Optimización e implementación de un sistema reconocedor de rostros

Autores/as

  • Jorge Alberto del Carpio Salinas Facultad de Ingeniería Eléctrica y Electrónica, Universidad Nacional de Ingeniería. Lima, Perú.
  • Jose Antonio Huamán Layme Facultad de Ingeniería Eléctrica y Electrónica, Universidad Nacional de Ingeniería. Lima, Perú.

DOI:

https://doi.org/10.21754/tecnia.v16i2.387

Palabras clave:

base de datos, biometría, cámara, sensores, eigenfaces, métodos estadísticos, modelo de markov

Resumen

Los Sistemas de seguridad controlados por características de tipo biométrico experimentan un creciente interés frente a alternativas tradicionales. Este éxito se debe en gran medida a que, cuando una persona pretender acceder a un sistema, la decisión se toma en ase a características específicas de esa persona, y no en base a lo que se conoce o a lo que posee (Tarjetas magneticas, claves, etc); En los últimos años e gran desaroollo de los isstemas de información unido al barcamiento y masificación de computadoras y sensores ha porvcado un creciente interés por sistemas que permitan establecer la identidad de un individuo en forma automatizada. Frente a esto, en este trabajo se describe e implementa un reconocedor de rostos utilizando las técnias más exitosas en el campo de la biometría basadas en métodos Estadísticos como son: Descomposiciones del tipo Eingenface y Modelo Oculto de Markov Embebido (HMME). El primer método genera una representación lineal reducida de las imágenes de rostros de manera que cada rostro sea proyectado en un espacio de dimensionalidad reducida donde se llavara a cabo el reconocimiento. El segundo método genera un modelo de estados. Para ello se ha empleado una base de datos de rostros obtenida con estudiantes de la Universidad Nacional de Ingeniería UNI, una cámara, una tarjeta digitalizadora y el sistema se implemento casi en tiempo real empleando el C++

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] Huang, J., Gutta, S., Wechsler, H., "Detection of Human Faces Using Decision Trees", 2nd International Conference on Automated Face and Gesture Recognition.

[2] Lawrence, G., Back., citeseer.nj.nec.com/lawrence96what.html "What Size Neural Network Gives Optimal Generalization?" Convergence Properties of Backpropagation (UMIACS-TR-96-22) 1996.

[3] Pentland, A. P., Moghaddam, B., Starner, T., "View-Based and Modular Eigenspaces for Face Recognition", IEEE Conference on Computer Vision & Pattern Recognition, 1994. Tsoi,

[4] Romdhani S., "Face Recognition Using Principal Components Analysis", Technical Report, University of Glasgow.

[5] http://www.mathworks.com/ The MathWorks Matlab and Simulink for Technical Computing.

[6] Viola, P., "Robust Real-time Object Detection" http://research.microsoft.com/-viola/

[7] Del Carpio Salinas, J. A., Huamán Layme, J., Marcelo Fernández, L., "Reconocimiento de Rostros". Facultad de Electricidad y Electrónica de la Universidad Nacional de Ingeniería, 2004, Lima, Perú.

[8] González, R. C., Woods, R. E., "Tratamiento Digital de Imágenes". Addison-Wesley Iberoamericana, S.A., 1996.

Descargas

Publicado

2006-12-01

Cómo citar

[1]
J. A. del Carpio Salinas y J. A. Huamán Layme, «Optimización e implementación de un sistema reconocedor de rostros», TEC, vol. 16, n.º 2, pp. 5–15, dic. 2006.

Número

Sección

Artículos

Artículos más leídos del mismo autor/a