Sistema de Reconhecimento Emocional Rizomático

Sistema completo de reconhecimento facial e emocional com rede neural adaptativa, integração Voronoi/Delaunay e banco de dados histórico.

📁 NOVA ESTRUTURA ORGANIZADA (Setembro 2025)

🗂️ Diretórios Reorganizados:

• databases/ - Bancos SQLite organizados separadamente
• banco_local/ - Modelos de IA (Gemma 2B + emotion_model.h5)
• banco_publico/ - Dataset de emoções (7 categorias)
• training_data/ - Logs, modelos treinados, exports

✅ Status: Sistema 100% funcional com estrutura otimizada!

🚀 Características

✨ Funcionalidades Principais

• Captura de Vídeo: Suporte para webcam e câmeras Canon
• Detecção Facial: Algoritmos Haar Cascade otimizados
• Reconhecimento Emocional: CNN + Rede Neural Adaptativa
• Banco de Dados: SQLite para histórico completo
• Mapeamento Spatial: Diagramas Voronoi/Delaunay em tempo real
• Download Automático: Datasets públicos (FER2013)

🧠 Rede Neural Adaptativa (Rizomática)

• 25 neurônios interconectados
• Atualização dinâmica de pesos baseada em afinidade
• Parâmetros configuráveis (α, β, γ, δ, λ)
• Normalização automática para evitar explosão

📊 Análise Spatial

• Triangulação de Delaunay: Conecta faces detectadas
• Diagramas de Voronoi: Mapeia regiões de influência
• Histórico de Posições: Tracking temporal de faces

🛠️ Instalação

1. Dependências do Sistema (Ubuntu/Debian)

sudo apt update
sudo apt install libopencv-dev python3-opencv libgtk-3-dev libgstreamer1.0-dev

2. Dependências Python

# Instalar automaticamente
python install_dependencies.py

# Ou manualmente
pip install opencv-python numpy scipy matplotlib requests tensorflow pillow

3. Kaggle CLI (Opcional - para download automático)

pip install kaggle

# Configurar credenciais
mkdir -p ~/.kaggle
# Baixar kaggle.json da sua conta Kaggle
cp kaggle.json ~/.kaggle/
chmod 600 ~/.kaggle/kaggle.json

🎯 Como Usar

Execução Principal

# Iniciar sistema de reconhecimento
python imagen.py

# Controles durante execução:
# 'q' - Sair
# 's' - Salvar frame atual

Funcionalidades Extras

# Ver histórico de emoções
python imagen.py --historico

# Exportar pontos Voronoi/Delaunay
python imagen.py --export

# Forçar retreinamento do modelo
python imagen.py --treinar

📁 Estrutura de Diretórios

projeto/
├── imagen.py                 # Sistema principal
├── install_dependencies.py   # Instalador
├── README.md                # Este arquivo
├── banco_publico/           # Dataset público (FER2013)
│   ├── Feliz/
│   ├── Triste/
│   ├── Raiva/
│   └── ...
├── banco_local/             # Imagens locais da escola
│   ├── Feliz/
│   └── ...
├── emotion_model.h5         # Modelo treinado
├── chat_rizomatico.db       # Banco SQLite
└── pontos_faciais.json      # Export Voronoi

🔬 Datasets Suportados

FER2013 (Download Automático)

• Emoções: 7 classes (Raiva, Nojo, Medo, Feliz, Triste, Surpreso, Neutro)
• Resolução: 48x48 pixels
• Quantidade: ~35.000 imagens
• Download: Automático na primeira execução

Banco Local

• Adicione imagens nas pastas banco_local/[Emocao]/
• Formato suportado: PNG, JPG, JPEG
• Resolução recomendada: 48x48 ou maior
• Usado para fine-tuning personalizado

🧮 Parâmetros da Rede Adaptativa

N = 25              # Número de neurônios
alpha = 0.4         # Taxa de decaimento
beta = 1.2          # Força de conexão
gamma = 0.5         # Taxa de aprendizado
delta = 0.3         # Fator de esquecimento
lambda_aff = 1.0    # Parâmetro de afinidade
dt = 0.01           # Passo temporal

📊 Banco de Dados

Tabela historico

• timestamp: Data/hora da detecção
• entrada: Tipo de entrada processada
• resposta: Resposta gerada
• emocao_detectada: Emoção classificada
• confianca: Nível de confiança (0-1)
• posicao_x, posicao_y: Coordenadas da face

Tabela pontos_faciais

• timestamp: Data/hora da captura
• pontos_x, pontos_y: Arrays JSON das coordenadas
• num_faces: Número de faces detectadas

🎨 Visualizações

Tempo Real

• Verde: Retângulos de detecção facial
• Amarelo: Labels de emoção + confiança
• Azul: Triangulação de Delaunay
• Vermelho: Pontos centrais das faces
• Branco: FPS e estatísticas

Análise Offline

# Gerar gráficos do histórico
python -c "
import sqlite3
import matplotlib.pyplot as plt
import json

conn = sqlite3.connect('chat_rizomatico.db')
# Sua análise personalizada aqui
"

🔧 Configuração Avançada

Otimização de Performance

# No código imagen.py, ajuste:
frame_small = cv2.resize(frame, (0,0), fx=0.5, fy=0.5)  # Reduzir mais
scaleFactor=1.2  # Aumentar para detecção mais rápida
minNeighbors=3   # Diminuir para mais detecções

Câmeras Canon

# O sistema tenta automaticamente:
# /dev/video1 (Canon via USB)
# /dev/video0 (webcam padrão)
# Índices 0-4 (outras câmeras)

📈 Métricas e Monitoramento

Performance

• FPS em tempo real
• Latência de processamento
• Uso de memória
• Acurácia do modelo

Análise Emocional

• Distribuição de emoções por tempo
• Padrões espaciais (Voronoi)
• Histórico individual
• Correlações temporais

🐛 Troubleshooting

Erro: "Nenhuma câmera disponível"

# Verificar câmeras disponíveis
ls /dev/video*
v4l2-ctl --list-devices

# Dar permissões
sudo chmod 666 /dev/video*

Erro: TensorFlow não encontrado

# Instalar TensorFlow
pip install tensorflow

# Para GPU (opcional)
pip install tensorflow-gpu

Erro: OpenCV não funciona

# Reinstalar OpenCV
pip uninstall opencv-python
pip install opencv-python-headless

Performance baixa

• Reduza resolução do frame
• Aumente scaleFactor na detecção
• Use menos neurônios na rede adaptativa
• Desabilite Voronoi/Delaunay temporariamente

🔬 Extensões Futuras

Possíveis Melhorias

1. Reconhecimento Individual: Identificar alunos específicos
2. Interface Web: Dashboard para psicólogos
3. Análise Temporal: Padrões de humor ao longo do tempo
4. Integração IoT: Sensores ambientais
5. Alertas Automáticos: Detecção de estados críticos
6. Realidade Aumentada: Sobreposições interativas

Integração com APIs

• Google Vision API
• Azure Cognitive Services
• AWS Rekognition
• OpenAI GPT para análise textual

📞 Suporte

Para dúvidas ou problemas:

1. Verifique os logs no terminal
2. Consulte a documentação dos erros
3. Teste com diferentes câmeras
4. Verifique permissões de arquivo

📄 Licença

Este projeto está licenciado sob a MIT License - veja o arquivo LICENSE para detalhes.

🆓 Open Source

• ✅ Uso livre para fins pessoais, educacionais e comerciais
• ✅ Modificação e distribuição permitidas
• ✅ Código aberto e transparente
• ✅ Contribuições bem-vindas

🤝 Contribuindo

Contribuições são muito bem-vindas! Para contribuir:

1. Faça um Fork do projeto
2. Crie sua Feature Branch (git checkout -b feature/AmazingFeature)
3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')
4. Push para a Branch (git push origin feature/AmazingFeature)
5. Abra um Pull Request

🙏 Agradecimentos

• OpenCV pela biblioteca de visão computacional
• TensorFlow/Keras pelas ferramentas de deep learning
• Comunidade open source por tornar este projeto possível

---

Desenvolvido para pesquisa em Inteligência Artificial e Reconhecimento de Padrões

📧 Contato: Para dúvidas, sugestões ou colaborações, abra uma issue no GitHub.