Aplicación de técnicas de inteligencia artificial para reconocimiento facial en sistemas de seguridad en ambientes de intranet
Barra lateral del artículo
Contenido principal del artículo
Resumen
El vertiginoso crecimiento y la precisión de las técnicas de Inteligencia Artificial (AI, del inglés Artificial Intelligence) permiten analizar grandes volúmenes de datos de forma rápida y eficiente. En ese sentido, la aplicación de técnicas de reconocimiento facial en sistemas de seguridad (video-vigilancia) no quedan exentas y resultan convenientes pues asistirían al desempeño humano en las labores de observación, interpretación y etiquetado de imágenes en tiempo real, a la vez que funcionarían como un sistema de alerta o alarma ante la presencia de intrusos. La implementación de estos sistemas puede llevarse a cabo con hardware relativamente barato y aprovechando la capacidad de procesamiento del clúster big data de la Universidad Central “Marta Abreu” de Las Villas (UCLV). Con la puesta en práctica del proyecto se ofrecen soluciones a las problemáticas identificadas en la dirección de informatización asociadas a la gestión de cuentas por parte de los usuarios y aplicaciones futuras relacionadas con la detección de personal en áreas de interés. Con la implementación se pretenden dos posibles contribuciones: en primer lugar, se ha de diseñar un procedimiento capaz de ensamblar un conjunto de datos a gran escala, minimizando al mismo tiempo la cantidad de anotaciones manuales involucradas. Este procedimiento se ha de desarrollar para caras, pero evidentemente es adecuado para otras clases de objetos, así como para tareas específicas. La segunda contribución ha de ser mostrar que una Red Neuronal Convolucional (CNN, del inglés Convolutional Neural Network), profunda con la formación adecuada, puede lograr resultados comparables a los del estado de la técnica.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
La revista MARE INGENII está comprometida con la preservación del medio ambiente, razón por la que se edita digitalmente a través de la plataforma de acceso abierto: Open Journal System –OJS; la cual permite consolidar una gestión editorial eficiente para cada fase y actor interviniente en el proceso de publicación.
- No genera a los autores pago alguno por gastos de procesamiento de artículos (APC), ni cargos por envío de artículos.
- Así mismo, la suscripción en línea es libre y gratuita.
Los autores de la revista MARE INGENII proporcionan la circulación de sus contenidos a la Fundación Universitaria San Mateo mediante licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Sin embargo, no se permite la generación de obras derivadas ni hacer uso comercial de la obra original, es decir, solo son posibles los usos y finalidades que no tengan carácter comercial.
- Los usuarios pueden consultar el contenido de esta obra a través del sistema de repositorios internos y/o externos en donde la Fundación Universitaria San Mateo tiene o tenga presencia, en la página Web, así como en las redes de información del país y el exterior, con las cuales tenga convenio la institución.
- Se permite la consulta, reproducción parcial, total o cambio de formato con fines de conservación, a los usuarios interesados en el contenido de este trabajo, para todos los usos que tengan finalidad académica, siempre y cuando, mediante la correspondiente cita bibliográfica se le dé crédito a la obra y a su(s) autor(es).
Asi mismo, como autor (es) certifico(amos) que la obra cumple con las normas y requisitos exigidos por el Comité Editorial de la institución; así mismo se asume cualquier responsabilidad frente a la originalidad y tratamiento de la información presentada; excluyendo de cualquier perjuicio o percance a la Fundación Universitaria San Mateo.
Citas
A. Adouani, W. M. Ben Henia y Z. Lachiri, “Comparison of Haar-like, HOG and LBP approaches for face detection in video sequences”, en 16th International Multi-Conference on Systems, Signals Devices (SSD), Estambul, Turquía: IEEE, mar. 2019, pp. 266-271. doi: 10.1109/SSD.2019.8893214
C. Rahmad, R. A., Asmara, D. R. H. Putra, et al., “Comparison of Viola-Jones Haar Cascade Classifier and Histogram of Oriented Gradients (HOG) for face detection”, en IOP Conf. Ser.: Mater. Sci. Eng., vol. 732, ago. 2020, doi: 10.1088/1757-899X/732/1/012038.
A. Ostuni. (2020, mar. 24). “Artificial Intelligence: state of the art. Where We Stand and Where We Are Going.” [Internet]. Disponible en https://www.linkedin.com/pulse/artificial-intelligence-state-art-where-we-stand-going-antonio-ostuni?trk=public_profile_article_view
IBM. (s.f.). “What is Computer Vision?” [Internet]. Disponible en https://www.ibm.com/topics/computer-vision
Papers with Code. (s.f.). “Computer Vision.” [Internet]. Disponible en https://paperswithcode.com/area/computer-vision
B. W. Mugalu, R. C. Wamala, J. Serugunda y A. Katumba, “Face Recognition as a Method of Authentication in a Web-Based System”, arXiv:2103.15144, mar. 2021. [Internet]. Disponible en: http://arxiv.org/abs/2103.15144
J. M. Díaz, “Inteligencia artificial y Big Data como soluciones frente a la COVID-19”, Rev. Bioética y Derecho, n.° 50, nov. 2020. [Internet]. Disponible en https://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1886-58872020000300019
I. Jiménez Silva, Reconocimiento facial basado en redes neuronales convolucionales, trabajo de grado, Dpto. Teoría de la Señal y Comunicaciones, Universidad de Sevilla, España, 2018. [Internet]. Disponible en https://idus.us.es/bitstream/handle/11441/85086/TFG-1975-JIMENEZ.pdf?sequence=1&isAllowed=y
REC Faces. (s.f.) “Ready-Made Face Recognition Solution. [Internet]. Disponible en https://recfaces.com/articles/como-funciona-reconocimiento-facial
S. Z. Li y A. K. Jain, Eds., Handbook of Face Recognition, Nueva York: Springer, 2005.
M.-H. Yang, D. Kriegman, y N. Ahuja, “Detecting Faces in Images: A Survey”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, n.° 1, pp. 34-58, feb. 2002.
P. Viola y M. Jones, “Rapid object detection using a boosted cascade of simple features”, en Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Kauai, HI, USA: IEEE, dic. 2001. doi: 10.1109/CVPR.2001.990517.
A. Rosebrock. (2018, feb. 26). “Face detection with OpenCV and deep learning.” [Internet]. Disponible en https://www.pyimagesearch.com/2018/02/26/face-detection-with-opencv-and-deep-learning/
A. Rosebrock. (2019, abr. 19). “Face detection with dlib (HOG and CNN).” [Internet]. Disponible en https://www.pyimagesearch.com/2021/04/19/face-detection-with-dlib-hog-and-cnn/
V. Kazemi y J. Sullivan, “One Millisecond Face Alignment with an Ensemble of Regression Trees”, en Computer Vision and Pattern Recognition, Columbus, Ohio, jun. 2014. [Internet]. Disponible en https://www.researchgate.net/publication/264419855_One_Millisecond_Face_Alignment_with_an_Ensemble_of_Regression_Trees
A. Rosebrock. (2017, abr. 3). “Facial Landmarks with Dlib, OpenCV, and Python.” [Internet]. Disponible en https://www.pyimagesearch.com/2017/04/03/facial-landmarks-dlib-opencv-python/
J. Puyol Moreno, “Una aproximación a Big Data”, RDUNED, n.° 14, pp. 471-506, ene. 2014, doi: 10.5944/rduned.14.2014.13303
“Proposed Big Data Architecture for Facial Recognition Using Machine Learning”, AIMS Electronics and Electrical Engineering, vol. 5, n.° 1, pp. 68-92, sep. 2021, doi: 10.3934/electreng.2021005
Apache SparkTM. (s.f.). “Unified Engine for Large-Scale Daya Analytics.” [Internet]. Disponible en https://spark.apache.org/
A. V. Hazarika, G. J. S. R. Ram y E. Jain, “Performance comparison of Hadoop and spark engine”, en 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), feb. 2017, pp. 671-674. doi: 10.1109/I-SMAC.2017.8058263.
M. Zaharia, M. Chowdhury, T. Das et al., “Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing”, en NSDI'12: Proceedings of the 9th USENIX conference on Networked Systems Design and Implementation, abr. 2012, San Jose, CA, USA.
E.-J. Cheng et al., “Deep Sparse Representation Classifier for facial recognition and detection system”, Pattern Recognition Letters, vol. 125, pp. 71-77, jul. 2019, doi: 10.1016/j.patrec.2019.03.006
S. Ajina, R. Yampolskiy, y N. Essoukri, “Evaluation of SVM Classification of Avatar Facial Recognition”, en 8th International Symposium on Neural Networks, Guilin, China, may. - jun. 2011, doi: 10.1007/978-3-642-21111-9_15
I. Siles, “Uso de AI para la detección de logos y el reconocimiento facial en ambientes de DTV”, Telemática, vol. 20, n.° 2, ene. 2021. [En línea]. Disponible en https://revistatelematica.cujae.edu.cu/index.php/tele/article/view/451
D. J. Calandria, A. Cañas y A. F. Díaz, “Detección de rostros humanos mediante SVM y generación de fotografías de tipo carné”, Departamento de Arquitectura y Tecnología de Computadores, Universidad de Granada, s.f.
Hamsa B. (2018, abr. 30). “Construye tu primer clasificador de Deep Learning con TensorFlow: Ejemplo de razas de perros”. [Internet]. Disponible en https://medium.com/datos-y-ciencia/construye-tu-primer-clasificador-de-deep-learning-con-tensorflow-ejemplo-de-razas-de-perros-ed218bb4df89