Detección reconocimiento facial

Actividades[pic 1]

Trabajo: Realizar una investigación exhaustiva sobre un campo de detección y elaborar un trabajo analítico

Elije una de las siguientes modalidades biométricas:

• Reconocimiento facial.
• Reconocimiento por huella dactilar.
• Reconocimiento por firma manuscrita.
• Reconocimiento por iris ocular.

Tendrás que:

• Analiza la modalidad elegida. Ventajas e inconvenientes de todas sus características (rendimiento de los algoritmos, usabilidad, aceptación, etc.).
• Indica todos los posibles usos que puede tener dicha modalidad y justifica su uso en los dispositivos móviles.

Evaluación

• 40% Análisis exhaustivo de la modalidad biométrica.
• 40% Análisis exhaustivo de sus posibles usos.
• 20% Justificación del uso de la modalidad en los dispositivos móviles.

La actividad es individual, el entregable es mediante la entrega de un archivo Word, tipo de letra Georgia 11, interlineado 1,5.

Los textos que sean copiados de otras fuentes no serán considerados como parte de la extensión mínima de la asignación.

Solución Actividad

Tabla de contenido

Introducción        3

Fase de detección        3

Algoritmo de Viola-Jones        4

Haar-like features        4

Imagen Integral        4

Proceso de aprendizaje        4

Cascada de clasificadores        5

Detección de caras        5

Detección de ojos        5

Fase de preprocesamiento de imágenes        6

Fase de extracción de las características faciales        7

Técnicas basadas en apariencia        7

Técnicas basadas en modelos        8

Fase de comparación        8

Fase de toma de decisiones        9

Fase de comparación con la BBDD de registro        9

Ventajas        9

Desventajas        10

¿Por qué el 2D es muchísimo más inseguro que el 3D?        11

Usos del reconocimiento facial        11

Uso de reconocimiento facial en móviles        13

Referencias        14

Introducción

El reconocimiento facial es el proceso de identificación de una o varias personas en imágenes o vídeos mediante análisis y comparación de patrones. Los algoritmos por lo general extraen las características faciales y las comparan con una base de datos para obtener la mejor coincidencia. Es una parte importante de muchos sistemas biométricos, de seguridad y de vigilancia, así como de sistemas de indexación de imágenes y vídeos.

Las nuevas aplicaciones de reconocimiento facial han sido debido a las capacidades digitales de una cámara de alta resolución que en combinación con una computadora se puede que de una imagen identifique automáticamente a una persona. El reconocimiento biométrico se hace por medio de un análisis de las características faciales extraídas de la imagen que se compara con el contenido de una base de datos para su identificación.

[pic 2]

Fase de detección

En esta fase la que se recoge la imagen del rostro del usuario a identificar a través del dispositivo elegido, ya sea una cámara fotográfica o una cámara de vídeo.

Existen hoy día diferentes tipos de algoritmos para detección facial como pueden
redes neuronales uno muy conocido es el algoritmo de Viola-Jones.

Algoritmo de Viola-Jones

El algoritmo de Viola-Jones es un método de detección de objetos que destaca por su bajo coste computacional, lo que permite que sea empleado en tiempo real. Su desarrollo fue motivado por el problema de la detección de caras, donde sigue siendo ampliamente utilizado, pero puede aplicarse a otras clases de objetos que, como las caras, estén caracterizados por patrones típicos de iluminación.
El algoritmo se basa en una serie de clasificadores débiles denominados Haar-like features que se pueden calcular eficientemente a partir de una imagen integral. Estos clasificadores, que por sí mismos tienen una probabilidad de acertar solo ligeramente superior a la del azar, se agrupan en una cascada empleando un algoritmo de aprendizaje basado en AdaBoost para conseguir un alto rendimiento en la detección, así como una alta capacidad discriminativa en las primeras etapas.

Haar-like features

Las Haar-like features son los elementos básicos con los que se realiza la detección. Reciben este nombre por similitud a los wavelets de Haar [12]. Estos clasificadores son características muy simples que se buscan en las imágenes y que consisten en la diferencia de intensidades luminosas entre regiones rectangulares adyacentes. Las características quedan por tanto definidas por unos rectángulos y su posición relativa a la ventana de búsqueda y adquieren un valor numérico resultado de la comparación que evalúan.

Imagen Integral

La suma de los píxeles de un rectángulo puede ser calculada de manera muy eficiente empleando una representación intermedia denominada imagen integral. La imagen integral en un punto contiene la suma de todos los píxeles que están arriba y hacia la izquierda de ese punto en la imagen original. La imagen integral total se puede calcular fácilmente en un solo barrido de la imagen.

Proceso de aprendizaje

Es necesario realizar un proceso de entrenamiento supervisado para crear el clasificador mediante una gran cantidad de imágenes positivas (caras) e imágenes negativas (imágenes sin caras). Este proceso se realiza mediante un algoritmo basado en AdaBoost , un algoritmo adaptativo de machine learning cuyo nombre es una abreviatura de adaptative boosting

...