Tamanho da fonte: 

Com a evolução dos sistemas de comunicação, um dos desafios surge a cerca da imersão do usuário e da interação humano-computador é a necessidade de fazer com que a máquina interprete informação de forma semelhante a um humano, característica estudada na área de visão computacional. Para este fim, detalhes específicos do rosto humano podem ser representados por coordenadas faciais do contorno dos olhos, lábios e nariz. Estas informações de dados faciais possuem aplicações importantes como na detecção facial para segurança de dispositivos, na reconstrução facial 3D, na interação humano-máquina, na assistência ao motorista, e na estimação de posição facial. Nesta última aplicação, trabalhos recentes reportam alta complexidade computacional e alto tempo de processamento pela técnica de redes neurais artificiais ou métodos geométricos. Este trabalho propõe um método de reconhecimento de posição facial para aplicações em tempo real, realizado a partir da obtenção de coordenadas faciais e o mapeamento espacial delas por métodos de aprendizagem de máquina supervisionada de regressão linear. O sistema desenvolvido obteve estimativas com boa acurácia ao determinar a posição facial pelo deslocamento em relação à posição neutra. Este deslocamento é medido pela tripla de ângulo de rotação no sistema de coordenadas espaciais Yaw-Roll-Pitch, que é a mais comumente utilizada nesta área de pesquisa. O eixo Yaw é a normal ao plano equivalente à frente da face das pessoas, o eixo Roll é a normal ao plano sobre a ponta da cabeça, e o eixo Pitch é a normal ao plano na lateral da cabeça. A avaliação do método proposto com uma extensa base de imagens de poses faciais apresentou um baixo erro médio absoluto nos ângulos estimados, que foi de {2.238°, 0.939°, 2.899°} respectivamente em cada eixo. Este resultado é similar e que os relatados em publicações recentes, e avaliados pela mesma base de imagens. Além disso, o sistema implementado obteve um ótimo desempenho computacional para todo o processamento da estimação facial. A avaliação num computador de prateleira, resultou no tempo médio de 12.2 ms por quadro, ou seja, permitindo mostrar os resultados na velocidade de 84 quadros por segundo, o que ultrapassa bem a taxa de captura de imagens em câmeras comerciais comuns. Em conclusão, a proposta por aprendizagem de máquina supervisionada de regressão linear possui potencial para reconhecimento de posição facial com acurácia e precisão, sendo indicado para aplicações em tempo real.