PLANTA 1 – Nome da Planta..................................................................................................00
GRÁFICO 1 – Nome da Gráfico..............................................................................................00
 SUMÁRIO

1 INTRODUÇÃO 11
2 DESENVOLVIMENTO 13
2.1 REFERENCIAL TEÓRICO 13
 11

1 INTRODUÇÃO

O Artigo 144 da Constituição Federal do Brasil de 1988 determina que a segurança

pública é dever do Estado e é direito e responsabilidade de todos. Nesse diapasão, faz-se
necessário um esforço coletivo para que novas tecnologias, processos e métodos sejam
implementados, para melhorar a vida das pessoas, tanto por parte do poder público e da
sociedade civil.
Diante disso, pesquisas científicas e tecnológicas possuem um importante papel na
contribuição para o uso eficaz do recurso público empregado na segurança. Inovações em
processos, em artefatos e na própria forma de se ver a segurança pública, são elementos
essenciais para melhorar ações preventivas e repressivas que possam garantir a integridade
física e patrimonial do cidadão de bem.
Ainda, avanços tecnológicos, além de otimizarem o uso dos recursos, especialmente
dos operadores em segurança pública, colaboram para proporcionar maior segurança para
estes realizarem suas atividades e para que ações policiais possam prevenir ações delituosas
ou identificar possíveis agentes, inibindo o ciclo do crime.
Nesse cenário, as tecnologias da informação e da comunicação são essenciais. O
emprego de um simples localizador com o cadastro georreferenciado dos logradouros da
cidade, facilitará o atendimento de uma ocorrência emergencial. A utilização de aplicativos
em dispositivos móveis, que possam realizar pesquisas sobre indivíduos, nas viaturas policiais
facilitará ações preventivas na busca de uma sociedade mais segura. O emprego de câmeras
facilita a cobertura de áreas sem o emprego direto de um elevado contingente de profissionais.
Considerando que agente público deve servir e proteger a sociedade, salvaguardar a
vida de possíveis vítimas e preservar a incolumidade física e patrimonial das pessoas,
qualquer ferramenta que otimize seu trabalho, afetará diretamente a vida de cidadãos que só
desejam viver com maior segurança.
Além disso, o emprego de novas tecnologias também contribui para a própria
preservação da segurança dos operadores em segurança pública. Quando um processo é
automatizado e recursos tecnológicos são utilizados entre o agente delituoso e o servidor
público responsável por prestar serviços em segurança, o operador fica menos suscetível ao
risco inerente aos atos de seu trabalho.
 12

Dessa forma, é importante inovar e criar mecanismos para que o poder público preste
um serviço com a maior qualidade possível, usando o erário com parcimônia e
proporcionando segurança para os cidadãos.
Nesse contexto, o presente trabalho apresenta um protótipo que pode ser utilizado na
segurança pública para atividades preventivas, investigativas e até mesmo repressivas: o uso
de reconhecimento facial com o emprego de drones.
Atualmente drones são utilizados para as mais diversas atividades: lazer, gravações
de vídeos em espaços aberto, mapeamento e georreferenciamento em propriedades, entre
outros. Tais veículos não tripulados evitam o trânsito urbano em vias públicas e conseguem se
deslocar com maior facilidade pelo ar.
Assim, é perfeitamente plausível o emprego de drones para atividades em segurança
pública, desde o processo de monitoramento de áreas com elevados índices de criminalidade,
prevenções de delitos em longos espaços e/ou na identificação de agentes delituosos com
registros no sistema judiciário penal brasileiro.
Nesse engendramento, o presente trabalho implementou um protótipo com emprego
de drone para o reconhecimento facial de agentes que possam apresentar algum risco para
sociedade. Como base em técnicas de IA e Machine Learning, foi possível desenvolver um
algoritmo que, a partir de imagens transmitidas em tempo real por um drone, reconheçam um
cidadão e seu potencial de risco para o ambiente que o cerca.
Cabe observar que o modelo classificatório de risco por parte de um suposto agente
foi implementado como proposta para mostrar a efetividade do algoritmo, das técnicas e do
uso de um bioma de tecnologias para reconhecimento facial, georreferenciado, de uma pessoa.
A ideia básica é proporcionar ao operador em segurança pública a identificação de
um possível agente delituoso, de seu potencial (risco) para a sociedade (de acordo com seus
histórico e ficha criminal) e sua localização; tanto em uma ação preventiva, quanto
investigativa ou repressiva.
Cabe observar que os critérios de classificação não se esgotam. O modelo pode se
expandido ou alterado de acordo com a necessidade de um órgão específico da segurança
pública ou de uma atividade policial mais específica. Entretanto, resta constatado no trabalho
a efetividade do emprego das ferramentas de desenvolvimento e de artefatos tecnológicos que
auxiliem as forças de segurança no combate e prevenção ao crime.
Seguinte os fatos supracitados, a proposta do trabalho se constituiu na
implementação de um protótipo de reconhecimento facial utilizando ferramentas de IA e
Machine Learning, com base em imagens transmitidas em tempo real por um drone.
 13

O trabalho se justifica ao passo que o emprego de tal tecnologia pode colaborar para
redução da criminalidade e para uma melhor oferta de serviços em segurança pública para a
população, auxiliando o operador na realização de suas atividades.
Nesse cenário, resta constatado a importância do trabalho ao passo que fomenta o
desenvolvimento de uma tecnologia que possa otimizar a tarefa policial e o salvaguardo da
segurança da população. Ainda, nenhuma política pública em segurança no estado do Acre
ousou realizar algo semelhante.
Além da introdução, o trabalho está subdividido em desenvolvimento (abordando
conceitos teóricos), implementação do protótipo (citando como o protótipo foi desenvolvido)
e conclusões.

2 DESENVOLVIMENTO

Este capítulo é composto pelo referencial teórico, o referencial analítico, e pela

apresentação e análise dos resultados.

2.1 REFERENCIAL TEÓRICO

Inicialmente serão abordados conceitos sobre inteligência artificial, Machine

Learning e redes neurais; encerrando o debate teórico com tópicos de biometria facial e
elementos concernentes ao modelo de algoritmo de reconhecimento facial utilizado.

2.1.1 Definições Teóricas Sobre Reconhecimento Facial

2.1.1.1 Inteligência Artificial

A inteligência artificial, mais conhecida como IA, pode ser classificada como um
ramo de estudo da ciência da computação que versa especificamente sobre emular, através de
uma máquina, aspectos e comportamentos da inteligência humana. Segundo Boose (1994),
citado por Fernandes (2005, p. 2):

A inteligência artificial busca entender a mente humana e imitar seu

comportamento, levantando questões como: Como ocorre o pensar? Como o homem
 14

extrai o conhecimento no mundo? Como a memória, os sentidos e a linguagem

ajudam no desenvolvimento da inteligência? Como surgem as ideias? Como a mente
processa informações e tira conclusões decidindo por uma coisa ao invés de outra?
Essas são as perguntas que a IA precisa responder para simular o raciocínio humano
e implementar aspectos de inteligência.

Obviamente imitar a inteligência humana não é algo fácil. A complexidade da psiquê

dificulta sua simulação em algoritmos. Segundo Fernandes (2005, p. 2),

“o objetivo da IA é o estudo e a modelagem da inteligência tratada como

um fenômeno. A inteligência é algo extremamente complexo, resultado de milhões
de anos de evolução. Entendê-la não é tarefa fácil. Embora existam muitas
conclusões relevantes, ainda há muito a ser desvendado, uma vez que não existe
uma teoria completa sobre a mente humana e o processo de raciocínio.”

Entretanto, todo o conhecimento já acumulado sobre IA já proporcionaram diversos

avanços em várias outras áreas do conhecimento e em aplicações de uso mais convencional.
Usando a Inteligência Artificial já é possível, através de processos seletivos de
aprendizado, simular alguns comportamentos humanos como reconhecimento de imagem e
cores, reconhecimento de fala e respostas a ações específicas baseadas em comportamentos
anteriores.
Mais, através das aplicações dos processos seletivos de aprendizado e do
comportamento de uma IA, é possível resolver problemas de maneira automatizada e com
margem de erro aceitável.
Para uma maior compreensão dos conceitos fundamentais de IA, é interessante saber
sobre o “pai” da Inteligência Artificial.

2.1.1.2 O “Pai” da Inteligência Artificial

Alan Turing (1912-1954) foi um matemático brilhante e hoje muito reconhecido por
suas inúmeras contribuições em diversos temas. Foi pioneiro em aspectos como lógica,
criptoanálise e é considerado por muitos como o pai da ciência computacional, ciência
cognitiva, vida artificial e da Inteligência Artificial.
Em 1936 publicou um artigo que descrevia detalhadamente um modelo de uma
máquina algorítmica abstrata, cuja a função era materializar a lógica humana e solucionar
qualquer cálculo representado no formato de um algoritmo, que seriam exibidos no formato
de instruções a serem processadas de forma mecânica. O artefato ficou conhecido como “A
 15

máquina de Turing” (TURING, A. M.; COPELAND, B. J., 2010), que pode ser dita como
protótipo ou base essencial na concepção dos computadores de hoje.
Alan Turing também é o responsável por criar uma máquina capaz de decifrar a
estratégia de criptografia baseada na máquina Enigma criada pelos alemães durante a Segunda
Guerra Mundial em 1940. O desenvolvimento do artefato proporcionou uma grande vantagem
aos aliados durante a guerra.
Especificamente em relação aos conceitos basilares de IA, em uma palestra no início
de 1947, intitulada de “Lecture on the Automatic Computing Engine” (que pode ser traduzido
livremente em algo como “Palestra sobre uma máquina de computação automática” ou
“Palestra sobre um motor de computação automática”), Turing apresentou pela primeira vez
ao público seu novo conceito de Inteligência Artificial.
Três anos Turing também foi o primeiro a publicar um texto que fazia referência a
uma visão mais completa sobre IA em seu artigo de 1950 “Computing Machinery and
Intelligency”. Apresentou o Teste de Turing, onde sugeriu um teste que determinaria se uma
máquina era pensante. O computador passaria no teste se um interrogador humano, depois de
propor algumas perguntas por escrito, não conseguisse discernir se as respostas foram
respondidas por uma pessoa ou não.

Com base nessa rápida visão sobre o surgimento dos conceitos de IA, é possível
versar sobre Machine Learning.

2.1.1.3 Machine Learning

Segundo Mitchell (1997), citado por Santos (2005, p. 31),

a pesquisa em Aprendizado de Máquina (AM) lida com a questão de

como construir programas de computadores que possam ‘aprender’ com a
experiência, ou seja, cujo desempenho em determinada tarefa melhora com a
experiência. AM é uma subárea de pesquisa de muita importância na Inteligência
Artificial (IA), e engloba os estudos de métodos computacionais para a automação
da aquisição do conhecimento e para a estruturação e acesso do conhecimento já
existente.

Alpaydın (2010, p. 31) aborda algo parecido quando afirma, em uma tradução livre
do seu livro em inglês, que :
 16

Machine Learning é o ato de utilizar programas de computadores para

otimizar um desempenho criterioso usando dados de exemplo ou experiência
passada. Nós precisamos desse tipo de aprendizado em casos quando não
conseguimos escrever diretamente o programa de computador para resolver um
certo problema.

Ainda segundo Alpaydin (2020), citado por Pires et al. (2020, p. 26):

Um sistema baseado em algoritmos de aprendizagem é capaz de, pouco a

pouco, melhorar os seus resultados à medida em que vai sendo exposto a dados e
consegue acumular experiência a partir deles, algo similar ao que acontece no
aprendizado humano.

Em relação ao uso de ferramentas em Machine Learning, a estatística e a ciência dos

dados são essenciais. Pires et al. (2020, p. 26) sugere:

Na ciência do Aprendizado de Máquina, a estatística e a ciência de dados

estão muito presentes nos processos de inferência construídos a partir de amostras de
dados. Elas são ferramentas importantes para se otimizar os algoritmos, uma vez que
os dados são a fonte que levará o código a desenvolver sua inteligência artificial.
Assim como a qualidade dos livros didáticos influencia o aprendizado humano, a
qualidade dos dados é também importante para aprendizado de máquina.

Coppin (2010), citado no artigo de Silva et al. (2012, p.4), também afirma que:

“existem vários métodos de aprendizado de máquina. Entre eles o

aprendizado por hábito, que tem como característica o programa aprender por
experiência de acordo com o que foi informado anteriormente, mas programa apenas
armazena os dados que podem ser classificados, caso ele não conseguir classificar os
valores informados método falhará. Há o método de aprendizado por conceito, que
analisa todas as hipóteses e demonstra qual é a correta. No método do conceito
existe uma subdivisão, que é a ‘hipótese mais geral’, o que significa que se não
existe nenhuma possibilidade correta, o programa achará a que mais se aproxima do
correto. Mas estes métodos têm alguns problemas. Por exemplo, nem sempre o
usuário quer saber a hipótese correta, e sim a mais comum.

Pires et al. (2020, p. 26) completa dizendo que

os conhecimentos de ciência e engenharia de computação são utilizados

para desenvolver códigos, sensores, máquinas e arquiteturas computacionais através
do processo de ETL (extract, transform, load) aplicado aos dados, a fim de criar e
alimentar o modelo de aprendizado. Além disso são usados na solução de problemas
de otimização, junto à matemática, e para avaliar a inferência dos modelos de ML.

Assim, é correto afirmar que o núcleo dos algoritmos de Machine Learning é formado
basicamente pelo tipo, qualidade e quantidade de dados coletados. Tendo isso em foco Pires
et al.(2020, p. 26) afirma, “eles são diretamente dependentes dos dados utilizados para que se
 17

obtenha uma resposta de boa qualidade. Dentro desse contexto, existem vários tipos de
algoritmos diferentes e estratégias diferentes de aprendizado”.
Dessa forma, faz-se necessário abordar, introdutoriamente, tipos de aprendizado em
Machine Learning.
2.1.1.4 Tipos de Aprendizado

O emprego de um tipo de aprendizado é definido pelo escopo do domínio do

problema e da implementação do algoritmo. Dessa forma, cabe diferenciar tipos de
aprendizado.

2.1.1.4.1 Aprendizado Supervisionado

O aprendizado Supervisionado ocorre quando se tenta, através de um conjunto de

variáveis independentes, uma variável dependente. Pires et al. (2020, p. 27) explica ao
abordar que:

o algoritmo aprende a partir da definição de um conjunto de variáveis, o

domínio, e de seu respectivo conjunto imagem com respeito à função que se deseja
assimilar. Basicamente, o programa aprende observando casos em que a resposta é
conhecida (rotulada) e fornecida a ele, sendo esses os dados de treino. Assim,
detecta-se um padrão para a resposta de acordo com os valores das variáveis de
entrada em cada caso e o objetivo do algoritmo é minimizar o erro da saída para
casos não conhecidos, ou seja, inputs que não zeram parte do treino do modelo.

Dessa forma podemos dizer que os dados são anotados de forma prevista. Alpaydin
(2020), citado por Pires et al. (2020, p. 27) aborda:

as inferências de um modelo de Aprendizado Supervisionado são de

grande importância para classificações e regressões. Elas tornam possível a previsão
de casos futuros não presentes durante o treinamento e a detecção de fraudes a partir
da percepção de outliers.

Podem ser citando alguns exemplos para as técnicas de aprendizado supervisionado:

Máquinas Kernel, Redes Neurais Artificiais, Árvores de Decisão, Regressão Logística e
Regressão Linear.
Na Figura 01 é apresentada uma representação gráfica de aprendizado
supervisionado.
 18

Figura 01: Representação gráfica do Aprendizado Supervisionado

Fonte: https://lamfo-unb.github.io/img/tres-tipos-am/f017.png (2022).

Ainda existe um subtipo do Aprendizado Supervisionado conhecido como

Aprendizado Semi-supervisionado. Segundo Chapelle et al. (2010), citado por Pires et al.
(2020, p. 27),

Esse tipo de aprendizado é uma forma de aprendizado supervisionado, em

que utilizam-se dados rotulados e dados não rotulados. É utilizado em casos em que
o ser humano nem sempre consegue classificar de forma eficiente os dados, como no
caso de proteínas de três dimensões. Esse tipo de aprendizado pode também ser
chamado de aprendizado indutivo, pois consegue inferir rótulos corretos partindo de
dados não rotulados.

Um bom exemplo de aplicação do método de aprendizado supervisionado está

justamente no reconhecimento de imagens, letras e cores.
Dessa forma, no presente projeto, o algoritmo de reconhecimento facial pode ser
classificado em aprendizado supervisionado.

2.1.1.4.2 Aprendizado Não Supervisionado

Ao contrário do Aprendizado Supervisionado que aprende em um ambiente

controlado com resultado previsto focando em minimizar erros, o Aprendizado Não
Supervisionado possuí um modus operandi completamente diferente, nesse método não se
 19

busca aprender controlando erros. Nesse caso, através de um ambiente desconhecido, ocorre a
identificação de padrões em um determinado banco de dados.
De acordo com Pires et al. (2020, p. 28):

no aprendizado não supervisionado, nenhuma resposta ou rótulo são

fornecidos ao algoritmo, o que limita o escopo de utilização da abordagem.
Normalmente, esse método de aprendizado é adequado para detectar desvios em
uma distribuição ou grupos de distribuições. Esse aprendizado tem como objetivo
encontrar um padrão irreconhecido ou oculto em dados não rotulados.

Dessa forma, pode-se dizer que esse tipo de método foi criado especificamente para
auxiliar na área de Ciência dos Dados (Data Science). Por exemplo, considere um site de
compras e vendas que uma de suas funcionalidades é, através do histórico de pesquisa, se
moldar conforme o gosto do cliente e, apresentar produtos em que o mesmo estaria mais
propenso a comprar.
No caso supracitado, pode haver um consumidor que pesquise muito preços de
celulares ou marcas de tênis. Tendo em visto isso, apresentar esses produtos de forma rápida
na tela inicial mostrando uma promoção especial ou um novo produto, pode levar o aumento
de vendas, já que através do perfil do cliente sabe-se do que ele gosta. Claro, para apenas um
cliente ou um fluxo mínimo de clientes seria uma tarefa simples. Mas o que aconteceria com
um fluxo constante?
Se torna tarefa do computador descobrir e avaliar perfis sem dados estabelecidos.
Nesse caso, em decorrência das características especiais, faz-se necessário o emprego do
método de Aprendizado Não Supervisionado para achar uma forma informativa uma
informação mais detalhada dos dados.
Um exemplo de Inteligências Artificiais que usam esse método é a utilizada nos sites
da Amazon e da Netflix. Em ambos os casos, as IA’s automaticamente traçam um perfil dos
usuários de acordo com suas pesquisas.
Na Figura 02 é apresentada uma representação gráfica de Aprendizado Não
Supervisionado.
 20

Figura 02: Representação gráfica do Aprendizado Não Supervisionado

Fonte: https://lamfo-unb.github.io/img/tres-tipos-am/f008.png (2022)

2.1.1.4.3 Aprendizado por Reforço

Segundo Pires et al.(2020, p. 28),

nesse tipo de aprendizado, há um agente e um ambiente com o qual ele

interage. O objetivo é, inicialmente, fazer o agente realizar ações pseudoaleatórias e
puni-lo ou incentivá-lo, através de uma política de recompensa. Uma analogia muito
utilizada para aprendizado por reforço é o adestramento de animais, pois a estratégia
é parecida, em essência, porém aplicada de forma simulada e com objetivos tão
diversos quanto o programador queira. O algoritmo aprende ao otimizar o ganho da
recompensa.

Nessa terceira abordagem o aprendizado da máquina é definido dependendo das

circunstâncias em que uma ação será executada. Ou seja, nesse método é definido um
conjunto de regras que será moldada conforme a máquina tenta encontrar a melhor situação
para obter uma recompensa melhor. Quase como uma rota evolutiva cuja meta é desempenhar
uma certa função de formas diferentes até encontrar a resposta ideal.
 21

Muito utilizado em desenvolvimento de jogos e em robótica, a maior vantagem desse

método é fazer com que a Inteligência Artificial aprenda em um ambiente complexo e
potencialmente incerto. Assim, através de vários casos de tentativas e erros a Inteligência
Artificial encontra a melhor situação para maximizar sua recompensa.
Outro benefício é justamente o caso de que com essas simulações é possível gerar
infinitas amostras e possibilidades de customização.
A Figura 03 apresenta uma representação de aprendizado por reforço.

Figura 3: Representação gráfica do Aprendizado por Reforço

Fonte: https://www.iaparamedicos.com.br/2019/01/diretrizes-para-o-uso-de-aprendizado.html (2022)

Para fins de revisão teórica, após definições de Machine Learning, faz-se necessário
também abordar conceitos de redes neurais.

2.1.1.5 Rede Neurais

Pires et al. (2020, p. 30) discorre que “Redes neurais são estruturas computacionais
concebidas em analogia aos sistemas nervosos de seres vivos. O conceito de rede neural se
baseia no conexionismo, um paradigma de estudo da inteligência e cognição”.
Segundo Fernandes (2005, p. 57),
 22

é possível se chegar a várias definições do que seja uma Rede Neural

Artificial, contudo, as três ‘palavras-chave’: neurônio, arquitetura e aprendizagem,
requerem um entendimento, a priori, em qualquer definição de Rede Neural
Artificial. O neurônio é a unidade computacional básica de rede em questão; a
arquitetura é a estrutura topológica de como os neurônios são conectados; e a
aprendizagem é um processo que adapta a rede de modo a computar uma função
desejada ou realizar uma tarefa.

Para Lippamann (1997), citado por Fernandes (2005, p. 57),

as Redes Neurais Artificiais são sistemas físicos que podem adquirir,

armazenar e utilizar conhecimentos experimentais, que podem alcançar uma boa
performance, devido à sua densa interconexão entre os nós da rede. Elas também são
conhecidas por: modelos conexionistas, modelos de processamento paralelo
distribuído e sistemas neuromorfológicos.

Ainda segundo Pires et al. (2020, p. 30),

uma rede neural é composta por camadas de neurônios, para os quais é

determinado um conjunto de valores chamados de pesos. As redes neurais são
criadas e ensinadas, majoritariamente com aprendizado supervisionado, com o
intuito de realizar uma transformação não linear na entrada e chegar-se a resultados
em que o erro é aceitável. Para minimizar o erro, o treinamento é feito modicando os
pesos até se obterem resultados satisfatórios.

2.1.1.5.1 Características Gerais das Redes Neurais

Segundo Gurney (1997), citado por Fernandes (2005, p. 59),

uma rede neural artificial é composta por várias unidades de

processamento, cujo funcionamento é bastante simples. Essas unidades, geralmente
são conectadas por canais de comunicação que estão associados a determinado peso.
As unidades fazem operações apenas sobre seus dados locais, que são entradas
recebidas pelas suas conexões. O comportamento inteligente de uma Rede Neural
Artificial vem das interações entre as unidades de processamento da rede.

Para Filho (1996), citado por Fernandes (2005, p. 59),

A operação de uma unidade de processamento, proposta por Mcculloch e

Pitts em 1943, pode ser resumida da seguinte maneira: Sinais são apresentados à
entrada; Cada sinal é multiplicado por um número, ou peso, que indica a sua
influência na saída da unidade; É feita a soma ponderada dos sinais que produz um
nível de atividade; Se este nível da atividade exceder um certo limite (threshold) a
unidade produz uma determinada resposta de saída.
 23

Segundo Fernandes (2005, p. 60), pode-se abordar uma rede neural da seguinte
forma:

Supondo que se tenha os seguintes p sinais de entrada X1, X2, ..., Xp e

pesos w1, w2, ..., wp e limitador t; com sinais assumindo valores booleanos (0 ou 1)
e pesos valores reais. Neste modelo, o nível de atividade a é dado por:
a = w1X1 + w2X2 + ... + wpXp
A saída y é dada por:
y = 1, se a >= t ou
y = 0, se a < t.
A maioria dos modelos de redes neurais possui alguma regra de
treinamento, onde os pesos de suas conexões são ajustados de acordo com os
padrões apresentados. Em outras palavras, elas aprendem através de exemplos.

Na figura 04 é representado o esquema de unidade de McCulloch e Pitts.

Figura 4: Esquema de unidade de McCulloch e Pitts.

 24

Fonte: https://sites.icmc.usp.br/andre/research/neural/image/mccul.gif (2022)

Segundo Fernandes (2005, p. 61), “arquiteturas de redes neurais são tipicamente

organizadas em camadas, com unidades que podem estar conectadas às unidades de camada
posterior”, conforme pode ser visualizado na Figura 05.

Figura 05: Camadas de uma Rede Neural Artificial

Fonte: https://sites.icmc.usp.br/andre/research/neural/image/camadas_an.gif (2022)

Para Fernandes (2005, p. 61),

Usualmente as camadas são classificadas em três grupos:

Camada de Entrada: onde os padrões são apresentados à rede;
Camadas Intermediárias ou Escondidas: onde é feita a maior parte do
processamento, através das conexões ponderadas; podem ser consideradas como
extratoras de características;
Camada de Saída: onde o resultado final é concluído e apresentado.

Segundo Lippmann (1987), citado por Fernandes (2005, p. 61),

um neurônio soma rodos os pesos das entradas e passa o resultado para uma
função de ativação não-linear. Há três tipos de não-linearidade: limitadores
elevados; elementos limiares lógicos e não -linearidades sigmóides.

2.1.1.5.2 Deep Learning (Aprendizado Profundo)

 25

O Deep Learning (traduzindo de uma forma livre “Aprendizado Profundo”) pode ser
considerado uma subárea do Machine Learning e foca em ensinar computadores a se portarem
e realizar tarefas como os seres humanos, incluindo reconhecimento de fala e no caso desse
projeto, reconhecimento facial.
O grande diferencial do Deep Learning para o Machine Learning convencional é que
no lugar de precisar de uma complexa organização de dados para realizar equações
predefinidas para obter o resultado, ele utiliza uma organização de dados mais simples e
parâmetros muito mais básicos, “treinando” o computador para aprender sozinho, de modo
que ele consiga se programar de forma adequada para obter um melhor resultado. Geralmente
as técnicas utilizadas no Deep Learning são baseadas nas habilidades de aprendizado do ser
humano, o que a torna muito mais complexa que uma Rede Neural Artificial normal.
A figura 06 mostra a diferença entre duas redes neurais. A da direita é a rede neural
profunda, onde possuí um número de camadas escondidas infinitas, muito diferente das redes
neurais simples com a sua simplória uma camada escondida ou camada de processamento.

Figura 6: Diferença entre redes neurais simples e profundas

Fonte: https://culturaanalitica.com.br/wp-content/uploads/2018/09/cultura-analitica-redes-neurais-simples-
profundas.png (2022)
 26

Pode-se ainda falar que o principal objetivo do Deep Learning é ajudar as pessoas a
realizar rapidamente tarefas. A Aprendizagem Profunda está sendo muito popular nos dias de
hoje, um exemplo de onde podemos encontrar o Deep Learning seria no tradutor automático
do Google, Drones Automatizados do Amazon e carros autônomos.

2.1.1.5.3 Rede Neural Convolucional (CNN)

De uma forma bem resumida a Rede Neural Convolucional pode ser descrita como
um algoritmo de Deep Learning que tem como função captar uma imagem de entrada e
atribuir valores a transformando em um conjunto de vetores matriciais que a fazem capaz de
diferenciar com outras imagens.
Heaton (2017), citado por Pires et al.(2020, p. 32) aborda que:

as redes neurais convolucionais, também conhecidas como ConvNet, são

estruturas de aprendizado de máquina que trabalham com a entrada de maneira
matricial. Ao contrário dos algoritmos tradicionais de feedforward, que trabalham
com a entrada inteira simultaneamente, as CNN trabalham com apenas uma região
por vez. Isso permite um processamento mais eficiente das entradas, analisando
informações adicionais, como a posição relativa das entradas. Assim, é largamente
utilizado em aplicações que envolvam entradas mais complexas, como
processamento de imagens.

Data Science Academy (2022) define a Rede Neural Convolucional como

“um algoritmo de Aprendizado Profundo que pode captar uma imagem de

entrada, atribuir importância (pesos e vieses que podem ser aprendidos) a vários
aspectos / objetos da imagem e ser capaz de diferenciar um do outro. O pré-
processamento exigido em uma ConvNet é muito menor em comparação com outros
algoritmos de classificação. Enquanto nos métodos primitivos os filtros são feitos à
mão, com treinamento suficiente, as ConvNets têm a capacidade de aprender esses
filtros / características”.

É importante lembrar que uns dos elementos centrais das ConvNets são seus Kernels,
que podem ser descritos como, segundo Pires et al.(2020, p. 32), “matrizes utilizadas para
convolução com os dados de entrada de cada camada”.
Segundo Goodfellow et al.(2016),

em aplicações de machine learning, o input é geralmente uma matriz

multidimensional de dados, e o kernel é geralmente uma matriz multidimensional de
parâmetros que podem se adaptar através do algoritmo de aprendizado. Nos
referiremos a esses tensores de matrizes multidimensionais, já que cada elemento do
 27

input e do kernel devem ser separados de maneira estrita, geralmente assumimos que
essas funções possuam zeros em todos os lugares no conjunto finito de pontos para
os quais armazenamos os valores. Isso significa que, na prática, podemos
implementar uma soma infinita como uma soma sobre um número finito de
elementos da matriz. Finalmente, geralmente usamos convoluções em mais de um
eixo por vez. Por exemplo, se usarmos uma imagem bidimensional como nossa
entrada, provavelmente também queremos usar uma imagem bidimensional kernel
K.

Pires et al. (2020, p. 32), citando o mesmo trabalho de Goodfellow et al. (2016),
simplifica quando fala que,

alguns elementos importantes das ConvNets são os seus kernels, que são
matrizes utilizadas para convolução com os dados de entrada de cada camada, e os
respectivos stride lengths, que correspondem ao tamanho do passo de cada operação
de convolução. Diversos tamanhos de kernel e stride length são utilizados, sempre
procurando obter a melhor performance para cada operação específica.

Baseando no fato que I é a matriz de entrada e K o kernel, na Figura 07 está uma

representação da equação que descreve a operação da convolução aplicada aos elementos (i;
j).

Figura 07: Equação da convolação aplicada dos Elementos

Fonte: https://www.deeplearningbook.org/contents/convnets.html (2022)

Para Pires et al. (2020, p. 33)

“as redes neurais convolucionais utilizam a ideia de agregação, ou

pooling, em que as saídas da operação anterior são condensadas de forma a diminuir
o número de parâmetros para as próximas etapas, otimizando o desempenho
enquanto mantém informações relevantes a respeito da localização relativa do
recurso. Algumas técnicas utilizadas incluem o Max-Pooling, que seleciona o valor
máximo de uma dada vizinhança, ou o Pooling L2, que seleciona a raiz quadrada da
soma dos quadrados das ativações da região”

Em cada camada convolucional tem-se uma espécie de atribuição para cada neurônio o
transformando em uma espécie de filtro imposto na imagem de entrada e cada filtro pode ser
 28

considerado uma matriz de pesos. Segundo Pires et al.(2020, p. 33), “Cada fragmento da rede
processa e compreende uma característica de dada imagem”.
Ainda, “Características das imagens, como traços verticais e horizontais e
características do centro da imagem e das bordas são analisadas por aglomerados de neurônios
diferentes da rede, visto a quantidade enorme de variáveis em uma imagem”, conforme
abordam os mesmos autores.
Na Figura 08 segue exemplificação de filtros em uma CNN.

Figura 8: Filtros de uma CNN em uma foto de um gato

Fonte:
https://www.researchgate.net/publication/325921947/figure/fig3/AS:640163860475904@1529638366829/
Figura-36-Ilustracao-de-duas-camadas-convolucionais-a-primeira-com-4-filtros-5-5.png (2022)

2.1.1.5.4 Embeddings

De uma forma simplificada os Embeddings podem ser descritos como uma espécie
de representação vetorial contínuas, ou seja, quando se aborda o termo de transformar dados
em Embeddings nada mais é do que mapear esses dados em uma representação vetorial.
Embeddings são úteis porque podem reduzir a dimensionalidade de variáveis categóricas e
representar categorias de forma significativa no espaço transformado.

2.1.1.6 Biometria Facial

Pode-se definir a Biometria como um estudo de características em forma de análise

física ou comportamentais que nos possibilitam identificar uma pessoa de forma única. Já no
 29

caso da Biometria Facial ou Reconhecimento Facial, essa análise é usada para confirmar uma
pessoa através do rosto.
Segundo Gates (2011),

em suas aplicações para identificação biométrica, a tecnologia de

reconhecimento facial é uma das várias tecnologias que estão sendo desenvolvidas
para abordar um problema fundamental preocupação das sociedades modernas: o
problema das ‘identidades falsas’, ou a existência de representações visuais e
textuais de indivíduos que circulam independente de seus corpos físicos. Muito antes
do desenvolvimento das mídias audiovisuais e bancos de dados eletrônicos, a
circulação de informações visuais e textuais representações criaram as condições
pelas quais certas classes de seres humanos identidades tornaram-se desvinculadas
de sua existência corporal.

No presente trabalho a biometria facial foi utilizada no processo de reconhecimento

facial de pessoas, com o fito de identificar possíveis graus de classificação de periculosidade.
Cabe observar que o algoritmo foi desenvolvido pensando em um processo de
integração com um drone. O foco foi utilizar o equipamento para identificar um possível rosto

2.1.2 Histórico sobre drones e suas aplicações

Veículo aéreo não tripulado (VANT), também conhecido como Drone é todo e
qualquer tipo de aeronave que pode ser controlada nos 3 eixos e que não necessite de pilotos
embarcados para ser guiada (DECEA, 2010).
O desenvolvimento dos drones foi inspirado pela Bomba Voadora alemã V1, que era
utilizada principalmente em missões onde o risco era muito alto, devido ao espaço aéreo
inimigo ter artilharia antiaérea o que dificultava a passagem de aeronaves grandes e trazia um
risco a vida do tripulante.
A partir dessa necessidade e dos avanços tecnológicos foi possível durante a segunda
guerra criar uma versão menor da aeronave que posteriormente foi chamada de drone, que
começou a ser usada também para espionagem além dos ataques militares.
Além do uso militar os civis também começaram a utilizar os drones para vários
propósitos como fotografias, vigilância, cinegrafia e em vários outros propósitos gerais.
Nos últimos anos essa tecnologia juntamente com as chamadas inteligências
artificiais se mostrou revolucionarias pois podem fazer diversas tarefas sejam de uso cotidiano
como tirar uma selfie, ou até mesmo ajudar em missões de resgate pois o drone transmite
imagens em tempo real, além de poder acessar ligar de difícil acesso, algumas empresas já
começaram a testar protótipos para entrega (BBC, 2013) de alimentos ou vigilância.
 30

2.1.2.1 Utilização de drones no Brasil

O primeiro VANT do Brasil foi o chamado Gralha Azul, que foi fabricado pela
Empresa Brasileira de Veículos Aéreos Não Tripulados (Embravant), em 1996 o Centro de
Pesquisas Renato Archer iniciou o Projeto Aurora, que tinha como objetivo desenvolver
Drones para as mais diversas áreas, seja de segurança, agricultura ou militar.
A partir da década de 2000, com o avanço da tecnologia portátil os drones ganharam
força no mercado que foi quando se iniciou o projeto ARARA (Aeronave de Reconhecimento
Autônoma e Remotamente Assistida), pela parceria do Instituto de Ciências Matemáticas e de
Computação da Universidade de São Paulo (ICMC-USP) e a Empresa Brasileira de Pesquisa
Agropecuária (Embrapa) para criar em 2005 o primeiro drone asa fixa com tecnologia 100%
brasileira e patenteado pela Embrapa.
Em 2007 durante a LAAD (Latin America Aerospace and Defence), a empresa Flight
Technologies lançou um VANT tático chamado FS-01 Watchdog, entre 2008 e 2010 em
conjunto com o Centro de Estudos Aeronáuticos da Universidade Federal de Minas Gerais
(UFMG), lançou a variante FS-01 para atender ao exército Brasileiro.
No final de 2011 que o Brasil ganhou sua primeira aeronave de propulsão elétrica
graças a cooperação durante o projeto VANT-SAR entre as empresas AGX, Aeroalcool e
Orbisat, financiado pela FINEP (Agência Financiadora de Estudos e Projetos).
Em 2012 a Polícia federal já possuía mais de 15 drones patrulhando as fronteiras e
mares costeiros. A partir de 2017 os drones começaram a serem usados massivamente pelos
civis para usos como aeromodelismo, vigilância, gravações, selfies e várias outras aplicações.

2.1.2.2 Monitoramento em segurança pública

A segurança pública tem sido um dos assuntos mais debatidos desde o aumento da
violência nas grandes capitais, uma das contra medidas tomadas para aparar a situação foi a
incorporação da tecnologia inteligente nas metrópoles em pontos estratégicos.
Em 2018 a cidade de Petrópolis, no interior do Rio de Janeiro foi considerado o
município mais seguro do Rio de janeiro, pois foram adotadas medidas de segurança
aplicados a câmeras com inteligência operacional, além de seu alcance de imagem de 1
quilometro, foram posicionadas em locais estratégicos 56 câmeras, devido a isso foi possível
evitar vários crimes como assaltos a residências, furtos, roubo de carga e até tráfico de drogas.
 31

Porém os avanços não param por aí, em 2019 o governo do Pará passou a investir em
recursos da tecnologia de informação e inteligência artificial, e em 2021 as câmeras de
monitoramento do sistema de Integração de Registros para Identificação de Suspeitos (Iris),
contribuíram para identificação de vários suspeitos em fuga em várias rodovias.
Já os drones beneficiam o setor de segurança pública diante de várias funções como
reconhecimento da área de atuação, apoio ao guarda-vidas, análise de risco, monitoramento
em tempo real, visualização remota de áreas perigosas e medidas contra a Covid-19 por meio
de alto falantes.

3 IMPLEMENTAÇÃO DO PROTÓTIPO

3.1 TECNOLOGIAS UTILIZADAS NO ALGORITMO DE RECONHECIMENTO FACIAL

3.1.1 Python

A linguagem utilizada para a implementação do código de reconhecimento facial foi

Python. Para Pires et al. (2020, p. 36), “Python é uma linguagem de programação de alto nível
interpretada. É conhecida por ser extremamente versátil, devido a sua simplicidade e tipagem
forte e dinâmica”.
Segundo a apostila “Programa de Educação Tutorial” Grupo PET – ADS (2016),

Uma das principais características que diferencia a linguagem Python das

outras é a legibilidade dos programas escritos. Isto ocorre porque, em outras
linguagens, é muito comum o uso excessivo de marcações (ponto ou ponto e
vírgula), de marcadores (chaves, colchetes ou parênteses) e de palavras especiais
(begin/end), o que torna mais difícil a leitura e compreensão dos programas. Já em
Python, o uso desses recursos é reduzido, deixando a linguagem visualmente mais
limpa, de fácil compreensão e leitura.

Essa simplicidade foi o motivo essencial da escolha de tal linguagem de

programação para o projeto, visto que também possuí uma alta compatibilidade com diversas
plataformas, além de possuir a existência de importantes ferramentas ou bibliotecas de uso
específico para o reconhecimento, visualização de dados e análise como o Numpy e o
OpenCV.
A versão utilizada no back-end foi o Python 3.7 por ser mais compatível com as
bibliotecas utilizadas e não possuir problemas de conflito, já que inicialmente, na hora da
 32

elaboração do código o algorítimo teve que ser refeito várias vezes por falta de
compatibilidade.

3.1.2 PyCharm

A IDE escolhida para a construção do programa foi o Pycharm. O Pycharm é uma

IDE desenvolvida pela empresa JetBrains e possui aspectos multiplataforma com versões para
Windows, Linux e MacOS.
Seu grande diferencial vem justamente do seu depurador gráfico, autocompletamento
de código, por ser capaz de fornecer uma análise de código bem apurada e principalmente por
facilitar a execução do código em outras máquinas, já que na hora da criação de um novo
projeto ele cria uma pasta onde são armazenadas todas as bibliotecas e versões utilizadas do
Python, para que, quando o usuário quiser migrar seu projeto para outra máquina não precise
baixar todas as bibliotecas novamente.
Sua ampla coleção de plugins, sua versão gratuita poderosa que não fica para trás de
qualquer IDE paga e a facilidade de aprendizagem fizeram o PyCharm ser a melhor escolha
para o desenvolvimento do sistema proposto.

3.1.3 OpenCV-Python

A “Open Source Computer Vision Library” ou simplesmente OpenCV pode ser

descrita como a biblioteca mais famosa e utilizada na área computacional. Seu núcleo é
voltado no C++ e pode ser considerada uma biblioteca de código aberto que tem como
propósito servir como base ou infraestrutura para a criação de projetos que envolvam a visão
computacional.
Segundo Marengoni (2010), “foi idealizada com o objetivo de tornar a visão
computacional acessível a usuários e programadores”.
Através dela foi possível acessar coisas importantes para o projeto como webcams de
drone e capturar a área de trabalho. Através dela também foi possível ler, editar e converter
imagens, assim como padronizar o esquema de cores. O OpenCV-Python já é a versão dessa
biblioteca estruturada para Python. Devido ao projeto ser baseado na linguagem Python, foi
utilizada essa versão de biblioteca.
 33

3.1.4 Face Recognition

Segundo Simões (2020), “Face Recognition é uma API (Application Programming

Interface) de reconhecimento facial, baseada no estado da arte da biblioteca Dlib,
desenvolvida em Python e disponibilizada gratuitamente no GitHub do próprio autor”. Foi
escolhida para o projeto devido seu treinamento de inteligência artificial poderosa que
possibilita a identificação de uma pessoa utilizando uma única foto.

3.1.5 FaceNet

Falcão et al. (2019), “Uma das principais características desse tipo de algoritmo
inteligente, é a capacidade de aprender com a experiência”.
Para Simões (2020), “FaceNet é uma rede neural convolucional que mapeia rostos
utilizando o conceito de espaços Euclidianos para encontrar as similaridades dos rostos”. Pires
et al.(2020, p. 40) aborda que

o modelo FaceNet é uma rede neural convolucional de 426 camadas que

extrai as características principais de um rosto. Dada uma imagem de uma pessoa, o
Facenet gera um vetor de 128 números, chamado de embedding, que contém
informações sobre as características do rosto. Esses embeddings são criados de
forma a que rostos semelhantes estejam a uma distância euclidiana menor, enquanto
rostos mais distintos possuam uma distância maior.

Segundo Simões (2020), “A função triplet loss do FaceNet agrupa resultados

similares de modo que estes permaneçam próximos uns dos outros, e que os diferentes fiquem
mais distantes”. Segundo Pires et al. (2020, p. 40):

O treinamento é realizado através do método triplet loss: dadas três

imagens, sendo uma referência (âncora), um exemplo positivo (mesma pessoa), e
um exemplo negativo (pessoa diferente), os parâmetros são selecionados de modo a
maximizar a distância euclidiana entre exemplos negativos e minimizar a distância
entre exemplos positivos. Esse treinamento é realizado em sucessivas iterações até
que não haja mais alterações.

Na figura 09 é apresentada uma aplicação da função Triplet Loss do FaceNet

 34

Figura 09: Antes e depois da aplicação da função Triplet Loss do FaceNet

Fonte: http://reports-archive.adm.cs.cmu.edu/anon/anon/usr0/ftp/2016/CMU-CS-16-118.pdf (2022)

Segundo Simões (2020) ao exemplificar o processo, “o FaceNet é aplicado em dois

momentos na criação do modelo utilizado no OpenFace. Primeiramente, empregam o modelo
pré-treinado do FaceNet para criar um vetor de 128 dimensões que representará um modelo
genérico de rosto. Em seguida, utilizarão a função triplet loss para a organização do modelo
de modo que ele se torne mais eficiente”.

3.1.6 Numpy

Numpy pode ser considerado a biblioteca principal quando abordamos a computação

científica para Python. Possuindo código aberto, sua principal característica se refere ao uso
de estrutura de dados, principalmente quando envolve a realização de cálculos e a
manipulação de arrays multidimensionais, utilizado em processos de reconhecimento facial.

3.1.7 OS

OS é um módulo nativo que fornece classes para usar funcionalidades variadas

dependendo do sistema operacional utilizado, com ele, pode-se fazer coisas como ler, abrir,
 35

criar, configurar e editar pastas ou arquivos. Ele foi utilizado para criar uma lista de nomes
essencial na identificação visual e registro do avistamento da pessoa cadastrada no banco de
imagens.
3.1.8 Geocoder

O Python Geocoder é uma biblioteca de geocodificação simplificada escrita em

Python por Denis Carriere. Sua principal aplicação vem justamente do fato de simplificar
códigos extensos, conseguindo com uma linha a mesma resposta que se obteria normalmente
através de cinco linhas de código. Sua principal função no projeto é a captura da
geolocalização no momento em que uma pessoa registrada é reconhecida.

3.1.9 PIL

Com a biblioteca PIL (“Python Imaging Library”) foi possível adicionar recursos de
processamento de imagens ao Python. A principal característica dessa biblioteca vem do fato
de oferecer um amplo suporte a formatos de arquivo e recursos de processamento para
imagens bem poderoso.

3.1.10 Datetime

É um módulo nativo do Python que fornece as classes para manipulação de data e

hora. No projeto sua utilidade vem na parte do registro quando a máquina reconhece uma
pessoa registrada.

3.1.11 Tkinter

O pacote tkinter, ou melhor o “TK interface” é a interface padrão para o kit de

ferramentas do Python. Através dele é possível criar interfaces simples. No caso do projeto
esse pacote foi utilizado justamente para criar um menu em que o usuário poderá escolher em
capturar tudo da tela ou ativar diretamente a webcam do computador.

3.3 SISTEMAS OPERACIONAIS

 36

O projeto possui um back-end dividido em dois sistemas operacionais. O primeiro é

um sistema com núcleo multiplataforma em Android e iOS que possui a função de conectar
um notebook com o drone através de um celular que age como um extensor de sinal, para que
o usuário não precise ficar carregando diretamente o notebook.
Já o segundo que é o sistema de reconhecimento em si, foi baseado no sistema
operacional Windows, já que é o sistema mais comum. Porém, como o sistema de
reconhecimento é baseado no Python, ele possui a possibilidade de ganhar suporte para Linux
se fizer necessário.

3.4 DA ARQUITETURA E EXECUÇÃO DO PROJETO

3.4.1 Descrição Geral

O projeto se insere no contexto de reconhecimento de pessoas cadastradas pelo

usuário através da captura de tela gerada pela câmera de um drone. O sistema possui grande
adaptabilidade, podendo possibilitar, se necessário a captura pela câmera do celular usado
como extensor de sinal, pela câmera do próprio notebook ou qualquer outro aplicativo ou
vídeo aberto na área de trabalho, como uma câmera de segurança de um estabelecimento ou
câmera de uma viatura, por exemplo.
No fluxo principal, o usuário precisa ter uma foto da pessoa a ser identificada dentro
da pasta chamada “imagesAttedence”, no nome da foto deve incluir o número da classe.
Existem 3 classes a qual são divididas pelas cores verde, amarelo e vermelho, as quais podem
ser usadas como identificação de nível de perigo por exemplo, e deve conter o nome e
sobrenome que serão usados no registro de encontro.
Ao executar o aplicativo aparecerá um menu contendo as opções de usar a câmera
nativa do notebook, iniciar uma captura da área de trabalho ou fechar a aplicação.
Independente da escolha, excluindo é claro fechar a aplicação, abrirá uma tela de captura ao
vivo e segundo a opção escolhida, mostrará as imagens da webcam ou uma parte da área de
trabalho.
Notasse que tudo que houver na parte capturada como fotos, vídeos ou qualquer
outra aplicação será avaliada pelo algoritmo de reconhecimento. Se o sistema identificar uma
pessoa cadastrada, uma marcação quadrada em volta do rosto será feita, essa marcação
conterá as cores das classes, verde, amarelo ou vermelho, além é claro do nome da pessoa
registrada. Possibilitando que o usuário o identifique visualmente na tela de captura.
 37

As Figuras 10, 11 e 12 apresentam as classificações de acordo com o processo de

reconhecimento facial realizado pelo algoritmo através do espelhamento da imagem capturada
pela câmera do drone.

Figura 10: Reconhecimento Facial com Classificação Verde – Baixo Risco

Fonte: Resultados de Testes (2022)

Figura 11: Reconhecimento Facial com Classificação Verde – Baixo Risco

Fonte: Resultados de Testes (2022)

Figura 12: Reconhecimento Facial com Classificação Verde – Baixo Risco

 38

Fonte: Resultados de Testes (2022)

No momento em que uma pessoa cadastrada é reconhecida sua classe, nome, hora e
localidade tendo como referencial o notebook será registrada em um arquivo csv que pode ser
aberto utilizando o Microsoft Excel, por exemplo. Para parar a captura o usuário deve apertar
a letra “q”, nota-se que a tela só poderá ser fechada se a captura parar primeiro. Isso serve
como segurança para o usuário contra estranhos tentando fechar a aplicação, por exemplo.
Além disso, usando o drone e o celular como base, o usuário se conectará com a
câmera do drone utilizando o celular. Logo após, deverá ser iniciar o aplicativo que espelhará
tudo que está rodando nesse aparelho na área de trabalho para que possa ser analisado no
programa de reconhecimento facial. O software será responsável por avaliar a tela espelhada e
identificar qualquer semelhança entre a foto da pessoa registrada e o rosto capturado pela
câmera do drone ou câmera do celular.
Na Figura 10 segue o modelo de integração mais abrangente sobre os componentes do
protótipo.

Figura 10: Modelo de integração ente os componentes do protótipo

 39

Fonte: Elaborado pelos autores (2022)

Antes de entrar em questões mais técnicas, cabe ressaltar que em todos os testes
realizados o protótipo reconheceu os rostos cadastros de acordo com suas respectivas
classificações.
Os testes foram realizados com uso da câmera do drone em solo quanto em voos.

3.4.1.1 Descrição do drone utilizado

De acordo com informações do Amazon (2022), as especificações do drone L900

que foi adquirido para a criação do projeto são:
- L900 Canal: 4;
- Canais Gyro: 6;
- Eixo Motor: Motor Brushless;
- Ângulo elétrico da câmera do ajuste: 90°;
- Ângulo largo da câmera: 120°;
- Frequência da configuração: 2.4ghz;
- Distância de controle remoto: 1000 metros (sem interferência, sem oclusão);
- Tempo de carregamento: 4 horas ou mais;
- Tempo de voo: 28 minutos ou mais;
 40

- Método de transmissão: FPV Figura distância de transmissão: 1000-1200 metros

(sem interferência, sem oclusão);
- Resolução da foto: 4096*3072p Resolução de vídeo: 2048*1080p;
- Resolução da foto da câmera inferior: 640*480p;
- Resolução de vídeo da câmera inferior: 1280*720p;
- Modo de gravação de fotos: controle remoto + controle de aplicativo;
- Bateria de controle remoto: bateria de lítio 3.7v 350mah (incluída);
- Quadcopter bateria recarregável: bateria de lítio 7.4v 2200mah (incluída);
- Quadcopter tamanho: 32*32*5cm (desdobrável),13*10*5cm (dobrável);
- Quadcopter peso: 214g.

Obviamente que com um drone com características superiores o protótipo ficaria

mais robusto. Entretanto, para o código desenvolvido o drone supracitado atendeu totalmente
as expectativas e foi possível implementar, testar e constatar a funcionalidade do protótipo.
Na Figura 11 é apresentado o drone utilizado no projeto.

Figura 11: Drone utilizado no projeto – Vista Superior

 41

Fonte: Registro feito pelos autores (2022)

Figura 12: Drone utilizado no projeto – Vista Frontal

Fonte: Registro feito pelos autores (2022)

3.4.2 Metodologia de classificação de pessoa identificada

Existe um debate amplo sobre a determinação do perigo que um agente apresenta

para a incolumidade física e para o patrimônio de outra pessoa. Como o fito de apresentar um
modelo que pode ser adaptado e expandido para órgãos de segurança pública, optou-se em
três classe de classificação de perigo de um agente identificado.
De acordo com Sato (2012), citando Feinberg, afirma que
 42

"A aplicação do harm principle como critério de criminalização de

condutas deve ser baseada em generalizações empíricas sobre os efeitos possíveis de
ações perigosas sobre interesses tutelados. Aceita que o risco de consequências
danosas possa ser comparado ao dano efetivo, admitindo, inclusive as formas de
crimes de perigo abstrato. Justifica essa posição pela abertura trazida pelo risco para
a possibilidade de danos futuros, para cuja análise será determinante a probabilidade
e a gravidade do eventual dano a produzir.
Nos casos em que haja uma probabilidade de dano um pouco maior do
que o limite da insignificância, até cerca de 50%, não seria razoável a aplicação da
coerção estatal. Sendo assim, pequenas interferências, bem no limite do que se possa
considerar dano, não seriam suficientes para uma coerção legal baseada no harm
principle. Seria uma expressão da máxima, De minimis non curat lex. Assim, o
próprio harm principle já sugere que a intervenção penal sobre o mínimo causará
mais dano do que prevenirá. Feinberg vincula essa conclusão a uma filosofia moral
utilitarista geral, a qual busca que cidadãos e Legislador maximizem os benefícios e
minimizem os danos.
Haveria, portanto, uma proporção inversa entre magnitude e
probabilidade do dano: quanto mais provável o dano, menor deve ser sua magnitude
para justificar a coerção. Porém, quanto maior o dano, menor sua probabilidade para
identificar a necessidade da intervenção penal. O composto de magnitude e
probabilidade, segundo Feinberg, constituiria o risco. Além disso, pondera um
terceiro fator, o valor da conduta perigosa para o agente, para os terceiros afetados
por ela e para a sociedade em geral. Assim, acredita que quanto maior a utilidade
social do ato ou atividade em questão, maior deve ser o risco de dano para que sua
punição seja justificável".

Considerando os graus de perigos seriam medidos através da probabilidade de dano

que o suspeito pode causar em seu ambiente pessoal e social, através de uma pesquisa
metódica de seus antecedentes criminais, de maneira mais minuciosa, abordando o próprio
perfil do suposto agente, seria possível organizar pelo menos três classificações em relação ao
risco apresentado pelo suposto agente.
Dessa forma, pensando em termos de política pública, 1uanto mais provável o dano,
menor deve ser sua magnitude para justificar a coerção e intervenção. Dentro desses três
níveis, vermelho se referiria a um sujeito mais provável a causar danos, necessitando, portanto
de intervenção imediata. Amarelo apresentaria uma chance geral média e verde uma chance
mínima de perigo.
Cabe observar que a metodologia apresentada não é exaustiva. De acordo com a
necessidade de emprego do protótipo, novas/outras classes podem ser implementadas, para
que o agente público que utilize o equipamento tenha maior suporte para a tomada de decisão
em ambientes de crise e/ou de concretização de crimes.

3.4.3 Código do Sistema de Reconhecimento

O procedimento seguido pelo código consiste em duas partes:

 43

1. faceControl.py: Interface Gráfica do usuário, onde o tipo de execução do

programa é executado, consistindo em “WEBCAM”, para a captura direta da webcam do
notebook, “CAPTURA DE TELA”, para capturar a área de trabalho e “SAIR” para fechar o
programa;
2. Index.py: implementação do código em si com todas as classes, funções e
bibliotecas que serão executados pelo sistema.

3.4.3.1 Interface Gráfica do Usuário

A interface gráfica foi programada em faceControl.py. Foi utilizada a biblioteca

tkinter. O resultado será mostrado logo abaixo na Figura 11:

Figura 11: Menu do Usuário

Fonte: Elaborados pelos Autores (2022).

Ao usuário, é permitido as seguintes ações:

- Utilizar a webcam para o reconhecimento facial;
- Utilizar a captura de tela para reconhecimento facial nos aplicativos ativos na área
de trabalho; e
- Fechar aplicativo.

Independente da escolha entre acionar a Webcam ou a Captura da Área de Trabalho,

no momento que uma dessas opções for feita por padrão uma série de ações são executadas
antes. Essas ações são diversas:
- Importar o diretório de imagens;
- Carregar as imagens que estão no diretório;
- Nomear as Imagens como uma classe;
- Criando uma lista de nomes que será usada para importar as imagens uma por uma
na hora da verificação;
- Carregando cada foto utilizando a lista para convertê-las para BGR;
 44

- Usando o Face Recognition para transformar as imagens convertidas em embedings

que utilizando uma Rede Neural Convolucional comparará esses dados com as imagens
capturadas posteriormente para definir se há similaridades.

3.4.3.1.1 Webcam

Pode-se dizer que foi a primeira parte desenvolvida do código, podendo ser
considerada a raiz do projeto que mais tarde se tornaria a base para se desenvolver a captura
da área de trabalho e consequentemente se conectando com o drone, que é o objetivo final
desse sistema.
Quando pelo menu o usuário chama a função WEBCAM a primeira ação que
ocorrerá logo após as ações iniciais, será feito através da biblioteca OpenCV. Se constitui em
uma checagem para constatar se é possível ligar ou não a Webcam, se a Webcam não ligou se
crê que ela não exista ou está com problemas, logo o programa simplesmente fechará. Se por
outro lado, for constatado que webcam está ativa então a biblioteca OpenCV começará a ler a
imagem gerada.
Lendo a imagem, o OpenCV então fará uma cópia dela e a converterá primeiro para
25% do seu tamanho atual, e depois tornará a imagem colorida em uma imagem com escalas
de cinza, para que fique mais fácil quando essa imagem for transformada em embedings pelo
Face Recognition. Haverá então uma comparação desses embedings com toda a lista de fotos
já convertida, e checará uma por uma pra ver ser possuem familiaridades.
Se houver, uma nova função será chamada, essa função trata especificamente do
registro de cada foto. No banco de imagem cada foto de uma pessoa cadastrada terá um
número de classe, nome e sobrenome. Essa função converterá tudo isso em um array usando
como base o caractere “espaço”, e através disso separará o nome e sobrenome da classe. Fora
tirar as medidas do rosto que serão tradados na próxima função chamada.
Usando a classe que agora se tornou uma variável solitária definirá uma entre três
funções que podem ser descritas como cores, sendo elas o verde, o amarelo e o vermelho.
Definindo a função específica, um retângulo em volta do rosto será desenhado com a
cor da função, junto com o nome da pessoa registrada embaixo desse retângulo. Logo após
isso, uma outra função será chamada que receberá valores como o nome e o sobrenome, assim
como o nome da classe que será atribuído nesse momento.
Essa função primeiramente abrirá o arquivo “avistamento.csv”, depois fará uma
checagem se o nome da pessoa registrada está na lista, se não estiver, usará as bibliotecas
 45

datatime e geocoder que através do IP da máquina obterá todas as informações necessárias de

data, hora e localização. Com o arquivo “avistamento.csv” aberto ela editará o arquivo
escrevendo as informações coletadas assim as salvando na lista.
No caso em que exista o nome na lista não haverá edição, essa checagem foi feita
justamente para registrar apenas o primeiro avistamento, como se trata de uma captura em
tempo real, ou seja, é basicamente um vídeo capturando muitos quadros por segundo, cada
quadro pode ser definido como uma imagem isolada que será checada separadamente, sem
isso, se uma pessoa registrada ficar na frente por muito tempo da Webcam a lista não pararia
de ser reescrita criando muita informação e aumentando o processamento.
Depois que todo esse processo for feito através do OpenCV uma imagem já editada
será enviada para a visualização do usuário. Existe também uma função que funciona
justamente para parar essa repetição de checagem e visualização, terminando todo o processo
ao apertar a letra “q” do teclado. Caso o contrário, mesmo que o usuário tente finalizar ou
fechar o processo ele abriria de novo.
Essa opção foi feita justamente para fechar o programa nas primeiras versões do
projeto. Foi mantido posteriormente como segurança, ou seja, algum estranho não saberia
como fechar o aplicativo, da mesma forma, se houver algum acidente com usuário que o faria
fechar o aplicativo por falta de atenção sem apertar a tecla adequada isso seria evitado.

3.4.3.1.2 Captura de Tela

A Captura de Tela pode ser descrita com uma das últimas partes do projeto, sua
estrutura é bastante similar com a opção da Webcam, tendo praticamente as mesmas funções e
comportamento. A principal diferença está no detalhe que ao iniciar não usará o OpenCV para
abrir a Webcam, mas sim usará a biblioteca PIL para criar uma espécie de caixa invisível fixa
em formato de uma janela dentro da área de trabalho.
Nesse espaço serão utilizados os recursos da OpenCV quase da mesma maneira que é
utilizada a webcam: basicamente ele vai capturar tudo que estiver naquela caixa. Como se
trata de uma repetição de captura de quadro a quadro até se pressionar a tecla “q” para
interrupção, e como da mesma forma da Webcam, ele vai retornar uma imagem editada para o
usuário. O usuário terá a impressão de estar “assistindo” uma gravação como se ele pudesse
“espelhar” tudo que estiver ocorrendo naquela caixa invisível na área de trabalho. Dessa
forma, qualquer vídeo ou aplicação rodando naquela área será vista como uma imagem
separada e será comparada com as fotos registradas a cada repetição do aplicativo.
 46

Então o usuário utilizará uma aplicação para espelhar a tela de um celular conectado
com o drone naquela caixa invisível e de forma indireta terá o reconhecimento facial de tudo
que for capturado pelo drone.

3.4.3.2 Conteúdos dos códigos do sistema de reconhecimento

O conteúdo dos códigos “faceControl.py” e “index.py” possuem seu núcleo baseado

(e adaptado) no código do curso para reconhecimento facial chamado “Face Attendance” de
Murtaza Hassanartigo (2020) que por sua vez foi inspirado pelo artigo publicado por Adam
Geitgey (2016). O diferencial desse código vem da sua capacidade de reconhecer uma pessoa
apenas com uma foto, possibilitando uma economia de tempo e custo computacional em
manter um grande banco de dados para o treinamento da inteligência artificial.
Inicialmente esse código foi criado como um exemplo de biometria facial que
poderia ser utilizado para um ponto de uma empresa ou marcar presença de um aluno por
exemplo. Utilizando esse conceito como base, foram adicionadas diversas novas
funcionalidades até chegar em uma aplicação cuja a função não seria apenas marcar a
presença de um usuário, mas oferecer uma ampla gama de informações, como o local e a hora
em que a pessoa registrada foi vista.
Ainda pode citar que entre as alterações e adições no código, tem-se a criação de um
menu, a adição de uma geolocalização mais precisa, a adição da funcionalidade de captura da
área de trabalho e três tipos de diferentes classes para o nível de perigo, além de acrescentar o
conteúdo da lista que é gerada automaticamente ao encontrar uma pessoa registrada.

3.4.4 Utilização do protótipo em segurança pública

Infelizmente o Acre possui uma deficiência enorme no emprego de tecnologias na

segurança pública no embate ao crime, principalmente em uma perspectiva preventiva.
Mesmo após tentar obter algumas informações sobre o emprego de tecnologias pela
Secretaria Estadual de Segurança Pública, restou constatado, via informações não
documentadas, que os órgãos de segurança pública utilizam câmeras espalhadas pelo Acre,
principalmente em Rio Branco.
Entretanto, cabe observar que não existe nem mesmo uma documentação formal
sobre a quantidade de câmeras em efetivo funcionamento e suas localizações específicas. Vou
 47

comentado por servidores da segurança pública que foram compradas câmeras para uso em
serviço de policiais militares. De acordo com a suposta proposta, as câmeras seriam instaladas
nas viaturas e nos coletes dos policiais militares.
Cabe observar que nenhuma das informações supracitadas foi confirmada ou negada
de maneira oficial. Tal fato já se constituiu em uma limitação do trabalho. Entretanto, não se
tem conhecimento do emprego (ou de planejamento de uso no curto prazo) de um protótipo de
drone com reconhecimento facial para o auxílio de ações preventivas e repressivas em
segurança pública no Acre.
O emprego de tal tecnologia facilitaria a ação do agente público ao passo que fornece
a identificação de um suposto agente e sua localização, bem como sua classificação de risco
para a realização de possíveis crimes.
Ainda, o emprego de reconhecimento facial através de drones evitaria um confronto
inicial entre a autoridade policial e um possível agente delituoso, o que possivelmente iria
colaborar para uma maior segurança da autoridade policial e das pessoas existentes no
ambiente de identificação de possível agente delituoso.
Dessa forma, mesmo sem informações oficiais, salvo melhor juízo, é notório que o
emprego do reconhecimento facial e classificação de supostos agentes utilizando drones, teria
inúmeros pontos positivos para a segurança pública e, consequentemente para o bem-estar da
população em geral.
Obviamente que questões como privacidade e resguardo de segurança de identidade
são elementos em debate para o emprego de drones em ação de monitoramento de possíveis
agentes delituosos. Entretanto, o trabalho se concentrou na proposta da criação do protótipo
sem abordar tais debates éticos.

4 CONCLUSÕES

Para uma melhor eficiência nos serviços em segurança pública, faz-se necessário o
emprego da maior variedade possível de recursos que possam garantir a segurança do cidadão
e a rápida intervenção do Estado na busca de coibir fatos delituoso.
Nesse sentindo o emprego de reconhecimento facial, classificação de indivíduos de
acordo com seu grau de periculosidade para a sociedade, bem como de sua localização;
através do emprego de drones, é uma forma de contribuir com o aumento de eficiência nos
serviços em segurança pública.
 48

O protótipo desenvolvido no presente trabalho empregou recursos de IA e,

especialmente de Machine Learning, utilizando a linguagem Python para a implementação do
algoritmo de reconhecimento facial e classificação de indivíduos com base em imagens
geradas por um drone.
Restou constatado que o protótipo atende a proposta inicial do trabalho. Ainda, fica
registrado que o projeto pode ser alterado para atender demandas específicas ou de acordo
com uma necessidade de determinado órgão da segurança pública do Acre.
O trabalho possui limitações pela falta de informações de bases de dados oficiais,
que poderiam auxiliar em um determinado foco para o desenvolvimento do protótipo. Além
disso, o uso de recursos de hardware (em especial do drone) não tão robustos dificultou um
pouco o desenvolvimento do trabalho, porém não prejudicando sua execução.
Como sugestões para trabalhos futuros, surgem diversas possibilidades: o projeto
pode ser alterado e expandido para que o drone siga uma pessoa identificada e localizada de
acordo com suas coordenadas geográficas; podem ser implementas funcionalidades que,
dentro das possibilidades, acessem bases de dados oficiais e tenham um maior poder de
decisão; e, ainda, pode ser implementado um projeto com emprego de vários drones para uma
maior cobertura geográfica, de maneira integrada, auxiliando no mapeamento de uma região e
em um possível comportamento delituoso no local.
No mais, o trabalho atendeu sua propositura inicial e, após finalizado, apresentou
potencial para ser utilizado, dentro de cada especificidade, pelos órgãos de segurança pública
do Estado do Acre.
 49

REFERÊNCIAS

ALPAYDIN, E. Introduction to machine learning. Cambridge, Massachusetts: The Mit

Press, 2014.

AMAZON. DRONE L900 5G, GPS, 4K 1.2km Preto : Amazon.com.br: Brinquedos e

Jogos. Disponível em:
<https://www.amazon.com.br/DRONE-L900-GPS-1-2km-Preto/dp/B095J3WNKP/
ref=asc_df_B095J3WNKP/?tag=googleshopp00-
20&linkCode=df0&hvadid=379725971238&hvpos=&hvnetw=g&hvrand=125258480933855
58888&hvpone=&hvptwo=&hvqmt=&hvdev=c&hvdvcmdl=&hvlocint=&hvlocphy=9101739
&hvtargid=pla-1327221427438&psc=1>. Acesso em: 2 abr. 2022.

BBC, D. Amazon testa drones para agilizar entregas. Disponível em:

<https://g1.globo.com/tecnologia/noticia/2013/12/amazon-testa-drones-para-agilizar-
entregas.html>. Acesso em: 2 abr. 2022.

BRASIL. Constituição(1988).Constituição da República Federativa do Brasil. Brasília,

DF: Senado Federal: Centro Gráfico, 1988.

DATA SCIENCE ACADEMY. Deep Learning Book. Disponível em:

<https://www.deeplearningbook.com.br>. Acesso em: 2 abr. 2022.

FALCÃO, J. V. R. et al. REDES NEURAIS DEEP LEARNING COM TENSORFLOW.

RE3C - Revista Eletrônica Científica de Ciência da Computação, v. 14, n. 1, 18 dez.
2019.

FERNANDES, A. M. DA R. Inteligência artificial : noções gerais. Florianópolis: Visual

Books, 2005.

FORÇA AÉREA BRASILEIRA, D. C. E. A. Publicações DECEA. Disponível em:

<https://publicacoes.decea.mil.br/?i=publicacao&id=4510>. Acesso em: 2 abr. 2022.

GATES, K. Our biometric future : facial recognition technology and the culture of
surveillance. New York: New York University Press, 2011.
 50

GEITGEY, A. Machine Learning is Fun! Part 4: Modern Face Recognition with Deep
Learning. Disponível em: <https://medium.com/@ageitgey/machine-learning-is-fun-part-4-
modern-face-recognition-with-deep-learning-c3cffc121d78>. Acesso em: 2 abr. 2022.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Disponível em:

<http://www.deeplearningbook.org>. Acesso em: 2 abr. 2022.

GRUPO PET-ADS. INTRODUÇÃO À PROGRAMAÇÃO COM PYTHON Programa de

Educação Tutorial Grupo PET -ADS IFSP -Câmpus São Carlos. [s.l: s.n.]. Disponível
em: <http://antigo.scl.ifsp.edu.br/portal/arquivos/2016.05.04_Apostila_Python_-
_PET_ADS_S%C3%A3o_Carlos.pdf>. Acesso em: 2 abr. 2022.

HASSAN, M. Face Attendance. Disponível em:

<https://www.computervision.zone/courses/face-attendance/>. Acesso em: 2 abr. 2022.

HASSAN, M. murtazahassan - Overview. Disponível em:

<https://github.com/murtazahassan>. Acesso em: 2 abr. 2022.

HONDA, H.; FACURE, M.; YAOHAO, P. Os Três Tipos de Aprendizado de Máquina -

LAMFO. Disponível em: <https://lamfo-unb.github.io/2017/07/27/tres-tipos-am/>. Acesso
em: 2 abr. 2022.

MARENGONI, M.; STRINGHINI, S. Tutorial: Introdução à Visão Computacional usando

OpenCV. Revista de Informática Teórica e Aplicada, v. 16, n. 1, p. 125–160, 8 mar. 2010.

PIRES, C. A. S.; LIMA, F. F. D.; SILVA, M. D. A. O. E. RECONHECIMENTO FACIAL

APLICADO A PREVENÇÃO DE FRAUDES. São Paulo: Universidade de São Paulo,
2020. Disponível em: <https://sites.google.com/view/validface-tcc-project-pcs-usp/>. Acesso
em: 2 abr. 2022.

SANTOS, C. N. DOS. APRENDIZADO DE MÁQUINA NA IDENTIFICAÇÃO DE

SINTAGMAS NOMINAIS: O CASO DO PORTUGUÊS BRASILEIRO. Rio de Janeiro:
INSTITUTO MILITAR DE ENGENHARIA, 2005. Disponível em:
<https://www.linguateca.pt/Repositorio/DissertacaoCicero2005.pdf>. Acesso em: 2 abr. 2022.

SATO, C. R. Crimes de perigo abstrato e a questão da tentativa: limites da antecipação

da tutela penal. São Paulo: Universidade de São Paulo, 2012. Disponível em:
 51

<https://www.teses.usp.br/teses/disponiveis/2/2136/tde-15082013-094502/publico/
versao_integralCatherine_Ruriko_Sato.pdf>. Acesso em: 2 abr. 2022.

SILVA, B. M. DA; VANDERLINDE, M. INTELIGÊNCIA ARTIFICIAL,

APRENDIZADO DE MÁQUINA. [s.l: s.n.]. Disponível em:
<http://www.ceavi.udesc.br/arquivos/id_submenu/387/brigiane_machado_da_silva___marcos
_vanderlinde.pdf>. Acesso em: 2 abr. 2022.

SIMÕES, T. DE S. UMA ANÁLISE DAS BIBLIOTECAS OPENFACE E FACE

RECOGNITION PARA RECONHECIMENTO DE PESSOAS COM OCLUSÃO
PARCIAL. Rio de Janeiro: UNIVERSIDADE FEDERAL DO ESTADO DO RIO DE
JANEIRO, 2020. Disponível em:
<https://bsi.uniriotec.br/wp-content/uploads/sites/31/2020/07/202005ThaisSouza.pdf>.
Acesso em: 2 abr. 2022.

TURING, A. M.; COPELAND, B. J. The essential Turing : seminal writings in

computing, logic, philosophy, artificial intelligence, and artificial life, plus The secrets of
Enigma ; [the ideas that gave birth to the computer age]. Oxford: Clarendon Press, 2010.