Resumen:
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.
