Identificação biométrica de animais baseada em aprendizado de máquina

Abstract

Nas últimas décadas, ocorreu uma popularização do uso de características biométricas para a identificação humana. Neste período, foi demonstrado por inúmeras pesquisas que a identificação biométrica é eficaz, eficiente e, apesar de também poder sofrer ataques, é mais segura do que as formas tradicionais de identificação baseada em posses e conhecimento. Recentemente, ocorreu também um aumento expressivo na demanda por métodos eficazes, eficientes e seguros para a identificação animal, devido à necessidade de rastreabilidade, gerenciamento e controle desta população, que cresce em taxas maiores do que a população humana, particularmente os animais domésticos de estimação. A identificação animal tem sido baseada na posse de dispositivos como placas em coleiras, tags e chips implantados, o que possibilita a ocorrência de muitas fraudes nos sistemas de identificação. Além disso, essa forma de identificação tem uma baixa cobertura populacional pois nem todos os indivíduos portam tais dispositivos. Diante desses fatos, a Biometria tem sido proposta também como uma forma mais adequada para a identificação animal, entretanto, ainda são escassos, na literatura, os trabalhos com foco na identificação biométrica animal. Esta dissertação de mestrado investiga e propõe métodos para a identificação biométrica de animais, com foco na identificação de cães, por meio de características biométricas faciais. De forma análoga ao que tem sido feito em trabalhos atuais para a identificação facial humana, neste trabalho, explorou-se abordagens baseadas no estado da arte em aprendizado de máquina em profundidade, como as Redes Neurais Convolucionais, mais especificamente a arquitetura ResNet-50, e os Vision Transformers, mais especificamente a arquitetura EfficientFormer-L1. Os métodos propostos foram avaliados sobre duas bases de dados, DogFaceNet e DogID Dataset, sendo a primeira uma base de dados pública contendo 8.363 imagens de 1.393 animais, que tem sido utilizada em trabalhos correlatos, e a segunda, uma base de dados bem maior, contendo 125.873 imagens de 39.148 animais, que foi desenvolvida neste trabalho. Os resultados obtidos sobre ambas as bases de dados mostraram que os métodos propostos foram exitosos para a identificação de cães, sendo que a arquitetura baseada em Vision Transformers superou consideravelmente a arquitetura baseada em Redes Neurais Convolucionais.

In recent decades, there has been a popularization of the use of biometric characteristics for human identification. In this period, it has been demonstrated by numerous studies that biometric identification is effective, efficient and, although it can also be attacked, it is more secure than traditional forms of identification based on possessions and knowledge. Recently, there has also been a significant increase in the demand for effective, efficient and safe methods for animal identification, due to the need for traceability, management and control of this population, which grows at higher rates than the human population, particularly domestic pets. Animal identification has been based on the possession of devices such as plaques on collars, tags and implanted chips, which allows the occurrence of many frauds in identification systems. In addition, this form of identification has a low population coverage because not all individuals carry such devices. In view of these facts, Biometrics has also been proposed as a more adequate form for animal identification, however, studies focusing on animal biometric identification are still scarce in the literature. This master’s thesis investigates and proposes methods for the biometric identification of animals, focusing on the identification of dogs through facial biometric characteristics. Analogously to what has been done in current works for human facial identification, in this work, approaches based on the state of the art in in-depth machine learning were explored, such as Convolutional Neural Networks, more specifically the ResNet-50 architecture, and the Vision Transformers, more specifically the EfficientFormer-L1 architecture. The proposed methods were evaluated on two databases, DogFaceNet and DogID Dataset, the first being a public database containing 8,363 images of 1,393 animals, which has been used in related works, and the second, a much larger database, containing 125,873 images of 39,148 animals, which was developed in this work. The results obtained on both databases showed that the proposed methods were successful for identifying dogs, and the architecture based on Vision Transformers considerably outperformed the architecture based on Convolutional Neural Networks.