README — Reconhecimento Facial com MLP

Sistema de reconhecimento facial utilizando redes neurais densas (MLP), desenvolvido com PyTorch como parte do Projeto 1 da disciplina de Visão Computacional (PUC-SP).

---

📌 Objetivo

Construir um sistema de reconhecimento facial a partir de vídeos dos participantes, utilizando uma rede MLP treinada com imagens vetorizadas, sem uso de CNNs ou modelos pré-treinados.

---

🧠 Arquitetura da Rede

• Entrada: vetor de 48×48 pixels (2304 features)

• Camadas ocultas:

  • Linear(2304 → 512) + BatchNorm + ReLU + Dropout(0.4)
  • Linear(512 → 256) + BatchNorm + ReLU + Dropout(0.3)
  • Linear(256 → 128) + BatchNorm + ReLU + Dropout(0.2)

• Saída: Linear(128 → número de participantes)

• Função de perda: CrossEntropyLoss

• Otimizador: AdamW

• Scheduler: ReduceLROnPlateau

---

🧪 Pipeline de Execução

1. Extração de Frames dos Vídeos

python src/frame_extractor.py

• Entrada: pasta videos/
• Saída: imagens em dataset_raw/

2. Detecção e Recorte Facial com MediaPipe

python src/preprocess.py

• Entrada: dataset_raw/
• Saída: rostos em escala de cinza, salvos em processed_dataset/

3. Treinamento do Modelo MLP

python src/train.py

• Entrada: processed_dataset/
• Saída: pesos salvos na pasta models/

4. Predição em Imagens Novas

python src/predict.py

• Entrada: imagens em minhas_fotos/
• Saída: nome da pessoa ou “Desconhecido” com base no threshold de confiança

---

🗂 Estrutura de Diretórios

├── dataset_raw/             # Imagens extraídas dos vídeos (input bruto)

├── processed_dataset/       # Rostos detectados e normalizados

├── models/                  # Pesos dos modelos MLP treinados

├── minhas_fotos/            # Imagens de teste para predição

├── videos/                  # Vídeos de entrada

├── src/                     # Scripts-fonte

│   ├── dataset.py

│   ├── frame_extractor.py

│   ├── preprocess.py

│   ├── train.py

│   ├── predict.py

│   ├── model.py

│   └── evaluate.py (opcional)

├── requirements.txt

├── README.md

└── RELATORIO_MLP.md

---

⚠️ Requisitos e Execução

Ambiente Virtual (recomendado)

python -m venv .venv
source .venv/bin/activate  # Linux/macOS
.venv\Scripts\activate     # Windows
pip install -r requirements.txt

---

👤 Integrantes

• André Messina
• Cesar Sibila
• Enzo Takida
• Willian Dias

---

📄 Licença

Projeto acadêmico — uso não comercial.