base de datos de rostros

8/17/2019 Base de Datos de Rostros

1/50

Bases de Datos de Rostros: Algoritmos y Programas de

Software

Ingeniería Industrial – Tecnologías de Base de Datos

RESUMENEn este trabajo de investigación se presenta información sobre el diseño de bases dedatos de características biométricas. Una de las tecnologías emergentes que muestragrandes posibilidades de desarrollo en los próximos años, es la Biometría, la cual tienecomo propósito la identificación de personas por medio de sus diversas característicasfísicas (vo, !uellas digitales, características faciales, etc.". # partir de los ataquesterroristas a las dos torres del $orld %rade &enter en 'e )or*, el ++ de septiembre de

--+, los sistemas biométricos cobraron un gran auge.

obre todo, los sistemas de reconocimiento de rostros. /ic!os sistemas tendr0n el objetivode detectar posibles sospec!osos, a partir de diversas bases de datos con fotografías depersonas consideradas terroristas o delincuentes. %ambién, tiene otros m1ltiples usos deidentificación en la vida cotidiana2 acceso a cajeros autom0ticos, a estacionamientos,acceso de personal a oficinas, reconocimiento de personas desaparecidas 3 fallecidas queno presenten identificación, acceso a computadoras (en lugar de utiliar passord", etc.

En la actualidad, los dos paquetes de software comercial m0s utiliados en elreconocimiento de rostros, utilian la técnica de #n0lisis por &omponentes 4rincipales o

alguna derivación de ella. #simismo, la gran ma3oría de los paquetes computacionalesrealiados en pro3ectos de investigación para reconocimiento e identificación de rostros,que utilian otros métodos estadísticos (regresión, redes neuronales, an0lisis cluster,etc.", comparten algo en com1n con el an0lisis de componentes principales2 todos ellosutilian c0lculos 3 métricas que se llevan a cabo en un espacio denominado Euclidiano oL2 .

El softare basado en técnicas que utilian la métrica Euclidiana, no !a presentadoresultados completamente satisfactorios en el proceso de reconocimiento de rostros. econsidera que dic!as limitaciones se presentan por dos motivos principales2 el primero,debido al propio algoritmo, en segundo lugar, al tipo de características estadísticas que

presentan los datos de entrada al sistema (los rostros". 4ara poder utiliar adecuadamentemétodos estadísticos en espacios L2 , los datos de entrada deben cumplir los supuestos delinealidad, !omoscedasticidad 3 sobre todo, el de normalidad multivariada.

#ctualmente, tenemos bases de datos donde se constru3en arreglos de servidores dealmacenamiento disponible en red basado en la plataforma de softare libre denominada5luster que proporciona un alto grado de escalabilidad 3 disponibilidad.

En la actualidad 3a se realia el diseño de la base de datos de características biométricaspara reconocimiento facial 3 de la forma de caminar 3 del manejador para la base dedatos que permite incrementar su tamaño en cuanto a n1mero de personas 3 agregar

otras características biométricas de manera natural para los usuarios.

1


2/50


Software


CAPITUL IINTRDUCCI!N

En la vida cotidiana rara ve nos maravillamos de nuestra capacidad para reconocer un

rostro. Es sorprendente que podamos memoriar un n1mero tan considerable de rostrosen el transcurso de nuestra vida. En general lo !acemos de golpe, de manera !olística, sinnecesidad de una descripción verbal ni de un an0lisis consciente de las diversascaracterísticas faciales. 4odemos dejar de ver a una persona por algunos años 3 cuando laencontramos nuevamente, generalmente la reconocemos, a pesar de que !a3a cambiadode peinado o tenga barba. in embargo, el lograr que una computadora pueda reconocer un rostro, es un problema mu3 complejo.

El reconocimiento de rostros por medios computacionales, forma parte del 0readenominada Biometría. 6a palabra biometría, se deriva del griego (bio 3 metria"2 7io (vida"3 metría (medida".

El propósito de la 7iometría, consiste en la elaboración de métodos automatiados para laidentificación o verificación de personas mediante el uso de características físicas o decomportamiento. Esta tecnología se basa en la premisa de que cada persona es 1nica 3posee rasgos distintivos que pueden ser utiliados para identificarla. #lgunos ejemplos decaracterísticas físicas son la cara, las !uellas digitales, el iris de los ojos 3 en los 1ltimosaños se !a considerado el #/'. 4or su parte, algunos ejemplos de características decomportamiento son la vo, la manera de firmar, la forma de caminar.

6a información es el elemento vital en el procesamiento de datos. 6a necesidad demantener la información disponible en todo momento, !a !ec!o a los sistemas de

almacenamiento un componente central en los sistemas de %ecnologías de 8nformación.6a tendencia general, es la de implementar sistemas cada ve m0s robustos conrendimientos 3 disponibilidad cada ve mejores 3, lo m0s importante, con costos cada vemenores. 'ecesidades como estas, !an llevado al mundo tecnológico de !o3 a proponer eldiseño de una base de datos que ser0 utiliada para el an0lisis 3 reconocimiento depersonas basado en sus características biométricas como son el reconocimiento facial,!uellas dactilares 3 forma de caminar.

#ctualmente, una de las tecnologías que representan una de las pocas alternativasdisponibles para poder mostrar gr0ficamente un perfil multivariante es &aras de &!ernoff.Esta tecnología cuenta con un gr0fico asigna a las variables de una base de datos (!astaun m0ximo de diecioc!o" rasgos físicos de la cara 3 dibuja una cara por cada individuo dela tabla.

"


3/50


Software


#sí por ejemplo, en psicología se pueden detectar individuos con rasgos depresivos. 6osrasgos faciales son f0cilmente interpretables por el ojo !umano, pero cuando la base dedatos tiene muc!os individuos, la labor de diferenciación es tediosa para el investigador 3se complica cuando el n1mero de variables es también grande.

En esta tecnología que mencionamos se presenta un gr0fico basado en las &aras de&!ernoff que utilia una paleta de colores para resaltar sobre el gr0fico original aquellosrasgos que representan un valor atípico en una o varía variables de uno o variosindividuos de una base de datos. 4ara detectar estos rasgos atípicos u outliers se utilia enprimer lugar un diagrama de caja o 7ox 4lot. Este gr0fico est0 basado en cuartiles 3permite visualiar de una forma sencilla los individuos de una 1nica variable.4osteriormente se elabora un código que permite dibujar e interpretar sobre las caras de&!ernoff dic!os outliers diferenci0ndolos por colores.

e !an creado bases de datos distribuidas, implementadas utiliando servidores dealmacenamiento de datos conectados a la red de computadoras ('etor*9#ttac!ed erver : '#". e !an creado una estructura u organiación de la información almacenada 3 unsistema de administración de los datos. 4ara esto se !ace uso de tecnologías como5luster, ;, en donde los c!inos, 3a utiliaban ciertasimpresiones de los dedos para identificación. En el año +?@@, #lp!onse 7ertillion(antropólogo 3 policía de 4arís" est0 considerado como la primera persona que desarrolló3 utilió de manera sistem0tica, un método para clasificas e identificar criminales a partir de diversas medidas del cuerpo 3 la cabea.

En +??A, con el sistema de 7ertillion se tuvo laposibilidad de identificar a A+ criminales. 6oscuerpos de policía, tanto en 8nglaterra, Brancia 3 los

Estados Unidos, adoptaron en sistema. inembargo, años después se comprobó quepresentaba fallas importantes en el proceso deidentificación.

4or su parte, ir $illiam Cersc!el realiaba desde+?--, investigaciones sobre el uso de !uellasdactilares para tratar de identificar personas. 6ogróobtener aproximadamente ?--- conjuntos de!uellas. in embargo fue ir Brancis 5alton,antropólogo brit0nico 3 primo de &!arles /arin,

quien logro obtener el primer sistema declasificación de !uellas dactilares con el nombre de Finger Prints (5alton, +?D". Utiliando

&


4/50


Software


la investigación de 5alton, Edard ic!ard Cenr3 desarrolló entre +?DF 3 +?D@ el que est0considerado como el primer sistema de la policía para identificación por medio de !uellasdactilares. /ic!o sistema, fue utiliado por cotland )ard en +D-+ 3 utiliadoposteriormente, por diversos cuerpos de policía en el mundo.

4or lo que respecta al desarrollo de sistemas aplicados al reconocimiento de rostros, lasprimeras aplicaciones se remontan a la década de los años sesentas con una compañíadenominada 4anoramic eserc!, 8nc. en 4alo #lto, &alifornia 3 financiada por el/epartamento de /efensa de los Estados Unidos 3 otras agencias de 8nteligencia. Uno delos fundadores de dic!a empresa, fue $oodro $ilson 7ledsoe (pionero en el campo delraonamiento automatiado". 7ledsoe desarrolló un sistema Gsemiautom0ticoH para extraer características de la fotografía de un rostro, por medio de señalar en una tabletadigitaliadora elementos faciales del rostro (diversos puntos de los ojos, boca, cabea,

etc.". # partir de dic!os puntos, se obtenían coordenadas 3 un registro de las coordenadasde su correspondiente fotografía. 6a computadora calculaba las distancias entre losregistros de la base de datos 3 los puntos de la fotografía a identificar. En +DDF, el sistemade 7ledsoe continuó en desarrollo en el tanford eserc! 8nstitute (8".

El siguiente trabajo pionero en el 0rea, se debe a a*ai 3 Bujiba3as!i (+DFD", quienespresentan un programa computacional (que no requiere intervención de alg1n operador !umano" para confirmar la existencia o ausencia de un rostro en una imagen.

4or su parte, Iell3 (+D@-" elabora una disertación doctoral sobre reconocimiento de rostrosen tanford. u técnica permite que una computadora extraiga de manera autom0tica elcontorno de la cabea 3 el cuerpo de una determinada persona a través de una fotografíaJ

3 pueda entonces localiar los ojos, nari 3 boca. in embargo, el procedimiento requierede tres im0genes de cada individuo2 una imagen del cuerpo, una imagen del GfondoH de lafotografía (sin el cuerpo" 3 un acercamiento de la cabea.

El siguiente desarrollo, se realia en la disertación doctoral de %a*eo Ianade (+D@K" en laUniversidad de I3oto, =apón. Luien reporta los mismos resultados que obtuvo Iell3, perocon ventaja de utiliar 1nicamente una sola fotografía del rostro. #simismo, propone unnuevo esquema m0s flexible para el an0lisis de la imagen, logrando reconocer adecuadamente, quince de veinte personas.

6os anteriores, son trabajos pioneros en el 0rea de reconocimiento de rostros, como se

puede apreciar, el tiempo transcurrido entre dic!os desarrollos (años F- 3 @-" 3 laactualidad, es de apenas AM años como m0ximo. i lo comparamos contra el trabajo de!uellas dactilares en +?D (a partir del sistema de 5alton", a la fec!a se tienen ++K añosde desarrollo, por lo cual, los sistemas computacionales aplicados a dic!a 0rea presentanéxitos notables 3 sumamente confiables en la época actual.

/e manera general, la ma3oría de los sistemas biométricos funcionan de forma mu3similar 3 se puede resumir en dos pasos. El primero, consiste en que la persona deberegistrarse en el sistema. /urante el proceso de registro, el sistema captura el rasgocaracterístico de la persona, como por ejemplo la !uella digital, 3 lo procesa para crear unarepresentación electrónica denominada Gmodelo de referenciaH o Gmodelo de

entrenamientoH. El modelo de entrenamiento debe ser guardado en una base de datos,

'


5/50


Software


una tarjeta inteligente, o en alg1n otro lugar del cual ser0 extraído en cualquier ocasiónfutura para dar origen al segundo paso.

El segundo paso depende si la función del sistema biométrico consiste en verificar laidentidad de la persona o reconocer a la persona. En el caso de verificación, la persona leinforma al sistema cu0l es su identidad 3a sea presentando una tarjeta de identificación,dando una clave o proporcionando su !uella digital o imagen del rostro.

El sistema captura el rasgo característico de la persona 3 lo procesa para crear unarepresentación también electrónica llamada Gmodelo en vivoH. 4or 1ltimo, el sistemacompara el modelo en vivo con el modelo de referencia de la persona. i ambos modelosson idénticos o la diferencia es menor que un determinado umbral se considera unaverificación adecuada. # este proceso se le conoce también como comparación uno9a9uno(one9to9one".

&uando la función del sistema es de reconocimiento, la persona no le informa al sistemacu0l es su identidad. El sistema tan solo captura el rasgo característico de la persona 3 loprocesa para crear el modelo vivo. 6uego el sistema procede a comparar los modelosrespectivos para determinar la identidad de la persona en la base de datos o en diversasbases de datos. Es un proceso denominado uno9a9muc!os (one9to9man3".

6os sistemas biométricos se !an considerado elementos clave para cuestiones deseguridad, desde !ace varias décadas. En enero del año ---, la revista %ec!nolog3evie publicada por el


6/50


Software


sobre todo terroristas", a partir de diversas bases de datos con fotografías de personasconsideradas terroristas o ligados de alguna forma a ellos.

Existen diversos procedimientos para elaborar sistemas computacionales dereconocimiento de rostros, los cuales se detallan en el siguiente capítulo. in embargo, losdos algoritmos que m0s eficiencia !an mostrado 3 con los cuales se desarrollaron los dossistemas comerciales aplicados al reconocimiento de rostros 3 que se encuentran en usopor diversas agencias de seguridad tanto en Estados Unidos como en otros países son2

• ALGORITMO EIGENFACES, utiliado en el sistema FaceNet/FaceFinder de lacompañía >iisaje.

• ALGORITMO DE ANLISIS DE CARACTER!STICAS LOCALES "LFA# utiliadoen el sistema FaceIt de la compañía >isionics.

#mbos algoritmos se basan en la técnica denominada Com$onente% &rinci$ale%,desarrollada !ace décadas 3 utiliada originalmente en las 0reas de 4sicología, &ienciasociales 3 Educación.

El primer sistema comercial exitoso, fue FaceNet, el cual se desarrolló a partir de latécnica de an0lisis de componentes principales. Originalmente fueron irovic! 3 Iirb3(+D?@", quienes plantearon la posibilidad de caracteriar un rostro !umano por medio decomponentes principales 3 denominaron al modelo con el nombre de GeigenpicturesH.4osteriormente, %ur* 3 4entland (+DD+" investigadores del


7/50


Software


/entro de bioinform0tica, existen tres subdisciplinas2

• El desarrollo de nuevos algoritmos 3 estadísticas para establecer relaciones entre

miembros de grandes grupos de datos.• El an0lisis 3 al interpretación de varios tipos de datos inclu3endo secuencias de

nucleótidos 3 amino0cidos, dominios proteicos 3 estructuras de proteínas.• El desarrollo 3 la implementación de !erramientas que permitan acceso 3 manejo

eficientes de diferentes tipos de información.

6os avances de la biología molecular permiten la generación de una gran cantidad deinformación cu3o an0lisis requiere el uso de !erramientas de c0lculo altamenteespecialiadas. /esarrollar estas !erramientas tiene por nombre bioinform0tica 3 esconsiderada una de las grandes revoluciones en la biología 3 la computación.

6a bioinform0tica, !a tenido expansión notoria en sus aplicaciones los 1ltimos cinco Maños. Esta disciplina est0 siendo aplicada en problemas que implican evaluar 3 entender ladispersión 3 la variación de marcadores genéticos, modelaje molecular, genómica,proteómica, 3 minería de datos biológicos. e pueden citar ejemplo de aplicaciones enmedicina forense, antropología, manejo 3 control de plagas, conservación, desarrollo devacunas 3 drogas, mejoramiento genético de animales 3 plantas, entre otros.

6a bioinform0tica es la aplicación de técnicas 3 tecnologías inform0ticas a la biología. En+D@@ se realia la primera secuenciación de #/' (0cido desoxirribonucleico". Bue la del4!o9;+@A, un bacteriógrafo con MK?F nucleótidos que codifican ++ proteínas. #ctualmente3a se !a secuenciado el #/' de cientos de seres vivos, son cientos de cadenas de miles

de datos, la manipulación de esta informaciónsin a3uda computacional sería una ardua tareaen muc!os casos frustrante, lo que unordenador potente puede procesar en pocotiempo, del orden de segundos o minutos, unequipo de trabajo podría necesitar del orden desemanas para desarrollar ese mismo trabajo.4or lo que la bioinform0tica se destapa comoun campo fundamental en el 0mbito de la

biología.

El término bioinform0tica lo acuña 4aulin Cogeeg en +D@- para referirse a estarelevancia que comiena a tomar la inform0tica en el 0mbito de la biología siendo unaparte fundamental en el tratamiento, almacenamiento 3 transmisión de datos. 6aimportancia de la inform0tica en la biología !a ido en aumento desde los años @-, por dosraones principales. 6a primera es que al día de !o3 cada ve se analian ma3or n1merode secuencias, 3 la segunda 3 m0s importante es que no solo se analian esassecuencias, sino que se almacenan las secuencias 3 los resultados, compartiéndolos en lared lo que agilia las investigaciones, 3a que evita tener que realiar el mismo trabajorepetidas veces suponiendo un a!orro en tiempo 3 dinero considerablemente alto.

1#$ S)T,ARES ACTUALES - SUS LIMITACINES

.


8/50


Software


4ara el reconocimiento de rostros se !an utiliado diversos métodos, entre éstos2elementos geométricos del rostro, an0lisis estadístico, redes neuronales, componentesprincipales, etc. 6a técnica m0s utiliada en los 1ltimos años, !a sido el de componentesprincipales.

Uno de los paquetes de softare aplicado al reconocimiento de rostros 3 que !apresentado resultados exitosos, utilia el algoritmo denominado Eigenfaces (irovic! 3Iirb3, +D?@J %ur* 3 4entland, +DD+", basado en la técnica de an0lisis de componentesprincipales. in embargo, aunque dic!o softare se considera uno de los mejores,presenta ciertos porcentajes de error. Otros sistemas de reconocimiento de rostros, queutilian otras técnicas derivadas del an0lisis de componentes principales (6B#, propuestopor 4enev 3 #tic*, +DDF", también !an presentado resultados inciertos.

6a gran ma3oría de los sistemas computacionales para reconocer rostros, comparten algo

en com1n, sus respectivos algoritmos matem0ticos trabajan en un espacio en 6 + o 6. 6oanterior, presupone que las características de los datos deben cumplir con ciertossupuestos estadísticos 3 matem0ticos al aplicar diversas técnicas de an0lisis multivariadoque se utilian.

El softare basado en la técnica de an0lisis de componentes principales 3 algunos otrosdesarrollos basados en técnicas similares, presentan diversas limitaciones 3 por tanto,deficiencias en los resultado. %ales limitaciones se considera que se presentan por dosmotivos principales2 el primero, debido al propio algoritmoJ en segundo lugar, al tipo decaracterísticas estadísticas que presentan los valores que se obtienen de los pixeles deuna imagen digital de un rostro. e considera que los datos numéricos de los rostros

utiliados en el sistema de Eigenfaces, viola el supuesto de normalidad multivariada,elemento importante para utiliar las técnicas de an0lisis de componentes principales.

1#'#$ B/ETI0S DE LA IN0ESTIACI!N

'.(.'.) OB*ETI+O GENERAL

Estudiar 3 presentar una 8nvestigación sobre sistemas computacionales para elreconocimiento de rostros, presentando los algoritmos genéticos de reconocimientode patrones que existen la actualidad, así como los programas de softare m0sutiliadosJ informando también acerca de las ventajas 3 limitaciones de estos.

'.(.'.) OB*ETI+OS &ARTIC,LARES

• 8dentificar los elementos teórico9matem0ticos que se usan en el

reconocimiento de rostros.• 4resentar los #lgoritmos m0s utiliados en la actualidad para el

reconocimiento de patrones en los rostros.• Estudiar sobre las aplicaciones tecnológicas actuales del reconocimiento

facial.• 4resentar las innovaciones actuales de softare (base de datos" sobre

reconocimiento de rostro.

2


9/50


Software


CAPITUL IIRECNCIMIENT DE RSTRS

3UMANS PR M4TDS

CMPUTACINALESEl propósito de este capítulo, consiste en presentar una revisión de la literatura acerca delos trabajos de investigación sobre reconocimiento automatiado de rostros por medio decomputadoras. e seleccionaron las investigaciones que se consideraron m0s relevantes 3que presentan una panor0mica de los métodos m0s famosos que se !an utiliado en elreconocimiento de rostros.

Es importante señalar, que se tienen dos grandes 0reas o enfoques acerca del estudio delreconocimiento de rostros2

• El psicológico 3 de neurociencias,• El reconocimiento por medio de computadoras.

#lgunas de las características que sub3acen al reconocimiento de rostros desde el puntode vista biológico 3 psicológico, se !an utiliado para proponer diversos métodosalgorítmicos que se utilian en el reconocimiento automatiado.

in embargo, el enfoque computacional, es el que m0s interesa en el presente trabajo. 4or tanto, a lo largo del presente capítulo, se mencionan algunas cuestiones sobre el enfoquepsicológico 3 de neurocienciasJ realiando un énfasis en los métodos computacionales.

"#1# EN)5UE PSICL!IC - DE NEURCIENCIAS EN ELRECNCIMIENT DE RSTRS EN EL SER 3UMAN

6


10/50


Software


Esta primera 0rea, escapa del 0mbito del presente trabajo, pero es necesario remarcar,que diversos resultados de sus investigaciones !an sido 3 son, la base para elplanteamiento de diversos algoritmos computacionales que se utilian en el procesamientode rostros en computadora. &abe mencionar que los enfoques psicológicos 3 deneurociencias !an estudiado principalmente los siguientes aspectos2

• Unicidad de caras.• 8nvestigación acerca de que si el reconocimiento es !olístico o por an0lisis de

características locales.• #n0lisis 3 uso de expresiones faciales para reconocimiento e investigación acerca

de 2− &omo los niños perciben las caras.− Organiación de la memoria para el reconocimiento de rostros.−

/esordenes en la !abilidad para reconocer en forma precisa rostros.− 8nvestigación acerca de la existencia de una gran neurona GmadreH para eleconocimiento de rostros.

− 4apel del !emisferio derec!o del cerebro en la percepción de rostros.

"#"# EN)5UE CMPUTACINAL

7astantes de las teorías e !ipótesis acerca de los anteriores temas se !an investigado,mediante el uso de pequeños conjuntos de im0genes. in embargo, los diversosresultados obtenidos !an servido como base para el diseño de algoritmos 3 sistemas parael reconocimiento de rostros a través de computadoras.

#ctualmente (en los 1ltimos cinco años aproximadamente", se !an incrementado lossistemas para reconocimiento de caras, pero con pocas excepciones, la ma3oría de losenfoques se !an probado con conjuntos de datos relativamente pequeños (menores a +--im0genes", 1nicamente se tienen algunas investigaciones que se !an procesado conbases de datos de K,--- rostros !umanos.

6a excepción, son los sistemas Bace8t 3 Bace'et utiliados en aeropuertos, se creé queaccede a diversas bases de datos con un gran n1mero de fotografías (se desconoce eltamaño de la base".

# continuación se describen los principales métodos 3 técnicas que se !an utiliado para

realiar procesamientos computacionales tendientes a la identificación de rostros.

(.(.'. SEGMENTACI-N DE ROSTROS

a# Mtodo $ara etraer el 0rea de la ca1e2a a $artir de 3na imagen

&ra 3 otros (+D?@", describen un método para extraer el 0rea de la cabea apartir de una imagen. Utilian una escala de imagen jer0rquica 3 una plantilla deescala. Utilian resoluciones de ?x?, +Fx+F, KxK, FAxFA, +?x+? pixeles 3consideran restricciones para la localiación de la cabea.

17


11/50


Software


#l nivel m0s bajo de resolución, unaplantilla se constru3e del contorno dela cabeaJ la dirección del borde secalcula a partir del nivel de grises dela imagen utiliando una m0scara deobel.

Una línea continua se utilia paraconectar el contorno de la cabea. 6a plantilla se utilia para compensar posibles errores que se dan al confundir bordes de la cabea con otros bordesde la imagen. 6os resultados que se obtienen con este nivel bajo de resolución,se utilia como guía en el siguiente nivel de resolución.

Una ve que se tiene el contorno de la cabea, una b1squeda de características

de bajo nivel tales como ojos, cejas 3 labios, se lleva a cabo. 6os resultados quese obtienen, en general, son satisfactorios para detectar el perfil de la cabea, lab1squeda de los ojos no es tan exitosa. #simismo, se reporta que se obtuvieronresultados satisfactorios utiliando los métodos de &ann3 (+D?F" o el de 7urr (+D?+", para encontrar bordes.

1# Si%tema $ara reconocer 4 medir caracterí%tica% 5aciale%

&ra, %oc* 3 7ennet (+DD", describen un sistema para reconocer 3 medir características faciales, trabajo motivado por un pro3ecto de indexadoautomatiado de fotos policiacas.

Ellos tratan de localiar A- puntos característicos a partir de una imagen deniveles de grisJ dic!os puntos se seleccionaron con base a la propuesta de!ep!erd (+D?F", el cual también fue utiliado como un criterio de juicio. Elsistema utilia una b1squeda jer0rquica de grueso a fino. 6a plantilla se basa enel principio de transformación poligonal aleatoria propuesta por 5renander 3otros (+DD+".

6a localiación aproximada, escala 3 orientación de la cabea se obtiene por una deformación iterativa de la plantilla total por medio de escalamientoaleatorio, traslación 3 rotación.

6a optimiación se logra por medio de Grecocido simuladoH (simulated annealing"(/avis, +D?@". Una ve que se logra una idea general de la localiación de lacabea, se realia un refinamiento por transformaciones individuales devectores del polígono (&rac, %oc*, 7ennett, +DD".

c# Modelo $ara locali2ar la cara en 3na imagen de%ordenada

5ovindaraju 3 otros (+DD-" consideran un modelo para localiar la cara en unaimagen desordenada, su técnica utilia una plantilla deformable que esligeramente diferente a la propuesta por )uille 3 otros (+D?D". %rabajan sobre losbordes de la imagen, basando en esto su plantilla sobre el contorno de la

cabea. 6a plantilla se compone de tres segmentos que se obtienen a partir delas discontinuidades de curvatura del contorno de la cabea. Estos tres

11


12/50


Software


segmentos forman la línea del lado derec!o, la línea del lado iquierdo 3 la líneadel cabello.

&ada una de estas curvas se le asigna una cuadri9tupla que consiste de lalongitud de la curva, la cuerda en forma vectorial, el 0rea encerrada entre lacurva 3 la cuerda 3 el centroide de dic!a 0rea. El centro de dic!os tressegmentos da la localiación del centro de la cara 3 posteriormente, lasplantillas permiten trasladar, escalar 3 rotar de acuerdo a ciertos modelos.

(.(.(. E6TRACCI-N DE CARACTER!STICAS

6os primeros trabajos en reconocimiento de caras fueron realiados por a*ai 3 otros

en el año de +DFD. Utiliaron una imagen digitaliada con ? niveles de gris. El trabajose realió sobre un conjunto de datos consistente de im0genes frontales de caras, 3se utilió una cuadrícula de KxK para determinar los pixeles que presentan el ma3or valor de gradiente, de tal forma que la cantidad de información se reduce a elementosesenciales. Estos pixeles se conectan a pixeles vecinos que ex!iban característicassimilares para formar líneas 3 segmentos de contorno. Un enfoque de Ggrueso a finoHse utilia para determinar características individuales de la cara.

El reconocimiento no diferencia entre caras diferentes, determina 1nicamente laexistencia de una cara en la imagen. 6os autores anotan que el procedimientoempleado presenta una dependencia de la dirección de la iluminación, cambios en

ésta, causan problemas en el enfoque.

(.(.7. RECONOCIMIENTO DE ROSTROS

Ia3a 3 Ioba3as!i (+D@" presentan un estudio b0sico en la clasificación de carasutiliando vistas frontales, con boca cerrada, sin barba, sin anteojos. e utiliandistancias euclideanas entre puntos similares sobre la cara como par0metros, para lacaracteriación respectiva. /ic!os par0metros son resistentes a cambios en lu 3grado de desarrollo en pequeños cambios de la expresión facial. Ia3a 3 otros estimanque el n1mero de par0metros debe ser ma3or que bits, en donde ' es igual al n1merode caras a clasificar. 6os par0metros se normalian dividiéndolos entre la longitud de

la nari, para contabiliar cualquier diferencia debida al tamaño de la fotografía 3 ladistancia del sujeto a la c0mara. 'log

e utiliaron fotos de F japoneses adultos entre los - 3 los K- años de edad 3 bajolas mismas condiciones de lu. 6os par0metros característicos fueron medidos amano, 3 se calculó la media 3 la desviación est0ndar. 6a correlación de los par0metrosindica que la actual dimensión del vector de par0metros puede ser m0s pequeña de D.

Una de las métricas utiliadas con gran efectividad de clasificación es el n1meropromedio de par0metros utiliados para identificar la cara.

Uno de los métodos de caracteriación de la cara es el uso de par0metros

geométricos (distancias 3 0ngulos entre puntos, tales como las corneas del ojo,extremidades de la boca, mentón, etc.".

1"


13/50


Software


En trabajos posteriores, Iirb3 3 irovic! (+DD-" inclu3en la simetría de las caras en larepresentación de eigenfotos de las caras, utiliando un ensamble extendido deim0genes, consistentes de las caras originales 3 sus im0genes espejo.

Entre los métodos que m0s relevancia tuvieron a principios de la década de losnoventas 3 que sirvieron para desarrollos posteriores, es el propuesto por 7runelli 34oggio (+DDK". /ic!os investigadores !an realiado métodos para el reconocimiento

de rostros a partir de la obtención de características geométricas. # partir de KMcaracterísticas se realia el reconocimiento mediante un clasificador ba3esiano.

Otro método mu3 utiliado !asta la fec!a, consiste en la utiliación de GplantillasH(m0scaras", en el cual se configuran diversas plantillas que abarcan ciertas regionesdel rostro2 ojos, nari, boca, etc., como se puede observar en la figura K.b. 6a imagena reconocer se compara a través de las plantillas con las im0genes de la base dedatos, 3 se obtiene un vector con las puntuaciones de apareamiento medianteprocesos de correlación (7runelli 3 4oggio, +DDA".

Un método también ampliamente utiliado en la actualidad, consiste en la utiliación

del denominado #n0lisis de &omponentes 4rincipales. El cual, es una técnicaestadística que se utilia para la reducción de la dimensionalidad de los datos,preservando la información relevante. Cancoc*, 7ruce 3 7urton (+DDF, +DD?",proponen la utiliación de componentes principales a partir de K? puntos geométricosdel rostro.

1&


14/50


Software


%ur* 3 4entland (+DD+" utilian eigenfotos (conocidas como eigenfaces" para ladetección de caras 3 su respectiva identificación (figura F". /adas las eigenfaces, todacara en la base de datos se puede representar como un vector de pesos, los pesos seobtienen por la pro3ección de la imagen en los componentes de la eigenface por medio de un simple producto punto.

&uando una nueva imagen prueba cu3a identificación se requiere es dada, la nuevaimagen también se representa por su vector de pesos. 6a identificación de la imagen

prueba se realia al localiar la imagen en la base de datos cu3os pesos son los m0scercanos (en distancia euclideana", a los pesos de la imagen prueba.

#l utiliar la observación de que la pro3ección de la imagen de una cara 3 la imagenque no sea una cara, son mu3 diferentes, se tiene un método para detectar lapresencia de caras en una determinada imagen. 6os autores utilian una base dedatos de K--- caras, correspondientes a +F sujetos, digitaliando todas lascombinaciones de tres orientaciones de la cabea, tres tamaños de la cabea 3 trescondiciones de lu. e reporta que el enfoque es robusto para cambios en lacondición de la lu, pero se degrada r0pidamente ante cambios de la escala.

1'


15/50


Software


#*amatsu 3 otros(+DD+", utilian el método I6 para la extracción de características a partir de im0genesde caras, éste método, se combina con otras dos operaciones para mejorar laejecución de la técnica de extracción en la clasificación de caras con vista frontal. 6a

aplicación de la expansión I6 directamente sobre una imagen facial sinestandariación, no logra robuste ante variaciones en la adquisición de la imagen. Elmétodo reportado por #*amatsu, utilia estandariación de la posición 3 tamaño de lacara. 6os puntos centrales son las regiones correspondientes a los ojos 3 boca.

&ada imagen objetivo se traslada, escala 3 rota a través de transformaciones afines,tal que, los puntos de referencia de los ojos 3 boca estén en un arreglo espacialespecífico con una distancia constante. 6a expansión I6 aplicada a la estandariaciónde im0genes de caras se conoce como la transformada Iar!unen96oeve de patrón deintensidad en imagen objetivo de transformada afín (I6984#%". 5olomb 3 ejnos*i(+DD+", utilian cascadas de dos redes neuronales para clasificación de género. El

primer estado es una red neuronal para comprimir im0genes, cu3os nodos ocultossirven como entradas a la segunda red, la cual ejecuta la clasificación del género.

#mbas redes se encuentran totalmente conectadas 3 redes de tres capas, seentrenan por un algoritmo est0ndar Gbac*9propagationH. 6as im0genes utiliadas parala prueba 3 entrenamiento fueron adquiridas de tal forma que se evita el pelo facial, jo3ería, maquillaje, fueron preprocesadas de tal forma que los ojos est0n a nivel, asícomo la boca.

(.(.8. RECONOCIMIENTO DE ROSTROS A &ARTIR DE &ERFILES

6a investigación en esta 0rea es generalmente aplicada a requerimientos deidentificación policiaca. 6as im0genes de perfil proporcionan información estructural

1(


16/50


Software


detallada acerca de la cara, la cual no se puede obtener en im0genes frontales.Específicamente, el tamaño 3 orientación de la nari, así como la obtención de puntoslocales de interés. El reconocimiento involucra la determinación de interrelacionesentre dic!os puntos.

Iaufman 3 7reeding (+D@F" desarrollaron un sistema de reconocimiento a partir desiluetas de perfil. 6a imagen adquirida por una c0mara de %> blanco 3 negro, segenera una imagen binaria, con el negro correspondiente a la región de la cara. Unpaso de pre procesamiento extrae la porción frontal de la silueta que limita la imagende la cara. Un conjunto de auto correlaciones normaliadas expresada encoordenadas polares, se utilia como un vector de características, una regla del tipoGI9vecinos próximosH con distancia GpesadaH se utilia para la clasificación. erealiaron experimentos con +- perfiles correspondientes a +- personas, la mitad fue

utiliada para entrenamiento.$u 3 Cuang (+DD-" reportan también un sistema para reconocimiento de perfilesutiliando enfoques similares al de Carmon (+D@@". 4rimero, a partir de los perfiles seutilian 79splines para extraer seis puntos de interés (pico de la nari, fondo de lanari, punto de la boca, mentón 3 punto del ojo". Un vector de características condimensión de A, se constru3e a partir del c0lculo de distancias entre dos puntosvecinos, longitud, 0ngulo entre segmentos de curvatura juntando dos puntosad3acentes, etc.

El reconocimiento se realia al comparar el vector de características que se extrajocontra la imagen de prueba con vectores almacenados utiliando un método de

b1squeda secuencial 3 una norma absoluta. 6as características almacenadas seobtienen a partir de tres instancias de los perfiles de personas, en todas, se utiliaron+? personas para la fase de entrenamiento.

(.(.9. METODOS E+OL,TI+OS

6iu 3 $ec!sler (+DD?", proponen una combinación de #n0lisis de componentesprincipales con un enfoque evolutivo. e utilia un #lgoritmo 5enético con el propósitode buscar los mejores ejes de rotación definidos por el #n0lisis de componentesprincipales, con el propósito de encontrar los ejes que mejor realicen la separación declases. eportan experimentos que se realiaron con ++-@ im0genes de rostros de la

base de datos BEE%, correspondientes a KFD sujetos, utiliando en promedio, tresim0genes por sujeto.

Otras aplicaciones utiliando algoritmos genéticos, se !an realiado combin0ndoloscon algunas de la técnicas mencionadas en las secciones anteriores. Entre lasinvestigaciones reportadas, se encuentran, las de 7!anu (+DDM" para segmentaciónde im0genes. Cuang (+DD?" realia el reconocimiento utiliando componentesprincipales 3 algoritmos genéticos. 4into 3 ossa (+DD?" proponen un método queutilia las primeras cuatro invariantes de Cu 3 a partir de éstas realiar la identificacióncon la a3uda de un algoritmo genético.

1+


17/50


Software


CAPITUL IIIALRITMS ACTUALES DERECNCIMIENT )ACIAL

Ca3 dos familias de técnicas de reconocimiento facial2 técnicas basadas en la apariencia 3técnicas basadas en modelos R?S. En cada una de estas familias, se encuentran variosmétodos para caracteriar la imagen, aunque en este estudio solo se tratar0n algunos de

los métodos basados en la apariencia.

6os sistemas basados en la apariencia se utilian directamente sobre las im0genes sin

!acer uso de modelos K/. Estos tipos de sistemas representan un objeto en función dediferentes vistas del mismo. En estos sistemas cada imagen se representa como un puntoen un subespacio vectorial, de forma que la comparación entre la imagen de test 3 lasim0genes de referencia se realia en el subespacio vectorial caras.

El objetivo de estos algoritmos es clasificar las diferentes caras en el nuevo subespacio,pero para ello ser0 necesario entrenar previamente el sistema con im0genes de diferentescaras con diferentes vistas. Estas técnicas ser0n explicadas con m0s detallesposteriormente donde se expondr0n los métodos de clasificación basados en la aparienciaque se !an utiliado. 4or otro lado est0n los sistemas basados en modelos, los cualesintentan construir un modelo lo m0s descriptivo posible de la cara !umana capa de

detectar con precisión las variaciones faciales.

1.


18/50


Software


Estos sistemas tratan de obtener características biométricas de las im0genes para realiar

el reconocimiento (distancia entre ojos, grosor de la nariT". Cabitualmente estas técnicasrequieren de im0genes de gran resolución. &uando se utilian estos sistemas, el algoritmosabe con antelación el objeto que !a de representar 3 lo que intenta !acer es quecorresponda la cara real con el modelo. El proceso que se suele seguir cuando se usanestas técnicas est0 formado por tres pasos2

&onstrucción del modelo. #justar el modelo a la imagen de test.Utiliar los par0metros del modelo ajustado para calcular la similitud entre laimagen de test 3 las im0genes de referencia para realiar el reconocimiento.

#lgunas de las ventajas e inconvenientes de los sistemas basados en la apariencia frentea los basados en modelos son las siguientes2

• >entajas2o


19/50


Software


RECNCIMIENT DE IM*ENES )I/AS

En este estudio se !ar0 uso de métodos basados en la apariencia, los cuales para elreconocimiento de im0genes requiere de los bloques que podemos encontrar en lasiguiente figura2

4ara realiar los diferentes experimentos que se realian en este estudio el sistema !aceuso de los siguientes conjuntos de im0genes2

• m!genes de referencia" son las que est0n almacenadas 3 son conocidas por elsistema 3 son utiliadas para saber si una imagen de entrada pertenece o no aalg1n sujeto registrado en el sistema.

• m!genes de test 2 son las que recibiremos en el sistema 3 se tienen que

reconocer.

• m!genes de entrenamiento" son utilizadas en los métodos PCA y LPP para

conseguir las matrices de proyección.

6os pasos que se llevan a cabo para este reconocimiento, sin tener en cuenta elpreprocesado previo de las im0genes, son los que se detallan a continuación2

'# El sistema necesita de un set de im0genes de referencia las cuales sonprocesadas 3 pro3ectadas (3 $Vx" en el nuevo subespacio para después ser utiliadas para conocer si una imagen pertenece o no a un individuo registrado enel sistema.

(#

7# &uando las im0genes de referencia est0n correctamente pro3ectadas, se realia elmismo procedimiento con las im0genes de test. Estas pueden pertenecer a

16


20/50


Software


personas que estaban incluidas entre las im0genes de referencia pero mostrandodiferentes expresiones faciales o diferentes condiciones del entorno.

8#

Binalmente se dir0 que !a !abido reconocimiento si se cumple alguna condición, engeneral se considera que !a3 un reconocimiento positivo si se cumple una

condición2

En concreto para el caso de este estudio, una imagen de test pertenece a otra delconjunto de im0genes de referencia si es la que cumple distancia mínima demanera que siempre se tiene que asignar un sujeto a una imagen de entrada.

" DESCRIPCI!N DE LS PRINCIPALES ALRITMS

&omo en este estudio se va a !acer uso de técnicas basadas en la apariencia, acontinuación se describen brevemente los principales métodos que se pueden encontrar.

7.(.'.) &CA "&rinci$al Com$onent Anal4%i%#

4 es un método que transforma un n1mero de variables posiblementecorrelacionadas en un pequeño n1mero de variables incorrelacionadas llamadas

componentes principales, es decir, es un algoritmo de reducción dimensional quepermite encontrar los vectores que mejor representan la distribución de un grupo deim0genes.

4 est0 basado en la %ransformada de Iar!unen96oeve (I6%", que consiste en larepresentación de un proceso estoc0stico no periódico a través de una base devectores obtenidos completamente del proceso en sí mismo, es decir, 4 permiterepresentar una imagen de una cara usando una base que se !a conseguido a partir de muc!as observaciones de diferentes caras.

El objetivo de este método consiste en representar una imagen en términos de un

sistema de coordenadas óptimo reduciendo el n1mero final de componentes quetendr0 la imagen. Un ejemplo de 4 lo podemos ver en la figura +A.

"7


21/50


Software


Esta base de transformación depende de las observaciones 3 se forma a partir de losd autovalores m0s significativos de la matri de covariana, los cuales representan lascomponentes principales que son m0s comunes en im0genes de diferentes caras.

6a reducción dimensional realiada por 4 es equivalente al n1mero deautovectores que se utilicen. 4or lo tanto la imagen pro3ectada por 4 tendr0 unadimensión de valor d, como se puede ver en la figura +M.

Estos autovectores representan las componentes principales que son m0s comunesen im0genes de diferentes caras, otra forma de verlo, es que son los ejes delsubespacio donde pro3ectaremos las im0genes de caras !umanas los cuales secorresponden con las direcciones de m0xima variana de los datos.

6a matri de transformación, est0 formada por los autovectores correspondientes a los

d autovalores m0s significativos. En la figura +F se muestran los primeros @autovectores que derivan del uso de la base de datos O6. 6a imagen mediacorrespondiente a estos @ autovectores la podemos ver en la figura +@ 3 en la figura+? podemos ver las im0genes correspondientes a los @ autovalores m0s bajos. Estos1ltimos se corresponden con autovalores mu3 pequeños 3 son considerados comoruido de manera que no se tienen en cuenta para el reconocimiento.

"1


22/50


Software


Otra de lascualidades de 4, es que realia una discriminación entre clases, es decir, todas lascaras correspondientes a un mismo individuo est0n cerca entre sí, mientras que lasim0genes correspondientes a individuos diferentes est0n m0s alejadas. Estapropiedad es m0s destacable en las primeras componentes de las im0genespro3ectadas. En la figura +D se muestra un ejemplo de la pro3ección de tres im0genesde personas diferentes mostrando diferentes componentes.

""


23/50


Software


7.(.(.) LDA "Linear Di%criminant Anal4%i%#

6/# tiene como objetivo convertir un problema de alta dimensionalidad en uno debaja. 4ara ello 6/# pro3ecta los datos (im0genes" en un espacio vectorial de bajadimensionalidad de manera que la ratio entre la distancia entre clases 3 la distanciadentro de la clase se maximia. /e este modo se garantia una m0ximadiscriminación entre las clases.

# diferencia de 4, que es un método de reducción dimensional sin supervisión,6/# si que es supervisado 3 utilia información de los datos. 4ara ello lo que se !acees maximiar la siguiente expresión2

/onde 7 es la Gmatri de dispersión entre clasesH mientras que $ es la Gmatri dedispersión intra claseH 3 se definen como2

3 '& es el n1mero de casos dentro de la clase c.

Una ve est0 resuelto este problema, se obtiene la matri de pro3ección que permitepasar de un problema de alta dimensionalidad a uno de baja. &ada una de lascolumnas que forman esta matri ser0n las bases del nuevo subespacio, las cuales se

conocen como Bis!erBaces (figura -". Estas bases son aquellas que garantian unam0xima discriminación entre clases por encima de ser las que mejor describen losdatos, a diferencia de 4 R+@S (figura +".

Una de las limitaciones que tiene 6/#, es que se requiere de matrices de dispersiónno9singulares. Esto en aplicaciones de reconocimiento facial es complicado debido aque en muc!as ocasiones la alta dimensionalidad de las im0genes es muc!o ma3or que el n1mero de im0genes lo que desemboca en un problema de matricessingulares, algo que como se ver0 m0s adelante también puede suceder en 644,conocido como undersampled o singularit3 problem. 4ara evitar este efecto, se utiliandiferentes aproximaciones como pseudo9inverse 6/#, que utilia la pseudo9inversa de

la matri de covariana en lugar de su inversa, 3 4 W 6/#, que realia un reducciónprevia de los datos utiliando 4.

"&


24/50


Software


7.(.7.) L&&

"Localit4 &re%er:ing &ro;ection%#

644 es un algoritmo lineal que del mismo modo que 4 realia una reducción

dimensional de los datos. #l tratarse de un algoritmo lineal es r0pido 3 1til paraaplicaciones pr0cticas.

Una de las propiedades que lo diferencian de 4 es que en lugar de conservar laestructura global de los datos, conserva la estructura local (figura ". /e este modolos XvecinosY para un dato en concreto ser0n los mismos en el espacio original, de altadimensionalidad, 3 en el nuevo subespacio de baja dimensionalidad. #l conservarse laestructura local de los datos, las im0genes pertenecientes a un mismo individuoestar0n cercanas entre si 3 alejadas de las de otros individuos, es decir, !a3 unadiscriminación entre clases (figura K".

4ara conservar la estructura local de los datos se !ace uso de un grafo dead3acencias que inclu3e información de la estructura de los datos. Este grafo, comose ver0 con m0s detalle en el apartado K.A.+, consiste en la creación de una matri detamaño 'x', donde ' es el n1mero de im0genes, que tiene asignados unos pesosdependiendo de si los elementos i 3 j son vecinos o no.

En el momento de crear este grafo cabe la opción de crearlo de manera autom0tica(caso no supervisado", utiliando métodos de b1squeda de XvecinosY como I nearestneig!bors o Z9neig!bor!oods, o !acerlo de manera manual (caso supervisado"asignando manualmente quienes son o no vecinos. %odas estas configuraciones ser0nvistas con m0s detalle en el apartado K.A.

"'


25/50


Software


Este método presenta algunos inconvenientes. Uno de ellos, aunque para el caso deeste estudio no afecta, es la dificultad de recuperar los datos originales a partir de los

datos pro3ectados al nuevo subespacio, esto se debe al !ec!o de !acer uso de basesno ortogonales.

Otro inconveniente que se puede dar es el de las matrices singulares, que veremoscon m0s detalle en el apartado K.A.+, el cual se produce cuando la dimensionalidad delos datos es muc!o m0s elevada que el n1mero de muestras (n [[ '". 4arasolucionar este problema se !ace uso de técnicas de reducción dimensional de losdatos antes de utiliarlos de manera que n ' o n [ '.

4or otro lado, este método es interesante por diferentes perspectivas2

• 6os mapas est0n diseñados para minimiar alg1n criterio objetivo procedente

de las técnicas lineales cl0sicas.• &omo 644 preserva la estructura local de los datos, el sistema tendr0 los

mismos XvecinosY en el espacio de baja dimensionalidad que en el de alta.• 644 es un método lineal, lo que !ace que sea r0pido 3 conveniente para

aplicaciones pr0cticas.• 644 est0 definida para todos los casos, a diferencia de las técnicas de

reducción no lineales que solo est0n definidos para el conjunto de datos deentrenamiento, de manera que al tener un nuevo dato 644 es capa de

representarlo en el nuevo subespacio sin tener que recalcularse las matricesde pro3ección.

"(


26/50


Software


7.(.8.) DCT "Di%crete Co%ine Tran%5orm#

6a /&% es una transformación que representa una secuencia finita de datos como lasuma de una serie de funciones cosenoidales oscilando a diferentes frecuencias. Estatécnica es mu3 utiliada en aplicaciones de procesado de señal, desde compresión deaudio e im0genes !asta métodos espectrales para la solución numérica deecuaciones diferenciales. Una de estas aplicaciones es el reconocimiento facial.

En este trabajo, la /&% ser0 utiliada para obtener características de la imagen 3luego usarlas para poderlas clasificar, como se !ace con 4. # diferencia de 4,este método no necesita ser entrenado con im0genes del mismo tipo a las que se vana usar sino que simplemente se transforman directamente las im0genes, es decir, labase de la transformación es independiente de las im0genes. Otra de sus ventajas essu bajo coste computacional en relación con 4.

e definen ? variantes de /&%, de las cuales las m0s relevantes son2 /&%98, /&%988,/&%9888 3 /&%98>. En lo que se refiere al reconocimiento facial, la transformación m0sutiliada es /&%988, que se define como2

i la interpretación de esta fórmula es que la entrada al sistema es una imagen u 3 la/&% es la matri de transformación para obtener $, se tiene una expresión como laexpuesta en el capítulo .+ donde $ c(*,\ " c(*+,n". c(*,m" 3 * 3 \ son las filas 3columnas2

"+


27/50


Software


/e esta manera se puede tratar este algoritmo del mismo modo que 4 o 644, es

decir, como un sistema que tiene una matri de pro3ección (en este caso 1nica paracada imagen" gracias a la cual se puede pro3ectar las im0genes a un subespacio debaja dimensionalidad de igual modo que se !ace en 4 (figura +M".

7.(.9.) DCT $or Blo


28/50


Software


funcionar0 correctamente. En la figura F se puede ver el efecto causado al norealiar una correcta alineación de las caras.

"2


29/50


Software


CAPITUL I0BASE DE DATS DE RSTRS'#1 BASE DE DATS LI0ETTI 8RL DATABASE9

e trata de una base de datos formada por A- individuos, a raón de +- im0genes por individuo tomada entre +DD 3 +DDA R@S. En esta base de datos se pueden encontrar tanto

im0genes de !ombres como de mujeres.&omo es posible observar en la figura, en esta base de datos se pueden encontrar im0genes con diferentes posiciones 3 expresiones faciales (ojos abiertosPcerrados,sonriendo o no,T", lo cual ser0 una dificultad añadida para el sistema. /el mismo modo sepuede observar como en algunos sujetos, se tendr0n im0genes con distintos detallesfaciales (gafas o no, bigote o no,T".

4or 1ltimo decir que todas estas fotos !an estado tomadas bajo unas condiciones deiluminación 3 de fondo de imagen controladas. El tamaño de todas estas im0genes es deDx++ píxeles, con MF niveles en la escala de grises para cada píxel.

'#" BASE DE DATS :M"0TS

Est0 formada por im0genes pertenecientes a DM sujetos, con A im0genes por individuotomadas durante A meses. on im0genes de un tamaño de ?FxKM- píxeles 3 en color (A22". 4reviamente a su uso, !an sido convertidas a escala de grises (MF niveles" 3 se!an recortado de manera que la imagen solo contenga la cara de los individuos.

"6


30/50


Software


&omo se observa en la figura K, se trata de im0genes tomadas en un entorno controlado,bajo condiciones estables de iluminación 3 con una variación en la posición facial 3 deexpresión mu3 leves.

'#& BASE DE DATS BANCA

e trata de una base de datos mu3 amplia. /entro de la base de datos 7#', se puedenencontrar diferentes grupos de imagen. 4or un lado !a3 una primera diferenciación encuanto al origen de los individuos de las im0genes (España, 8nglaterra,T" 3 por otro seclasifican las im0genes entre las tomadas en entornos controlados, 3 las tomadas enentornos no controlados. /urante el resto de experimentos en que se utilice esta base dedatos, se !ar0 uso de las im0genes correspondientes a individuos de 8nglaterra.

6as im0genes tomadas en entorno controlado, que en adelante se describir0n comoim0genes de la base 7#' &ontrolled (figura KK", presentan unas condiciones deiluminación constantes a la ve que los cambios de posición 3 expresión facial sonpequeños.

6as im0genes pertenecientes al conjunto no controlado, en adelante 7#' /egraded(figura KA", presentan unas condiciones de iluminación variable. En cuanto a la posición de

las caras se refiere, estas siguen siendo bastante frontales 3 con pequeños cambios en laexpresión.

&omo es posible observar en la figura KK 3 KA, todas las im0genes !an sido previamenteconvertidas a escala de grises 3 recortadas de modo que las im0genes solo contengan lacara.

&7


31/50


Software


'#' BASE DE DATS YALE

Est0 formada por +M- im0genes pertenecientes a +M sujetos con +- im0genes por

individuo que !an sido tomadas bajo diferentes condiciones. Estas im0genes tienen untamaño de K-xAK píxeles 3 no inclu3en solamente el rostro sino que se ve de fondo unapared granulada la cual es mu3 visible o no dependiendo de cómo incida la lu sobre laescena, por lo tanto es adecuado realiar un recorte de estas im0genes de manera quesolo tengamos la cara para el reconocimiento.

Estas im0genes son mu3 cambiantes 3 presentan situaciones de todo tipo como puedenser cambios en la expresión facial, presencia o no de vello facial, gafas 3 cambios en lailuminación no uniformes (figura KM".

&1


32/50


Software


CAPITUL 0 TECNL%A DE BASE DE DATS -RECNCIMIENT DE RSTRS CN

SISTEMAS BIM4TRICS

(#1#$ SISTEMAS BIM4TRICS

6os sistemas biométricos, los cuales emplean diversas características físicas o decomportamiento aprendido de las personas para su identificación, !an sido un tópico deactiva investigación durante los 1ltimos años, tiempo en el cual se !an desarrolladodiversos sistemas tanto para la identificación de personas como para la verificación de suidentidad (=ain 3 col, --?J 'gugi 3 col., -++". Entre los sistemas biométricos reportados!asta la fec!a existen esquemas basados en características de la vo, del rostro, las

!uellas dactilares, en la firma autógrafa, la cadencia de tecleo, la forma de caminar, etc.(5ibbs, -+-".

Entre ellos los sistemas basados en el reconocimiento de rostros son de los m0s utiliadosdebido a su naturalea no9intrusiva, 3a que en éstos la adquisición de los datos se lleva acabo simplemente tomando una fotografía.

#dicionalmente, éste es el mecanismo m0s frecuentemente usado por las personas parareconocerse entre sí (]!ong!ua 3 col. -+KJ >eeti 3


33/50


Software


con iluminación no controlada, orientación variable del rostro con respecto a la c0maraJ asícomo cuando la imagen del rostro capturada contiene oclusiones significativas (&orcoran,-++".

Otra de las limitaciones de los sistemas de reconocimiento de rostro actuales, la cual !arecibido menos atención que las anteriormente mencionadas, es el !ec!o de que el rostroes un objeto tridimensional 3 la gran ma3oría de los sistemas desarrollados !asta la fec!a,est0n basados en im0genes bidimensionales (=in 3 ]!uojun, --DJ Baruqe 3 Casan, ---J #guilar 3 col., --DJ Olivares 3 col. --@".

Esto permitiría engañar al sistema colocando frente a la c0mara una fotografía de altaresolución de la persona cu3a identidad se desea suplantar. 4ara evitar este problema, eneste artículo se propone un sistema de reconocimiento de rostros empleando im0genesestéreo, con el fin de discriminar entre im0genes tridimensionales e im0genes

bidimensionales, previniendo así el empleo de im0genes capturadas de una fotografía dela persona cu3a identidad se pretende suplantar.

#sí, sí el sistema determina que la imagen capturada corresponde a una fotografía, elreconocimiento se detieneJ mientras que en caso contrario se procedería a la extracción decaracterísticas para el posterior reconocimiento de la imagen de entrada.

Una ve que el sistema determina que la imagen de entrada es auténtica, se procede a lacaracteriación de cada una de las im0genes estéreo, para lo cual se analiaron tresesquemas altamente eficientes2 el an0lisis de componentes principales (4", (%ur*, 34entland, +DD+J Is!irsagar 3 col. -++", los filtros de

5abor (5B", (#guilar 3 col., --DJ =ing 3 col. -++"J 3 la transformada ondoleta discreta(/$% por sus siglas en inglés", (Olivares 3 col. --@J antamaría 3 col. -+J ubio 3 col.-+".

eguidamente, debido a que se obtiene un vector característico por cada imagen estéreo,con el fin de sacar el ma3or provec!o de los mismos, se realia una fusión, 3a sea delresultado obtenido de manera independiente de éstos o una fusión de los vectorescaracterísticos, para tomar la decisión final relativa a la identificación de persona bajoan0lisis, o la verificación de la identidad de la misma. Una ve procesados los vectorescaracterísticos, éstos se insertan a un esquema de clasificación para la toma de la decisión

final.

9.'.'.) &ROCESAMIENTO DE LA INFORMACI-N

#unque estos dispositivos se basan en tecnologías mu3 diversas, si se consideran deforma genérica se puede considerar un sistema biométrico genérico de identificación,dividido en cinco subsistemas2 recolección de datos, transmisión, procesado de señal,decisión 3 almacenamiento de datos.

6a siguiente figura muestra de manera esquem0tica estos cinco subsistemas 3 comose relacionan entre sí2

&&


34/50


35/50


Software


%odo esto da lugar a un patrón complejo 1nico para cada individuo,distinto incluso en gemelos idénticos. En concreto, se estima que laprobabilidad de que dos personas tengan las mismas !uellasdactilares es aproximadamente de + en FA.--- millones.

&uando se digitalia una !uella, los detalles relativos a las líneas(curvatura, separación,...", así como la posición absoluta 3 relativa delas minucias extraídas, son procesados mediante algoritmos quepermiten obtener un índice numérico correspondiente a dic!a !uella.En el momento en que un usuario solicita ser identificado, coloca sudedo sobre un lector (óptico, de campo eléctrico, por presión,..." 3 su!uella dactilar es escaneada 3 analiada con el fin de extraer loselementos característicos 3 buscar su !omóloga en la base de datos.El resultado es un diagnóstico certero en m0s del DD^ de los casos.

6as técnicas utiliadas para la comparación de la !uella dactilar sepueden clasificar en dos categorías26a técnica de puntos #inutia primero encuentran estas minucias 3posteriormente procede a su colocación relativa en el dedo.Es difícil extraer los puntos de las minucias exactamente cuando la!uella dactilar es de baja calidad. %ambién este método no considerael patrón global de crestas 3 de surcos.

El método correlaci$n puede superar algunas de las dificultades de la&omparación por puntos Un paso crítico en la clasificación autom0tica dela !uella dactilar est0 en extraer mediante un algoritmo las minucias delas im0genes de la !uella dactilar de la entrada. El funcionamiento deun algoritmo de extracción de las minucias confía totalmente en lacalidad de las im0genes de la !uella dactilar de la entrada. 4araasegurarse de que el funcionamiento de un sistema autom0tico deidentificaciónPverificación de !uella dactilar sea robusto con ciertaindependencia de la calidad de las im0genes de la !uella dactilar, es

esencial incorporar un algoritmo del realce de la !uella dactilar en elmódulo de la extracción de las minucias. /e este modo se puede

&(


36/50


Software


mejorar de forma adaptativa la claridad de las estructuras de la cresta3 del surco de las im0genes de las !uella dactilares de entrada.

9.'.(.(.) Reconocimiento Facial @ E%caner de Ro%tro>

Un sistema de reconocimiento facial es una aplicación dirigida por ordenador para identificar autom0ticamente a una persona en una imagen digitalmediante la comparación de determinadas características faciales en laimagen 3 en la base de datos facial.

El reconocimiento facial automatiado es relativamente un concepto nuevo./esarrollado en los años F-, el primer sistema semiautom0tico parareconocimiento facial requería del administrador para localiar rasgos (comoojos, orejas, nari 3 boca" en las fotografías antes de que este calcularadistancias a puntos de referencia en com1n, los cuales eran comparados

luego con datos de referencia.

El método m0s com1n utilia una c0mara para capturar una imagen de nuestracara, que es analiada en función de ciertos _puntos clave_, como la distanciaentre los ojos o la anc!ura de la nari.

a# F3ncionamiento>El primer paso en el reconocimiento facial es la adquisición de unaimagen real o una imagen bidimensional del objetivo. El sistemadetermina la alineación de la cara bas0ndose en la posición de lanari, la boca, etc. En una imagen en / no debe estar m0sdesplaada de KM grados. /espués de la alineación, orientación 3ajuste de tamaño, el sistema genera una plantilla facial 1nica (una

&+


37/50


Software


serie de n1meros" de modo que pueda ser comparada con las de labase de datos.

Un factor importante en los sistemas de reconocimiento facial es sucapacidad para distinguir entre el fondo 3 lacara. El sistema !ace uso de los picos,valles 3 contornos dentro de un rostro (losdenominados puntos duros del rostro" 3trata a estos como nodos que puedanmedirse 3 compararse contra los que sealmacenan en la base de datos del sistema.Ca3 aproximadamente ?- nodos en unrostro de los que el sistema !ace uso (entre

ellos se inclu3e el largo de la línea de lamandíbula, la profundidad de los ojos, ladistancia entre los ojos, la forma delpómulo, la anc!ura de la nari...".

6os nuevos sistemas de reconocimiento facial !acen uso de im0genestridimensionales, 3 por lo tanto son m0s precisos que suspredecesores. #l igual que en los sistemas de reconocimiento facial endos dimensiones, estos sistemas !acen uso de distintas característicasde un rostro !umano 3 las utilian como nodos para crear un mapa del rostro %umano en tres dimensiones de la cara de una persona.

Empleando algoritmos matem0ticos similares a los utiliados enb1squedas de 8nternet, la computadora mide las distancias entredeterminados puntos de la muestra en la superficie del rostro. Estossistemas en K/ tienen la capacidad de reconocer una cara inclusocuando se encuentra girada D- grados. 4or otra parte, no se venafectados por las diferencias en la iluminación 3 las expresionesfaciales del sujeto.

1# Otro% %i%tema% de Reconocimiento Facial>&iertos softares interpretan cada imagen facial como un conjuntobidimensional de patrones brillantes 3 oscuros, con diferentes

intensidades de lu en el rostro. Estos patrones, llamados eigenfaces,se convierten en un algoritmo que representa el conjunto de lafisionomía de cada individuo.

&uando un rostro es escaneado para su identificación, el sistema locompara con todas las eigenfaces guardadas en la base de datos.Este tipo de sistemas est0 sujeto a limitaciones, como las condicionesambientales en el momento de capturar la imagen. #sí, aunquenormalmente interpreta correctamente los cambios de lu en interiores,su funcionamiento al aire libre, con lu natural, es todavía unaasignatura pendiente. %ambién la posición de la cabea 3 la expresión

del rostro pueden influir en el `veredicto`.

(#"#$ 0ISI!N EST4RE

&.


38/50


Software


>isión Estéreo es un sistema biométrico que usa im0genes estéreo que permiteincrementar la seguridad de los sistemas de reconocimiento de rostros convencionales, alpoder discriminar entre im0genes de rostro reales en K/ 3 falsificadas en /, empleandola información proporcionada por las im0genes estéreo. Una ve que el sistema determinaque la imagen de entrada es un rostro real en K/, cada imagen estéreo es caracteriada eindependientemente procesada usando un método de extracción de características (E&"convencional.

eguidamente se emplea un método de fusión (


39/50


Software


1# Eta$a de $re)reconocimiento de ro%tro% reale%.

6a etapa de pre9reconocimiento, mostrada en la figura , intenta evitar lasuplantación de identidad mediante el uso de las dos im0genes estéreopresentes a la entrada del sistema. # fin de determinar si las im0genes

estéreo que se presentan a la entrada del sistema corresponden a un rostroreal, tridimensional o una imagen en dimensiones obtenida a partir de unafotografía, de alta resolución, perteneciente a una de las personasregistradas en el sistema, se calcula la disparidad existente entre la imagenderec!a e iquierda del rostro de entrada obtenidas usando una c0maraestero.

6a idea principal detr0s de este procedimiento es que la diferencia existenteentre la imagen iquierda 3 derec!a de un rostro real, figura K, al ser unvolumen, es ma3or que la diferencia obtenida cuando las im0genes deentrada corresponden de un objeto plano tal como se muestra en la figura A.

&6


40/50


Software


4ara llevar a cabo la evaluación del sistema 3 tomando en cuenta que no existe, !astadonde los autores conocen, una base de datos estandariada para reconocimiento derostro usando visión estéreo, se constru3ó una usando una c0mara GBujifilm Bine4ix realK/ dualH de +-


41/50


Software


5abor, 4 o de la /$%. eguidamente, una ve obtenido el vector característico de lasim0genes estéreo, se emplea uno de los distintos niveles de fusión con el fin combinar deforma adecuada los vectores característicos obtenidos a partir de ambas im0genes.

6os resultados experimentales, usando la m0quina de soporte vectorial (>


42/50


Software


decir, en una sola computadora, lo que puede traer como consecuencia la pérdida deinformación si la misma llega a fallar.

/ebido a esta problem0tica, se plantea la implementación de un sistema que asegure elalmacenamiento permanente (en la medida de lo posible" 3 administración de toda estagran cantidad de información, en donde los datos no estén centraliados, es decir, que nose almacenen en una sola computadora, sino que estén distribuidos en un arreglo deservidores de almacenamiento de datos conectados a la red 3 se puedan acceder demanera remota por los usuarios, asegurando así, la permanencia de los datos 3 el accesoa los mismos. #dem0s, se agrega la posibilidad de guardar información que describa a losdatos almacenados, esto con la finalidad de tener un sistema de almacenamiento que nosolo contenga arc!ivos, si no que GconocaH características de los datos almacenados enla misma 3 apo3e al usuario final en la recuperación de arc!ivos de interés para an0lisis

posterior.Existen algunas bases de datos que proporcionan información para el an0lisis de la formade caminar, algunas como2

5eorgia %ec! /atabase, Universit3 of out!ampton /atabase, Universit3 of


43/50


Software


#lgo importante al momento de seleccionar la manera de implementar el sistema, fue lanecesidad de utiliar softare libre, basado en 6inux 3 que resolviera las necesidadesparticulares de nuestra problem0tica. #lgunos de los puntos considerados fueron2

• Escalabilidad" El sistema debe poder escalar tanto en capacidad como enrendimiento 3 permitir accesos concurrentes a la información almacenada, adem0sexpandir la capacidad de almacenamiento no debe degradar el rendimiento delsistema.

• Alta disponibilidad 2 6a información debe estar disponible en todo momento,

incluso si uno o m0s de los componentes llega a fallar, esto implica que el sistemadebe ser capa de replicar la información 3 almacenarla en diferentes locaciones.

• &urabilidad 2 6os datos deben permanecer en todo momento, no debe !aber

pérdida de información incluso si !a3 fallas tanto en softare como en !ardare,permitir respaldos de la información 3 recuperarla en momentos críticos.

• nterfaces genéricas" El sistema debe proveer interfaces genéricas a los clientes.4referentemente debe soportar en la medida de lo posible la interfa de sistemasde arc!ivos 4O8;J de esta manera, una gran cantidad de aplicaciones pueden ser soportadas.

• 'rotocolos" El sistema debe soportar comunicación mediante est0ndares libres.Esto permite accesos al sistema desde cualquier istema Operativo que soporteeste tipo de protocolos.

• Ba(o costo" /ebe ser posible construir, configurar 3 mantener el sistema sin queesto implique grandes gastos. En lo posible no ser0 necesario pagar licencias desoftare.

%omando en cuenta los distintos puntos, se seleccionó 5luster de entre varias de lasplataformas evaluadas, algunas de ellas como2 OpenBiler 3 Bree'#.

6a selección de )luster se debió en gran medida a su escalabilidad al momento deagregar servidores, su sencille al momento de administrar el sistema 3 !abilidad al crear vol1menes de almacenamiento combinando discos localiados, tanto en el mismo servidor,como en servidores añadidos, teniendo así, una Gpiscina de almacenamientoH vista por

cada uno de los nodos de la red. #ctualmente solo se cuenta con nodos configurados demanera que un nodo es el espejo del otro 3 se asegura así que la información estédisponible incluso si falla uno de ellos, aunque el sistema puede escalar de acuerdo a lasnecesidades de la aplicación 3 a la demanda de almacenamiento. 6a figura + muestra laconfiguración utiliada en nuestro sistema.

'&


44/50


Software


5luster es una plataformaque permiteimplementar servidores '# con capacidad 3 rendimiento que puede escalar de unoscuantos %era b3tes a m1ltiples 4eta b3tes, utiliando solamente productos de bajo costo 3lo m0s importante, en una solución de f0cil administración 3 configuración.

6a plataforma de almacenamiento de 5luster (5luster torage 4latform" integra el sistemade arc!ivos 5lusterB con un sistema operativo 3 una interfa de usuario con acceso víaeb para administración del sistema. 'os permite implementar un cl1ster de servidores'# de manera mu3 sencilla.

Un cl1ster implementado mediante 5luster es una colección de servidores individuales consus recursos de almacenamiento exportados como un protocolo a nivel de arc!ivo quecumplen con 4O8;. %odos los servidores corren sobre la plataforma de almacenamientode 5luster, cada servidor en el cl1ster est0 activo 3 la información se puede acceder desdecualquier servidor utiliando cualquiera de los protocolos de comunicación soportados.

+#"#$ DISE; DE LA BASE DE DATS

4ara el diseño de la base de datos fue necesario definir una estructura de directoriosdentro del cl1ster de servidores que albergara a cada persona.

Esta estructura debía contener directorios para cada una de las tra3ectorias, para cadac0mara 3 para los diferentes 0ngulos de captura. #sí se creó la estructura de directorios dela siguiente forma.

6as figura A muestra algunos ejemplos del tipo de videos e im0genes que se almacenanen nuestra base de datos.

''


45/50


Software


+#$ ADMINISTRADR DE LA BASEDE DATS

/efinida la estructura de la base de datos, se crearon algunas clases, utiliando ellenguaje de programación =ava, éstas son las encargadas de administrar la base de datos

generada. 4ara este propósito se utiliaron algunas librerías para el manejo de arc!ivos;


46/50


Software


actualiar. #dem0s se encarga de almacenar el arc!ivo ;


47/50


Software


característica consentida de los sistemas de seguridad en todo el mundo, sumergiéndonoscada ve m0s profundo en las entrañas de una distopía orelliana.

El reconocimiento facial funciona a través de algoritmos que identifican característicasfaciales a partir de una imagen o video del rostro de una persona. Un determinadoalgoritmo puede analiar la ubicación relativa, la forma 3 el tamaño de determinadosrasgos, como ojos, nari, boca, mentón 3 pómulos, 3 luego compararlos con una b1squedade otras im0genes para encontrar características similares. &ualquiera que !a3a recibidosugerencias de Baceboo* o 5oogle para etiquetar su propio rostro o el de sus amigos enuna fotografía puede !aber sentido un leve escalofrío recorrer su columna vertebral. 6asm0quinas saben quiénes somos.

.#1#$ SISTEMAS DE SEURIDAD EN /AP!N

6a empresa japonesa de seguridad Citac!i Io*usai Electric !a presentado un nuevosistema de c0maras de video para vigilancia que a $artir de 3na 5otogra5ía o :ideo de3na cara $3ede o1tener re%3ltado% inmediato% entre 3na 1a%e de dato% de 7millone% de ro%tro% almacenado% $re:iamente.

El sistema puede almacenar rostros que ocupen al menos A- píxeles para cada lado,incluso puede reconocer rasgos faciales cuando estén torcidos !asta K- grados en algunadirección. El sistema toma la información del rostro 3 realia una b1squeda que en unsegundo se traduce en resultados exactos que aparecen en miniaturas así sean de fotosanteriores o fragmentos de videos, permitiendo r0pidamente reproducir el momento en quefue tomado. /e acuerdo a lo declarado por Citac!i el sistema tiene una etapa de

reconocimiento 3 otro de agrupación de rostros por similitudes, esto a3udaría a lavelocidad 3 eficacia del sistema.

En la pr0ctica, usado como seguridad este sistema permitir0 r0pidamente encontrar actividad previa de una persona dentro de un circuito protegido por c0maras de video. 4or ejemplo, en un comercio al p1blico gracias a la velocidad de procesamiento cada rostroque entra por la puerta podr0 ser relacionado con el !istorial de una persona en la tienda,permitiendo f0cilmente reconocer antecedentes delictivos si estos !an sido capturados enalguna oportunidad.

Creemos que el producto sirve para clientes que tengan un sistema de vigilancia de gran

escala como empresas de transporte eléctricas organismos de seguridad o grandestiendas.

%ambién podría utiliarse para generar valor en la atención como podría ser una tienda quereconoca a un cliente cuando ingresa 3 le preparara parte de la experiencia de compra dela manera que m0s le gusta. Esperan que esta tecnología esté lista para comercialiar elpróximo año.

.'.'.) RECONOCIMIENTO DE ROSTROS &OR CAMRAS

6as c0maras no solo sirven para tomar fotos 3 !acer videos2 la tecnología con

respecto a los rostros !a evolucionado !asta el punto en el que se puede detectar aun mentiroso. Hitachi Kokusai Electric tiene ahora una nueva cmara

'.

http://www.enter.co/seguridad/descubriendo-mentiras-a-traves-de-la-tecnologia-y-el-rostro/http://www.enter.co/seguridad/descubriendo-mentiras-a-traves-de-la-tecnologia-y-el-rostro/http://www.enter.co/seguridad/descubriendo-mentiras-a-traves-de-la-tecnologia-y-el-rostro/http://www.enter.co/seguridad/descubriendo-mentiras-a-traves-de-la-tecnologia-y-el-rostro/http://www.enter.co/seguridad/descubriendo-mentiras-a-traves-de-la-tecnologia-y-el-rostro/


48/50


Software


de vigilancia !ue ayudar a com"atir de manera r#ida el crimen

#ues #uede identi$car un rostro entre %& millones en solo un

segundo.6a b1squeda e identificación deun rostro se !ace contra unabase de datos que la compañía japonesa tiene. 6a b1squeda 3ano tomar0 un largo tiempo sinoque a partir de un algoritmo selogra el r0pido reconocimiento.Esta c0mara est0 pensada paraorganiaciones que necesiten

vigilancia e identificacióninmediata, puede ser depeatones, conductores o clientes.

El software !ue cre' Hitachi #ermite el reconocimiento con un

fotograma hasta de ()*() #+,eles y con el rostro a %) grados- 6abase de datos puede ser alimentada de manera constante con cualquier tipo de foto ovideo tomado con diferentes dispositivos móviles, como martp!ones.

6a velocidad de la detección de rostro, como lo explicó el ingeniero eléctrico eiic!Cirai de Citac!i a /igi8nfo %>, !se consigue mediante el reconocimiento de la imagencuando la c"mara se encuentra registrando# lo que significa que ambas cosassuceden al tiempo, !y tam$ién mediante la agrupación de caras similares# , lo quefacilita la identificación.

%am$ién incluye una revisión de las visitas anteriores para la detección del rostro que

llevar" a mostrar todos los clips en los que se identifique un sospec&oso. Con esto

se puede no solo identifcar a un criminal, sino también ver todas

sus acciones antes en el lugar o durante un hecho específco.

G&reemos que este sistema es adecuado para clientes que tienen un sistema devigilancia a escala relativamente grande, como los ferrocarriles, las compañíaseléctricas, la policía, 3 las tiendas grandesH agregó 'irai en la entrevista.

Este tipo de tecnología puede ser muy útil no solo como una orma

de combatir el crimen, sino también para la búsqueda de niños

perdidos en centros comerciales, parques de diversiones o eventos

de gran magnitud .

.#"#$ RECNCIMIENT )ACIAL DEL )BI

El B78 se encuentra constru3endo una base de datos de rostros masiva que funcionar0

con programas de reconocimiento facial. eg1n documentos obtenidos por la organiaciónElectronic Brontier Boundation (EBB", la base de datos de 8dentificación de 4róxima

'2

http://www.diginfo.tv/v/12-0040-r-en.phphttp://www.diginfo.tv/v/12-0040-r-en.phphttp://www.diginfo.tv/v/12-0040-r-en.php


49/50


Software


5eneración ('58, por sus siglas en inglés" incluir0 M millones de fotografías para -+M, unaumento significativo a los +F millones de im0genes incluidas a mediados de -+K.


50/50


Software


embargo, el B78 nunca antes !abía recolectado fotografías junto a las !uellas. Esto !acambiado con el '58. #!ora un civil que busque un trabajo requerir0 entregar sus!uellas 3 una fotografía. i es el caso, el B78 tendr0 tus !uellas, tu fotografía 3 tubiografía.H

/e acuerdo con la EBB, el lugar donde el B78 deposita las fotografías de criminales 3civiles es denominado `epositorio 8ndividual de #suntos Especiales`. #dem0s,descubrieron que la obtención de éstas proviene de diferentes fuentesJ @M- milim0genes se encontraban dentro de la sección Gpecial 4opulation &ogniantH 3 +Mmil dentro de G'e epositoriesH. &ombinadas ambas sumar0n cerca de + millonesde im0genes pa

base de datos de rostros

Documents