Reconocimiento facial utilizando redes neuronales artificiales en Raspberry Pi
Resumen
En este trabajo se propone el uso de un sistema biométrico de reconocimiento facial. La ventaja de este tipo de sistema de reconocimiento sobre otros sistemas biométricos como el reconocimiento de huella dactilar, se encuentra en la reducción del tiempo de identificación de las personas activas en el entorno. Para ello se aplican técnicas de inteligencia artificial y visión por computadora en una placa Raspberry Pi 3. El prototipo consta de una cámara para la captura del rostro a identificar y la placa Raspberry pi, la cual es controlada de forma remota por otra computadora. Para la detección de rostros se utiliza un clasificador tipo cascada. Una vez detectado el rostro, se procede con la captura y el pre-procesamiento de la imagen facial del individuo para que posteriormente sirva de entrada para el entrenamiento de la red neuronal artificial. El tipo de red neuronal artificial que se utiliza es la red Neuronal Convolucional (RNC), una red especialmente diseñada para trabajar en la clasificación de imágenes aplicando la técnica del aprendizaje profundo. Los resultados obtenidos de las pruebas demuestran que el sistema biométrico de reconocimiento facial puede reconocer exitosamente a los sujetos con una tasa de precisión bastante significativa y confiable.
Citas
[1] C. Tolosa Borja y Á. Giz Bueno, ``Sistemas Biométrico'', 2010. [En línea]. Disponible en: https://docplayer.es/4089383-Sistemas-biometricos-cesar-tolosa-borja-alvaro-giz-bueno.html. [Accedido: 08-mar-2022].
[2] A. Maya Vargas, “Sistema biométrico de reconocimiento de huella dactilar en control de acceso de entrada y salida''. Universidad Militar Nueva Granada, Bogotá, 2013.
[3] Serban Biometrics, “Tecnologías biométricas e Identidad digital'', 2021. [En línea]. Disponible en: https://serbanbiometrics.es/tecnologia-biometricas/. [Accedido: 08-mar-2022].
[4] A. E. López Sandoval, C. Mendoza Martínez, L. Á. Reyes Cruz, E. A. Rivas Araiza, J. M. Ramos Arreguín, y J. C. Pedraza Ortega, “Sistema de Autenticación Facial mediante la Implementación del algoritmo PCA modificado en Sistemas embebidos con arquitectura ARM'', La Mecatrónica en México, vol. 4, no. 2, pp. 53-64, 2015.
[5] M. Marín, “No confundir, la detección de rostros, con el reconocimiento facial'', Tuerto, pero veo todo, 2019. [En línea]. Disponible en: http://tuertoperoveotodo.blogspot.com/2019/04/no-confundir-la-deteccion-de-rostros.html. [Accedido: 26-mar-2022].
[6] OpenCV, ``About'', 2020. [En línea]. Disponible en: https://opencv.org/about/. [Accedido: 08-mar-2022].
[7] Universo Abierto, “Guía de Raspberry Pi, el ordenador de placa simple utilizado en makerspaces escolares'', Blog de la biblioteca de Traducción y Documentación de la Universidad de Salamanca, 2018. [En línea]. Disponible en: https://universoabierto.org/2019/01/07/guia-de-rasberry-pi-el-ordenador-de-placa-simple-utilizado-en-makerspaces-escolares/. [Accedido: 26-mar-2022].
[8] L. Alonso, “Bienvenidos a la página de Redes Neuronales'', Universidad de Salamanca. [En línea]. Disponible en: http://avellano.fis.usal.es/~lalonso/RNA/principal.htm. [Accedido: 26-mar-2022].
[9] A. Ballesteros, “Redes Neuronales Clasificación respecto al Aprendizaje'', 2019. [En línea]. Disponible en: http://www.redes-neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-redes-neuronales-respecto-al-aprendizaje.htm. [Accedido: 26-mar-2022].
[10] SmartPanel, ``¿Qué es el Deep Learning?'', 2022. [En línea]. Disponible en: https://www.smartpanel.com/que-es-deep-learning/. [Accedido: 07-mar-2022].
[11] Siddharth Das, “CNN Architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet and more?'', Analytics Vidhya, 16-nov-2017. [En línea]. Disponible en: https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5. [Accedido: 29-mar-2022].
[12] L. Laguna, “Trabajo de Fin de Grado Usando Redes Neuronales Convolucionales Para Convertir Características Visuales en Estímulos Sonoros Using Convolutional Neural Networks to convert visual features'', 2018.
[13] M. Rizwan, ``LeNet-5 A Classic CNN Architecture'', 2018. [En línea]. Disponible en: https://medium.datadriveninvestor.com/lenet-5-a-classic-cnn-architecture-c87d0b03560d. [Accedido: 26-mar-2022].
[14] J. A. Cadena Moreano, R. H. Montaluisa Pulloquinga, G. A. Flores Lagla, J. C. Chancúsig Chisag, y O. A. Guaypatín Pico, “Reconocimiento facial con base en imágenes'', Rev. Boletín Redipe, vol. 6, no. 5, pp. 143-151, 2017.
[15] D. C. Platero Plazas, Reconocimiento de imágenes faciales orientado a controles de acceso y sistemas de seguridad. Bogotá: Universidad Distrital ``Francisco José de Caldas'' Facultad Tecnológica, 2015.
[16] P. A. Viola y M. J. Jones, “Rapid object detection using a boosted cascade of simple features'', Proc. 2001 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognition. CVPR 2001, vol. 1, pp. I-I, 2001.
[17] Ó. Picazo Montoya, “Redes Neuronales Convolucionales Profundas para el reconocimiento de emociones en imágenes'', p. 45, 2018.
[18] OpenCV, ``Cascade Classifier'', Open Source Computer Vision. [En línea]. Disponible en: https://docs.opencv.org/3.4/db/d28/tutorial_cascade_classifier.html. [Accedido: 26-mar-2022].
[19] K. Liu, P. Zhongid, Y. Zheng, K. Yang, y M. Liu, ``P_VggNet: A convolutional neural network (CNN) with pixel-based attention map'', 2018.
[20] A. Rosebrock, “Keras and Convolutional Neural Networks (CNNs)'', PyImageSearch, 16-abr-2018. [En línea]. Disponible en: https://pyimagesearch.com/2018/04/16/keras-and-convolutional-neural-networks-cnns/. [Accedido: 26-mar-2022].
[21] O. Parkhi, A. Vedaldi, y A. Zisserman, “VGG Face Descriptor'', 2015. [En línea]. Disponible en: https://www.robots.ox.ac.uk/~vgg/software/vgg_face/. [Accedido: 26-mar-2022].
[22] F. Chollet, \textit{Deep Learning con Python}. Anaya, 2020.
[23] K. Simonyan y A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition''. arXiv, 2014.
[24] Mathworks, “Deep Learning: Tres cosas que es necesario saber'', Deep Learning, 2022. [En línea]. Disponible en: https://la.mathworks.com/discovery/deep-learning.html. [Accedido: 07-mar-2022].
[25] Keras, “Keras: the Python deep learning API'', 2022. [En línea]. Disponible en: https://keras.io/. [Accedido: 26-mar-2022].
[26] TensorFlow, “Plataforma de extremo a extremo de código abierto para el aprendizaje automático'', 2022. [En línea]. Disponible en: https://www.tensorflow.org/. [Accedido: 26-mar-2022].
[27] SciPy, “Fundamental algorithms for scientific computing in Python'', 2022. [En línea]. Disponible en: https://scipy.org/. [Accedido: 26-mar-2022].
[28] Scikit-learn, “Scikit-learn: machine learning in Python'', 2022. [En línea]. Disponible en: https://scikit-learn.org/stable/. [Accedido: 26-mar-2022].
[29] K. He, X. Zhang, S. Ren, y J. Sun, “Deep Residual Learning for Image Recognition'', en Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.
[30] GlosarioIT.com, “Python, el lenguaje a aprender'', 2022. [En línea]. Disponible en: https://www.glosarioit.com/apartados/Python_el_lenguaje_a_aprender.html. [Accedido: 07-mar-2022].
[2] A. Maya Vargas, “Sistema biométrico de reconocimiento de huella dactilar en control de acceso de entrada y salida''. Universidad Militar Nueva Granada, Bogotá, 2013.
[3] Serban Biometrics, “Tecnologías biométricas e Identidad digital'', 2021. [En línea]. Disponible en: https://serbanbiometrics.es/tecnologia-biometricas/. [Accedido: 08-mar-2022].
[4] A. E. López Sandoval, C. Mendoza Martínez, L. Á. Reyes Cruz, E. A. Rivas Araiza, J. M. Ramos Arreguín, y J. C. Pedraza Ortega, “Sistema de Autenticación Facial mediante la Implementación del algoritmo PCA modificado en Sistemas embebidos con arquitectura ARM'', La Mecatrónica en México, vol. 4, no. 2, pp. 53-64, 2015.
[5] M. Marín, “No confundir, la detección de rostros, con el reconocimiento facial'', Tuerto, pero veo todo, 2019. [En línea]. Disponible en: http://tuertoperoveotodo.blogspot.com/2019/04/no-confundir-la-deteccion-de-rostros.html. [Accedido: 26-mar-2022].
[6] OpenCV, ``About'', 2020. [En línea]. Disponible en: https://opencv.org/about/. [Accedido: 08-mar-2022].
[7] Universo Abierto, “Guía de Raspberry Pi, el ordenador de placa simple utilizado en makerspaces escolares'', Blog de la biblioteca de Traducción y Documentación de la Universidad de Salamanca, 2018. [En línea]. Disponible en: https://universoabierto.org/2019/01/07/guia-de-rasberry-pi-el-ordenador-de-placa-simple-utilizado-en-makerspaces-escolares/. [Accedido: 26-mar-2022].
[8] L. Alonso, “Bienvenidos a la página de Redes Neuronales'', Universidad de Salamanca. [En línea]. Disponible en: http://avellano.fis.usal.es/~lalonso/RNA/principal.htm. [Accedido: 26-mar-2022].
[9] A. Ballesteros, “Redes Neuronales Clasificación respecto al Aprendizaje'', 2019. [En línea]. Disponible en: http://www.redes-neuronales.com.es/tutorial-redes-neuronales/clasificacion-de-redes-neuronales-respecto-al-aprendizaje.htm. [Accedido: 26-mar-2022].
[10] SmartPanel, ``¿Qué es el Deep Learning?'', 2022. [En línea]. Disponible en: https://www.smartpanel.com/que-es-deep-learning/. [Accedido: 07-mar-2022].
[11] Siddharth Das, “CNN Architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet and more?'', Analytics Vidhya, 16-nov-2017. [En línea]. Disponible en: https://medium.com/analytics-vidhya/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5. [Accedido: 29-mar-2022].
[12] L. Laguna, “Trabajo de Fin de Grado Usando Redes Neuronales Convolucionales Para Convertir Características Visuales en Estímulos Sonoros Using Convolutional Neural Networks to convert visual features'', 2018.
[13] M. Rizwan, ``LeNet-5 A Classic CNN Architecture'', 2018. [En línea]. Disponible en: https://medium.datadriveninvestor.com/lenet-5-a-classic-cnn-architecture-c87d0b03560d. [Accedido: 26-mar-2022].
[14] J. A. Cadena Moreano, R. H. Montaluisa Pulloquinga, G. A. Flores Lagla, J. C. Chancúsig Chisag, y O. A. Guaypatín Pico, “Reconocimiento facial con base en imágenes'', Rev. Boletín Redipe, vol. 6, no. 5, pp. 143-151, 2017.
[15] D. C. Platero Plazas, Reconocimiento de imágenes faciales orientado a controles de acceso y sistemas de seguridad. Bogotá: Universidad Distrital ``Francisco José de Caldas'' Facultad Tecnológica, 2015.
[16] P. A. Viola y M. J. Jones, “Rapid object detection using a boosted cascade of simple features'', Proc. 2001 IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognition. CVPR 2001, vol. 1, pp. I-I, 2001.
[17] Ó. Picazo Montoya, “Redes Neuronales Convolucionales Profundas para el reconocimiento de emociones en imágenes'', p. 45, 2018.
[18] OpenCV, ``Cascade Classifier'', Open Source Computer Vision. [En línea]. Disponible en: https://docs.opencv.org/3.4/db/d28/tutorial_cascade_classifier.html. [Accedido: 26-mar-2022].
[19] K. Liu, P. Zhongid, Y. Zheng, K. Yang, y M. Liu, ``P_VggNet: A convolutional neural network (CNN) with pixel-based attention map'', 2018.
[20] A. Rosebrock, “Keras and Convolutional Neural Networks (CNNs)'', PyImageSearch, 16-abr-2018. [En línea]. Disponible en: https://pyimagesearch.com/2018/04/16/keras-and-convolutional-neural-networks-cnns/. [Accedido: 26-mar-2022].
[21] O. Parkhi, A. Vedaldi, y A. Zisserman, “VGG Face Descriptor'', 2015. [En línea]. Disponible en: https://www.robots.ox.ac.uk/~vgg/software/vgg_face/. [Accedido: 26-mar-2022].
[22] F. Chollet, \textit{Deep Learning con Python}. Anaya, 2020.
[23] K. Simonyan y A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition''. arXiv, 2014.
[24] Mathworks, “Deep Learning: Tres cosas que es necesario saber'', Deep Learning, 2022. [En línea]. Disponible en: https://la.mathworks.com/discovery/deep-learning.html. [Accedido: 07-mar-2022].
[25] Keras, “Keras: the Python deep learning API'', 2022. [En línea]. Disponible en: https://keras.io/. [Accedido: 26-mar-2022].
[26] TensorFlow, “Plataforma de extremo a extremo de código abierto para el aprendizaje automático'', 2022. [En línea]. Disponible en: https://www.tensorflow.org/. [Accedido: 26-mar-2022].
[27] SciPy, “Fundamental algorithms for scientific computing in Python'', 2022. [En línea]. Disponible en: https://scipy.org/. [Accedido: 26-mar-2022].
[28] Scikit-learn, “Scikit-learn: machine learning in Python'', 2022. [En línea]. Disponible en: https://scikit-learn.org/stable/. [Accedido: 26-mar-2022].
[29] K. He, X. Zhang, S. Ren, y J. Sun, “Deep Residual Learning for Image Recognition'', en Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.
[30] GlosarioIT.com, “Python, el lenguaje a aprender'', 2022. [En línea]. Disponible en: https://www.glosarioit.com/apartados/Python_el_lenguaje_a_aprender.html. [Accedido: 07-mar-2022].
Publicado
2022-09-30
Cómo citar
CENTURIÓN TALAVERA, Diego Fabián; ALMEIDA DELGADO, Carlos Domingo.
Reconocimiento facial utilizando redes neuronales artificiales en Raspberry Pi.
FPUNE Scientific, [S.l.], n. 16, sep. 2022.
ISSN 2313-4135.
Disponible en: <http://servicios.fpune.edu.py:83/fpunescientific/index.php/fpunescientific/article/view/234>. Fecha de acceso: 14 mayo 2025
Sección
Tecnologías de la Información y de la Comunicación
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0.
Licencia Creative Commons Reconocimiento Internacional 4.0
