UNIVERSIDAD TECNOLOGICA DEL PERÚ

CURSO: FORMACION PARA LA INVESTIGACION – SISTEMAS

TEMA: ANÁLISIS DE HERRAMIENTAS DE IDENTIFICACIÓN FACIAL EN LA NUBE Y SU USO

PARA DESARROLLO DE APLICACIONES DE SOFTWARE DE IDENTIFICACIÓN DE CONTROL
DE INGRESO DE DOCENTES EN UNA UNIVERSIDAD PRIVADA.

ALUMNO: HUARCAYA HIDALGO, JORGE PETER

PANTOJA ARI, ANTONY IDELFONSO

DOCENTE: BARRIGA ALTAMIRANO, EDUARDO RENE

QUIROZ VALENZUELA, ROXANA JANET

TURNO: NOCHE

SECCIÓN: 18122

2019
En los últimos años esta tecnología llamada “Reconocimiento facial” se usaba
algoritmos de reconocimientos muy simples el cual daba mayor oportunidad a que los
errores se produjeran, ya que al ser así el mismo reconocimiento se podría dar para 2
personas diferentes ya que en la actualidad y con los avances logrados, además de los
algoritmos que han sido exponencialmente mejorados, los errores son mínimos ya que
se han afinado la forma en cómo se reconoce cada rostro.

En su artículo Viola, P., Jones M. (2001), el problema más grande referido al

Reconocimiento Facial es la disponibilidad de este software como también el costo de
implementarlo y que funcione de manera óptima, confiable y segura. Esto no es un
impedimento para países desarrollados como Estados Unidos o Rusia los cuales
invierten millones de dólares en implementar esta herramienta en sus empresas para
que así la autenticación del usuario en algún sistema sea lo más segura posible.
Comentario. Estos autores empezaron a desarrollar un software de reconocimiento
facial en el cual en su primera versión tendrá las funcionalidades de detectar el rostro y
verificarlo con la base de datos.

En su estudio del año 2014, E. Cabello Pardos y colaboradores la emulación del

proceso de reconocimiento facial mediante sistemas artificiales ha sido un desafío para
algunas disciplinas como la informática, la visión artificial y la biometría. En
condiciones controladas, estos sistemas tienen la ventaja de ser rápidos, precisos,
económicos y utilizan métodos no invasivos; sin embargo en condiciones no
controladas se enfrentan con diferentes problemas relacionados con los datos a
analizar como las variaciones de escala, de orientación, expresión facial, condiciones
de iluminación, oclusiones, entre otros. Comentario. Los autores utilizaron una gran
variedad de métodos para llevar a cabo la identificación de personas como son:
usuario y contraseña, número de identificación personal (NIP), tarjeta de identificación
por radiofrecuencia (RFID, etc.

El reconocimiento facial nos permite identificar a una persona automáticamente por

medio de una imagen digital. Es una forma de seguridad biométrica que se ha
desarrollado crecientemente desde las primeras pruebas en 1995, en la actualidad los
algoritmos poseen hasta 100% más de exactitud que en aquella época en un comienzo
solo se utilizaban imágenes en 2D las cuales solos permite ver el rostro de la persona a
la cual queremos identificar. García, M. (2009) y otros, investigaron que para realizar
un reconocimiento facial se deben analizar las características faciales de la persona, las
cuales se pueden extraer ya sea de una fotografía o desde un fotograma en una fuente
de video, esta se convierte en una plantilla y luego se compara con las imágenes en
una base de datos para verificar la identidad de la persona. Comentario. Incluyeron la
verificación y autentificación de caras en donde se compara una imagen de rostro de
una persona con otra imagen y también la identificación o el reconocimiento que es
para comparar a una persona desconocida mediante la base de datos para así
identificar a la persona.
Otras de las herramientas tecnológicas en la nube para el reconocimiento facial, que se
conoce en la actualidad, es la Tecnología IBM Watson, que proporciona diferentes
servicios tecnológicos y sistemas inteligentes que permite crear aplicaciones y una de
ellas es el servicio de reconocimiento visual. Por ejemplo, Cesar Lepage Chumpitaz, nos
explica acerca de las tendencias tecnológicas y la evolución de la inteligencia artificial.
También, demuestra cómo estas tecnologías aportan en los modelo de negocio en las
organizaciones. A Continuación, se muestra un caso de éxito en donde se usa la
tecnología IBM Watson:

“El bot, cuenta con un sistema de aprendizaje cognitivo implementado por la

plataforma tecnológica IBM Watson - utilizada en la región por Bancolombia-, que le
permitirá aprender de las interacciones con los humanos. En ese sentido, esperan que
a principios del próximo año Arturito BCP pueda resolver problemas más complejos de
los usuarios, así como permitir a los usuarios solicitar créditos y tener respuestas en
tiempo real. La orientación es que clientes requieren de productos y servicios simples,
modernos y rápidos. Se informa que el bot está siendo desarrollado por su Centro de
Innovación para permitirle operar en Twitter; donde se espera que funcione a
mediados de diciembre. Se prevé que en el primer trimestre el 2017, Arturito BCP
llegue a los cien mil usuarios y, por consiguiente, que pueda responder consultas más
complejas. El bot del BCP le pedirá al usuario validar sus datos para garantizar su
seguridad y proceder con la consulta. Se deberá colocar el tipo de documento de
identidad que tenga y, luego, recibirá un código de verificación vía mensaje de texto, E-
mail o ambos. Una vez obtenido el código, deberá insertarlo en la conversación para
que el bot cruce datos mediante la conexión de APIs. (Interfaces de programación de
aplicaciones). Los APIs son un conjunto de funciones informáticas que permiten la
comunicación entre distintos programas de la web, todo esto sin necesidad de que los
usuarios intervengan. En el caso del bot del BCP, el sistema del banco utiliza un API
para poder comunicarse con Facebook y así hacerle llegar a los usuarios la información
que requieran. De este modo, gracias al software, se logra enviar información de forma
remota que permite intercambiar datos de forma segura.” (Chumpitaz, 2016)

APIs de IBM Watson - Fuente IBM

El uso de la tecnología ha cambiado nuestro estilo de vida como también a las
organizaciones, Asimismo estos nos brindan muchos servicios digitales, aplicaciones,
canales tecnológicos. Hasta sistema inteligente que pueden resolver problemas y tener
la capacidad del comportamiento como el del ser humano, llamado esto la Inteligencia
Artificial. El autor nos menciona acerca de la evolución de la tecnología, la Inteligencia
artificial hasta la actualidad. Además, detalla acerca de las tendencias tecnológicas
como: Big Data, Machine Learning, otros y, como esto ha cambiado el mercado digital
y los procesos de negocios en las empresas también, señala todos los servicios que
ofrece IBM Watson y una de ellas es el Reconocimiento Visual. Considero que este
tema es muy interesante ya que, todas estas ciencias tecnológicas permiten optimizar
recursos, automatizar procesos hasta generar nuevos empleos. Por lo tanto, estoy muy
satisfecho con el contenido de este trabajo de investigación.

Emgu CV es otra herramienta que realiza el reconocimiento facial y el procesamiento

de imágenes. Asimismo, esta tecnología es una plataforma cruzada en el entorno de
trabajo con .NET. que permite realizar funciones mediante la librería OpenCv y estas
pueden ser llamadas desde cualquier lenguaje de programación compatibles con .NET
como: c#,Vb,IronPython.etc1. Por otra parte, los autores (Araujo García & Linares
Salmón, 2018) han implementado un sistema con un espejo inteligente que informa
los diferentes eventos del día a día como: El clima,correo,agenda,noticias,etc y una
aplicación móvil con reconocimiento facial en el acceso. Asimismo, los autores (Araujo
García & Linares Salmón, 2018) muestra los algoritmos implementados en Emgu para
el procesamiento de imágenes:

1
Cfr.EmguCV,2017
“Los eigenfaces son vectores de datos, también denominados eigenvectors,en el que
cada uno posee valores escalares conocidos como eigenvalues.Cada eigenface
representa un rasgo característico de las imágenes faciales siguiendo un patrón
obtenido del estudio de muchos rostros. El funcionamiento de este método es el
siguiente: Por cada imagen del conjunto de entrenamiento se concatenan sus filas de
pixeles, transformándola en un vector en el que cada valor le corresponde a cada píxel.
Tras esto, obtenemos una matriz de vectores, siendo cada vector una imagen. A este
vector se le aplica el método PCA para obtener los componentes principales y reducir
la dimensionalidad. Se pasa a tener una matriz de k vectores (siendo k < M), a cada
vector le corresponde un eigenface y se calcula el eigenface promedio. A partir de
estos eigenfaces, cada imagen del dataset de entrenamiento se puede reconstruir de
una forma muy aproximada combinándolos en mayor o menor medida. Este método
es muy aceptado debido a su fácil implementación y a que utilizado en condiciones
buenas, tiene un buen porcentaje de aciertos. Por el contrario, uno de los
inconvenientes con los que cuenta es que no solo se maximiza la dispersión entre
clases (personas), siendo información útil para la clasificación, sino que también se
maximiza la dispersión entre clases, producido en mayor parte por las condiciones de
iluminación y por la expresión facial, lo cual dificulta la clasificación.
Fisherfaces

El funcionamiento de este método es similar al de Eigenfaces, diferenciándose en que

primero se aplica PCA para la reducción de la dimensionalidad y posteriormente se
aplica LDA. Para ello, y ayudándose del hecho de que las imágenes cuentan con el
nombre de la persona a la que pertenece, permite reducir la problemática de la
dispersión entre clases. En este caso se busca que las mismas clases se agrupen muy
cercanas, mientras que diferentes clases deben estar lo más alejadas posibles la una de
la otra para mejorar la clasificación.

Local Binary Pattern Histogram

En los algoritmos Eigenfaces y Fisherfaces se trata la imagen como un vector de datos

en un espacio de muy alta dimensionalidad. Pero en LBPH se pretenden describir las
características locales de cada rostro. De esta manera, las características extraídas
tendrán dimensionalidad baja, evitando así el hecho de tener que usar algoritmos
adicionales para tratar este problema. El LBPH se basa en ir tomando pixeles “vecinos”
respecto de un pixel central, el cual establece un valor de umbral. Si el valor del pixel
central es menor, se le asigna con un uno, y si es mayor se asigna cero como valor.
Estos valores obtenidos se concatenan para formar un número binario, que
posteriormente se convierte en decimal, que finalmente se convertirá en el nuevo
valor del pixel. Por cada región se obtiene un histograma, que luego será concatenado
para obtener una representación del rostro”

(Araujo García & Linares Salmón, 2018)

 (Araujo García & Linares Salmón, 2018)

El autor ha desarrollado e implementado un espejo inteligente o llamado Smart mirror

y una aplicación movil que se accede mediante el reconocimiento facial .Todo esto se
ha llevado a cabo mediante el uso de diferentes tecnologías como: Raspberry Pi, APIs
de Google y otros ; algoritmos de procesamientos de imágenes .Asimismo, este
sistema proporciona a los usuarios conocer eventos informativos de manera sencilla
como: el tráfico, correo , clima de manera personalizada. Considero que este proyecto
es de mucho aporte ya que , nos ayuda a conocer nuevas tecnologías , que por ahí no
sabíamos y que su ejecución en aplicaciones ayuda a facilitarnos nuestro estilo de vida
optimizando tiempo, recursos y estar informados de nuestro acontecimientos que
sucede en nuestro país en el día a día.

Microsoft Face API ( Cognitive Services ) es unos de los servicios que brinda Microsoft
Azure , para el desarrollo de aplicaciones de reconocimiento facial. Asimismo, esta
herramienta detecta, reconoce y analiza rostros humanos en imágenes. A
continuación, los autores (Espinosa & Estrella, 2018) nos menciona las principales
características y funciones que posee este servicio.

“El API de reconocimiento facial (Face API) es un servicio basado en cloud que
provee los más avanzados algoritmos de rostro. Esta API tiene dos funciones
principales que son: Reconocimiento facial y detección de rostro con atributos.
Dentro de las características de detección de rostro se encuentran:

Atributos: edad, sexo, "headpose", sonrisa, "facialHair", gafas, emoción, cabello,

maquillaje, oclusión, accesorios. Los rostros son detectables cuando el tamaño es
superior 36x36 e inferior a 4096 a 4096 pixeles y se recomienda que las imágenes
sean frontales o casi frontales. Los formatos de imagen que acepta son JPEG, PNG,
GIF (el primer fotograma) y formato BMP. El tamaño de archivo de imagen
permitido es de 1 KB a 4 MB.

La característica de reconocimiento facial es extensamente utilizada en muchos

escenarios como: seguridad, interfaz de usuario natural, análisis de contenido de
 imágenes, robótica y aplicaciones móviles. Dentro de esta característica
encontramos cuatro funciones que se detalla en la Tabla 2”. (Espinosa & Estrella,
2018)

Conclusiones

Del análisis anterior, El ser humano en su quehacer diario siempre ha buscado

aumentar la seguridad en lo referente a bienes que poseen y que pudieran ser robados
por medio de una simple contraseña una clonación de la tarjeta. El reconocimiento
facial le da al usuario lo que realmente necesita, más seguridad y sentir la confianza de
que no les pasará nada a sus cuentas o los bienes con que interactúa.