A Sofistica P&D (Pesquisa e Desenvolvimento) desenvolve softwares periféricos de integração multiplataforma para sistemas arrojados.

"Partindo do conceito de portabilidade desenvolvemos ferramentas capazes de interagir e tratar dados de sistemas mais complexos, como por exemplo o tratamento e armazenamento de resultados de biometria para acesso e vizualização via WEB. Muitas são as aplicações de nossas ferramentas e com total segurança, na certeza do que fazemos, podemos orientar sua equipe técnica na aquisição da melhor e mais adequada tecnologia compatibilizada às necessidades de sua empresa".

Carlos Ricardo de Oliveira
Diretor Tecnologia (P&D)

No texto a seguir você encontra uma explanação sobre o conceito de biometria e um poderoso software desenvolvido pela IBM.

“O IBM Experience localizado na IBM Tutóia, em São Paulo, é um espaço onde os Clientes e os Parceiros de Negócios podem conhecer e experimentar os produtos e soluções IBM e de Parceiros em tempo real. Com o apoio e incentivo ao desenvolvimento de soluções inovadoras na plataforma Linux com a tecnologia IBM, o Linux Center of Competence; gerenciado por Nuncio Natrielli Jr.; e a NETi TECNOLOGIA, que desenvolveu uma solução de Reconhecimento Facial utilizando a tecnologia da Cognitec System e uma variação biblioteca libhairCAPTURE que atingiu maturidade em sua versão 1.0. disponibilizaram a mesma para ser demonstrada no IBM Experience.

Mais informações sobre o projeto:

Video demonstrativo: http://cabelo.linuxdicas.com.br/videos/corpo010.html

Parceria IBM: http://www-304.ibm.com/jct09002c/gsdod/solutiondetails.do?solutionId=27224&lc=pt-BR&stateCd=P&page=1”

A OpenCV (Open Computer Vision) tem algorítmos para fazer o mesmo. Tanto para identificar face (usando haar classifiers) quanto para geração de descritores/features com wavelet/gabor. A tarefa de pattern matching pode ser implementada depois por conta própria, utilizando algum tipo de classificador estatístico (inclusive a OpenCV tem bastante código pronto para isso)...

Na USP, mais especificamente no IME, já foram feitas algumas teses para obtenção de medidas mais robustas para classificação de face.

Geralmente o reconhecimento de face costuma fazer uso de análise de componentes principais (PCA: Principal Component Analysis) ou transformada de Karhunen-Loeve para projetar o espaço de features (pixels/ROI) para uma dimensão onde seja mais fácil fazer a classificação.

O método de classificação então utilizado após esta transformada varia: podem ser modelos bayesianos, redes neurais, etc.

Como exemplo, na documentação da biblioteca OpenCV vocês encontram o seguinte programa de exemplo:
http://am.esalq.usp.br/tmp/face_recog.jpg

sendo o código responsável:
http://am.esalq.usp.br/tmp/face.cpp

Referência: br-linux.org