UNIVERSIDADE FEDERAL DO PARÁ

MESTRADO PROFISSIONAL EM COMPUTAÇÃO APLICADA

PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO APLICADA (PPCA)

LACIENE ALVES MELO

RELATÓRIO DE ATIVIDADES

Tucuruí-PA
2023
 UNIVERSIDADE FEDERAL DO PARÁ
MESTRADO PROFISSIONAL EM COMPUTAÇÃO APLICADA
PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO APLICADA (PPCA)

RELATÓRIO DE ATIVIDADES

Trabalho de requisito avaliativo da disciplina Visão

Computacional, ministrada pelo Prof. Dr. Fabrício de
Souza Farias, pelo Programa de Pós-Graduação em
Computação Aplicada (PPCA) em Tucuruí.

Cametá-PA
2023
 LISTA DE FIGURAS

Figura 1 - Turma jogando capelo ......................................................................................... 7

Figura 2 - Família olhando para a câmera .......................................................................... 8
Figura 3 - Faces conhecidas ................................................................................................. 8
Figura 4 - Face desconhecida .............................................................................................. 9
Figura 5 - Rostos com zoom ................................................................................................. 9
Figura 6 - Rosto sem zoom ................................................................................................. 10
Figura 7 - Imagens estáticas ............................................................................................... 10
Figura 8 - Serviço do Supabase ......................................................................................... 11
Figura 9 - Schema do prisma .............................................................................................. 12
Figura 10 - Arquivo .env....................................................................................................... 12
Figura 11 - Tabelas no Supabase ...................................................................................... 13
Figura 12 - Rotas da API REST ......................................................................................... 13
Figura 13 - Fluxo de requisições ........................................................................................ 14
Figura 14 - Reconhecimento Facial Modelo HOG........................................................... 15
Figura 15 - Reconhecimento Facial Modelo CNN ........................................................... 15
Figura 16 - Identificação de Características Faciais ....................................................... 16
Figura 17 - Desenhando nas Características Faciais ..................................................... 17
Figura 18 - Reconhecimento facial da imagem ............................................................... 17
Figura 19 - Reconhecimento facial com zoom ................................................................. 18
Figura 20 - Identificação da pessoa no vídeo .................................................................. 18
Figura 21 - Reconhecimento facial pelo WorkSerenity................................................... 19
Figura 22 - Reconhecimento de desconhecido ............................................................... 20
 SUMÁRIO
1 INTRODUÇÃO .................................................................................................................................... 4
2 OBJETIVOS ........................................................................................................................................ 5
2.1 OBJETIVO GERAL ............................................................................................................................. 5
2.2 OBJETIVOS ESPECÍFICOS ............................................................................................................... 5
3 CRONOGRAMA DE ATIVIDADES ................................................................................................... 5
4 METODOLOGIA ................................................................................................................................ 6
5 EXPERIMETOS .................................................................................................................................. 6
5.1 DETECÇÃO FACIAL.......................................................................................................................... 7
5.2 CARACTERÍSTICAS FACIAIS.......................................................................................................... 7
5.3 RECONHECIMENTO FACIAL .......................................................................................................... 8
5.4 PROPOSTA DE MONITORAMENTO DE PRESENÇA E BEM ESTAR WORKSERENITY ........ 10
5.4.1 Criação da Base de Dados. ........................................................................................................... 11
5.4.2 Criação da API REST .................................................................................................................... 11
5.4.3 Criação do script de monitoramento para detecção facial em fluxo continuo de vídeo ................ 13
6 RESULTADOS .................................................................................................................................. 14
6.1 ANÁLISE DOS MODELOS DE DETECÇÃO FACIAL ................................................................... 14
6.2 ANÁLISE DOS MODELOS DE CARACTERÍSTICAS FACIAIS ................................................... 16
6.3 ANÁLISE DOS MODELOS DE RECONHECIMENTO FACIAL.................................................... 17
6.4 ANÁLISE DA PROPOSTA DE MONITORAMENTO DE PRESENÇA E BEM-ESTAR
WORKSERENITY ........................................................................................................................................... 19
7 CONSIDERAÇÕES FINAIS ............................................................................................................. 20
REFERÊNCIAS .......................................................................................................................................... 22
 4

1 INTRODUÇÃO

Este trabalho apresenta o relato das atividades realizadas no âmbito da

disciplina de visão computacional, integrante do programa de mestrado em
computação aplicada (PPCA), durante o período de 24/11/2023 a 07/12/23. Sob a
orientação do professor Dr. Fabrício de Souza Farias, as atividades foram
desenvolvidas individualmente, proporcionando uma imersão aprofundada no vasto
campo da visão computacional.
A visão computacional, como disciplina fundamental na computação aplicada,
proporciona uma compreensão abrangente da interpretação e análise de informações
visuais por meio de algoritmos e modelos específicos. Este trabalho alinha-se a esse
contexto, explorando os desafios e avanços nesse campo dinâmico.
Dentro desse cenário, identificou-se a necessidade de aprimorar técnicas
relacionadas à detecção facial, identificação de características faciais,
reconhecimento facial e monitoramento em tempo real. A complexidade dessas
tarefas demanda uma abordagem integrada e especializada para enfrentar os
desafios inerentes à análise facial em diversos contextos.
Este trabalho propõe uma solução abrangente por meio do desenvolvimento
de algoritmos e modelos específicos. A abordagem adotada permitiu uma
compreensão mais profunda e personalizada, visando atingir resultados mais eficazes
na detecção, identificação e reconhecimento facial.
Delineado por esta vertente, buscou-se aprimorar algoritmos de detecção
facial, otimizar modelos de identificação de características faciais, implementar
diversos modelos de reconhecimento facial e desenvolver uma proposta inovadora de
monitoramento denominada WorkSerenity.
Ao longo deste relatório, serão detalhadas as etapas de cada experimento,
destacando os desafios enfrentados, as soluções implementadas e os resultados
obtidos. Na seção 2, são apresentados os objetivos do relatório, delineando as metas
do projeto. O cronograma de atividades é exposto na seção 3, enquanto a
metodologia utilizada é detalhada na seção 4. Os experimentos implementados são
descritos na seção 5, seguidos pela análise dos resultados na seção 6. Por fim, na
seção 7, são apresentadas as considerações finais deste trabalho.
 5

2 OBJETIVOS

2.1 OBJETIVO GERAL

Desenvolver uma solução abrangente de visão computacional para análise

facial, proporcionando detecção, identificação de características, reconhecimento e
monitoramento em tempo real, com aplicabilidade em diversos ambientes.

2.2 OBJETIVOS ESPECÍFICOS

• Aprimorar algoritmos de detecção facial, visando maximizar a eficiência na

identificação de múltiplos rostos em uma única imagem.

• Otimizar modelos de identificação de características faciais, incluindo a

aplicação de maquiagem nas características identificadas.

• Implementar diversos modelos de reconhecimento facial.

• Desenvolver uma proposta de monitoramento para o reconhecimento de

presença e bem-estar em ambientes de trabalho, o WorkSerenity.

3 CRONOGRAMA DE ATIVIDADES

DATA ATIVIDADE MODELO

24/11/23 Implementação do modelo de detecção Detecção Facial

facial

27/11/23 Implementação dos modelos de identificação Características

de características faciais Faciais

28/11/23 Implementação dos modelos de Reconhecimento

reconhecimento facial Facial

29/11/23 Implementação da proposta de WorkSerenity

monitoramento de presença e bem estar em
ambiente de trabalho WorkSerenity
30/11/23 até Escrita do relatório
06/12/23
07/12/23 Apresentação e entrega do relatório
 6

4 METODOLOGIA

Seguindo o cronograma de atividades planejadas para a implementação dos

modelos computacionais para a disciplina de visão computacional, as tarefas foram
divididas em quatro etapas.
1º Etapa: Detecção Facial
A tarefa consistirá em implementar dois algoritmos de detecção facial em
Python. Ambos os modelos serão aplicados a uma única fotografia contendo diversas
pessoas. O primeiro algoritmo será baseado no Histograma de Gradientes Orientados
(HOG), enquanto o segundo utilizará Rede Neural Convolucional (CNN).
2º Etapa: Características Faciais
Na segunda etapa, serão desenvolvidos dois modelos voltados para a
identificação de características faciais. O primeiro terá como foco principal identificar
as características faciais de pessoas em uma foto. O segundo, além de reconhecer
as características faciais, aplicará maquiagem nas características identificadas.
3º Etapa: Reconhecimento Facial
Na terceira etapa, três modelos de reconhecimento facial serão implementados.
O primeiro focará na busca e reconhecimento de rostos desconhecidos em uma
fotografia, com base em rostos já conhecidos pelo modelo. O segundo comparará o
mesmo rosto com amplitudes de zoom diferentes, retornando verdadeiro ou falso se
identificado. O terceiro modelo reconhecerá rostos em vídeos ao vivo pela webcam.
4º Etapa: Proposta de monitoramento de presença e bem-estar em ambiente
de trabalho (WorkSerenity).
Na quarta etapa, será implementada a proposta do WorkSerenity, um modelo
de reconhecimento facial em vídeo que identifica a presença de pessoas e suas
emoções em ambientes de trabalho. Este modelo se comunicará com uma API REST
em NodeJS, integrada a uma base de dados relacional online no Supabase.

5 EXPERIMETOS

Os experimentos apresentados neste tópico foram desenvolvidos como a tarefa

final da disciplina de visão computacional. As práticas realizadas englobam Detecção
Facial, Características Faciais, Reconhecimento Facial e uma proposta de
monitoramento de presença e bem-estar em ambiente de trabalho WorkSerenity. O
 7

conjunto integral de códigos está disponível no repositório do GitHub:

https://github.com/lacymelo/visao-computacional-trabalho-final.git.

5.1 DETECÇÃO FACIAL

Na implementação do experimento de detecção facial, foram adotados dois

modelos de inteligência artificial: HOG e CNN, com o objetivo de determinar o mais
promissor na detecção facial.
Para dar suporte a esse experimento, foram utilizadas as bibliotecas PIL para
manipulação de imagem, face_recognition para reconhecimento facial e OpenCV para
visão computacional. Os modelos foram aplicados com base na mesma imagem,
retratando 27 pessoas com rostos expostos, lançando capelos para o alto, conforme
ilustrado na Figura 1.
Figura 1 - Turma jogando capelo

Fonte: A autora (2023)

5.2 CARACTERÍSTICAS FACIAIS

No decorrer do experimento, o foco foi na identificação das características

faciais, incluindo o contorno da face, boca, nariz, olhos e sobrancelhas. Para essa
tarefa, foram utilizadas as bibliotecas PIL, destinada à manipulação de imagens, e
face_recognition, voltada para o reconhecimento das características faciais. Foram
desenvolvidos dois scripts, aplicados à mesma imagem.
A escolha recaiu sobre uma imagem com pouco zoom, em que todas as
pessoas estavam com os rostos voltados para a câmera, garantindo uma demarcação
 8

nítida das características faciais, conforme ilustrado na Figura 2. O primeiro script foi
elaborado para reconhecer e destacar as características com linhas brancas. Já o
segundo script, além do reconhecimento, incluiu a aplicação de maquiagem azul nas
sobrancelhas, verde nos olhos e vermelho nos lábios.
Figura 2 - Família olhando para a câmera

Fonte: A autora (2023)

5.3 RECONHECIMENTO FACIAL

Neste experimento, o foco não foi a comparação entre scripts, mas sim o
reconhecimento de rostos desconhecidos em três cenários distintos: fotos, distância
e vídeo. Para a implementação dos três modelos, foram empregadas as bibliotecas
PIL e face_recognition. Seguindo esse plano, foram desenvolvidos três scripts, cada
um com objetivos específicos. No primeiro script, foram utilizadas três imagens. As
Figuras 3 (A) e (B) compuseram o array de faces conhecidas, enquanto a terceira
apresentava um rosto desconhecido, como ilustra a Figura 4.
Figura 3 - Faces conhecidas

(A) (B)

Fonte: A autora (2023)

 9

Figura 4 - Face desconhecida

Fonte: A autora (2023)

No processo de comparação, o script deveria identificar se o rosto
desconhecido era semelhante a alguma face presente no array de faces conhecidas,
retornando verdadeiro ou falso.
No segundo script, o objetivo era determinar se o reconhecimento facial seria
possível mesmo com diferentes ampliações de imagem. Para isso, foram utilizadas
três imagens. As duas primeiras eram de rostos diferentes, mas com um zoom
considerável, conforme as Figuras 5 (A) e (B), enquanto a terceira apresentava o rosto
da Figura 5 (A) sem o zoom, como ilustra a Figura 6.
Figura 5 - Rostos com zoom

(A) (B)

Fonte: A autora (2023)

 10

Figura 6 - Rosto sem zoom

Fonte: A autora (2023)

Ao final, o script deveria retornar verdadeiro ou falso ao identificar a qual das
Figuras 5 (A) ou (B) a Figura 6 correspondia. O terceiro script foi treinado com duas
imagens estáticas, conforme ilustra a Figura 7 (A) e (B). Através delas, a finalidade
era determinar se o rosto capturado em vídeo pela webcam estava entre as duas
imagens.
Figura 7 - Imagens estáticas

(A) (B)

5.4 PROPOSTA DE MONITORAMENTO DE PRESENÇA E BEM ESTAR

WORKSERENITY

No desenvolvimento do quarto experimento, procedeu-se à implementação da

proposta de monitoramento denominada WorkSerenity, voltada para a observação da
 11

presença e bem-estar no ambiente de trabalho. O projeto evoluiu em três etapas

fundamentais: a criação da base de dados, a implementação da API REST e a
integração com o modelo de IA WorkSerenity.

5.4.1 Criação da Base de Dados.

Na fase inicial, optou-se pela linguagem SQL, adotando o modelo relacional

PostgreSQL, com a decisão de hospedar a base de dados no serviço gratuito de
gerenciamento oferecido pelo Supabase. Durante a configuração da base de dados
emotions, foram disponibilizadas as configurações essenciais de acesso ao banco,
como HOST, Database name, Port, User e Password, conforme detalhado na Figura
8.
Figura 8 - Serviço do Supabase

Fonte: A autora (2023)

5.4.2 Criação da API REST

A etapa subsequente compreendeu a implementação da API REST,

envolvendo a integração das tecnologias necessárias ao projeto. Utilizando Express
para o gerenciamento de rotas, Typescript para a tipagem de variáveis, Prisma para
a administração do banco de dados, Multer para upload de arquivos e Cors para
permitir o acesso a URLs externas à API.
Com o Prisma devidamente configurado, elaborou-se o schema das tabelas do
banco de dados, estabelecendo uma base sólida para a continuidade do processo. A
Figura 9 ilustra o schema com as entidades User e Emotion.
 12

Figura 9 - Schema do prisma

Fonte: A autora (2023)

Posteriormente, as migrations foram geradas por meio do comando (npx prisma
migrate dev), proporcionando a estrutura necessária ao desenvolvimento. No arquivo
.env do projeto, configurou-se a variável de ambiente DATABASE_URL, possibilitando
o acesso ao banco no Supabase em PostgreSQL. Os parâmetros incluíram User,
Password, Host, Port e Database name, conforme ilustrado na Figura 10.
Figura 10 - Arquivo .env

Fonte: A autora (2023)

Uma vez que a variável de ambiente estava devidamente criada, executou-se
o comando (npx prisma migrate deploy) no terminal, resultando na criação das tabelas
no Supabase. Com todas as etapas concluídas, as tabelas foram visualizadas no
sistema de gerenciamento do Supabase, conforme representado na Figura 11.
 13

Figura 11 - Tabelas no Supabase

Fonte: A autora (2023)

Ao criar a API REST, foi estabelecida a estrutura do projeto, definindo o diretório
prisma para o schema do banco, src com subdiretórios como config, database,
modules, routes e server.ts para a execução do servidor, além do diretório uploads
que funcionará como servidor de arquivos. Dentro dessa organização, merece
destaque a configuração das rotas, que são o meio de acesso às funcionalidades,
como criar e listar usuários, e criar emoções. Conforme a Figura 12.
Figura 12 - Rotas da API REST

Fonte: A autora (2023)

5.4.3 Criação do script de monitoramento para detecção facial em fluxo continuo de

vídeo

Com a integração da API REST e a base de dados no Supabase, implementou-

se a 3 etapa, sendo esta, a criação do script de monitoramento para a detecção e
reconhecimento facial em um fluxo contínuo de vídeo. Utilizando a biblioteca
face_recognition, o script consulta a API REST para obter a lista de usuários e suas
imagens associadas. Em seguida, cria um conjunto de codificações faciais conhecidas
com base nessas imagens.
A cada frame capturado do vídeo, o script identifica todas as faces presentes
utilizando face_recognition. Para cada face detectada, realiza o reconhecimento facial
 14

comparando suas características com as faces conhecidas. Se uma correspondência

é encontrada, o nome do usuário é atribuído à face identificada.
Além do reconhecimento facial, o script utiliza o DeepFace para analisar as
emoções das faces. A emoção predominante é registrada, e em caso de
reconhecimento facial positivo, o script envia essa informação para a API REST,
registrando a presença do usuário junto com sua emoção, A Figura 13, ilustra este
fluxo de requisição.
Figura 13 - Fluxo de requisições

Fonte: A autora (2023)

O resultado é visualizado em tempo real, com retângulos ao redor das faces
detectadas, exibição dos nomes das pessoas identificadas, presença e emoção
correspondente.

6 RESULTADOS

Nesta seção de resultados, serão apresentados as análises e conclusões

obtidos a partir dos experimentos realizados. Cada análise abrange diferentes
aspectos, incluindo detecção facial, reconhecimento de características faciais,
reconhecimento facial e a proposta de monitoramento de presença e bem-estar em
ambiente de trabalho.

6.1 ANÁLISE DOS MODELOS DE DETECÇÃO FACIAL

Na análise dos resultados para os modelos de detecção facial, o estudo

considerou a implementação e avaliação dos modelos HOG e CNN. Ambos foram
 15

aplicados a uma imagem específica com 27 rostos expostos, enquanto as pessoas

lançavam capelos para o alto. Vale ressaltar que, entre as 28 pessoas na imagem,
uma teve o rosto totalmente coberto pelo capelo, sendo desconsiderada da avaliação.
Ao aplicar o modelo HOG, a estratégia adotada foi ampliar a imagem em duas
vezes, devido a presença de muitos rostos, este processo resultou na identificação de
18 faces, como ilustra a Figura 14 a seguir.
Figura 14 - Reconhecimento Facial Modelo HOG

Fonte: A autora (2023)

Por outro lado, o modelo CNN, também sujeito à ampliação de duas vezes,
demonstrou um desempenho mais abrangente, identificando 26 faces na mesma
imagem. Os resultados visuais dessa implementação estão apresentados a seguir na
Figura 15.
Figura 15 - Reconhecimento Facial Modelo CNN

Fonte: A autora (2023)

 16

Além desses aspectos, é relevante observar que a escolha entre os modelos

também pode estar vinculada ao contexto específico de uso. O modelo CNN, ao
evidenciar maior eficácia em situações com múltiplas faces em uma única imagem,
pode ser considerado como uma opção mais adequada para cenários que demandem
tal capacidade de reconhecimento facial.
Portanto, alinhar a escolha do modelo com os requisitos específicos da
aplicação contribui para decisões embasadas e eficientes, neste caso, o modelo CNN
é o mais adequado, em se tratando da implementação desse script de detecção facial.

6.2 ANÁLISE DOS MODELOS DE CARACTERÍSTICAS FACIAIS

Na implementação e análise dos modelos de identificação de características

faciais, diferentemente dos modelos de detecção facial, considerou-se o
aprimoramento progressivo da identificação de características específicas que
compõem uma face, tais como sobrancelhas, olhos, nariz e boca.
Nesse contexto, o primeiro modelo foi aplicado a uma imagem contendo quatro
pessoas, com um nível moderado de zoom. Sob essa configuração, o modelo
conseguiu identificar todas as características faciais das quatro pessoas, como
evidenciado na Figura 16.
Figura 16 - Identificação de Características Faciais

Fonte: A autora (2023)

Através deste experimento inicial, ficou claro que o primeiro modelo se mostrou
robusto para essa categoria de experimento. Com essa constatação, o segundo
modelo propôs-se a ir além da simples identificação, adicionando a capacidade de
desenhar sobre as características faciais das quatro pessoas. Assim, as sobrancelhas
 17

foram pintadas de azul, os olhos de verde, e os lábios de vermelho, conforme ilustrado

na Figura 17.
Figura 17 - Desenhando nas Características Faciais

Fonte: A autora (2023)

Dessa forma, observou-se que a implementação progressiva dos modelos de
identificação de características faciais foi promissora no contexto específico utilizado.

6.3 ANÁLISE DOS MODELOS DE RECONHECIMENTO FACIAL

Para análise progressiva dos modelos de reconhecimento facial, foram

explorados em três cenários, cada um apresentando suas peculiaridades. O primeiro
modelo como detalhado no tópico 5.3 de experimentos, baseou-se no reconhecimento
facial a partir de três imagens. Nas duas primeiras, as faces eram conhecidas,
enquanto na terceira, a face era desconhecida.
Ao término da execução, constatou-se que a face da terceira imagem
desconhecida possuía características notavelmente similares à face da segunda
imagem, resultando no retorno verdadeiro para a segunda face, conforme ilustra a
Figura 18.
Figura 18 - Reconhecimento facial da imagem

Fonte: A autora (2023)

Já o segundo modelo concentrou-se em avaliar o impacto da distância de zoom
no processo de reconhecimento facial. No experimento, detalhado no tópico 5.3, duas
 18

imagens foram utilizadas com zoom considerável nas faces, enquanto a terceira
imagem desconhecida permaneceu sem zoom. A execução do modelo revelou que a
face presente na terceira imagem assemelhava-se à primeira imagem. Nos cortes de
zoom de 0.04 e 0.05, o modelo demonstrou sucesso em sua proposta, retornando
verdadeiro, como ilustrado na Figura 19.
Figura 19 - Reconhecimento facial com zoom

Fonte: A autora (2023)

O terceiro modelo, por sua vez, adotou uma abordagem centrada no
reconhecimento facial por meio de vídeo. Seu funcionamento foi fundamentado na
comparação de um array contendo faces conhecidas com o frame de vídeo exibido.
Dessa maneira, o modelo não apenas identificou a semelhança da face presente no
vídeo com uma das imagens do array de faces conhecidas, mas também possibilitou
a marcação da face identificada e a exibição do nome da pessoa a quem pertencia,
conforme ilustrado na Figura 20.
Figura 20 - Identificação da pessoa no vídeo

Fonte: A autora (2023)

Diante desses resultados, fica evidente que os modelos são eficazes em
realizar o reconhecimento facial proposto, abrangendo diversas situações, desde fotos
com diferentes distâncias até vídeos. Esses resultados reforçam a robustez e
versatilidade dos modelos implementados, contribuindo significativamente para a
aplicação prática do reconhecimento facial em variados contextos.
 19

6.4 ANÁLISE DA PROPOSTA DE MONITORAMENTO DE PRESENÇA E BEM-

ESTAR WORKSERENITY

Na análise da proposta WorkSerenity para monitoramento de presença e bem-

estar no ambiente de trabalho, levou-se em consideração a eficácia do sistema na
realização da identificação facial, bem como a capacidade de identificar indivíduos
com base na captura de frames em vídeo.
O funcionamento do WorkSerenity é realizado por meio de uma requisição à
API REST, solicitando a lista de usuários cadastrados. O retorno consiste em um array
de objetos contendo ID, nome e avatar. Durante a execução do script, cada frame de
vídeo é capturado e comparado com as imagens de avatar, possibilitando a
identificação do usuário.
Caso o usuário não tenha tido seu humor registrado no período do dia em que
se encontra, uma nova requisição à API REST é feita, registrando a emoção daquele
usuário. Os períodos de captura de emoção são definidos como manhã, tarde e noite,
totalizando três registros ao longo do dia. Esse processo garante um
acompanhamento abrangente e dinâmico do estado emocional dos usuários,
enriquecendo a análise de bem estar. Essa capacidade de reconhecimento facial
permitiu a associação precisa entre as faces capturadas no fluxo de vídeo e os
registros presentes na base de dados, como ilustra a Figura 21 onde a usuária
apresenta um humor neutro.
Figura 21 - Reconhecimento facial pelo WorkSerenity

Fonte: A autora (2023)

No caso de pessoas desconhecidas, o script também demonstrou uma
resposta adequada. Ao encontrar uma face que não correspondia a nenhum registro
na base de dados, o sistema retornou à informação de ausência de correspondência.
 20

No entanto, mesmo para indivíduos não cadastrados, o WorkSerenity foi capaz de

determinar a emoção associada à face detectada, como expressão de felicidade do
usuário desconhecido na Figura 22.
Figura 22 - Reconhecimento de desconhecido

Fonte: A autora (2023)

Essa funcionalidade proporciona uma análise abrangente, não apenas da
presença, mas também do estado emocional das pessoas presentes no ambiente
monitorado.
Assim, a proposta WorkSerenity apresenta-se como uma solução efetiva para
o monitoramento de presença e bem-estar no ambiente de trabalho, oferecendo uma
abordagem abrangente que vai além da simples identificação facial. Essa capacidade
de capturar e interpretar emoções contribui para uma compreensão mais completa do
ambiente, permitindo tomadas de decisão informadas em relação ao bem-estar dos
usuários.

7 CONSIDERAÇÕES FINAIS

O presente relatório apresentou implementações de soluções em visão

computacional, destacando a otimização de modelos para a identificação de
características faciais, incluindo a aplicação de maquiagem nas características
identificadas. Além disso, os modelos demonstraram robustez ao identificar e
modificar características faciais, evidenciando-se em experimentos específicos.
No que diz respeito à implementação de diversos modelos de reconhecimento
facial, os resultados destacaram a eficácia e versatilidade desses modelos. Desde o
reconhecimento facial em imagens até o reconhecimento em vídeos, eles mostraram
consistência em diferentes cenários.
 21

A proposta de monitoramento, WorkSerenity, para reconhecimento de

presença e bem-estar em ambientes de trabalho, alcançou resultados promissores.
Ao combinar identificação facial e monitoramento emocional em tempo real, o sistema
proporcionou uma visão dinâmica e abrangente do ambiente monitorado. A
capacidade de registrar emoções associadas à presença de usuários, mesmo para
indivíduos não cadastrados, reforça a eficácia da proposta.
Dessa forma, os resultados obtidos em cada etapa deste estudo evidenciam a
realização dos objetivos propostos, contribuindo significativamente para o avanço e
aplicação prática da visão computacional em diversos contextos.
 22

REFERÊNCIAS

Node.js. Node.js. Disponível em: https://nodejs.org/en/. Acesso em: 24 de novembro

de 2023.

Prisma. Prisma. Disponível em: https://www.prisma.io/. Acesso em: 24 de novembro

de 2023.

Supabase. Supabase. Disponível em: https://supabase.com/. Acesso em: 24 de

novembro de 2023.

PyPI - Python Package Index. Disponível em: https://pypi.org/project/face-

recognition/. Acesso em: 23 de novembro de 2023.

Viso.ai. DeepFace. Disponível em: https://viso.ai/computer-vision/deepface/. Acesso

em: 24 de novembro de 2023.