Un algoritmo de detección y validación de rostros en entornos no controlados orientado al monitoreo biométrico de conductores vehiculares

Abstract

En el presente trabajo de investigación se busca dar solución a un problema de biometría a través de las áreas de procesamiento digital de imágenes y visión computacional con la finalidad de realizar el monitoreo de conductores de transporte público de personas mediante el reconocimiento de rostros. El objetivo es el de proponer un algoritmo de detección e identificación de rostros que sea robusto ante las diversas condiciones de iluminación a las que los conductores puedan estar sometidos en entornos no controlados. Se utilizó el algoritmo de especificación rápida local de histograma para atenuar el ruido debido a la iluminación y se estudió cómo este algoritmo repercute en el rendimiento de la detección e identificación de rostros, las cuales se basan en los descriptores como los histogramas de gradientes orientados y/o el resultado de una red neuronal convolucional con arquitectura FaceNet respectivamente. Finalmente, se utilizaron máquinas de soporte vectorial para realizar la clasificación final en la detección e identificación de rostros, obteniéndose una sensibilidad del 71.98% y una especificidad del 97.65% en la detección de rostros y una asertividad del 99.2% en la identificación de rostros. Para obtener estas métricas se utilizaron 6’094 imágenes para el entrenamiento del algoritmo y 1’523 imágenes de prueba, las cuales corresponden a 30 personas diferentes.

This research work seeks to solve a biometrics problem in the areas of digital image processing and computer vision in order monitor public transport drivers through face identification. The aim of this work is to propose a face detection and identification algorithm that is robust to the various lighting conditions to which drivers may be subjected in wild environments. The fast local histogram specification algorithm was implemented to reduce the noise due lighting conditions and a posterior study was made to analyze how this algorithm affects the performance in the tasks of face detection and identification, which are based on descriptors generated by histograms of oriented gradients and a convolutional neural network with FaceNet architecture respectively. Finally, support vector machine was used to carry out the classification task in face detection and identification stages, achieving a 71.98% sensibility and 97.65% specificity in face detection and a 99.2% accuracy in face identification. Those metrics were obtained using 6’094 images to train the algorithm and 1’523 images for testing, corresponding to 30 different people.