Reconhecimento Facial com FaceNet, MTCNN e SVM

Este repositório contém um projeto de Reconhecimento Facial utilizando:

• FaceNet para geração de embeddings (representações vetoriais das faces).
• MTCNN para detecção de faces em imagens.
• SVM (via scikit-learn) para classificação das faces.

---

Estrutura de Pastas

.
├── images
│   ├── Classes
│   │   ├── C_America
│   │   │   ├── imagem1.jpg
│   │   │   ├── imagem2.jpg
│   │   │   └── ...
│   │   └── H_Ferro
│   │       ├── imagem1.jpg
│   │       ├── imagem2.jpg
│   │       └── ...
│   └──  Vingadores-Ultimato.jpg
├── ReconhecimentoFacial.py
├── ExemploReconhecimentoFacial.py
└── README.md

• ./images/Classes: Diretório que contém as subpastas, cada subpasta representando uma classe (pessoa).
  • C_America e H_Ferro são exemplos de subpastas (classes) no dataset.
  • Cada subpasta deve conter diversas imagens do rosto dessa pessoa.
• ./images/Vingadores-Ultimato.jpg: Exemplo de imagem de grupo para teste do reconhecimento facial.

---

Dependências

• Python 3.10.11
• TensorFlow (>= 2.x)
• keras_facenet
• mtcnn
• scikit-learn
• OpenCV (>= 4.x)
• numpy
• logging (já incluso na stdlib do Python)

Para instalar rapidamente via pip, use:

pip install tensorflow keras_facenet mtcnn scikit-learn opencv-python numpy

Observação: Dependendo da sua placa de vídeo, você pode querer instalar a versão GPU do TensorFlow. Consulte a documentação oficial para mais detalhes.

---

Como Executar

1. Clone ou baixe este repositório.
2. Organize o dataset na pasta ./images/Classes, com subpastas para cada classe (pessoa).
   Exemplo:

   ./images/Classes
   ├── C_America
   │   ├── cap1.jpg
   │   ├── cap2.jpg
   │   └── ...
   └── H_Ferro
       ├── hf1.jpg
       ├── hf2.jpg
       └── ...
   

3. Adicione a imagem de grupo que deseja reconhecer na pasta ./images/ (ex.: Vingadores-Ultimato.jpg).
4. Instale as dependências (veja a seção anterior).
5. Execute o script principal:

   python main.py

   • O script:
     1. Lê todas as imagens em ./images/Classes.
     2. Detecta as faces e extrai embeddings com FaceNet.
     3. Treina um classificador SVM.
     4. Detecta as faces na imagem de grupo (Vingadores-Ultimato.jpg) e classifica cada face, exibindo uma janela com o resultado.

---

Explicação do Código

process_dataset(dataset_path, threshold=0.8)

• Percorre cada subpasta (classe) em dataset_path.
• Carrega cada imagem, converte para RGB, e utiliza FaceNet().extract para detectar a face e gerar o embedding.
• Armazena o embedding e o rótulo (classe).
• threshold controla a sensibilidade da detecção interna do FaceNet (0.7 ou 0.8 costumam ser bons pontos de partida).

train_classifier(embeddings, labels)

• Normaliza os embeddings com L2 (muito útil para melhorar a separação entre classes).
• Divide os dados em treino e teste (train_test_split).
• Treina um SVM com kernel linear.
• Exibe um relatório de classificação (classification_report) no conjunto de teste.

recognize_faces_in_image(image_path, classifier, embedder, normalizer, threshold=0.9)

• Carrega a imagem de grupo.
• Usa MTCNN para detectar todas as faces.
• Para cada face detectada, recorta e redimensiona para 160×160 (dimensão padrão do FaceNet).
• Extrai o embedding com embedder.embeddings(), aplica a mesma normalização L2 e usa o classificador treinado para prever a classe.
• Desenha retângulos e rótulos na imagem, exibindo-a em uma janela OpenCV.

ReconhecimentoFacial()

• Define os caminhos do dataset (dataset_path) e da imagem de grupo (group_image_path).
• Extrai embeddings, treina o classificador e, por fim, faz o reconhecimento na imagem de grupo.

---

Dicas de Uso

1. Balanceamento das classes: Se você tiver muitas imagens de uma classe e poucas de outra, o classificador pode tender a classificar tudo como a classe mais frequente.
2. Variedade de imagens: Use fotos em diferentes ângulos, expressões e condições de iluminação para melhorar a robustez do modelo.
3. Qualidade das imagens: Imagens muito pequenas, desfocadas ou com o rosto coberto podem não ser detectadas ou gerar embeddings ruins.
4. Ajuste de thresholds: Caso o detector do FaceNet ou o MTCNN não estejam detectando bem, tente valores de threshold diferentes (por exemplo, 0.7, 0.8, 0.9) e compare os resultados.
5. Normalização: Se você notar que o classificador confunde muito as classes, verifique se a normalização L2 dos embeddings está sendo aplicada tanto no treino quanto na predição.

---

Contribuindo

Sinta-se à vontade para abrir issues ou enviar pull requests com melhorias, correções de bugs ou novas funcionalidades. Toda contribuição é bem-vinda!

---