Reconocimiento facial: técnicas tradicionales y técnicas de aprendizaje profundo un análisis

Abstract

El reconocimiento facial se ha convertido en los últimos años en la piedra angular de las propuestas de modelos que intentan de manera automatizada identificar un rostro, aplicación que derivaría en el desarrollo de múltiples sistemas orientados a la seguridad (control de acceso), búsqueda y rescate de personas desaparecidas entre las más importantes por el momento. El problema de la mayoría, tanto de las propuestas como de las evaluaciones de las mismas, radica en la necesidad de equipos de grandes prestaciones al igual que gran cantidad de imágenes que conformen los datasets de entrenamiento, no en vano uno de los modelos evaluados en la presente tesis “Facenet”, recurrió al entrenamiento de una red neuronal con un dataset de 3 millones de rostros y 9000 clases, algo que con equipos que regularmente se encuentran en los laboratorios de cada universidad, sería difícil de alcanzar, por ello se analizaron los resultados de cuatro modelos que pueden ejecutarse en computadores de bajas prestaciones y que puedan generar resultados satisfactorios que podrían implementarse en aplicaciones de seguridad y biométricos para reconocimiento de rostros. Los modelos evaluados fueron escogidos en función de tres grandes clasificaciones: Modelos tradicionales, APIS de reconocimiento de objetos fácilmente adaptables a identificación de rostros y un modelo basado en redes neuronales convolucionales. De estos modelos, el modelo basado en redes neuronales convolucionales presentó mejores resultados a la hora de identificar rostros, tanto por su facilidad de implementación como por los resultados obtenidos en los experimentos, mismos que destacaron el uso de un grupo de control para descartar falsos positivos debido a la naturaleza del entrenamiento de los modelos.