Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIÓN 4
ANTECEDENTES 5
¿QUE PROGRAMA USAN? 5
CHIQUITO
OBJETIVO GENERAL VALAREZO FREDDY EDWARD 8
MILAGRO
ARQUITECTURAS DE REDES NEURONALES CONVOLUCIONALES –ECUADOR
13
Alexnet 13
VGGNet16 13
VGGNet19 14
ResNet50 15
Requisitos de Hardware 15
Requisitos de Software 16
Tool Image Processing en Matlab 16
LIBRERÍAS EN PYTHON 17
TENSOR FLOW 17
KERAS 18
NumPY 18
Matplotlib Dataset 19
DIAGRAMA DE FLUJO DEL PROGRAMA 20
CONCLUSIÓN 21
RECOMENDACIONES 22
ANEXOS 23
REFERENCIAS 26
INTRODUCCIÓN
El reconocimiento facial se ha ido desarrollando con una rapidez innegable. Alphonse
Bertillon(1883) fue quien dio las pautas y asentó las primeras bases de lo que hoy en dia
es el sistema de reconocimiento facial, en aquel tiempo se usó un número considerable
de factores antropométricos como son: rasgos faciales de la persona, simetría y la
distancia de separación de los ojos. Es importante mencionar que este sistema es muy
usado en el ámbito forense, y sí, también en la corte judicial,donde ha llegado a jugar un
papel importante para demostrar la inocencia de un procesado o así mismo determinar
su culpabilidad.
Para describir en que se basa el reconocimiento facial tenemos que partir mencionando
que los avances que hasta hoy se han conseguido son gracias a la biometría, así como
también de la tecnología. Los factores mencionados anteriormente han permitido que se
lograra la toma y análisis de nuestros datos biológicos como es el ADN, el iris , la voz y
la huella de la mano. Así surgen los sistemas de reconocimiento facial, los cuales han
sido programados bajo condiciones que se apoyan en la toma de decisiones con ayuda
de fotografías y videos en donde se muestran las características personales y lo plasma
en una imagen en software en donde se realiza el proceso de reconocimiento y
validación.
A medida que han pasado los años, el interés por este campo ha ido aumentando
progresivamente hasta el día de hoy. Podemos comprender que este nuevo método de
reconocimiento facial ha logrado niveles de progreso muy elevado.
Software
Según (Jain, Ross, & Prabhkar, 2004), Visionics trabaja con un sistema de captura un
rostro entre multitud y lo compara con aquellos que tiene en su base de datos. Reconoce
los puntos nodales de la cara, analizando la distancia entre los ojos, anchura de la nariz,
línea de la barbilla, mentón, pómulos, profundidad de la cuenca de los ojos, etc.
Tenemos en cuenta que existen otros software que tiene un nivel muy altos que son
Algoritmo
Paul viola y Michael Jones desarrollaron este algoritmo en 2001. Este sistema de
detección de rostros representa un gran avance debido a su rapidez para identificar caras
humanas , ya que realiza las clasificación mediante característica extraídas en una escala
de grises, a diferencia de sus predecesores que realizaban pixel a pixel y en imágenes de
color (Viola, 2001).
Face2Gene
Ilustración 3. Aplicación de reconocimiento facial para determinar ciertos trastornos y variantes para sus pacientes
Los médicos han estado utilizando la tecnología como ayuda, aunque no está destinada
a proporcionar diagnósticos definitivos. Pero plantea una seria de preocupaciones éticas
y legales, dicen los investigadores. Estos incluyen el sesgo étnico en los conjuntos de
datos de capacitación y la fragmentación comercial de las bases de datos, que podrían
limitar el alcance de la herramienta de diagnóstico.
OBJETIVO GENERAL
ALGORITMO EIGENFACES
Ejemplo.
Se muestra una imagen que aleatoria que se va procesar con el algoritmo de eigenfaces
Ilustración 4. Imagen antes de usar el algoritmo Eigenfaces
Patrón Binario Local, Podemos decir que es un operador de textura que etiqueta los
pixeles de una imagen por Thresholding o umbral, ya que es un método de
segmentación de imagen que a a partir de una escala de grises crea una imagen binaria,
cada píxel y el resultado de esa operación se puede considerar como un número binario.
Una red neuronal convolucional (sus siglas en inglés CNN) involucra al menos una capa
convolucional (regularmente con un paso de submuestreo) y luego sigue al menos una
capa completamente asociada como en un sistema neural multicapa estándar. La
ingeniería de una CNN está destinada a explotar la estructura 2D de una imagen de
información. Esto se logra con asociaciones cercanas y cargas atadas, seguidas de algún
tipo de agrupación que genera interpretaciones invariantes. Otra ventaja de las CNN es
que son más simples de preparar y tienen muchos menos parámetros que los sistemas
completamente asociados con un número similar de unidades ocultas. En este momento
hablaremos sobre el diseño de una CNN y el cálculo de generación posterior para
calcular la pendiente en cuanto a los parámetros del modelo para utilizar la mejora
basada en la inclinación. Vea los ejercicios de instrucción individuales sobre
convolución y agrupación para obtener más sutilezas en esas tareas particulares.
Alexnet
VGGNet16
Hay 13 capas convolucionales, 5 capas de Max Pooling y 3 capas densas que resumen
en 21 capas y solo 16 capas de peso.
Conv 1 tiene un número de canales como 64, mientras que Conv 2 tiene 128 canales,
Conv 3 tiene 256 canales mientras que Conv 4 y Conv 5 tiene 512 canales. El sistema
VGG-16 está preparado en el conjunto de datos de ImageNet que tiene más de 14
millones de imágenes y 1000 clases, y alcanza el 92.7% de precisión entre los 5
mejores. Supera a la organización de AlexNet al suplantar canales enormes de tamaño
11 y 5 en la primera y segunda capas de convolución con canales pequeños de tamaño
3x3.
VGGNet19
ResNet50
Requisitos de Hardware
Hardware Descripción
Pantalla HD o Full HD
Almacenamiento 20 GB libres
RAM 4 GB recomendado
Software Descripción
LIBRERÍAS EN PYTHON
TENSOR FLOW
Tensor Flow es una plataforma de código abierto de extremo a extremo para el
aprendizaje automático. Cuenta con un ecosistema integral y flexible de herramientas,
bibliotecas y recursos comunitarios que permite a los investigadores impulsar el estado
del arte en ML y los desarrolladores crean y despliegan fácilmente aplicaciones con
tecnología ML.(Tensor Flow.org)
Para poder trabajar junto con python es necesario seguir los pasos que se indican en la
página web.
KERAS
Keras es una API de sistemas neuronales de nivel significativo, escrita en Python y
equipada para ejecutarse sobre TensorFlow, CNTK o Theano. Fue creado con énfasis en
potenciar la experimentación rápida. Tener la opción de pasar del pensamiento al
resultado con el aplazamiento menos concebible es vital para hacer una gran
investigación.
Admite tanto sistemas convolucionales como sistemas intermitentes, al igual que las
mezclas de los dos.
NumPy es el paquete central para el procesamiento lógico con Python. Contiene además
de otras cosas:
Además de sus usos lógicos conspicuos, NumPy también puede utilizarse como un
poseedor multidimensional competente de información no exclusiva. Se pueden
caracterizar los tipos de información subjetiva. Esto permite que NumPy se incorpore de
manera consistente y rápida con una amplia variedad de bases de datos.
Matplotlib Dataset
Matplotlib intenta hacer que las cosas simples sean simples y que las difíciles sean
posibles de concebir. Puede crear diagramas, histogramas, espectros de potencia,
contornos de barras, diagramas de error, diagramas de dispersión, etc., con solo un par
de líneas de código. Para modelos, vea las parcelas de ejemplo y la exposición de
miniaturas.
DIAGRAMA DE FLUJO DEL PROGRAMA
La cámara web debe tener los respectivos protocolos de seguridad ya que caso contrario
es fácil que un tercero pueda acceder a ellas sin que los involucrados en el proyecto se
den cuenta.
Otra observación muy notable sería que para obtener un desempeño mejor se debería
migrar el código de Matlab a Python, como resultante se obtendrá una mayor velocidad
de ejecución.
Otra recomendación sería que el individuo que estará sujeto a la validación por el
programa esté sin ningún tipo de accesorio extra (gafas, gorra, etc.) o algo que impida
capturar el rostro de manera eficiente.
ANEXOS
Zheng, Y., & Yang, C. (Mayo de 2018). Breast cancer screening using convolutional
neural network and follow-up digital mammography. Obtenido de Researchgate.net:
https://www.researchgate.net/publication/325137356_Breast_cancer_screening_using_c
onvolutional_neural_network_and_follow-up_digital_mammography