Sistema de Reconhecimento Facial com OpenCV e CustomTkinter

Visão Geral

Este projeto implementa um sistema completo de reconhecimento facial utilizando o algoritmo LBPH (Local Binary Patterns Histograms) da biblioteca OpenCV. O sistema permite o cadastro de usuários, coleta de amostras faciais, treinamento do modelo e reconhecimento em tempo real.

O software oferece duas interfaces de operação distintas que compartilham a mesma base de dados:

1. Interface Gráfica (GUI): Uma aplicação moderna desenvolvida com CustomTkinter.
2. Linha de Comando (CLI): Scripts executados via terminal para operações rápidas ou em ambientes sem interface gráfica.

Requisitos do Sistema

Para executar este projeto, é necessário ter o Python instalado e as seguintes bibliotecas:

• opencv-python (e opencv-contrib-python para o módulo face)
• numpy
• Pillow
• customtkinter

Para instalar as dependências, execute o seguinte comando:

pip install opencv-python opencv-contrib-python numpy Pillow customtkinter

Alternativamente, você pode instalar as dependências através do arquivo requirements.txt:

pip install -r requirements.txt

Estrutura do Projeto

• gui_app.py: Arquivo principal da Interface Gráfica.
• main.py: Arquivo principal da Interface de Linha de Comando (CLI).
• 00_cadastro.py: Script de cadastro de usuários (CLI).
• 01_coleta.py: Script de coleta de amostras faciais (CLI).
• 02_treinamento.py: Script de treinamento do modelo LBPH (CLI).
• 03_reconhecimento.py: Script de reconhecimento facial em tempo real (CLI).
• usuarios.json: Banco de dados local mapeando nomes aos IDs.
• trainer.yml: Arquivo gerado contendo o modelo treinado.
• dataset/: Diretório onde as imagens capturadas são armazenadas.

Guia de Uso - Interface Gráfica (GUI)

A interface gráfica centraliza todas as etapas do processo em um único aplicativo.

Execução:

python gui_app.py

Funcionalidades

1. Início: Tela de boas-vindas e instruções gerais.
2. Cadastro: Permite inserir o nome de um novo usuário. O sistema gera automaticamente um ID único e salva no arquivo usuarios.json.
3. Coleta de Faces: Selecione um usuário cadastrado e inicie a captura. O sistema capturará automaticamente 30 imagens do rosto detectado pela webcam e as salvará na pasta dataset/.
4. Treinamento: Processa todas as imagens da pasta dataset/ e treina o algoritmo LBPH. Ao final, o arquivo trainer.yml é atualizado.
5. Reconhecimento: Ativa a webcam e realiza a identificação dos rostos em tempo real, exibindo o nome do usuário e o nível de confiança da predição.

https://github.com/user-attachments/assets/be42903c-6426-4690-abe0-d8418555756a

Guia de Uso - Linha de Comando (CLI)

A interface de linha de comando permite executar cada módulo individualmente através do orquestrador main.py ou chamando os scripts diretamente.

Execução via Orquestrador: Aceita os comandos: novo, coleta, treino, run.

Exemplo:

python main.py novo
python main.py coleta
python main.py treino
python main.py run

Descrição dos Módulos CLI

1. Cadastro (novo): Solicita o nome do usuário e cria o registro no banco de dados.
2. Coleta (coleta): Solicita o nome do usuário (que deve existir no banco) e inicia a captura de 30 fotos.
3. Treinamento (treino): Lê as imagens coletadas e gera o arquivo de modelo.
4. Reconhecimento (run): Inicia a janela do OpenCV para reconhecimento facial. Pressione 'ESC' para sair.

https://github.com/user-attachments/assets/a03d3882-5e80-44ea-ad88-c1a9bad9dfe6

Observações Técnicas

• Persistência de Dados: Ambas as interfaces operam sobre os mesmos arquivos (usuarios.json, trainer.yml e dataset/). Alterações feitas na GUI refletem imediatamente na CLI e vice-versa.
• Identificação: O reconhecimento utiliza IDs numéricos internamente. O mapeamento reverso para nomes é feito em tempo de execução consultando o arquivo JSON.