O processo consiste em quatro módulos principais:

Os resultados obtidos dependem das características extraídas para representar o padrão facial e dos métodos de classificação utilizados para distinguir as faces, mas para extrair essas características adequadamente é necessário localizar e normalizar a face adequadamente.[2]​.

Técnicas Tradicionais

Os métodos tradicionais de reconhecimento facial podem ser divididos em dois grandes grupos:

Eles reconhecem toda a imagem facial. São métodos baseados em correlação. O esquema de classificação mais simples, onde modelos de comparação são usados ​​para reconhecimento, é a correspondência de modelos. pessoas. Isso é o que se chama de subespaço facial"). Exemplos de métodos que funcionam a partir de subespaços são Análise de Componentes Principais (PCA - Análise de Componentes Principais) de faces próprias, Análise Discriminante Linear (LDA - Análise Discriminante Linear) ou Discriminante Linear de Fisher (FLD - Discriminante Linear de Fisher) "de faces de pesca").

A técnica PCA é considerada uma das que proporciona maior desempenho. Ele funciona projetando imagens faciais em um espaço de características que abrange variações significativas entre imagens faciais conhecidas. Os recursos significativos são chamados de autofaces, pois são os autovetores, ou componentes principais, do conjunto de faces. A projeção caracteriza a imagem facial de um indivíduo como a soma dos diferentes pesos de todas as características e, da mesma forma, para reconhecer uma determinada imagem facial será necessário apenas comparar esses pesos com os de indivíduos previamente conhecidos. Não leva em consideração informações sobre quais imagens pertencem ao mesmo indivíduo. É muito sensível a mudanças nas condições de iluminação em diferentes imagens da mesma pessoa.

O método LDA permite utilizar informações entre membros da mesma classe (imagens da mesma pessoa) para desenvolver um conjunto de vetores de características onde as variações entre diferentes faces são enfatizadas, enquanto as alterações devido à iluminação, expressão facial e orientação facial não o são. Ou seja, maximiza a variância das amostras entre classes e minimiza-a entre amostras da mesma classe.

A técnica FLD é equivalente ao LDA. Os resultados obtidos com FLD são muito melhores do que aqueles que podemos obter com PCA, principalmente quando as condições de iluminação variam entre o conjunto de imagens de treino e de teste, e também com alterações na expressão facial, dando mais peso a áreas como olhos, nariz ou bochechas do que à boca, por serem áreas mais invariáveis ​​nas diferentes expressões que uma pessoa pode ter.

Outros métodos, ao invés de utilizarem subespaços faciais, seguem uma classificação por redes neurais e templates deformáveis, como EGM - Elastic Graph Matching).

Diferentes características geométricas de faces são comparadas. Existem duas divisões, uma baseada nos vetores característicos extraídos do perfil, e outra baseada naqueles extraídos de uma vista frontal. Foi muito usado anteriormente, mas seus resultados não são os ideais.

Técnicas 3D

Ultimamente, tem aumentado a tendência do reconhecimento facial tridimensional, onde imagens 3D são utilizadas tanto no treinamento quanto no reconhecimento. Essa técnica usa sensores 3D para capturar informações sobre o formato do rosto. Esta informação é posteriormente usada para identificar características do rosto, como queixo, contorno dos olhos, nariz ou maçãs do rosto, retendo informações espaciais além da textura e da profundidade. Uma vantagem do reconhecimento facial 3D é que ele não é afetado por mudanças de iluminação, como acontece com outras técnicas. Além disso, outro ponto positivo é que eles conseguem reconhecer um rosto em diferentes ângulos, até mesmo de perfil. O problema é que é difícil obter imagens 3D confiáveis ​​na fase de reconhecimento, pois os sensores 3D precisam estar muito bem calibrados e sincronizados para adquirir as informações corretamente. Por isso é utilizado o método de Análise Parcial de Componentes Principais (PCA), derivado do PCA, onde imagens 3D são utilizadas na fase de treinamento e no banco de dados, mas na fase de teste pode utilizar tanto imagens 2D quanto 3D. A técnica tenta reconstruir modelos faciais em 3D a partir de múltiplas imagens da mesma pessoa adquiridas através de um sistema multicâmera ou de dispositivos 3D. As imagens 3D são imagens de 180° em coordenadas cilíndricas. Outros exemplos de técnicas 3D são Modelo Morfável 3-D") e Reconhecimento Facial 3-D").

Técnicas de análise de textura da pele

Essa tendência utiliza os detalhes visuais da pele. Analise as linhas únicas, padrões e detalhes óbvios, como manchas e/ou cicatrizes no rosto do sujeito. Ao utilizar este algoritmo evitamos ter que percorrer todo o banco de dados, pois podemos descartar facilmente as imagens. Existem estudos que mostram que usando esta técnica, juntamente com o reconhecimento facial, o desempenho pode aumentar até 25 por cento.[3]​.

Alguns sistemas de reconhecimento facial baseados em vídeo foram desenvolvidos,[4]​ por exemplo, salas inteligentes que podem reconhecer pessoas e iniciar automaticamente ações apropriadas. Outro exemplo são os sistemas que detectam o cansaço do motorista, monitorando as expressões faciais e os movimentos da cabeça. Mas em aplicações de videovigilância, o reconhecimento e identificação facial ainda é uma tarefa difícil devido a:

Existem aplicações onde dá bons resultados, como sistemas de controlo de acessos e ATMs, onde o vídeo é adquirido num ambiente relativamente controlado e o tamanho da face é aceitável. Nestes casos, o reconhecimento baseado em vídeo oferece algumas vantagens sobre o reconhecimento baseado em imagem:

Fraquezas

O sistema de reconhecimento facial não é perfeito e às vezes é difícil de implementar em determinadas condições. Uma das principais fraquezas deste sistema deve-se ao ângulo em que se encontra o rosto que queremos reconhecer. Estudos comprovaram que o reconhecimento atua corretamente até 20º,[3]​ uma vez ultrapassado esse ângulo, começam a surgir problemas. É por esta razão que se investiga o reconhecimento 3D com o qual este problema desapareceria.

Outra desvantagem é o mau funcionamento em situações de pouca luz. Além disso, usar cabelos longos, óculos escuros ou outros objetos que cubram parte do rosto dificulta muito a tarefa. O algoritmo nem sempre consegue distinguir faces se sua expressão for diferente daquela armazenada no banco de dados.

Para resolver alguns destes problemas, além de fazer o reconhecimento em vídeo, também podem ser utilizadas técnicas multimodais[5]​ onde, além da imagem da pessoa, também são incorporadas informações de voz e áudio, caso sejam encontradas no conteúdo.

Principalmente, podemos distinguir dois problemas que causam séria degradação de desempenho na maioria dos sistemas existentes:

As mudanças causadas pela iluminação são normalmente maiores do que as diferenças entre as pessoas, fazendo com que os sistemas baseados em comparação cometam erros ao classificar as imagens de entrada. Algumas soluções baseadas no conhecimento foram propostas, nomeadamente tendo em conta que todas as faces pertencem à mesma classe. Essas técnicas são divididas em 4 tipos:

O desempenho de um sistema de reconhecimento facial também cai significativamente quando há mudanças de pose. Existem diferentes métodos propostos para resolvê-lo:

Eficácia

Segundo um estudo recente, o reconhecimento facial automático dá melhores resultados do que em humanos, mas ainda não existe uma técnica que forneça uma solução robusta para todos os tipos de situações e para as diferentes aplicações que dela possam necessitar.

Segundo a revista ‘Science’, a utilização de imagens compostas por diversas fotografias adquiridas em diferentes ângulos de uma mesma pessoa permite que o desempenho do algoritmo chegue até 100% no melhor dos casos. Este é o resultado de estudos realizados por psicólogos da Universidade de Glasgow, onde o assunto está a ser discutido e se chegou à conclusão de que este novo sistema emula uma das chaves da capacidade humana de reconhecer rostos. Mesmo assim, ele continua incapaz de distinguir entre diferentes expressões faciais.

Privacidade

Embora esta tecnologia nos traga grandes benefícios, a privacidade do sujeito é questionada moralmente. O que à primeira vista é considerado um avanço tecnológico pode se tornar uma arma. Dependendo da sua utilização, toda uma sociedade pode ser controlada, sabendo-se a todo momento onde está e o que está fazendo. Algumas das preocupações incluem o uso de tecnologia pelos militares da lei sem consentimento e o uso desta tecnologia como forma de vigilância.[6]​.

Dado o grande número de teorias e técnicas aplicáveis ​​ao reconhecimento facial, é necessária uma avaliação e comparação clara destes algoritmos. Para ser viável, grandes quantidades de imagens devem ser utilizadas para uma avaliação adequada. É também muito importante que a amostra seja estatisticamente o mais semelhante possível às imagens provenientes da aplicação em questão. A pontuação deve ser feita de forma a refletir o custo dos erros de reconhecimento. Lembremos que os resultados dependem muito da aplicação que estamos tratando, portanto não podemos extrapolar os resultados para outras aplicações.

Existem extensos bancos de dados públicos disponíveis, bem como protocolos de teste, para testar aplicações de reconhecimento facial. Um deles é o protocolo FERET, cujo objetivo é fornecer um framework que modele uma configuração em tempo real e reúna um extenso banco de dados com imagens de rostos para desenvolver algoritmos e avaliá-los. É o utilizado no FRVT (Face Recognition Vendor Test).

A tabela a seguir mostra uma série de bancos de dados disponíveis atualmente, onde você pode ver a quantidade de elementos utilizados e o tempo de reconhecimento:

Em meados de 2006, os mais recentes algoritmos de reconhecimento facial foram avaliados no Grande Desafio de Reconhecimento Facial (FRGC)&action=edit&redlink=1 "Grande Desafio de Reconhecimento Facial (FRGC) (ainda não escrito)". Scanners faciais 3D, imagens faciais de alta definição e imagens de íris foram utilizados nos testes. Os resultados indicaram que estes novos algoritmos são 10 vezes mais precisos que os algoritmos anteriores a 2002 e 100 vezes mais precisos que os de 1995. Estes algoritmos são tão precisos que são capazes de reconhecer dois gémeos idênticos.

Outra melhoria recente é que atualmente as imagens de baixa resolução não são mais um problema porque podem ser tratadas com a super-resolução do rosto, conhecida como Face Hallucination. Da mesma forma, está em andamento a instalação de câmeras de alta definição.

Embora este sistema apresente inúmeras vantagens, os principais riscos que têm sido discutidos nos últimos anos são:

Alguns consideram que a privacidade no século é um mito,[7][8][9]​ especialmente se tivermos em conta o escândalo Cambridge Analytica de 2018[10]​ relacionado com a comercialização de informações pessoais e as consequentes alterações, no mesmo ano, na “Política de Privacidade”.[11]​.

No entanto, ainda há uma maioria que defende o seu desejo de preservar a privacidade, algo que está ameaçado, entre outras coisas, pelos avanços no sistema de reconhecimento facial. Embora a ideia de utilizar o sistema de reconhecimento facial para fortalecer os sistemas jurídicos e tornar os países mais seguros seja aceite pela grande maioria, o problema reside no que se pode conseguir com isso.

A informação que se pode ter através do sistema de reconhecimento facial (localização ou dados pessoais, entre outras coisas[12]​) permite a sua utilização tanto para fins positivos[13]​ (As razões pelas quais é utilizado) como negativos. Nas mãos da pessoa errada, o reconhecimento facial pode ser utilizado como arma de assédio e extorsão, entre outras coisas, por ter informações exatas sobre localização e dados pessoais.

Exemplos.

FBI.

Através de uma investigação realizada pelo American Government Accountability Office"), em março de 2018, descobriu-se que o FBI, através de seu banco de dados Next Generation Identification-Interstate Photo System") (NGI-IPS), possui 412 milhões de fotografias, entre as quais estão pessoas que não foram objeto de qualquer tipo de investigação.[12][14]​.

Além disso, a utilização média destes dados foi deliberadamente ocultada pelo FBI para não ir contra os requisitos da avaliação do impacto na privacidade.[15]​.

Moscou.

A implementação da tecnologia FaceN, fornecendo o código Find) Face (serviço que permite procurar pessoas através das suas fotos) permite obter imagens e dados de milhões de pessoas na Rússia. Este serviço permite fazer até 200 pesquisas e, assim, ver pelo menos 2 milhões de rostos em menos de um segundo.[16]​.

Redes sociais como Facebook, Instagram ou Google + têm muito mais imagens de rostos do que o FBI, e também possuem uma solução de reconhecimento facial que é constantemente desenvolvida e melhorada.[17]​.

Especificamente, o sistema de reconhecimento facial do Facebook é um dos maiores do mundo.[18]​ O problema disso é a introdução discreta do sistema na plataforma, de forma que sua imagem é inserida no banco de dados de forma quase imperceptível.

Desde que implementou este sistema na sua base de dados em 2012, tem recebido inúmeras reclamações relativamente aos problemas que ter os seus dados guardados na base de dados do Facebook ou Google pode causar aos utilizadores. [1][2].

A possibilidade de acessar as redes sociais de uma pessoa por meio do reconhecimento facial em uma imagem disponibiliza uma ampla gama de informações pessoais para qualquer pessoa.

Exemplo.

A partir de um projeto fotográfico realizado pelo estudante Yegor Tsvertkov em São Petersburgo, que consistia em fotografar pessoas desconhecidas e encontrá-las nas redes sociais através do FindFace,[19]​ um grupo de trolls "Trol (Internet)") começou a assediar atrizes pornôs russas.

As imagens dessas atrizes foram carregadas no aplicativo FindFace por esses trolls "Trol (Internet)") e através dele conseguiram encontrar suas redes sociais, antes assediando familiares e amigos das atrizes.[20]​.

Contenido

En relación con esta polémica han surgido diferentes opiniones, ofreciendo cada una de ellas un balance relacionado con los potenciales beneficios que el sistema de reconocimiento facial ofrece contrapuesto con los aspectos negativas de este.

Tudo agora

De acordo com o relatório elaborado pelo Al Now (Instituto para o estudo das implicações sociais da Inteligência Artificial) em 2018, que discute numerosos incidentes ocorridos em 2018 devido às novas tecnologias, sistemas como o reconhecimento facial podem levar a facilitar a manipulação e vigilância de governos e grandes corporações.[21]​.

Especificamente, este grupo argumentará que o reconhecimento facial terá de ser regulamentado para proteger os interesses públicos.

Conselho de Tecnologia da Forbes

Por outro lado, um grupo de 10 membros do Conselho de Tecnologia da Forbes preparou um relatório sobre os perigos que geraria o uso do reconhecimento facial para questões jurídicas. Este conselho é composto por uma organização sem fins lucrativos composta por líderes de diversas empresas de tecnologia.[7]​ Neste relatório eles estabeleceram o seguinte:.

[7]​.

Estudo Carnegie Mellon

Um estudo realizado por investigadores da Universidade Carnegie Mellon em 2011 demonstrou como a identificação de estranhos lhes permitiu obter as suas informações pessoais e, por vezes, números de segurança, utilizando sistemas de reconhecimento facial.[22] Esta equipe de pesquisa foi liderada por Alessandro Adquisti, também professor de tecnologia da informação e políticas públicas na Universidade Heinz, e sua equipe, entre os quais estavam os médicos Ralph Gross e Fred Stutztman.

O objetivo deste estudo foi determinar o perigo potencial que o reconhecimento facial pode gerar em uma sociedade, dada a facilidade com que os dados pessoais de uma pessoa podem ser acessados ​​através deste sistema. Para isso foram realizados três experimentos:

Este estudo foi ainda complementado com a criação de uma aplicação para smartphone que permitiu descobrir informações sobre os sujeitos a partir de imagens dos seus rostos.

O estudo procura demonstrar como esta capacidade de reconhecimento continuará a melhorar e a tornar-se mais acessível à medida que houver mais formas de nos identificarmos. Nesta situação, a Acquisti considerará o seguinte:

"Em última análise, todo este acesso irá forçar-nos a repensar a nossa noção de privacidade. Também poderá afectar a forma como interagimos uns com os outros. Através da evolução natural, os humanos desenvolveram mecanismos para gerir a confiança nas relações interpessoais face a face. Será que confiaremos nos nossos instintos quando os nossos telemóveis puderem prever informações sobre outras pessoas?"[23]​.

O processo consiste em quatro módulos principais:

Os resultados obtidos dependem das características extraídas para representar o padrão facial e dos métodos de classificação utilizados para distinguir as faces, mas para extrair essas características adequadamente é necessário localizar e normalizar a face adequadamente.[2]​.

Técnicas Tradicionais

Os métodos tradicionais de reconhecimento facial podem ser divididos em dois grandes grupos:

Eles reconhecem toda a imagem facial. São métodos baseados em correlação. O esquema de classificação mais simples, onde modelos de comparação são usados ​​para reconhecimento, é a correspondência de modelos. pessoas. Isso é o que se chama de subespaço facial"). Exemplos de métodos que funcionam a partir de subespaços são Análise de Componentes Principais (PCA - Análise de Componentes Principais) de faces próprias, Análise Discriminante Linear (LDA - Análise Discriminante Linear) ou Discriminante Linear de Fisher (FLD - Discriminante Linear de Fisher) "de faces de pesca").

A técnica PCA é considerada uma das que proporciona maior desempenho. Ele funciona projetando imagens faciais em um espaço de características que abrange variações significativas entre imagens faciais conhecidas. Os recursos significativos são chamados de autofaces, pois são os autovetores, ou componentes principais, do conjunto de faces. A projeção caracteriza a imagem facial de um indivíduo como a soma dos diferentes pesos de todas as características e, da mesma forma, para reconhecer uma determinada imagem facial será necessário apenas comparar esses pesos com os de indivíduos previamente conhecidos. Não leva em consideração informações sobre quais imagens pertencem ao mesmo indivíduo. É muito sensível a mudanças nas condições de iluminação em diferentes imagens da mesma pessoa.

O método LDA permite utilizar informações entre membros da mesma classe (imagens da mesma pessoa) para desenvolver um conjunto de vetores de características onde as variações entre diferentes faces são enfatizadas, enquanto as alterações devido à iluminação, expressão facial e orientação facial não o são. Ou seja, maximiza a variância das amostras entre classes e minimiza-a entre amostras da mesma classe.

A técnica FLD é equivalente ao LDA. Os resultados obtidos com FLD são muito melhores do que aqueles que podemos obter com PCA, principalmente quando as condições de iluminação variam entre o conjunto de imagens de treino e de teste, e também com alterações na expressão facial, dando mais peso a áreas como olhos, nariz ou bochechas do que à boca, por serem áreas mais invariáveis ​​nas diferentes expressões que uma pessoa pode ter.

Outros métodos, ao invés de utilizarem subespaços faciais, seguem uma classificação por redes neurais e templates deformáveis, como EGM - Elastic Graph Matching).

Diferentes características geométricas de faces são comparadas. Existem duas divisões, uma baseada nos vetores característicos extraídos do perfil, e outra baseada naqueles extraídos de uma vista frontal. Foi muito usado anteriormente, mas seus resultados não são os ideais.

Técnicas 3D

Ultimamente, tem aumentado a tendência do reconhecimento facial tridimensional, onde imagens 3D são utilizadas tanto no treinamento quanto no reconhecimento. Essa técnica usa sensores 3D para capturar informações sobre o formato do rosto. Esta informação é posteriormente usada para identificar características do rosto, como queixo, contorno dos olhos, nariz ou maçãs do rosto, retendo informações espaciais além da textura e da profundidade. Uma vantagem do reconhecimento facial 3D é que ele não é afetado por mudanças de iluminação, como acontece com outras técnicas. Além disso, outro ponto positivo é que eles conseguem reconhecer um rosto em diferentes ângulos, até mesmo de perfil. O problema é que é difícil obter imagens 3D confiáveis ​​na fase de reconhecimento, pois os sensores 3D precisam estar muito bem calibrados e sincronizados para adquirir as informações corretamente. Por isso é utilizado o método de Análise Parcial de Componentes Principais (PCA), derivado do PCA, onde imagens 3D são utilizadas na fase de treinamento e no banco de dados, mas na fase de teste pode utilizar tanto imagens 2D quanto 3D. A técnica tenta reconstruir modelos faciais em 3D a partir de múltiplas imagens da mesma pessoa adquiridas através de um sistema multicâmera ou de dispositivos 3D. As imagens 3D são imagens de 180° em coordenadas cilíndricas. Outros exemplos de técnicas 3D são Modelo Morfável 3-D") e Reconhecimento Facial 3-D").

Técnicas de análise de textura da pele

Essa tendência utiliza os detalhes visuais da pele. Analise as linhas únicas, padrões e detalhes óbvios, como manchas e/ou cicatrizes no rosto do sujeito. Ao utilizar este algoritmo evitamos ter que percorrer todo o banco de dados, pois podemos descartar facilmente as imagens. Existem estudos que mostram que usando esta técnica, juntamente com o reconhecimento facial, o desempenho pode aumentar até 25 por cento.[3]​.

Alguns sistemas de reconhecimento facial baseados em vídeo foram desenvolvidos,[4]​ por exemplo, salas inteligentes que podem reconhecer pessoas e iniciar automaticamente ações apropriadas. Outro exemplo são os sistemas que detectam o cansaço do motorista, monitorando as expressões faciais e os movimentos da cabeça. Mas em aplicações de videovigilância, o reconhecimento e identificação facial ainda é uma tarefa difícil devido a:

Existem aplicações onde dá bons resultados, como sistemas de controlo de acessos e ATMs, onde o vídeo é adquirido num ambiente relativamente controlado e o tamanho da face é aceitável. Nestes casos, o reconhecimento baseado em vídeo oferece algumas vantagens sobre o reconhecimento baseado em imagem:

Fraquezas

O sistema de reconhecimento facial não é perfeito e às vezes é difícil de implementar em determinadas condições. Uma das principais fraquezas deste sistema deve-se ao ângulo em que se encontra o rosto que queremos reconhecer. Estudos comprovaram que o reconhecimento atua corretamente até 20º,[3]​ uma vez ultrapassado esse ângulo, começam a surgir problemas. É por esta razão que se investiga o reconhecimento 3D com o qual este problema desapareceria.

Outra desvantagem é o mau funcionamento em situações de pouca luz. Além disso, usar cabelos longos, óculos escuros ou outros objetos que cubram parte do rosto dificulta muito a tarefa. O algoritmo nem sempre consegue distinguir faces se sua expressão for diferente daquela armazenada no banco de dados.

Para resolver alguns destes problemas, além de fazer o reconhecimento em vídeo, também podem ser utilizadas técnicas multimodais[5]​ onde, além da imagem da pessoa, também são incorporadas informações de voz e áudio, caso sejam encontradas no conteúdo.

Principalmente, podemos distinguir dois problemas que causam séria degradação de desempenho na maioria dos sistemas existentes:

As mudanças causadas pela iluminação são normalmente maiores do que as diferenças entre as pessoas, fazendo com que os sistemas baseados em comparação cometam erros ao classificar as imagens de entrada. Algumas soluções baseadas no conhecimento foram propostas, nomeadamente tendo em conta que todas as faces pertencem à mesma classe. Essas técnicas são divididas em 4 tipos:

O desempenho de um sistema de reconhecimento facial também cai significativamente quando há mudanças de pose. Existem diferentes métodos propostos para resolvê-lo:

Eficácia

Segundo um estudo recente, o reconhecimento facial automático dá melhores resultados do que em humanos, mas ainda não existe uma técnica que forneça uma solução robusta para todos os tipos de situações e para as diferentes aplicações que dela possam necessitar.

Segundo a revista ‘Science’, a utilização de imagens compostas por diversas fotografias adquiridas em diferentes ângulos de uma mesma pessoa permite que o desempenho do algoritmo chegue até 100% no melhor dos casos. Este é o resultado de estudos realizados por psicólogos da Universidade de Glasgow, onde o assunto está a ser discutido e se chegou à conclusão de que este novo sistema emula uma das chaves da capacidade humana de reconhecer rostos. Mesmo assim, ele continua incapaz de distinguir entre diferentes expressões faciais.

Privacidade

Embora esta tecnologia nos traga grandes benefícios, a privacidade do sujeito é questionada moralmente. O que à primeira vista é considerado um avanço tecnológico pode se tornar uma arma. Dependendo da sua utilização, toda uma sociedade pode ser controlada, sabendo-se a todo momento onde está e o que está fazendo. Algumas das preocupações incluem o uso de tecnologia pelos militares da lei sem consentimento e o uso desta tecnologia como forma de vigilância.[6]​.

Dado o grande número de teorias e técnicas aplicáveis ​​ao reconhecimento facial, é necessária uma avaliação e comparação clara destes algoritmos. Para ser viável, grandes quantidades de imagens devem ser utilizadas para uma avaliação adequada. É também muito importante que a amostra seja estatisticamente o mais semelhante possível às imagens provenientes da aplicação em questão. A pontuação deve ser feita de forma a refletir o custo dos erros de reconhecimento. Lembremos que os resultados dependem muito da aplicação que estamos tratando, portanto não podemos extrapolar os resultados para outras aplicações.

Existem extensos bancos de dados públicos disponíveis, bem como protocolos de teste, para testar aplicações de reconhecimento facial. Um deles é o protocolo FERET, cujo objetivo é fornecer um framework que modele uma configuração em tempo real e reúna um extenso banco de dados com imagens de rostos para desenvolver algoritmos e avaliá-los. É o utilizado no FRVT (Face Recognition Vendor Test).

A tabela a seguir mostra uma série de bancos de dados disponíveis atualmente, onde você pode ver a quantidade de elementos utilizados e o tempo de reconhecimento:

Em meados de 2006, os mais recentes algoritmos de reconhecimento facial foram avaliados no Grande Desafio de Reconhecimento Facial (FRGC)&action=edit&redlink=1 "Grande Desafio de Reconhecimento Facial (FRGC) (ainda não escrito)". Scanners faciais 3D, imagens faciais de alta definição e imagens de íris foram utilizados nos testes. Os resultados indicaram que estes novos algoritmos são 10 vezes mais precisos que os algoritmos anteriores a 2002 e 100 vezes mais precisos que os de 1995. Estes algoritmos são tão precisos que são capazes de reconhecer dois gémeos idênticos.

Outra melhoria recente é que atualmente as imagens de baixa resolução não são mais um problema porque podem ser tratadas com a super-resolução do rosto, conhecida como Face Hallucination. Da mesma forma, está em andamento a instalação de câmeras de alta definição.

Embora este sistema apresente inúmeras vantagens, os principais riscos que têm sido discutidos nos últimos anos são:

Alguns consideram que a privacidade no século é um mito,[7][8][9]​ especialmente se tivermos em conta o escândalo Cambridge Analytica de 2018[10]​ relacionado com a comercialização de informações pessoais e as consequentes alterações, no mesmo ano, na “Política de Privacidade”.[11]​.

No entanto, ainda há uma maioria que defende o seu desejo de preservar a privacidade, algo que está ameaçado, entre outras coisas, pelos avanços no sistema de reconhecimento facial. Embora a ideia de utilizar o sistema de reconhecimento facial para fortalecer os sistemas jurídicos e tornar os países mais seguros seja aceite pela grande maioria, o problema reside no que se pode conseguir com isso.

A informação que se pode ter através do sistema de reconhecimento facial (localização ou dados pessoais, entre outras coisas[12]​) permite a sua utilização tanto para fins positivos[13]​ (As razões pelas quais é utilizado) como negativos. Nas mãos da pessoa errada, o reconhecimento facial pode ser utilizado como arma de assédio e extorsão, entre outras coisas, por ter informações exatas sobre localização e dados pessoais.

Exemplos.

FBI.

Através de uma investigação realizada pelo American Government Accountability Office"), em março de 2018, descobriu-se que o FBI, através de seu banco de dados Next Generation Identification-Interstate Photo System") (NGI-IPS), possui 412 milhões de fotografias, entre as quais estão pessoas que não foram objeto de qualquer tipo de investigação.[12][14]​.

Além disso, a utilização média destes dados foi deliberadamente ocultada pelo FBI para não ir contra os requisitos da avaliação do impacto na privacidade.[15]​.

Moscou.

A implementação da tecnologia FaceN, fornecendo o código Find) Face (serviço que permite procurar pessoas através das suas fotos) permite obter imagens e dados de milhões de pessoas na Rússia. Este serviço permite fazer até 200 pesquisas e, assim, ver pelo menos 2 milhões de rostos em menos de um segundo.[16]​.

Redes sociais como Facebook, Instagram ou Google + têm muito mais imagens de rostos do que o FBI, e também possuem uma solução de reconhecimento facial que é constantemente desenvolvida e melhorada.[17]​.

Especificamente, o sistema de reconhecimento facial do Facebook é um dos maiores do mundo.[18]​ O problema disso é a introdução discreta do sistema na plataforma, de forma que sua imagem é inserida no banco de dados de forma quase imperceptível.

Desde que implementou este sistema na sua base de dados em 2012, tem recebido inúmeras reclamações relativamente aos problemas que ter os seus dados guardados na base de dados do Facebook ou Google pode causar aos utilizadores. [1][2].

A possibilidade de acessar as redes sociais de uma pessoa por meio do reconhecimento facial em uma imagem disponibiliza uma ampla gama de informações pessoais para qualquer pessoa.

Exemplo.

A partir de um projeto fotográfico realizado pelo estudante Yegor Tsvertkov em São Petersburgo, que consistia em fotografar pessoas desconhecidas e encontrá-las nas redes sociais através do FindFace,[19]​ um grupo de trolls "Trol (Internet)") começou a assediar atrizes pornôs russas.

As imagens dessas atrizes foram carregadas no aplicativo FindFace por esses trolls "Trol (Internet)") e através dele conseguiram encontrar suas redes sociais, antes assediando familiares e amigos das atrizes.[20]​.

Contenido

En relación con esta polémica han surgido diferentes opiniones, ofreciendo cada una de ellas un balance relacionado con los potenciales beneficios que el sistema de reconocimiento facial ofrece contrapuesto con los aspectos negativas de este.

Tudo agora

De acordo com o relatório elaborado pelo Al Now (Instituto para o estudo das implicações sociais da Inteligência Artificial) em 2018, que discute numerosos incidentes ocorridos em 2018 devido às novas tecnologias, sistemas como o reconhecimento facial podem levar a facilitar a manipulação e vigilância de governos e grandes corporações.[21]​.

Especificamente, este grupo argumentará que o reconhecimento facial terá de ser regulamentado para proteger os interesses públicos.

Conselho de Tecnologia da Forbes

Por outro lado, um grupo de 10 membros do Conselho de Tecnologia da Forbes preparou um relatório sobre os perigos que geraria o uso do reconhecimento facial para questões jurídicas. Este conselho é composto por uma organização sem fins lucrativos composta por líderes de diversas empresas de tecnologia.[7]​ Neste relatório eles estabeleceram o seguinte:.

[7]​.

Estudo Carnegie Mellon

Um estudo realizado por investigadores da Universidade Carnegie Mellon em 2011 demonstrou como a identificação de estranhos lhes permitiu obter as suas informações pessoais e, por vezes, números de segurança, utilizando sistemas de reconhecimento facial.[22] Esta equipe de pesquisa foi liderada por Alessandro Adquisti, também professor de tecnologia da informação e políticas públicas na Universidade Heinz, e sua equipe, entre os quais estavam os médicos Ralph Gross e Fred Stutztman.

O objetivo deste estudo foi determinar o perigo potencial que o reconhecimento facial pode gerar em uma sociedade, dada a facilidade com que os dados pessoais de uma pessoa podem ser acessados ​​através deste sistema. Para isso foram realizados três experimentos:

Este estudo foi ainda complementado com a criação de uma aplicação para smartphone que permitiu descobrir informações sobre os sujeitos a partir de imagens dos seus rostos.

O estudo procura demonstrar como esta capacidade de reconhecimento continuará a melhorar e a tornar-se mais acessível à medida que houver mais formas de nos identificarmos. Nesta situação, a Acquisti considerará o seguinte:

"Em última análise, todo este acesso irá forçar-nos a repensar a nossa noção de privacidade. Também poderá afectar a forma como interagimos uns com os outros. Através da evolução natural, os humanos desenvolveram mecanismos para gerir a confiança nas relações interpessoais face a face. Será que confiaremos nos nossos instintos quando os nossos telemóveis puderem prever informações sobre outras pessoas?"[23]​.